CN114660531B - 一种基于电表测量误差补偿的检测方法、***及装置 - Google Patents
一种基于电表测量误差补偿的检测方法、***及装置 Download PDFInfo
- Publication number
- CN114660531B CN114660531B CN202210566411.1A CN202210566411A CN114660531B CN 114660531 B CN114660531 B CN 114660531B CN 202210566411 A CN202210566411 A CN 202210566411A CN 114660531 B CN114660531 B CN 114660531B
- Authority
- CN
- China
- Prior art keywords
- ammeter
- error compensation
- neural network
- current
- electric meter
- 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.)
- Active
Links
- 238000005259 measurement Methods 0.000 title claims abstract description 79
- 238000001514 detection method Methods 0.000 title claims abstract description 78
- 238000013528 artificial neural network Methods 0.000 claims abstract description 56
- 238000012360 testing method Methods 0.000 claims abstract description 54
- 239000013598 vector Substances 0.000 claims abstract description 42
- 238000006243 chemical reaction Methods 0.000 claims abstract description 20
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 230000001419 dependent effect Effects 0.000 claims abstract description 8
- 238000012549 training Methods 0.000 claims description 40
- 238000000034 method Methods 0.000 claims description 35
- 238000004891 communication Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000005516 engineering process Methods 0.000 claims description 14
- 230000008439 repair process Effects 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 4
- 241000135164 Timea Species 0.000 claims 1
- 230000005611 electricity Effects 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 14
- 230000008859 change Effects 0.000 description 8
- 230000007613 environmental effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000005284 excitation Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明涉及电能测量技术领域，解决了现有技术检测效率低且准确性低的技术问题，尤其涉及一种基于电表测量误差补偿的检测方法，该检测方法包括以下过程：根据电流和扰动转矩之间的关联性计算电流和扰动转矩之间的转换关系；获取在不同工作状况下以扰动转矩为自变量，测量误差为因变量的试验数据形成的电表样本集矩阵；根据黑盒算法构建基于BP神经网络的电表误差补偿模型；获取通过信息采集设备采集的待检测电表的特征向量集并将获取的特征向量集输入电表误差补偿模型；计算电表误差补偿值并判断电表误差补偿值是否大于所设定阈值。本发明达到了基于电表测量误差补偿进行检测的目的，不仅提高了电表检测的准确性，还提高了电表检测效率。
Description
技术领域
本发明涉及电能测量技术领域，尤其涉及一种基于电表测量误差补偿的检测方法、***及装置。
背景技术
电表也称为电能表，是国家电网公司测量电能的基础设备，评价其性能的一个关键指标是电能计算精确度。因而，为了确保电表测量准确可靠，需要定期根据相应的检测规程对电表的性能进行测试，看其在规定的条件下工作时的性能是否符合规程和相关技术规范的要求，特别是其电能测量误差是否符合要求。
公知的，电表在实际运行过程中，其测量误差主要由基本误差和附加误差两部分组成，基本误差是指因设计工艺手段及材料选择等方面的不同而出现的误差，附加误差是指因环境温度及二次接线等环境因素的影响而出现的误差。基本误差和附加误差统称为综合误差，只有综合误差才能全面的反应电表测量的准确程度。
目前，电力工作者利用大数据分析技术对电表误差进行估计及补偿，已经取得了一些成果。但是，在对多相电表进行误差估计及补偿时，因忽略了旋转磁场方向发生改变致使对电表转盘产生扰动，从而使得电表测量随扰动转矩的变化而出现误差，进而导致多相电表检测的准确性较低，另外，工作人员通常采用现场手动检测的方式对电表进行检测，导致检测效率低，且工人劳动强度大，从而无法满足人们在工作生活中的使用需求。
发明内容
针对现有技术的不足，本发明提供了一种基于电表测量误差补偿的检测方法、***及装置，解决了多相电表检测准确性不高且检测效率低的技术问题，达到了基于电表误差补偿的基础上，提高了多相电表检测准确性及效率的目的。
为解决上述技术问题，本发明提供了如下技术方案：一种基于电表测量误差补偿的检测方法，该方法包括以下步骤：
S11、根据电流和扰动转矩之间的关联性计算电流和扰动转矩之间的转换关系；
S12、获取在不同工作状况下以扰动转矩为自变量，测量误差为因变量的试验数据所建立的电表样本集矩阵；
S13、根据黑盒算法构建基于BP神经网络的电表测量误差补偿模型；
S14、获取通过信息采集设备采集的待检测电表的特征向量集并将获取的特征向量集输入电表测量误差补偿模型；
S15、计算电表误差补偿值并判断电表误差补偿值是否大于所设定阈值，如果补偿值大于所设定的阈值，则表示当前电表是超差电表并进行下一步，否则，用电表误差补偿值对当前电表误差进行补偿；再判断当前电表是否是最后一个电表，如果是则结束，否则返回上一步；
S16、发送警报信息提醒监控中心工作人员前去现场进行检测调修。
进一步地，所述步骤S15还可设为：
根据N个时间点的特征向量集分别计算误差补偿值并进行综合分析判断，将N个时间点的误差补偿值依次分别与所设定的阈值进行比对，如果连续N/2次大于所设定的阈值，则表示当前电表是超差电表并进行下一步，否则，计算N个误差补偿值的平均值并用平均值对当前电表误差进行补偿，再判断当前电表是否是最后一个电表，如果是则结束，否则返回上一步。
进一步地，构建所述基于BP神经网络的电表测量误差补偿模型的具体过程如下：
根据不同工作状况下扰动转矩与电流的转换关系初始化BP神经网络的各个参数；
根据随机划分法将电表样本集划分为训练集和测试集，所述训练集用来训练BP神经网络的网络参数，所述测试集用来确定基于BP神经网络的电表测量误差补偿模型；
将训练集输入BP神经网络进行训练，直至迭代次数达到额定迭代次数k，获得最优模型；
将测试集输入优化后的BP神经网络模型进行测试以获得基于BP神经网络的电表测量误差补偿模型。
进一步地，所述基于BP神经网络的电表测量误差补偿模型的输出值是电表误差补偿值，所述电表误差补偿值C的计算公式为：
，其中，k表示额定迭代次数，
表示标准电表的电能值，
表示第k次迭代BP神经网络模型输出层的输出值。
进一步地，获取待检测电表的所述特征向量集包括根据预设等待时间获取不同时间点
的特征向量集。
进一步地，所述特征向量集包括环境温度、电压、电流、相角和电表序号。
一种基于电表误差补偿的检测装置，包括:
计算模块，所述计算模块用于根据电流和扰动转矩之间的关联性计算电流和扰动转矩之间的转换关系；
第一获取模块，所述第一获取模块用于获取在不同工作状况下以扰动转矩为自变量，测量误差为因变量的试验数据所建立的电表样本集矩阵；
模型构建模块，所述模型构建模块用于根据黑盒算法构建基于BP神经网络的电表误差补偿模型；
第二获取模块，所述第二获取模块用于获取通过信息采集设备采集的待检测电表的特征向量集；
误差检测模块，所述误差检测模块用于计算电表误差补偿值并判断电表误差补偿值是否大于阈值；
发送模块，所述发送模块用于发送警报信息提醒监控中心工作人员前去现场进行检测调修。
进一步地，所述模型构建模块包括：
初始化单元，所述初始化单元用于根据不同工作状况下扰动转矩与电流的转换关系初始化BP神经网络的各个参数；
样本划分单元，所述样本划分单元用于采用随机划分法将电表样本集划分为训练集和测试集；
训练单元，所述训练单元用于将训练集输入BP神经网络进行训练，直至迭代次数达到额定迭代次数k，获得最优模型；
测试单元，所述测试单元用于将测试集输入优化后的BP神经网络模型进行测试以获得基于BP神经网络的电表误差补偿模型。
进一步地，该装置还包括：分析判断模块，所述分析判断模块根据N个时间点的特征向量集分别计算误差补偿值并进行综合分析判断，将N个时间点的误差补偿值依次分别与所设定的阈值进行比对，如果连续N/2次大于所设定的阈值，则表示当前电表是超差电表并进行下一步，否则，计算N个误差补偿值的平均值并用平均值对当前电表误差进行补偿；再判断当前电表是否是最后一个电表，如果是则结束，否则返回上一步。
一种基于电表测量误差补偿的检测***，包括：若干个电表、信息采集设备、服务器和终端；
所述信息采集设备通过无线通讯技术与电表建立通信连接，所述信息采集设备用于获取待检测电表的特征向量集；
所述服务器用于接收待检测电表的特征向量集，通过基于BP神经网络的电表误差补偿模型对待检测电表测量精度进行检测，并向终端发生检测结果；
所述终端与服务器建立通信连接，所述终端接收服务器发送的警报信息提醒监控中心工作人员前去现场进行检测调修。
借由上述技术方案，本发明提供了一种基于电表测量误差补偿的检测方法、***及装置，至少具备以下有益效果：
1、本发明通过计算电流和扰动转矩之间的转换关系，在构建基于BP神经网络的电表误差补偿模型时，初始化时更加科学合理，减少了模型训练过程中的迭代次数，便于快速计算出当前电表测量补偿值，降低了网络损耗，且优化了网络性能，提高了电表检测效率，增强了实用性，易于推广应用。
2、本发明利用检测参数与测量误差之间的关联关系，采用黑盒算法将环境温度、电压、电流、相角和电表序号这五个特征向量作为BP神经网络的输入，并将电表误差补偿值作为输出，构建了一个多输入单输出的电表误差补偿模型，不仅优化了数据，还能够有效避免数据过渡拟合，为电表检测提供良好的数据基础，从而提高了电表检测的准确性，进而便于工作人员对电表检测结果做出合理判断。
3、本发明通过计算多个不同时间点的误差补偿值，并将多个不同时间点的误差补偿值依次分别与阈值进行比对，采用多次比对的方式便于对电表进行更加合理的误差补偿，从而提高了电表检测结果的准确性，而且无需人工逐个进行检测，提高了电表检测效率，降低了工作人员的劳动强度。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1为本发明实施例一中基于电测量误差补偿的检测方法的流程图；
图2为本发明基于电表测量误差补偿的检测方法中构建电表误差补偿模型的流程图；
图3为本发明实施例一中基于电表测量误差补偿的检测装置的模块框图；
图4为本发明基于电表测量误差补偿的检测装置中模型构建模块的框图；
图5为本发明基于电表测量误差补偿的检测***的结构图；
图6为本发明实施例二中基于电表测量误差补偿的检测方法的流程图；
图7为本发明实施例二中基于电表测量误差补偿的检测装置的模块框图；
图8为本发明基于电表测量误差补偿的检测方法的原理框图。
图中：110、计算模块；120、第一获取模块；130、模型构建模块；1301、初始化单元；1302、样本划分单元；1303、训练单元；1304、测试单元；140、第二获取模块；150、误差检定模块；160、发送模块；170、分析判断模块；100、电表；200、信息采集设备；300、服务器；400、终端。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图 和具体实施方式对本发明作进一步详细的说明。借此对本申请如何应用技术手段来解决技术问题并达成技术功效的实现过程能充分理解并据以实施。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
实施例一
请参照图1至图5，示出了根据本发明实施例一的一种基于电表测量误差补偿的检测方法，如图1所示，该检测方法包括以下步骤：
S11、选取50只三相电表作为试验样品，获取在环境温度为25℃、电压为220V和相角为0度的情况下，扰动转矩随电流变化的数据集，根据数据集可计算出电流和扰动转矩之间的转换关系，其表达式如下所示：
其中，m=3表示电表相数；
表示第n相电流，
表示第n相绕组随θ变化的磁通，θ为相位角，R表示三相电流总扰动转矩。
S12、获取环境温度范围为-30℃-45℃、电压为220V、相角为0 度的工作状况下，电表测量误差随扰动转矩变化的试验数据A1；
获取电压范围为175V-265V、环境温度为25℃、相角为0 度的工作状况下，电表测量误差随扰动转矩变化的试验数据A2；
获取相角范围为-50 度-50 度、环境温度为25℃、电压为220V的工作状况下，电表测量误差随扰动转矩变化的试验数据A3；
根据试验数据A1、A2和A3建立电表样本集矩阵；
S13、根据黑盒算法构建基于BP神经网络的电表测量误差补偿模型，如图2所示，具体过程如下所示：
S131、根据在环境温度、电压、相角三种不同工作状况下扰动转矩与电流的转换关系对BP神经网络的输入层、隐含层、输出层和神经元之间的连接权值进行初始化；
S132、根据随机划分法将电表样本集矩阵划分为训练集和测试集，所述训练集用来训练BP神经网络的网络参数，所述测试集用来确定基于BP神经网络的电表测量误差补偿模型；
S133、将训练集输入BP神经网络进行训练，采用Sigmoid激励函数计算隐含层和输出层的输出，其中，所述隐含层输出的计算公式为：
g(x)表示Sigmoid激励函数，
表示第i个神经元与第个j神经元之间的权重，
表示输入变量，
表示隐含层阈值，n表示输入层的节点数；
输出层的输出计算公式为:
，其中，
表示隐含层的输出值，
表示第j个神经元与第k个神经元之间的权重，
表示输出层阈值，l表示隐含层的节点数；
权重的更新公式为：
阈值的更新公式为：
其中，
表示第i个神经元与第个j神经元之间的权重，
表示更新后的权重，μ表示输入层学习速率，τ表示输出层的节点数，
表示误差函数，
表示隐含层阈值，
表示更新后的阈值；
本实施例中，预设的额定迭代次数K为1000次，防止数据过渡拟合，从而获得最优模型；
S134、将测试集输入优化后的BP神经网络模型进行测试以获得基于BP神经网络的电表测量误差补偿模型，所述基于BP神经网络的电表测量误差补偿模型的输出值是电表误差补偿值，电表误差补偿值C的计算公式为：
其中，k表示额定迭代次数，
表示标准电表的电能值，
表示第k次迭代BP神经网络模型输出层的输出值。
S14、获取通过信息采集设备采集的待检测电表的特征向量集，所述特征向量集包括环境温度、电压、电流、相角和电表序号，将获取的特征向量集输入电表误差补偿模型；
S15、计算电表误差补偿值并判断电表误差补偿值是否大于所设定的阈值T，所述阈值为电表实际运行过程中采用定时比较法设定的最大测量误差值，其计算表达式为：
，其中，w表示标准电表所测电能值；
如果补偿值大于所设定的阈值T，则表示当前电表是超差电表并进行下一步，否则，用电表误差补偿值对当前电表误差进行补偿；再根据电表序号判断当前电表是否是最后一个电表，如果是则结束，否则返回上一步；
S16、发送警报信息提醒监控中心工作人员前去现场进行检测调修。
如图3所示，本发明提供了一种技术方案：一种基于电表测量误差补偿的检测装置，该检测装置包括：
计算模块110，计算模块110用于根据电流和扰动转矩之间的关联性计算电流和扰动转矩之间的转换关系；
第一获取模块120，第一获取模块120用于获取在不同工作状况下以扰动转矩为自变量，测量误差为因变量的试验数据所建立的电表样本集矩阵；
模型构建模块130，模型构建模块130用于根据黑盒算法构建基于BP神经网络的电表误差补偿模型，如图4所示，模型构建模块130包括：
初始化单元1301，初始化单元1301用于根据不同工作状况下扰动转矩与电流的转换关系初始化BP神经网络的各个参数；
样本划分单元1302，样本划分单元1302用于采用随机划分法将电表样本集划分为训练集和测试集；
训练单元1303，训练单元1303用于将训练集输入BP神经网络进行训练，直至迭代次数达到额定迭代次数k，获得最优模型；
测试单元1304，测试单元1304用于将测试集输入优化后的BP神经网络模型进行测试以获得基于BP神经网络的电表误差补偿模型；
第二获取模块140，第二获取模块140用于获取通过信息采集设备采集的待检测电表的特征向量集；
误差检测模块150，误差检测模块150用于计算电表误差补偿值并判断电表误差补偿值是否大于所设定的阈值；
发送模块160，发送模块160用于发送警报信息提醒监控中心工作人员前去现场进行检测调修。
如图5所示，本发明提供了一种技术方案：一种基于电表测量误差补偿的检测***，该检测***包括：若干个电表100、信息采集设备200、服务器300和终端400；
信息采集设备200通过无线通讯技术与电表100建立通信连接，信息采集设备200用于获取待检测电表100的特征向量集，无线通讯技术包括但不限于蓝牙通讯技术或ZigBee无线通讯技术，本实施例中选用蓝牙通讯技术；
服务器300用于接收待检测电表100的特征向量集，通过基于BP神经网络的电表误差补偿模型对当前待检测电表100测量精度进行检测，并向终端400发送检测结果；
终端400与服务器300建立通信连接，终端400接收服务器300发送的警报信息提醒监控中心工作人员前去现场进行检测调修。
在本实施例中，通过计算电流和扰动转矩之间的转换关系，并利用检测参数与测量误差之间的关联关系，使得BP神经网络初始化时更加科学合理，采用黑盒算法将环境温度、电压、电流、相角和电表序号这五个特征向量作为BP神经网络的输入，并将电表误差补偿值作为输出，构建了一个多输入单输出的电表误差补偿模型，不仅优化了数据，还能够有效避免数据过渡拟合，为电表检测提供良好的数据基础，降低了网络损耗，且优化了网络性能，提高了电表检测效率，降低了劳动强度，增强了实用性。
实施例二
请参照图2及图4至图8，示出了根据本发明实施例二的一种基于电表测量误差补偿的检测方法，如图6所示，该检测方法包括以下步骤：
S11、选取50只三相电表作为试验样品，获取在环境温度为25℃、电压为220V和相角为0度的情况下，扰动转矩随电流变化的数据集，根据数据集可计算出电流和扰动转矩之间的转换关系，其表达式如下所示：
其中，m=3表示电表相数；
表示第n相电流，
表示第n相绕组随θ变化的磁通，θ为相位角，R表示三相电流总扰动转矩。
S12、获取环境温度范围为-30℃-45℃、电压为220V、相角为0度的工作状况下，电表测量误差随扰动转矩变化的试验数据A1；
获取电压范围为175V-265V、环境温度为25℃、相角为0度的工作状况下，电表测量误差随扰动转矩变化的试验数据A2；
获取相角范围为-50 度-50 度、环境温度为25℃、电压为220V的工作状况下，电表测量误差随扰动转矩变化的试验数据A3；
根据试验数据A1、A2和A3建立电表样本集矩阵；
S13、根据黑盒算法构建基于BP神经网络的电表测量误差补偿模型，如图2所示，具体过程如下所示：
S131、根据在环境温度、电压、相角三种不同工作状况下扰动转矩与电流的转换关系对BP神经网络的输入层、隐含层、输出层和神经元之间的连接权值进行初始化；
S132、根据随机划分法将电表样本集划分为训练集和测试集，所述训练集用来训练BP神经网络的网络参数，所述测试集用来确定基于BP神经网络的电表测量误差补偿模型；
S133、将训练集输入BP神经网络进行训练，采用Sigmoid激励函数计算隐含层和输出层的输出，其中，所述隐含层输出的计算公式为：
g(x)表示Sigmoid激励函数，
表示第i个神经元与第个j神经元之间的权重，
表示输入变量，
表示隐含层阈值，n表示输入层的节点数；
输出层的输出计算公式为:
，其中，
表示隐含层的输出值，
表示第j个神经元与第k个神经元之间的权重，
表示输出层阈值，l表示隐含层的节点数；
权重的更新公式为：
阈值的更新公式为：
其中，
表示第i个神经元与第个j神经元之间的权重，
表示更新后的权重，μ表示输入层学习速率，τ表示输出层的节点数， 
表示误差函数，
表示隐含层阈值，
表示更新后的阈值；
本实施例中，预设的额定迭代次数K为1500次，防止数据过渡拟合，从而获得最优模型；
S134、将测试集输入优化后的BP神经网络模型进行测试以获得基于BP神经网络的电表测量误差补偿模型；
所述基于BP神经网络的电表测量误差补偿模型的输出值是电表误差补偿值，电表误差补偿值C的计算公式为：
，其中，k表示额定迭代次数，
表示标准电表的电能值，
表示第k次迭代BP神经网络模型输出层的输出值。
S14、获取通过信息采集设备采集的待检测电表的特征向量集，所述特征向量集包括环境温度、电压、电流、相角和电表序号，将获取的特征向量集输入电表误差补偿模型；
S15、根据N个时间点的特征向量集
分别计算误差补偿值并进行综合分析判断，相邻两组特征向量集之间的间隔时间设为t；
本实施例中，获取四个时间点的特征向量集分别为
和
，则对应的电表误差补偿值依次为C1、C2、C3和C4，将电表误差补偿值C1、C2、C3和C4依次分别与所设定的阈值T进行比对，所述阈值为电表实际运行过程中采用定时比较法设定的最大测量误差值，其计算表达式为：
，其中，w表示标准电表所测电能值；
如果当前电表误差补偿值连续2次大于所设定的阈值T，则表示当前电表是超差电表并进行下一步，否则，计算四个误差补偿值的平均值并用平均值对当前电表误差进行补偿；再根据电表序号判断当前电表是否是最后一个电表，如果是则结束，否则返回上一步；
S16、发送警报信息提醒监控中心工作人员前去现场进行检测调修。
如图7所示，本发明提供了一种技术方案：一种基于电表测量误差补偿的检测装置，该检测装置包括：
计算模块110，计算模块110用于根据电流和扰动转矩之间的关联性计算电流和扰动转矩之间的转换关系；
第一获取模块120，第一获取模块120用于获取在不同工作状况下以扰动转矩为自变量，测量误差为因变量的试验数据所建立的电表样本集矩阵；
模型构建模块130，模型构建模块130用于根据黑盒算法构建基于BP神经网络的电表误差补偿模型，如图4所示，模型构建模块130包括：
初始化单元1301，初始化单元1301用于根据不同工作状况下扰动转矩与电流的转换关系初始化BP神经网络的各个参数；
样本划分单元1302，样本划分单元1302用于根据随机划分法将电表样本集划分为训练集和测试集；
训练单元1303，训练单元1303用于将训练集输入BP神经网络进行训练，直至迭代次数达到额定迭代次数k，获得最优模型；
测试单元1304，测试单元1304用于将测试集输入优化后的BP神经网络模型进行测试以获得基于BP神经网络的电表误差补偿模型；
第二获取模块140，第二获取模块140用于获取通过信息采集设备采集的待检测电表的特征向量集；
误差检测模块150，误差检测模块150用于计算电表误差补偿值并判断电表误差补偿值是否大于所设定的阈值；
分析判断模块170，分析判断模块170用于根据N个时间点的特征向量集分别计算误差补偿值并进行综合分析判断，将N个时间点的误差补偿值依次分别与所设定阈值进行比对，如果连续N/2次大于所设定阈值，则表示当前电表是超差电表并进行下一步，否则，计算N个误差补偿值的平均值并用平均值对当前电表误差进行补偿；再判断当前电表是否是最后一个电表，如果是则结束，否则返回上一步；
发送模块160，发送模块160用于发送警报信息提醒监控中心工作人员前去现场进行检测调修。
如图5所示，本发明提供了一种技术方案：一种基于电表测量误差补偿的检测***，该检测***包括：若干个电表100、信息采集设备200、服务器300和终端400；
信息采集设备200通过无线通讯技术与电表100建立通信连接，信息采集设备200用于获取待检测电表的特征向量集，无线通讯技术包括但不限于蓝牙通讯技术或ZigBee无线通讯技术，本实施例中选用蓝牙通讯技术；
服务器300用于接收待检测电表100的特征向量集，通过基于BP神经网络的电表误差补偿模型对当前待检测电表100测量精度进行检测，并向终端400发送检测结果；
终端400与服务器300建立通信连接，终端400接收服务器300发送的警报信息提醒监控中心工作人员前去现场进行检测调修。
本实施例的一种基于电表误差补偿的检测装置用于实现前述多个方法实施例中相应的一种基于电表测量误差补偿的检测方法及***，并具有相应的方法实施例的有益效果，在此不再赘述。
在本实施例中，通过计算多个不同时间点的误差补偿值，并将多个不同时间点的误差补偿值依次分别与所设定的阈值进行比对，采用多次比对的方式便于对电表进行更加合理的判断及误差补偿，从而提高了电表检测结果的准确性，而且无需人工逐个进行检测，提高了电表检测效率，降低了工作人员的劳动强度，增强了实用性，易于推广应用。
图8示出了使用本申请检测电表的操作过程，具体包括以下步骤：
S1、根据电流和扰动转矩之间的关联性计算电流和扰动转矩之间的转换关系；
S2、获取在环境温度、电压和相角三种不同工作状况下以扰动转矩为自变量，测量误差为因变量的试验数据形成的电表样本集矩阵；
S3、根据黑盒算法构建基于BP神经网络的电表测量误差补偿模型；
S4、通过无线通讯技术将当前工作状况的特征向量集发送至信息采集设备；
S5、通过无线通讯技术将采集的特征向量集发送至服务器；
S6、获取通过信息采集设备采集的待检测电表的特征向量集；
S7、计算电表误差补偿值并判断电表误差补偿值是否大于所设定的阈值，如果补偿值大于所设定的阈值，则表示当前电表是超差电表并进行下一步，否则，用电表误差补偿值对当前电表误差进行补偿；再判断当前电表是否是最后一个电表，如果是则结束，否则返回上一步；
S8、发送警报信息提醒监控中心工作人员前去现场进行检测调修。
本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于以上各实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上实施方式对本发明进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种基于电表测量误差补偿的检测方法，其特征在于，包括以下步骤：
S11、根据电流和扰动转矩之间的关联性计算电流和扰动转矩之间的转换关系；
S12、获取在不同工作状况下以扰动转矩为自变量，测量误差为因变量的试验数据所建立的电表样本集矩阵；
S13、根据黑盒算法构建基于BP神经网络的电表测量误差补偿模型；
S14、获取通过信息采集设备采集的待检测电表的特征向量集并将获取的特征向量集输入电表测量误差补偿模型；
S15、计算电表误差补偿值并判断电表误差补偿值是否大于所设定的阈值，如果补偿值大于所设定的阈值，则表示当前电表是超差电表并进行下一步，否则，用电表误差补偿值对当前电表误差进行补偿；再判断当前电表是否是最后一个电表，如果是则结束，否则返回上一步；
S16、发送警报信息提醒监控中心工作人员前去现场进行检测调修。
2.根据权利要求1所述的一种基于电表测量误差补偿的检测方法，其特征在于，所述步骤S15还可设为：
根据N个时间点的特征向量集分别计算误差补偿值并进行综合分析判断，将N个时间点的误差补偿值依次分别与所设定阈值进行比对，如果连续N/2次大于所设定阈值，则表示当前电表是超差电表并进行下一步，否则，计算N个误差补偿值的平均值并用平均值对当前电表误差进行补偿；再判断当前电表是否是最后一个电表，如果是则结束，否则返回上一步。
3.根据权利要求1所述的一种基于电表测量误差补偿的检测方法，其特征在于，构建所述基于BP神经网络的电表测量误差补偿模型的具体过程如下：
根据不同工作状况下扰动转矩与电流的转换关系初始化BP神经网络的各个参数；
根据随机划分法将电表样本集划分为训练集和测试集，所述训练集用来训练BP神经网络的网络参数，所述测试集用来确定基于BP神经网络的电表测量误差补偿模型；
将训练集输入BP神经网络进行训练，直至迭代次数达到额定迭代次数k，获得最优模型；
将测试集输入优化后的BP神经网络模型进行测试以获得基于BP神经网络的电表测量误差补偿模型。
4.根据权利要求3所述的一种基于电表测量误差补偿的检测方法，其特征在于，所述基于BP神经网络的电表测量误差补偿模型的输出层是电表误差补偿值，所述电表误差补偿值C的计算公式为：
，其中，k表示额定迭代次数，
表示标准电表的电能值，
表示第k次迭代BP神经网络模型输出层的输出值。
5.根据权利要求1所述的一种基于电表测量误差补偿的检测方法，其特征在于，获取待检测电表的所述特征向量集包括根据预设等待时间获取不同时间点
的特征向量集。
6.根据权利要求5所述的一种基于电表测量误差补偿的检测方法，其特征在于，所述特征向量集包括环境温度、电压、电流、相角和电表序号。
7.一种基于电表测量误差补偿的检测装置，其特征在于，包括：
计算模块，所述计算模块用于根据电流和扰动转矩之间的关联性计算电流和扰动转矩之间的转换关系；
第一获取模块，所述第一获取模块用于获取在不同工作状况下以扰动转矩为自变量，测量误差为因变量的试验数据所建立的电表样本集矩阵；
模型构建模块，所述模型构建模块用于根据黑盒算法构建基于BP神经网络的电表误差补偿模型；
第二获取模块，所述第二获取模块用于获取通过信息采集设备采集的待检测电表的特征向量集；
误差检测模块，所述误差检测模块用于计算电表误差补偿值并判断电表误差补偿值是否大于所设定的阈值；
发送模块，所述发送模块用于发送警报信息提醒监控中心工作人员前去现场进行检测调修。
8.根据权利要求7所述的一种基于电表测量误差补偿的检测装置，其特征在于，所述模型构建模块包括：
初始化单元，所述初始化单元用于根据不同工作状况下扰动转矩与电流的转换关系初始化BP神经网络的各个参数；
样本划分单元，所述样本划分单元用于采用随机划分法将电表样本集划分为训练集和测试集；
训练单元，所述训练单元用于将训练集输入BP神经网络进行训练，直至迭代次数达到额定迭代次数k，获得最优模型；
测试单元，所述测试单元用于将测试集输入优化后的BP神经网络模型进行测试以获得基于BP神经网络的电表误差补偿模型。
9.根据权利要求7所述的一种基于电表测量误差补偿的检测装置，其特征在于，该装置还包括：分析判断模块，所述分析判断模块用于根据N个时间点的特征向量集分别计算误差补偿值并进行综合分析判断，将N个时间点的误差补偿值依次分别与所设定阈值进行比对，如果连续N/2次大于所设定阈值，则表示当前电表是超差电表并进行下一步，否则，计算N个误差补偿值的平均值并用平均值对当前电表误差进行补偿；再判断当前电表是否是最后一个电表，如果是则结束，否则返回上一步。
10.一种应用权利要求 1-6 任一项所述的基于电表测量误差补偿的检测方法的***，其特征在于，包括：若干个电表、信息采集设备、服务器和终端；
所述信息采集设备通过无线通讯技术与电表建立通信连接，所述信息采集设备用于获取待检测电表的特征向量集；
所述服务器用于接收待检测电表的特征向量集，通过基于BP神经网络的电表误差补偿模型对待检测电表测量精度进行检测并向终端发生检测结果；
所述终端与服务器建立通信连接，所述终端接收服务器发送的警报信息并提醒监控中心工作人员前去现场对电表进行检测调修。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210566411.1A CN114660531B (zh) | 2022-05-24 | 2022-05-24 | 一种基于电表测量误差补偿的检测方法、***及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210566411.1A CN114660531B (zh) | 2022-05-24 | 2022-05-24 | 一种基于电表测量误差补偿的检测方法、***及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114660531A CN114660531A (zh) | 2022-06-24 |
| CN114660531B true CN114660531B (zh) | 2022-08-26 |
Family
ID=82037827
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210566411.1A Active CN114660531B (zh) | 2022-05-24 | 2022-05-24 | 一种基于电表测量误差补偿的检测方法、***及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114660531B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116738376B (zh) * | 2023-07-06 | 2024-01-05 | 广东筠诚建筑科技有限公司 | 一种基于振动或磁场唤醒的信号采集识别方法及*** |
| CN117554885B (zh) * | 2023-12-13 | 2024-05-07 | 浙江万昌电力设备有限公司 | 一种智能计量箱运行异常检测方法及*** |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW490572B (en) * | 1999-06-29 | 2002-06-11 | Trw Inc | Ephemeris/attitude reference determination using communications links |
| CN104614697A (zh) * | 2015-01-18 | 2015-05-13 | 嘉兴市瑞科仪表科技有限公司 | 一种三相电能表外磁场校验装置 |
| CN109992911A (zh) * | 2019-05-06 | 2019-07-09 | 福州大学 | 基于极限学习机和iv特性的光伏组件快速建模方法 |
| CN110570114A (zh) * | 2019-09-03 | 2019-12-13 | 湖南大学 | 基于可变循环神经网络的电能质量扰动识别方法、***及介质 |
| CN215219138U (zh) * | 2021-04-30 | 2021-12-17 | 南方电网数字电网研究院有限公司 | 一种电能表抗干扰装置 |
| CN114460360A (zh) * | 2022-04-12 | 2022-05-10 | 江西西平计量检测有限公司 | 一种基于电表测量电流时间积分的检测方法、***及装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8664959B2 (en) * | 2010-02-24 | 2014-03-04 | Eht International Inc. | Mobile system for measuring abnormality detection parameters of a switch in a high voltage electrical substation |
| CN102435869B (zh) * | 2011-08-26 | 2014-03-05 | 东北大学 | 一种三相不平衡负荷自动调补的实验装置及其控制方法 |
| US11474132B2 (en) * | 2020-11-03 | 2022-10-18 | Honeywell International Inc. | Method and apparatus for detecting and reporting tampering of an energy meter |
-
2022
- 2022-05-24 CN CN202210566411.1A patent/CN114660531B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW490572B (en) * | 1999-06-29 | 2002-06-11 | Trw Inc | Ephemeris/attitude reference determination using communications links |
| CN104614697A (zh) * | 2015-01-18 | 2015-05-13 | 嘉兴市瑞科仪表科技有限公司 | 一种三相电能表外磁场校验装置 |
| CN109992911A (zh) * | 2019-05-06 | 2019-07-09 | 福州大学 | 基于极限学习机和iv特性的光伏组件快速建模方法 |
| CN110570114A (zh) * | 2019-09-03 | 2019-12-13 | 湖南大学 | 基于可变循环神经网络的电能质量扰动识别方法、***及介质 |
| CN215219138U (zh) * | 2021-04-30 | 2021-12-17 | 南方电网数字电网研究院有限公司 | 一种电能表抗干扰装置 |
| CN114460360A (zh) * | 2022-04-12 | 2022-05-10 | 江西西平计量检测有限公司 | 一种基于电表测量电流时间积分的检测方法、***及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 电能表高精度、宽负载范围节能装置的研制;张泽礼等;《计量技术》;20060318(第03期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114660531A (zh) | 2022-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114660531B (zh) | 一种基于电表测量误差补偿的检测方法、***及装置 | |
| US11674994B2 (en) | Distribution fault location using graph neural network with both node and link attributes | |
| CN103245881B (zh) | 一种基于潮流分布特征的配电网故障分析方法及装置 | |
| US10281529B2 (en) | Apparatus for measuring cell internal resistance online and measurement method therefor | |
| CN115291046B (zh) | 基于电网运行大数据的电网配电异常识别方法 | |
| CN112147530B (zh) | 一种电池状态评价方法及装置 | |
| CN115469259B (zh) | 基于rbf神经网络的ct误差状态在线定量评估方法及装置 | |
| CN104578053B (zh) | 基于受扰电压轨迹簇特征的电力***暂态稳定性预测方法 | |
| Mirshekali et al. | Linear and nonlinear fault location in smart distribution network under line parameter uncertainty | |
| CN109669132A (zh) | 一种基于变分贝叶斯滤波的电池荷电状态估计方法 | |
| Li et al. | The lithium-ion battery state-of-charge estimation using random forest regression | |
| CN110298369A (zh) | 一种电力***不良数据的辨识方法及*** | |
| CN103324858A (zh) | 配电网三相潮流状态估计方法 | |
| CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
| CN109901072A (zh) | 基于历史数据与实验室测试数据的退役电池参数检测方法 | |
| CN115508770A (zh) | 一种基于kl-nb算法的电能表运行状态在线评估方法 | |
| CN117368825A (zh) | 多维参量可调的电流互感器误差特性评估平台及方法 | |
| CN105471624A (zh) | 一种通信设备接入终端通信接入网的综合评价方法 | |
| CN112350318B (zh) | 基于广度优先搜索算法的交流配电网拓扑辨识方法 | |
| CN113406555A (zh) | 一种交流充电站的电量计量误差监测方法及充电站 | |
| CN117706452A (zh) | 基于knn-gru模型的电压互感器的在线评估方法 | |
| CN111308351B (zh) | 低温环境动力电池soc估计方法、存储介质和设备 | |
| CN110443358B (zh) | 一种基于加权正则化极限学习机的谐波源辨识方法 | |
| CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
| CN112464848A (zh) | 一种基于密度空间聚类的信息流异常数据监测方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |