CN111650548A - 一种智能电能表计量数据远程在线监控***及方法 - Google Patents

Abstract

一种智能电能表计量数据远程在线监控***及方法，涉及智能电能表技术领域，解决的技术问题是常规电能表故障检测缺乏数据分析，难以获取电能表数据故障信息。该***包括：电能表检测层、信息传输层、数据处理层、数据应用层和远程监控层，其中所述电能表检测层的输出端与所述信息传输层的输入端连接，所述信息传输层的输出端与所述数据处理层的输入端连接，所述数据处理层的输出端与所述数据应用层的输入端连接，所述数据应用层的输出端与所述远程监控层的输入端连接。本发明能够从接收到的电能表宏观数据分析出隐藏的数据关系，使得用户能够在远程监控层设置的远程监控中心和移动监控终端远程、在线监测电能表数据。

Description

一种智能电能表计量数据远程在线监控***及方法

技术领域

本发明涉及智能电能表技术领域，且更具体地涉及一种智能电能表计量数据远程在线监控***及方法。

背景技术

智能电能表是智能电网数据采集的基本设备之一，承担着原始电能数据采集、计量和传输的任务，是实现信息继承、分析优化和信息展现的基础。随着智能电能表技术和电能计量技术的飞速发展，电能表的应用更加广泛。在工业技术的逐步推进下，大型电能表检测流水线、电能表检测装置层出不穷，电能表计量数据的故障诊断就成为用户面临的技术问题。

专利号CN201410786851.3公开了一种电能计量装置远程在线监测方法，该技术在各个厂站设置本地电能表监测单元，在远端管理主站设置数据服务器和电能表管理监控终端，本地电能表监测单元实时监测电能表的计量状况和运行状况，并通过上行的远程通讯网络将监测到的数据发送给数据服务器。该计算虽然在一定程度上实现各个电能表的在线测试、数据记录、数据分析和故障判断、故障报警等，但是在大型电能表检测流水线***中，尤其是在设备繁多、型号多样、检测数据多种的情况下，在进行电能表***性检测时，很难精确到是哪个厂区，或者是哪台设备、甚至是哪个智能电能表出现的故障，也无法通过检测到的数据分析出电能表数据之间的关系。

这就需要一种新型的监测方法，以克服上述技术的不足。

发明内容

针对上述技术的不足，本发明公开一种智能电能表计量数据远程在线监控***及方法，不仅能够实现智能电能表的在线监测和实时传递，而且能够通过电能表检测数据中挖掘隐藏在宏观数据中的微观原因，使得用户通过数据分析技术就能够实现电能表故障分析和监控。

本发明采用以下技术方案：

一种智能电能表计量数据远程在线监控***，包括：

电能表检测层，所述电能表检测层内部设置有布置在不同厂区的电能表检定装置或电能表检定流水线，并利用所述电能表检定装置或流水线检测电能表，获取电能表数据参数信息；

信息传输层，所述信息传输层内设置有数据通讯模块，所述数据通讯模块设置有电能表多通道传输接口，通过所述电能表多通道传输接口传递批量检测到的电能表数据；

数据处理层，所述数据处理层设置有PC机，所述PC机集成设置有大数据处理单元，用于计算、处理所述信息传输层接收到的数据信息，从接收到的电能表宏观数据分析数据之间的联系，并揭示宏观数据内部隐藏的微观数据关系；

数据应用层，所述数据应用层设置有布置在不同信息处理中心的客户端，用于接收所述数据处理层处理的数据，并通过不同的客户端接收、显示、存储和管理；

远程监控层，所述远程监控层设置有远程监控中心和移动监控终端，用于接收所述数据应用层输出的本地数据，以实现远程、在线监测；其中：

所述电能表检测层的输出端与所述信息传输层的输入端连接，所述信息传输层的输出端与所述数据处理层的输入端连接，所述数据处理层的输出端与所述数据应用层的输入端连接，所述数据应用层的输出端与所述远程监控层的输入端连接。

作为本发明进一步的技术方案，所述电能表检定装置或流水线为10000台以上的三相电能表检定装置或流水线，日检测电能表数据量为1*10⁵以上。

作为本发明进一步的技术方案，所述数据通讯模块设置有通讯控制模块，所述通讯控制模块包括连接线程池模块、连接链表模块、分析线程池模块、发送链表模块、发送线程池模块、通信数据计算模块和数据库单元，其中所述连接线程池模块的输出端与连接链表模块的输入端连接，所述连接链表模块的输出端与所述分析线程池模块的输入端连接，所述分析线程池模块的输出端分别与所述发送链表模块和通信数据计算模块的输入端连接，所述发送链表模块的输出端与所述发送线程池模块的输入端连接，所述通信数据计算模块连接有数据库单元。

作为本发明进一步的技术方案，所述电能表多通道传输接口至少包括GPRS无线通讯接口、GSM无线通讯接口、光纤通讯接口、RS 485通讯接口、RS 232通讯接口或低压电力线载波通讯接口。

作为本发明进一步的技术方案，所述大数据处理单元包括基于随机矩阵分析算法模型的大数据处理单元和基于BP神经网络算法模型的大数据处理单元。

本发明还采用以下技术方案：

一种智能电能表计量数据远程在线监控方法，包括以下步骤：

(S1)利用电能表检定装置或流水线检测电能表，获取电能表数据参数信息；

(S2)通过电能表多通道传输接口传递批量检测到的电能表数据；

(S3)计算、处理所述信息传输层接收到的数据信息，从接收到的电能表宏观数据分析数据之间的联系，并揭示宏观数据内部隐藏的微观数据关系；

(S4)接收所述数据处理层处理的数据，并通过不同的客户端接收、显示、存储和管理；

(S5)在远程接收数据应用层输出的本地数据，以实现远程、在线监测。

作为本发明进一步的技术方案，所述步骤(S3)中的电能表信息数据处理的方法为：

将接收到的电能表数据信息输入至随机矩阵分析算法模型，通过所述随机矩阵分析算法模型将接收到的电能表计量数据按照分类属性进行数据分类，分类后的电能表数据通过BP 神经网络算法模型进行故障诊断，最终输出电能表故障数据信息。

作为本发明进一步的技术方案，所述随机矩阵分析算法模型的构建方法为：

(1)数据预处理，对提取到的电能表数据信息进行预处理，将有效数据保留，滤出无用的数据信息，数据类型至少包括电能表输出频率、电压、电流、谐波电压、谐波电流、电压不平衡参宿、电流不平衡参数、闪变、功率或者功率因数；通过数据清理、数据集成、数据规约或数据变换等不同的数据预处理方式对提取的数据进行清理；

(2)构建随机矩阵理论模型，计算出初始矩阵，根据构建的矩阵模型，将电能表信息参数代入随机矩阵公式模型进行计算；其中随机矩阵模型公式为：

其中：

其中在上述公式中，M表示电能表检定过程中，影响电能表检定精度的参数种类，所述参数至少包括设备因素参数、人为因素参数、现场环境因素参数、操作因素参数、数据传递因素参数、磁场、谐波、负载或杂波，其中所述参数的数据集合记作为P＝{P₁，P₂，P₃……P_M}， N表示电能表检定数据，所述检定数据至少包括电流、电压或功率的种类，所述检定数据的集合记作为Q＝{Q₁，Q₂，Q₃……Q_N},T表示为电能表检定装置或流水线检测电能表的时间， D₁表示影响电能表检定数据精度的集合，P_ij集合数据元素表示为在i个厂区的电能表检定装置或流水线检测时，在j时间下进行电能表测量的测量值；

(4)根据构建的随机矩阵模型计算出相关数据；

(5)利用所述步骤(S3)中的随机矩阵模型对电能表检测***中至少出现的磁场、谐波、负载或杂波数据信息进行分析，利用以下公式计算出标准化矩阵积D_std的特征值：

D_std＝[D₁,D₂,D₃,……D_M+N]^T (4)

当计算出标准化矩阵积D_std的特征值时，则得出影响电能表检定精度的磁场、谐波、负载或杂波的误差影响量，D_std越大，影响量越大。

作为本发明进一步的技术方案，所述BP神经网络算法模型由输入层、蕴含层和输出层三层组成，其中所述输入层包括所述随机矩阵分析算法模型输出的电能表数据信息；所述BP 神经网络算法模型通过调节权值、阈值来逐渐逼近所需要的结果，最终使得输出的误差最小化，在调整BP神经网络模型时，按照以下公式进行：

其中调整输出层权系数的公式为：

其中，η表示，

表示期望输出，

为实际输出，η表示学习率，k表示样本个数； p表示样本；0＜η＜1；调整隐含层权系数的公式为：

对于每一种电能表故障数据样本中的输入模式对的二次型准确函数模型为：

对于N个电能表故障信息样本的总准确函数表达式：

在刚开始计算时，在复杂电能表故障类型信息提取时，为了提高学习精度，首先对样本数据实施标准化处理；

假设输入的电能表故障信息的种类为m个，样本为N,对于输入数据x_ij的标准化按照下列公式的步骤进行：

其中i＝1,2，…,N；j＝1,2…,m,上述公式中Z_ij则为进行标准化处理后的数据。

标准化下公式可以为：

y_i'＝q(y_i-y_min+b)/(y_max-y_min+b) (12)

其中y_i为输出电能表故障数据样本；

y′_i为标准化后的电能表故障数据样本信息；

y_max,y_min为输出电能表故障信息数据样本中的极大值和极小值。

作为本发明进一步的技术方案，其中1<q<1.3；1<b<1.6，隐层结点数确定在7-9之间，输入层到隐层的数值介于0.2-0.6之间，隐层到输出层之间的数值可以为0.2-0.6之间。

积极有益效果：

本发明的监测***能够对已经投入使用的批量性电能计量设备进行远程、在线监测、故障判断和记录分析，它是集信号采集、数据传递、数据计算、分析、监测和诊断的一体化的检测、分析***，能够实现数据的在线、实时监控。

本发明采用大数据分析技术手段，对接收到的电能表数据进行分析，通过构建随机矩阵理论模型，在含有复杂电能检测网络中的干扰信号中，分析出影响电能检测精度的影响因素，使电能表检测用户从宏观的高纬度输出数据中，获取影响电能表检测精度的更为微观的本质规律，能够使用户从根源上解决智能电能表检测过程中存在的问题，进而实现电能表远程监控。

本发明采用BP神经网络算法模型，通过调整BP神经网络中的权值、阈值来逐步逼近所需要的结果，最终使输出误差精度最小，在利用BP网络算法模型进行映射、处理电能表检测数据信息样本中，将输出的数据进行复杂的非线性关系映射。更具体地说，引起电能表故障检测信息的因素包含有设备因素、人为因素、现场环境因素、操作因素、数据传递因素等。利用BP网络算法模型时，能够通过检测输出电能计量数据与这些因素形成非线性的数据关系，大大提高了故障学习效率，提高了诊断速度，数据准确率较高。本发明结合随机矩阵理论模型，使得电能表检测数据的故障诊断更为精确。

本发明在进行数据通讯中，通过在数据通讯模块设置通讯控制模块，所述通讯控制模块包括连接线程池模块、连接链表模块、分析线程池模块、发送链表模块、发送线程池模块、通信数据计算模块和数据库单元，通过设置IEC 62056 DLMS规约，为电能表检测数据提供了通讯技术保障，使用户按照IEC 62056规约实现电能表数据的互联和互操作，本发明还利用GPRS、IPV6、三网融合等新的通信技术不断加强和完善智能电能表网络通信***。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图，其中：

图1为本发明一种智能电能表计量数据远程在线监控***的架构示意图；

图2为本发明一种智能电能表计量数据远程在线监控***中通讯控制模块的结构示意图；

图3为本发明一种智能电能表计量数据远程在线监控方法的流程示意图；

图4为本发明一种智能电能表计量数据远程在线监控方法中大数据分析模型示意图；

图5为本发明一种智能电能表计量数据远程在线监控方法中一种试验数据记录表；

图6为本发明一种智能电能表计量数据远程在线监控方法中另一种试验数据记录表；

图7为本发明一种智能电能表计量数据远程在线监控方法中又一种试验数据记录表；

图8为本发明一种智能电能表计量数据远程在线监控方法中一种实施例的杂波对测量影响的结构示意图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的实施例仅用于说明和解释本发明，并不用于限定本发明。

实施例1***

如图1所示，一种智能电能表计量数据远程在线监控***，包括：

电能表检测层，所述电能表检测层内部设置有布置在不同厂区的电能表检定装置或电能表检定流水线，并利用所述电能表检定装置或流水线检测电能表，获取电能表数据参数信息；

信息传输层，所述信息传输层内设置有数据通讯模块，所述数据通讯模块设置有电能表多通道传输接口，通过所述电能表多通道传输接口传递批量检测到的电能表数据；

数据处理层，所述数据处理层设置有PC机，所述PC机集成设置有大数据处理单元，用于计算、处理所述信息传输层接收到的数据信息，从接收到的电能表宏观数据分析数据之间的联系，并揭示宏观数据内部隐藏的微观数据关系；

数据应用层，所述数据应用层设置有布置在不同信息处理中心的客户端，用于接收所述数据处理层处理的数据，并通过不同的客户端接收、显示、存储和管理；

远程监控层，所述远程监控层设置有远程监控中心和移动监控终端，用于接收所述数据应用层输出的本地数据，以实现远程、在线监测；其中：

所述电能表检测层的输出端与所述信息传输层的输入端连接，所述信息传输层的输出端与所述数据处理层的输入端连接，所述数据处理层的输出端与所述数据应用层的输入端连接，所述数据应用层的输出端与所述远程监控层的输入端连接。通过这种连接方式，实现电能表数据发送。

通过上述方案，本发明能够对已经投入使用的批量性电能计量设备进行远程、在线监测、故障判断和记录分析，它是集信号采集、数据传递、数据计算、分析、监测和诊断的一体化的检测、分析***，能够实现数据的在线、实时监控。在上述实施例中，所述电能表检定装置或流水线为10000台以上的三相电能表检定装置或流水线，日检测电能表数据量为1*10⁵以上，因此，检测数据非常庞大，在电能表数据计算和处理过程中，常规方法就很难应付。下文将对如此规模的电能表数据进行数据分析。

在上述实施例中，如图2所示，所述数据通讯模块设置有通讯控制模块，所述通讯控制模块包括连接线程池模块、连接链表模块、分析线程池模块、发送链表模块、发送线程池模块、通信数据计算模块和数据库单元，其中所述连接线程池模块的输出端与连接链表模块的输入端连接，所述连接链表模块的输出端与所述分析线程池模块的输入端连接，所述分析线程池模块的输出端分别与所述发送链表模块和通信数据计算模块的输入端连接，所述发送链表模块的输出端与所述发送线程池模块的输入端连接，所述通信数据计算模块连接有数据库单元。本发明的通信控制模块采用线程池技术有效地管理服务器中的线程，保证通信网络***的稳定、高效运行。其中，连接线程池负责侦听、响应用电端的连接请求，管理各个连接线程。对于不同的通讯方式，如果采用数据网直接连接方式，则根据通信双方的IP地址和通信端口，构造Socket结构体。如果采用拨号连接方式，则需配置相应的拨号服务器/客户端***，并通过解析拨号服务器端的IP地址，结合预先设定的通信端口，构造相应的 Socket结构体，把连接线程放入连接链表。分析线程池负责从连接链表中读取连接线程里的数据包，并对通讯数据包进行分析处理，把电能表数据通过数据处理模块存入数据库。分析线程池还负责把要发送的数据包放入发送链表。发送线程池从发送链表中读入数据包，并协调各个发送线程，通过发送端口与相应的用电端建立通讯连接。通过本设计方法使得远程监测***的通讯网络***运行高效且不失稳定性。

在进一步的实施例中，除了上述控制方法，还有可以采用基于Modbus通讯协议，该协议支持PLC控制的通信***。在其他实施例中，采用基于SPI(同步串行传输规范)的双机通信模块设计方法，该模块采用了两片PICF877A单片机，实现了双机主从串行通信的功能。采用基于EPON的电能表光纤通信模块，该模块包括光电转换与控制模块、存储单元、电源模块、MCU主控制器、电源监测模块、时钟模块、DBG模块、I2C转UART模块和电平转换模块，在此不做详细说明。在电能表通讯条件比较复杂的情况下，可以将上述多种通讯方式结合起来使用。

在进一步的实施例中，电能表多通道传输接口至少包括GPRS无线通讯接口、GSM无线通讯接口、光纤通讯接口、RS 485通讯接口、RS 232通讯接口或低压电力线载波通讯接口。通过采用多通讯技术，实现电能表检测数据的多通道传输。通常在电能表检测***中，在其上行通信信道中，自动抄表***可采用的通信方式主要有PSTN公用电话网、GPRS无线、GSM无线、光纤等。在电能表检测***的配电台区下行通信信道，主要有RS-485总线、低压电力线载波、无线及其混合方式等。在其它实施例中，还采用了低压载波通信。由于220V/380V低压配电网的阻抗及衰减特性与高压电网截然不同，在高压电网应用成熟的载波技术，在低压配电网几乎无法使用。低压电力线载波通信载波信号频率范围为3～500 kHz，电力公司使用的频率范围为3～95kHz，其中3～9kHz一般用于语音传输。微功率无线网络。微功率无线指使用433MHz/470MHz/780MHz/2.4GHz频率、发射功率小于等于50mW的无线射频通信。在电能表检测***中的下位机***中，还可以设置高精度的电流电压互感器、用于执行多路切换的I/O板、用于交流模拟信号的数据采集卡和用于控制、显示、通信的用电端管理机构等。当用电端管理机在接收到服务器端各种远程监测操作指令后，通过多路切换开关，选择启动相应的终端，该终端通过采集与被监测电能表相同的电压、电流瞬时值，采集被监测电能表的脉冲信号，计算各项电参数及误差，把处理结果按照IEC60870252104规约定义的数据帧格式，通过网络传回服务器端，实现计量装置及电能表的远程监测功能。

作为本发明进一步的技术方案，所述大数据处理单元包括基于随机矩阵分析算法模型的大数据处理单元和基于BP神经网络算法模型的大数据处理单元。

实施例2方法

一种智能电能表计量数据远程在线监控方法，如图3所示，包括以下步骤：

(S1)利用电能表检定装置或流水线检测电能表，获取电能表数据参数信息；

(S2)通过电能表多通道传输接口传递批量检测到的电能表数据；

(S3)计算、处理所述信息传输层接收到的数据信息，从接收到的电能表宏观数据分析数据之间的联系，并揭示宏观数据内部隐藏的微观数据关系；

(S4)接收所述数据处理层处理的数据，并通过不同的客户端接收、显示、存储和管理；

(S5)在远程接收数据应用层输出的本地数据，以实现远程、在线监测。

针对步骤(S1)，电能表检测属于大规模的生产、检测***，受检测环境等多个因素的影响，获取的数据为在多种信息影响下检测到的数据，该数据的获取为用户分析数据的原始数据库。在该步骤中，数据的获取可以采用多种途径，不局限于上文介绍的电能表检定装置、流水线，也可以采用传感器、传感器电路等其他检测设备。

针对步骤(S2)，主要实现数据的传递，通过电能表多通道传输接口能够实现不同通讯类型的电能表的通信，由于电能表的生产厂家不同，尺寸、通讯方式会有所差异，通过多通道传输接口能够兼容多种通讯方式的电能表数据通讯，在该步骤中，可以通过程序设置不同的通讯方式，在工作过程中，通过程序识别通讯方式。比如PLC自动识别程序等。

针对步骤(S3)，采用的电能表信息数据处理的方法为：

将接收到的电能表数据信息输入至随机矩阵分析算法模型，通过所述随机矩阵分析算法模型将接收到的电能表计量数据按照分类属性进行数据分类，分类后的电能表数据通过BP 神经网络算法模型进行故障诊断，最终输出电能表故障数据信息，具体如图4所示：

其中随机矩阵分析算法模型的构建方法为：

(1)数据预处理，对提取到的电能表数据信息进行预处理，将有效数据保留，滤出无用的数据信息，数据类型至少包括电能表输出频率、电压、电流、谐波电压、谐波电流、电压不平衡参宿、电流不平衡参数、闪变、功率或者功率因数；通过数据清理、数据集成、数据规约或数据变换等不同的数据预处理方式对提取的数据进行清理。在采用数据预处理时，除了采用过滤的方式之外，还可以采用标准化处理法、向量规范化、区间型属性的变换法、线性变换法、数据集成和数据转换等，在此，不做详细描述。

(2)构建随机矩阵理论模型，计算出初始矩阵，根据构建的矩阵模型，将电能表信息参数代入随机矩阵公式模型进行计算；其中随机矩阵模型公式为：

其中：

其中在上述公式中，M表示电能表检定过程中，影响电能表检定精度的参数种类，所述参数至少包括设备因素参数、人为因素参数、现场环境因素参数、操作因素参数、数据传递因素参数、磁场、谐波、负载或杂波，其中所述参数的数据集合记作为P＝{P₁，P₂，P₃……P_M}， N表示电能表检定数据，所述检定数据至少包括电流、电压或功率的种类，所述检定数据的集合记作为Q＝{Q₁，Q₂，Q₃……Q_N},T表示为电能表检定装置或流水线检测电能表的时间， D₁表示影响电能表检定数据精度的集合，P_ij集合数据元素表示为在i个厂区的电能表检定装置或流水线检测时，在j时间下进行电能表测量的测量值；D₂表示电能表测量精度

(4)根据构建的随机矩阵模型计算出相关数据；

(5)利用所述步骤(S3)中的随机矩阵模型对电能表检测***中至少出现的磁场、谐波、负载或杂波数据信息进行分析，利用以下公式计算出标准化矩阵积D_std的特征值：

D_std＝[D₁,D₂,D₃,……D_M+N]^T (4)

当计算出标准化矩阵积D_std的特征值时，则得出影响电能表检定精度的磁场、谐波、负载或杂波的误差影响量，D_std越大，影响量越大。

举例而言，如图5、图6和图7所示，假设矩阵D1＝100*200，D2＝400*500，则代入公式可以计算得出：

其中D1分别为设备因素、人为因素、现场环境因素、操作因素、数据传递因素等影响电能表检测精度的因素，也可以为湿度、谐波、温度、负荷、磁场等影数据构成的矩阵。在具体实施例中，以电网影响因素作为评估进行实施例，其他因素为类似的方法。假设以电网存在的杂波作为影响电能表检测因素进行分析、判断，通过上述方法计算后，则得出如图8所示的影响曲线。通过图8所示，在2000min时间内，可以直观地看出杂波对测量精度的影响情况。

在更进一步的实施例中，所述BP神经网络算法模型由输入层、蕴含层和输出层三层组成，其中所述输入层包括所述随机矩阵分析算法模型输出的电能表数据信息；所述BP神经网络算法模型通过调节权值、阈值来逐渐逼近所需要的结果，最终使得输出的误差最小化，在调整BP神经网络模型时，按照以下公式进行：

其中调整输出层权系数的公式为：

其中，η表示，

表示期望输出，

为实际输出，η表示学习率，k表示样本个数；p表示样本；0＜η＜1；

调整隐含层权系数的公式为：

对于每一种电能表故障数据样本中的输入模式对的二次型准确函数模型为：

对于N个电能表故障信息样本的总准确函数表达式：

在刚开始计算时，在复杂电能表故障类型信息提取时，为了提高学习精度，首先对样本数据实施标准化处理；

假设输入的电能表故障信息的种类为m个，样本为N,对于输入数据x _ij的标准化按照下列公式的步骤进行：

其中i＝1,2，…,N；j＝1,2…,m,上述公式中Z _ij则为进行标准化处理后的数据。

标准化下公式可以为：

y_i'＝q(y_i-y_min+b)/(y_max-y_min+b) (12)

其中y_i为输出电能表故障数据样本；

y′_i为标准化后的电能表故障数据样本信息；

y_max,y_min为输出电能表故障信息数据样本中的极大值和极小值。

作为本发明进一步的技术方案，其中1<q<1.3；1<b<1.6，隐层结点数确定在7-9之间，输入层到隐层的数值介于0.2-0.6之间，隐层到输出层之间的数值可以为0.2-0.6之间。

通过BP神经网络模型，能够进一步快速诊断电能表数据故障类型，精度更高。通过调整BP神经网络中的权值、阈值来逐步逼近所需要的结果，最终使输出误差精度最小，在利用BP网络算法模型进行映射、处理电能表检测数据信息样本中，将输出的数据进行复杂的非线性关系映射。更具体地说，引起电能表故障检测信息的因素包含有设备因素、人为因素、现场环境因素、操作因素、数据传递因素等。利用BP网络算法模型时，能够通过检测输出电能计量数据与这些因素形成非线性的数据关系，大大提高了故障学习效率，提高了诊断速度，数据准确率较高。本发明结合随机矩阵理论模型，使得电能表检测数据的故障诊断更为精确。

虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和***的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (10)

1.一种智能电能表计量数据远程在线监控***，其特征在于：包括：

电能表检测层，所述电能表检测层内部设置有布置在不同厂区的电能表检定装置或电能表检定流水线，并利用所述电能表检定装置或流水线检测电能表，获取电能表数据参数信息；

信息传输层，所述信息传输层内设置有数据通讯模块，所述数据通讯模块设置有电能表多通道传输接口，通过所述电能表多通道传输接口传递批量检测到的电能表数据；

数据处理层，所述数据处理层设置有PC机，所述PC机集成设置有大数据处理单元，用于计算、处理所述信息传输层接收到的数据信息，从接收到的电能表宏观数据分析数据之间的联系，并揭示宏观数据内部隐藏的微观数据关系；

数据应用层，所述数据应用层设置有布置在不同信息处理中心的客户端，用于接收所述数据处理层处理的数据，并通过不同的客户端接收、显示、存储和管理；

远程监控层，所述远程监控层设置有远程监控中心和移动监控终端，用于接收所述数据应用层输出的本地数据，以实现远程、在线监测；其中：

所述电能表检测层的输出端与所述信息传输层的输入端连接，所述信息传输层的输出端与所述数据处理层的输入端连接，所述数据处理层的输出端与所述数据应用层的输入端连接，所述数据应用层的输出端与所述远程监控层的输入端连接。

2.根据权利要求1所述的一种智能电能表计量数据远程在线监控***，其特征在于：所述电能表检定装置或流水线为10000台以上的三相电能表检定装置或流水线，日检测电能表数据量为1*10⁵以上。

3.根据权利要求1所述的一种智能电能表计量数据远程在线监控***，其特征在于：所述数据通讯模块设置有通讯控制模块，所述通讯控制模块包括连接线程池模块、连接链表模块、分析线程池模块、发送链表模块、发送线程池模块、通信数据计算模块和数据库单元，其中所述连接线程池模块的输出端与连接链表模块的输入端连接，所述连接链表模块的输出端与所述分析线程池模块的输入端连接，所述分析线程池模块的输出端分别与所述发送链表模块和通信数据计算模块的输入端连接，所述发送链表模块的输出端与所述发送线程池模块的输入端连接，所述通信数据计算模块连接有数据库单元。

4.根据权利要求1所述的一种智能电能表计量数据远程在线监控***，其特征在于：所述电能表多通道传输接口至少包括GPRS无线通讯接口、GSM无线通讯接口、光纤通讯接口、RS 485通讯接口、RS 232通讯接口或低压电力线载波通讯接口。

5.根据权利要求1所述的一种智能电能表计量数据远程在线监控***，其特征在于：所述大数据处理单元包括基于随机矩阵分析算法模型的大数据处理单元和基于BP神经网络算法模型的大数据处理单元。

6.一种应用权利要求1-5任一项所述的智能电能表计量数据远程在线监控***进行远程监控的方法，其特征在于：包括以下步骤：

(S1)利用电能表检定装置或流水线检测电能表，获取电能表数据参数信息；

(S2)通过电能表多通道传输接口传递批量检测到的电能表数据；

(S3)计算、处理所述信息传输层接收到的数据信息，从接收到的电能表宏观数据分析数据之间的联系，并揭示宏观数据内部隐藏的微观数据关系；

(S4)接收所述数据处理层处理的数据，并通过不同的客户端接收、显示、存储和管理；

(S5)在远程接收数据应用层输出的本地数据，以实现远程、在线监测。

7.根据权利要求6所述的一种智能电能表计量数据远程在线监控方法，其特征在于：所述步骤(S3)中的电能表信息数据处理的方法为：

将接收到的电能表数据信息输入至随机矩阵分析算法模型，通过所述随机矩阵分析算法模型将接收到的电能表计量数据按照分类属性进行数据分类，分类后的电能表数据通过BP神经网络算法模型进行故障诊断，最终输出电能表故障数据信息。

8.根据权利要求7所述的一种智能电能表计量数据远程在线监控方法，其特征在于：所述随机矩阵分析算法模型的构建方法为：

(1)数据预处理，对提取到的电能表数据信息进行预处理，将有效数据保留，滤出无用的数据信息，数据类型至少包括电能表输出频率、电压、电流、谐波电压、谐波电流、电压不平衡参宿、电流不平衡参数、闪变、功率或者功率因数；通过数据清理、数据集成、数据规约或数据变换等不同的数据预处理方式对提取的数据进行清理；

(2)构建随机矩阵理论模型，计算出初始矩阵，根据构建的矩阵模型，将电能表信息参数代入随机矩阵公式模型进行计算；其中随机矩阵模型公式为：

其中：

其中在上述公式中，M表示电能表检定过程中，影响电能表检定精度的参数种类，所述参数至少包括设备因素参数、人为因素参数、现场环境因素参数、操作因素参数、数据传递因素参数、磁场、谐波、负载或杂波，其中所述参数的数据集合记作为P＝{P₁，P₂，P₃……P_M}，N表示电能表检定数据，所述检定数据至少包括电流、电压或功率的种类，所述检定数据的集合记作为Q＝{Q₁，Q₂，Q₃……Q_N},T表示为电能表检定装置或流水线检测电能表的时间，D₁表示影响电能表检定数据精度的集合，P_ij集合数据元素表示为在i个厂区的电能表检定装置或流水线检测时，在j时间下进行电能表测量的测量值；

(4)根据构建的随机矩阵模型计算出相关数据；

(5)利用所述步骤(S3)中的随机矩阵模型对电能表检测***中至少出现的磁场、谐波、负载或杂波数据信息进行分析，利用以下公式计算出标准化矩阵积D_std的特征值：

D_std＝[D₁,D₂,D_3,……D_M+N]^T (4)

当计算出标准化矩阵积D_std的特征值时，则得出影响电能表检定精度的磁场、谐波、负载或杂波的误差影响量，D_std越大，影响量越大。

9.根据权利要求7所述的一种智能电能表计量数据远程在线监控方法，其特征在于：所述BP神经网络算法模型由输入层、蕴含层和输出层三层组成，其中所述输入层包括所述随机矩阵分析算法模型输出的电能表数据信息；所述BP神经网络算法模型通过调节权值、阈值来逐渐逼近所需要的结果，最终使得输出的误差最小化，在调整BP神经网络模型时，按照以下公式进行：

其中调整输出层权系数的公式为：

其中，η表示，

表示期望输出，

为实际输出，η表示学习率，k表示样本个数；p表示样本；0＜η＜1；

调整隐含层权系数的公式为：

对于每一种电能表故障数据样本中的输入模式对的二次型准确函数模型为：

对于N个电能表故障信息样本的总准确函数表达式：

在刚开始计算时，在复杂电能表故障类型信息提取时，为了提高学习精度，首先对样本数据实施标准化处理；

假设输入的电能表故障信息的种类为m个，样本为N,对于输入数据x _ij的标准化按照下列公式的步骤进行：

其中i＝1,2，…,N；j＝1,2…,m,上述公式中Z_ij则为进行标准化处理后的数据。

标准化下公式可以为：

y′_i＝q(y_i-y_min+b)/(y_max-y_min+b) (12)

其中y_i为输出电能表故障数据样本；

y′_i为标准化后的电能表故障数据样本信息；

y_max,y_min为输出电能表故障信息数据样本中的极大值和极小值。

10.根据权利要求9所述的一种智能电能表计量数据远程在线监控方法，其特征在于：其中1<q<1.3；1<b<1.6，隐层结点数确定在7-9之间，输入层到隐层的数值介于0.2-0.6之间，隐层到输出层之间的数值可以为0.2-0.6之间。

Images