CN111950165A - 典型环境下的电能表可靠性分析方法 - Google Patents
典型环境下的电能表可靠性分析方法 Download PDFInfo
- Publication number
- CN111950165A CN111950165A CN202010864589.5A CN202010864589A CN111950165A CN 111950165 A CN111950165 A CN 111950165A CN 202010864589 A CN202010864589 A CN 202010864589A CN 111950165 A CN111950165 A CN 111950165A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- data
- typical environment
- environment
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000004458 analytical method Methods 0.000 title abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000001419 dependent effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000007613 environmental effect Effects 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 238000011156 evaluation Methods 0.000 abstract description 4
- 150000003839 salts Chemical class 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 239000007921 spray Substances 0.000 description 4
- RZVAJINKPMORJF-UHFFFAOYSA-N Acetaminophen Chemical compound CC(=O)NC1=CC=C(O)C=C1 RZVAJINKPMORJF-UHFFFAOYSA-N 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000010238 partial least squares regression Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 239000002023 wood Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Algebra (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Computer Hardware Design (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种典型环境下的电能表可靠性分析方法,其是在典型环境下针对智能电能表开展基本误差试验、日计时误差试验、电压波动试验等试验,采集试验数据,环境变量数据和电能表状态信息;然后使用偏最小二乘法构建构建回归模型,得到单个厂家、单个批次或单只电能表以及所有电能表在典型环境下影响误差的具体系数值,然后将单个厂家、单个批次或单只电能表在不同环境的不同影响因素下的影响系数值与所有电能表的整体系数进行对比,完成对电能表的可靠性评价。本发明通过典型环境下的电能表可靠性分析,可以提高招标电能表的整体质量,减少电能表装拆换和故障处理工作,提高供电质量,确保电能计量公平公正,创造巨大的经济效益和社会效益。
Description
技术领域
本发明属于智能电能表技术领域,主要涉及一种电能表的检测技术,确切地说是涉及典型环境下的电能表可靠性分析方法。
背景技术
电能表是电力行业最基础的计量设备,使用于各种严酷的自然环境条件下,它的质量情况对于电力企业的生产经营有重要影响。但是按照国内技术标准开展的电能表各项试验很难发现在典型环境下的潜在质量缺陷,我国的典型环境如黑龙江、西藏、福建、广东、新疆吐鲁番等地区:黑龙江地区冬季酷寒,气温一般在-30°至-40°,极端条件下最低温度可达到-52℃;西藏地区平均海拔在4000米以上,空气密度小,太阳辐射强,年均日照时间在3000小时以上,年辐射量为6000—8000兆焦尔/平方米:福建、广东属于亚热带海洋性季风气候,具有“高温潮湿”的特点,沿海区域具有很强的盐雾,容易腐蚀电能表内部零部件;新疆吐鲁番地区是典型的“高干热”气候条件,全年日照时数为3000-3200小时左右,年平均降水量仅有16.4毫米,而蒸发量则高达3000毫米以上。在这些典型环境下,温度、湿度、光照、盐雾等都是影响智能电能表可靠性的主要因素,非常容易导致电能表关键元器件出现各种故障,直接影响了电能表准确可靠运行,使供给侧和需求侧的切身经济利益受损。
发明内容
本发明的目的是:提供一种典型环境下的电能表可靠性分析方法,将智能电能表在典型环境下的薄弱环节暴露出来,从而使智能电能表的生产厂家改进生产制造工艺,提升智能电能表的运行可靠性。
本发明的技术方案是:一种典型环境下的电能表可靠性分析方法,包括以下步骤:
①、在典型环境下,针对智能电能表开展基本误差试验、日计时误差试验和电压波动试验,并采集试验结果数据、环境变量数据和电能表状态数据信息;
②、使用偏最小二乘法构建回归模型:
a、设原始特征数据自变量Xi为N*m维矩阵,因变量Yi为N*n维矩阵,共有N个样本对,X0中样本特征为m维,Y0中样本特征为n维;
b、将Xi和Yi进行标准化处理,并设w1,c1为Xi和Yi第一个主成分轴向量,则w1,c1则可以表达出Xi和Yi第一对主成分t1,u1,其中t1=Xi*w1,u1=Yi*c1;
c、通过下列方法进一步求解w1,c1:
d、由步骤b、c求出t1,u1:
t1=Xiw1,u1=Yic1;
e、根据主成分回归思想可以把Xi、XiYi、Yi分别对它们的主成分t1,u1进行回归建模如下:
Xi=t1pT 1+E Yi=u1qT 1+G
其中,p1,q1为轴向量,E,G为残差矩阵;
f、利用t1和u1间的相关性构建Yi对Xi的主成分t1进行回归建模,经推导求解得:
按照上述步骤进行回归,循环往复,直到残差F达到精度要求,或者主成分数量初始Xi的秩已经达到上限为止;
g、最终可将原始Xi,XiYi,Yi表示为:
h、结合wT itj=1(i=j),wT itj=1(i≠j)的关系把上面的公式转换为矩阵形式:
X=TPT+E
Y=TRT+F=XWRT+F=XA+F
即Xi→Yi的回归方程,其中A=WRT;
i、在算法过程中把计算得出的W,RW,R的值收集好就可以利用PLS进行预测,即对于新输入的一条数据xx,首先利用WW计算各个主成分,即t1=xTw1,t2=xTw2,...,tk=xTwk,然后代入公式即可求出向量y的预测值,或直接代入yT=xTAyT=xTA进行求解;
③、针对典型环境下的所有电能表,使用上述回归模型得到电能表在不同环境的不同影响因素下的影响系数值,然后取整体范围的80%为标准系数范围;
④、从单个厂家、单个批次或单只电能表的维度,使用上述回归模型得到单个厂家、单个批次或单只电能表在不同环境的不同影响因素下的影响系数值,如单个厂家、单个批次或单只电能表的影响系数值超出标准系数范围,则判定单个厂家、单个批次或单只电能表的抗干扰能力较弱,可靠性较低。
在构建模型过程中,考虑到模型的线性输出以及模型的稳定性,在使用偏最小二乘法进行建模时,选择的输入变量只包含环境因素数据和时间因素数据,电能表类型选择单项智能电能表,电流选择标准电流“I b”,功率因数选则“1”。
如果采集的试验结果数据、环境变量数据和电能表状态数据信息中存在数据异常以及数据缺失的情况,结合试验样品数据、数据量以及数据特征,对缺失值进行删除或者插补,对异常值直接进行剔除。
所述数据异常及数据缺失情况的处理规则为:如环境变量数据缺失,需要取最近几个小时的线性模型、预测时间点的环境值进行缺失值填充;如果是误差值缺失,需取最近几天中同样品相近时间点误差值进行填充;对于异常的温度数据和误差值数据,为避免这些异常值影响模型效果,直接进行剔除。
本发明的有益效果是:本发明基于高严寒、高干热、高海拔、高盐雾及高湿热等典型环境下试验数据、环境变量数据及电能表状态数据信息,使用偏最小二乘法构建构建回归模型对电能表的可靠性进行分析,分析效果良好,评价结果科学、准确、公平、公正;本发明针对单个厂家、单个批次或单只电能表的分析评价,可以暴露电能表在典型环境下的薄弱环节,支撑厂家改进制造工艺,提升电能表运行的可靠性;本发明针对厂家电能表在典型环境下的运行可靠性进行分析排名,为今后电能表的选型、招标、技术更新换代提供技术支撑,提高招标电能表的整体质量,减少电能表装拆换和故障处理工作,延长轮换周期,降低***运行成本;减少用户停电次数,提高供电质量;确保电能计量公平公正,创造巨大的经济效益和社会效益。
附图说明
图1为本发明典型环境下的电能表可靠性分析方法的流程示意图。
具体实施方式
本发明的典型环境下的电能表可靠性分析方法首先进行模型变量选择:模型变量选择即试验影响因素模型的构建,主要考虑电能表运行的环境因素、电能表的运行状态、运行历史原因以及电能表自身对误差值的影响。其中构造变量是将温度与湿度进行分段处理,以进一步分析高温高湿因素对电能表运行的影响。具体变量信息如表1所示:
表1:变量信息
在典型环境下,针对智能电能表开展基本误差试验、日计时误差试验和电压波动试验,并采集试验结果数据、环境变量数据和电能表状态数据信息;然后使用偏最小二乘法构建回归模型。
偏最小二乘法(PLS)是一种新型的多元统计数据分析方法,它与1983年由伍德和阿巴诺等人首次提出。近十年来,它在理论、方法和应用方面都得到了迅速的发展。密西根大学的弗耐尔教授称偏最小二乘回归为第二代回归分析方法。偏最小二乘回归是一种多因变量对多自变量的回归建模方法;可以较好地解决许多以往用普通多元回归无法解决的问题。但偏最小二乘回归系数很难解释,普通最小二乘回归系数一般解释为自变量变化一个单位引起的因变量平均变化量,偏最小二乘回归系数很难找到合理解释;自变量个数较少时,不宜选用。
本发明在典型环境下对电能表的可靠性进行分析时,采用偏最小二乘法构建回归模型的具体步骤如下:
a、设原始特征数据自变量Xi为N*m维矩阵,因变量Yi为N*n维矩阵,共有N个样本对,X0中样本特征为m维,Y0中样本特征为n维;
b、将Xi和Yi进行减均值、除标准差等标准化处理,并设w1,c1为Xi和Yi第一个主成分轴向量,则w1,c1则可以表达出Xi和Yi第一对主成分t1,u1,其中t1=Xi*w1,u1=Yi*c1;
c、通过下列方法进一步求解w1,c1:
d、由步骤b、c求出t1,u1:
t1=Xiw1,u1=Yic1、
e、根据主成分回归思想可以把Xi、XiYi、Yi分别对它们的主成分t1,u1进行回归建模如下:
Xi=t1pT 1+E Yi=u1qT 1+G
其中,p1,q1为轴向量,E,G为残差矩阵;
f、利用t1和u1间的相关性构建Yi对Xi的主成分t1进行回归建模,经推导求解得:
按照上述步骤进行回归,循环往复,直到残差F达到精度要求,或者主成分数量初始Xi的秩已经达到上限为止,算法结束;
最终可将原始Xi,XiYi,Yi表示为:
结合wT itj=1(i=j),wT itj=1(i≠j)的关系把上面的公式转换为矩阵形式:
Xi=TPT+E
Yi=TRT+F=XWRT+F=XA+F
即Xi→Yi的回归方程,其中A=WRT,
在算法过程中把计算得出的W,RW,R的值收集好就可以利用PLS进行预测,即对于新输入的一条数据xx,首先利用WW计算各个主成分,即t1=xTw1,t2=xTw2,...,tk=xTwk,然后代入公式即可求出向量y的预测值,或直接代入yT=xTAyT=xTA进行求解。
拟合优度(R方)是指回归直线对观测值的拟合程度。度量拟合优度的统计量是可决系数(亦称确定系数)R2。R2最大值为1。R2的值越接近1,说明回归直线对观测值的拟合程度越好;反之,R2的值越小,说明回归直线对观测值的拟合程度越差。利用拟合优度方法对偏最小二乘法构建构建回归模型进行评价,本发明构建的回归模型的最终R2值为0.88,模型效果良好。
针对典型环境下的所有电能表,使用上述回归模型得到电能表在不同环境的不同影响因素下的影响系数值,然后取整体范围的80%为标准系数范围,从单个厂家、单个批次或单只电能表的维度,使用上述回归模型得到单个厂家、单个批次或单只电能表在不同环境的不同影响因素下的影响系数值,将回归模型得到单个厂家、单个批次或单只电能表的影响系数同整体的标准系数范围进行对比,对电能表可靠性进行评价,如单个厂家、单个批次或单只电能表的影响系数值超出标准系数范围,则判定单个厂家、单个批次或单只电能表的抗干扰能力较弱,可靠性较低。
在构建模型过程中,考虑到模型的线性输出以及模型的稳定性,在使用偏最小二乘法进行建模时,选择的输入变量只包含环境因素数据和时间因素数据,电能表类型选择单项智能电能表,电流选择标准电流“I b”,功率因数选则“1”。
下面以具体实例对本发明的典型环境下的电能表可靠性分析方法进行详细说明:
首先通过偏最小二乘法进行建模后得到高严寒、高干热、高海拔、高盐雾及高湿热等典型环境下所有电能表的基本误差对不同影响因素的系数范围如表2所示:
表2:基本误差影响因素系数表
以新疆高湿热典型环境下,代号为016的厂家生产的电能表为例,该厂家在新疆高干热典型环境运行的单项智能电能表共有12只,采用偏最小二乘法得到影响该厂家016的单项智能电能表基本误差的因素相关系数如表3所示:
表3:016厂家基本误差环境变量系数表
从表3中可以看出,代号为016的厂家生产的单项智能电能表在新疆高干热典型环境下,环境因素中,温度对误差的影响系数范围最大,其次是湿度和气压,风速和光照的影响系数范围最小。将该厂家电能表基本误差环境变量系数同表2相比,可得到如下结论:
①厂家016在新疆高干热典型环境运行的单项智能电能表,在综合环境运行情况下,同新疆高干热典型环境所有单项智能电能表相比,对温度、湿度、气压以及运行时长的系数范围均超过标准范围,其抗新疆极端环境干扰能力较差;
②厂家016在新疆高干热典型环境运行的单项智能电能表,在综合环境运行情况下,同新疆高干热典型环境所有单项智能电能表相比,其风速和光照影响系数值在正常的运行区间,在试验运行期间,其电能表运行基本误差不随风速改变而增加,抗光照影响能力较强。
本发明基于高严寒、高干热、高海拔、高盐雾及高湿热等典型环境下试验数据、环境数据及电能表状态信息,使用偏最小二乘法构建构建回归模型对电能表的可靠性进行分析,评价结果科学、准确、公平、公正;通过对高严寒、高干热、高海拔、高盐雾及高湿热等典型环境下的单个厂家、单个批次或单只电能表的可靠性分析,可以暴露电能表在典型环境下的薄弱环节,支撑厂家改进制造工艺,提高电能表的整体质量及运行的可靠性,减少电能表装拆换和故障处理工作,延长轮换周期,降低***运行成本;减少用户停电次数,提高供电质量;确保电能计量公平公正,创造巨大的经济效益和社会效益。
Claims (5)
1.一种典型环境下的电能表可靠性分析方法,其特征在于,包括以下步骤:
①、在典型环境下,针对智能电能表开展基本误差试验、日计时误差试验和电压波动试验,并采集试验结果数据、环境变量数据和电能表状态数据信息;
②、使用偏最小二乘法构建回归模型:
a、设原始特征数据自变量Xi为N*m维矩阵,因变量Yi为N*n维矩阵,共有N个样本对,X0中样本特征为m维,Y0中样本特征为n维;
b、将Xi和Yi进行标准化处理,并设w1,c1为Xi和Yi第一个主成分轴向量,则w1,c1则可以表达出Xi和Yi第一对主成分t1,u1,其中t1=Xi*w1,u1=Yi*c1;
c、通过下列方法进一步求解w1,c1:
d、由步骤b、c求出t1,u1:
t1=Xiw1,u1=Yic1、
e、根据主成分回归思想可以把Xi、XiYi、Yi分别对它们的主成分t1,u1进行回归建模如下:
Xi=t1pT 1+E Yi=u1qT 1+G
其中,p1,q1为轴向量,E,G为残差矩阵;
f、利用t1和u1间的相关性构建Yi对Xi的主成分t1进行回归建模,经推导求解得:
按照上述步骤进行回归,循环往复,直到残差F达到精度要求,或者主成分数量初始Xi的秩已经达到上限为止;
g、最终可将原始Xi,XiYi,Yi表示为:
h、结合wT itj=1(i=j),wT itj=1(i≠j)的关系把上面的公式转换为矩阵形式:
X=TPT+E
Y=TRT+F=XWRT+F=XA+F
即Xi→Yi的回归方程,其中A=WRT;
i、在算法过程中把计算得出的W,RW,R的值收集好就可以利用PLS进行预测,即对于新输入的一条数据xx,首先利用WW计算各个主成分,即t1=xTw1,t2=xTw2,...,tk=xTwk,然后代入公式即可求出向量y的预测值,或直接代入yT=xTAyT=xTA进行求解;
③、针对典型环境下的所有电能表,使用上述回归模型得到电能表在不同环境的不同影响因素下的影响系数值,然后取整体范围的80%为标准系数范围;
④、从单个厂家、单个批次或单只电能表的维度,使用上述回归模型得到单个厂家、单个批次或单只电能表在不同环境的不同影响因素下的影响系数值,如单个厂家、单个批次或单只电能表的影响系数值超出标准系数范围,则判定单个厂家、单个批次或单只电能表的抗干扰能力较弱,可靠性较低。
2.根据权利要求1所述的典型环境下的电能表可靠性分析方法,其特征在于,所述的将Xi和Yi进行标准化处理包括减均值、除标准差。
3.根据权利要求1所述的典型环境下的电能表可靠性分析方法,其特征在于,在构建模型过程中,考虑到模型的线性输出以及模型的稳定性,在使用偏最小二乘法进行建模时,选择的输入变量只包含环境因素数据和时间因素数据,电能表类型选择单项智能电能表,电流选择标准电流“Ib”,功率因数选则“1”。
4.根据权利要求1所述的典型环境下的电能表可靠性分析方法,其特征在于,如果采集的试验结果数据、环境变量数据和电能表状态数据信息中存在数据异常以及数据缺失的情况,结合试验样品数据、数据量以及数据特征,对缺失值进行删除或者插补,对异常值直接进行剔除。
5.根据权利要求4所述的典型环境下的电能表可靠性分析方法,其特征在于,所述数据异常及数据缺失情况的处理规则为:如环境变量数据缺失,需要取最近几个小时的线性模型、预测时间点的环境值进行缺失值填充;如果是误差值缺失,需取最近几天中同样品相近时间点误差值进行填充;对于异常的温度数据和误差值数据,为避免这些异常值影响模型效果,直接进行剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864589.5A CN111950165B (zh) | 2020-08-25 | 2020-08-25 | 典型环境下的电能表可靠性分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010864589.5A CN111950165B (zh) | 2020-08-25 | 2020-08-25 | 典型环境下的电能表可靠性分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111950165A true CN111950165A (zh) | 2020-11-17 |
CN111950165B CN111950165B (zh) | 2024-04-12 |
Family
ID=73367042
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010864589.5A Active CN111950165B (zh) | 2020-08-25 | 2020-08-25 | 典型环境下的电能表可靠性分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111950165B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419129A (zh) * | 2021-07-19 | 2021-09-21 | 国网黑龙江省电力有限公司供电服务中心 | 基于b/s架构的智能电能表可靠性评价*** |
CN116708514A (zh) * | 2023-08-02 | 2023-09-05 | 深圳龙电华鑫控股集团股份有限公司 | 一种基于物联网的电能表数据采集方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102661848A (zh) * | 2012-01-12 | 2012-09-12 | 华北电网有限公司计量中心 | 智能电表液晶器件可靠性关键故障特征的测定方法 |
WO2014194518A1 (zh) * | 2013-06-07 | 2014-12-11 | 国家电网公司 | 一种基于iec61850-9采样值的数字功率源及其检测方法 |
CN106295858A (zh) * | 2016-07-29 | 2017-01-04 | 国电南瑞科技股份有限公司 | 一种电能表非健康度预测方法 |
CN107609783A (zh) * | 2017-09-22 | 2018-01-19 | 中国电力科学研究院 | 一种基于数据挖掘的智能电能表综合性能进行评估的方法及*** |
CN108120949A (zh) * | 2018-01-02 | 2018-06-05 | 国网上海市电力公司 | 一种智能电能表加速退化试验方法 |
CN108667069A (zh) * | 2018-04-19 | 2018-10-16 | 河海大学 | 一种基于偏最小二乘法回归的短期风电功率预测方法 |
-
2020
- 2020-08-25 CN CN202010864589.5A patent/CN111950165B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102661848A (zh) * | 2012-01-12 | 2012-09-12 | 华北电网有限公司计量中心 | 智能电表液晶器件可靠性关键故障特征的测定方法 |
WO2014194518A1 (zh) * | 2013-06-07 | 2014-12-11 | 国家电网公司 | 一种基于iec61850-9采样值的数字功率源及其检测方法 |
CN106295858A (zh) * | 2016-07-29 | 2017-01-04 | 国电南瑞科技股份有限公司 | 一种电能表非健康度预测方法 |
CN107609783A (zh) * | 2017-09-22 | 2018-01-19 | 中国电力科学研究院 | 一种基于数据挖掘的智能电能表综合性能进行评估的方法及*** |
CN108120949A (zh) * | 2018-01-02 | 2018-06-05 | 国网上海市电力公司 | 一种智能电能表加速退化试验方法 |
CN108667069A (zh) * | 2018-04-19 | 2018-10-16 | 河海大学 | 一种基于偏最小二乘法回归的短期风电功率预测方法 |
Non-Patent Citations (2)
Title |
---|
安佳坤: ""基于配网特征指标的网格可靠性评估方法"", 《电测与仪表》, vol. 56, no. 20, pages 1 - 7 * |
张蓬鹤 等: ""户外典型环境的智能电能表远程自动实时监测***研究"", 《电力信息与通信技术》, vol. 18, no. 4, pages 91 - 97 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113419129A (zh) * | 2021-07-19 | 2021-09-21 | 国网黑龙江省电力有限公司供电服务中心 | 基于b/s架构的智能电能表可靠性评价*** |
CN116708514A (zh) * | 2023-08-02 | 2023-09-05 | 深圳龙电华鑫控股集团股份有限公司 | 一种基于物联网的电能表数据采集方法及*** |
CN116708514B (zh) * | 2023-08-02 | 2023-10-31 | 深圳龙电华鑫控股集团股份有限公司 | 一种基于物联网的电能表数据采集方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111950165B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109031014B (zh) | 一种基于运行数据的变压器综合可靠性评估及预测方法 | |
CN111950165A (zh) | 典型环境下的电能表可靠性分析方法 | |
CN113934982B (zh) | 基于振-电信号融合的断路器操作机构机械寿命预测方法 | |
CN113792939B (zh) | 基于混合威布尔分布的电能表可靠性预测方法及装置 | |
CN116383636A (zh) | 一种基于pca与lstm融合算法的磨煤机故障预警方法 | |
CN115294671A (zh) | 一种空压机出口压力预测方法和预测*** | |
CN117932501B (zh) | 一种电能表运行状态管理方法和*** | |
CN115293372A (zh) | 基于多维度、多参量数值分析的光伏组串故障诊断方法 | |
CN115564310A (zh) | 一种基于卷积神经网络的新能源电力***可靠性评估方法 | |
CN110928248B (zh) | 一种确定燃气轮机性能劣化程度的方法 | |
CN117273195A (zh) | 一种蒸汽供热***需求负荷预测方法 | |
CN116436405A (zh) | 一种光伏组串的热斑故障诊断方法 | |
CN114819382B (zh) | 一种基于lstm的光伏功率预测方法 | |
CN115561697A (zh) | 一种智能电表误差分析方法 | |
CN115828744A (zh) | 一种白光发光二极管故障在线诊断与寿命预测方法 | |
Hanshuo et al. | Research on fault prediction method of electronic equipment based on improved SVR algorithm | |
CN111177973B (zh) | 一种基于强化学习的光伏阵列在线建模方法 | |
Zhang et al. | Wind Power Interval Prediction Based on Kernel Density Estimation with Optimal Bandwidth | |
CN113505847B (zh) | 一种基于迁移学习的节能量在线量测***及方法 | |
CN112348696A (zh) | 基于bp神经网络的供热机组调峰上限评估方法及*** | |
Wang | Research on accelerated degradation test and reliability evaluation method of electromechanical products | |
CN116879671A (zh) | 一种基于时间卷积网络与注意力机制的台区故障辨识方法 | |
CN114065610A (zh) | 基于麻雀搜索算法优化核极限学习机的风电功率预测方法 | |
CN110751217B (zh) | 基于主元分析的设备能耗占比预警分析方法 | |
CN118332313A (zh) | 一种联合循环机组运行状态监测传感器故障在线检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: Room 2015, 2 / F, building 18, Laizhen Jiayuan, Haidian District, Beijing 100096 Applicant after: Beijing Hezhong Weiqi Technology Co.,Ltd. Address before: Room 2015, 2 / F, building 18, Laizhen Jiayuan, Haidian District, Beijing Applicant before: BEIJING HEZHONG WEIQI TECHNOLOGY Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |