基于大数据推演的电能计量装置误差检测方法及系统制造方法及图纸

本发明专利技术公开了一种基于大数据推演的电能计量装置误差检测方法及系统，方法步骤包括获取各条线路的多组电能量数据并计算母线电量不平衡率，建立电能量与母线电量不平衡率的映射模型，计算电能量数据与虚拟负荷模型的贴近度并根据贴近度选择若干组电能量数据形成训练样本集、母线电量不平衡率作为教师样本集训练人工神经网络，再推演、重构得到整体误差；系统包括电能量数据数据获取单元、母线电量不平衡率计算单元、虚拟负荷模型建立单元、贴近度计算单元、样本集生成单元、人工神经网络训练单元、整体误差计算单元。本发明专利技术能够同时实时监控电能计量装置的整体计量误差，具有不需现场试验、实现方法简单、检测实时快速、高效安全的优点。

【技术实现步骤摘要】

本专利技术涉及电力设备中电能计量装置的状态评估技术，具体公开了一种基于大数据推演的电能计量装置误差检测方法及系统。
技术介绍
电能的准确计量是保证电量结算公平的基础，每年由于计量装置误差超差造成的差错电量相当可观。一方面，目前存在多种检测计量装置误差的技术手段。传统方法有：电能表的实验室检定和现场检测、互感器的实验室检定和现场检测、电压互感器二次压降现场检测等。这些工作需要人员将计量装置拆卸到实验室进行，或者需要人员将标准装置与检测设备带到现场开展，有些实验还必须停电进行，便利性不足。较新颖的技术手段有：电能表误差远程在线检测、互感器误差远程在线检测、电压互感器二次压降远程在线检测等。这些较新颖的技术能够远程、实时检测计量装置的误差，但是存在造价高昂、布置不便、存在故障隐患等问题，还可能影响电力系统的正常运行。另一方面，用电信息采集系统经过多年建设已经覆盖了所有重要用户、变电站、开关站，广泛运用于自动抄表管理、有序用电管理、用电情况统计分析、线损和变损分析等方面，并带来了海量的电能量数据，为电力企业经营管理各环节的分析、决策提供支持，为实现智能双向互动服务提供信息基础。电能量数据来源于计量装置，既反映了电能量输送情况，也蕴含着计量装置的误差信息。由于计量装置的误差相对较小，电能量数据中蕴含的误差信息量也很微弱，以往很难通过少量电能量数据发觉误差超差这一缺陷状态。但用电信息采集系统现在能提供的电能量数据已远远超过以往，这些数据资源可以通过适当的数学模型得到深入分析，使数据中蕴含的计量装置误差信息得到整合，并清晰呈现出来，这是评价计量装置误差的全新途径。专利
技术实现思路
本专利技术要解决的技术问题是：针对现有技术的上述问题，提供一种能够同时实时监控电能计量装置的整体计量误差，不需现场试验、实现方法简单、检测实时快速、高效安全的优点的基于大数据推演的电能计量装置误差检测方法及系统。为了解决上述技术问题，本专利技术采用的技术方案为：一方面，本专利技术提供一种基于大数据推演的电能计量装置误差检测方法，步骤包括：1)获取待评估变电站指定电压区域内各条线路的多组电能量数据；2)根据每组电能量数据计算得到对应的母线电量不平衡率，根据多组电能量数据以及对应的母线电量不平衡率建立电能量与母线电量不平衡率的映射模型；3)创建N条虚拟线路，N为待评估变电站指定电压区域内线路数，取任意两条虚拟线路构成线路对，将其中一个线路对定为当前线路对，设定其中一条虚拟线路的计量电量值为计量基准、另一条虚拟线路为比较对象；将当前线路对的虚拟线路的电能量值分别设为1和-1，其中计量基准对应虚拟线路的电能量值为1，比较对象对应虚拟线路的电能量值为-1，其他虚拟线路的电能量值设为0，形成虚拟负荷模型，共得到N×(N-1)个虚拟负荷模型集合；每个虚拟负荷模型中虚拟电能量值的排列按相同顺序，该顺序为各条虚拟线路编号数字的升序，定义为“线路排列顺序”；4)将所有的电能量数据按照“线路排列顺序”排列，并一一与所有虚拟负荷模型比较，得到电能量数据与虚拟负荷模型的贴近度；5)选择贴近度超过指定阈值的若干组电能量数据作为典型样本进行复制，复制后的样本与原始样本形成训练样本集，对应的母线电量不平衡率作为教师样本集；6)创建人工神经网络，用训练样本集、教师样本集训练人工神经网络，虚拟负荷模型经训练后的人工神经网络推演得到虚拟母线电量不平衡率；7)整理推演得到的所有虚拟母线电量不平衡率，形成电能计量装置整体计量误差初值集，将整体计量误差初值集中的误差值重构，得到对应电能计量装置的整体误差。优选地，步骤1)的详细步骤包括：1.1)在电能量信息采集系统中获取待评估变电站指定电压区域内各条线路从时间点t(1)时刻开始间隔指定时间段ΔT的各个时间点的电能量信息；1.2)根据式(1)计算相邻时刻点之间时间段内各条线路的电能量值ΔWTm(n)；ΔWTm(n)＝Wt(m+1)(n)-Wt(m)(n)(1)式(1)中，ΔWTm(n)表示第n条线路在t(m)到t(m+1)时间段Tm间的电能量值，Wt(m)(n)表示第n条线路在时间点t(m)时刻的电能量信息，Wt(m+1)(n)表示第n条线路在时间点t(m+1)时刻的电能量信息，ΔWTm(n)为正表示电能量送出母线、为负表示电能量送入母线；1.3)将相邻时刻点之间时间段内各条线路的电能量值ΔWTm(n)构成待分析的电能量数据组WTm如式(2)所示，将电能量数据组WTm构成电能量数据集合W如式(3)所示；WTm＝[ΔWTm(1),ΔWTm(2),...,ΔWTm(N)](2)W＝[WT1,WT2,...,WTm]T(3)。优选地，步骤2)中计算得到对应的母线电量不平衡率的函数表达式如式(4)所示；步骤2)中建立电能量与母线电量不平衡率的映射模型具体是指：将电能量数据集合W得到对应的母线电量不平衡率集合ε＝[εT1,εT2,...,εTm]T构成关联，形成电能量与母线电量不平衡率的映射模型；式(4)中，ε表示母线电量不平衡率，N表示待评估变电站指定电压区域内线路的数量，Wn表示第n条线路传输电量，Wn值为正表示电量送出母线、负表示电量送入母线；en表示第n条线路对应的电量计量装置的整体误差；Wn′是电量计量装置显示带误差信息的电能量，Wn′来源于电能量数据组WTm。优选地，步骤4)的详细步骤包括：4.1)将所有电能量数据组按照“线路排列顺序”排列；4.2)在所有虚拟负荷模型中选取其中一组，以数组方式表示虚拟负荷模型的模型特征，模型特征的数组中，计量基准对应虚拟线路的电能量值为1，比较对象对应虚拟线路的电能量值为-1，其他虚拟线路的电能量值设为0；4.3)在所有组电能量数据中遍历选取一组电能量数据作为比较主体Wreal，电能量数据组的格式为Wreal＝[W1,W2,W3,...,WN]，其中Wi表示第i条线路传输电量，i∈[1,N]，N为待评估变电站指定电压区域内线路数；4.4)比较选取的虚拟负荷模型和选取的电能量数据组，按照如式(5)所示距离偏差贴近度算法计算其贴近度；式(5)中，σ(T′,W)表示贴近度，T′表示一组虚拟负荷模型数组，W表示一组经过了归一化处理的电能量数据组，W中的元素W(n)＝Wreal(n)/max(W)，n为该组电能量数据的个数，贴近度越大说明该组电能量数据越具有虚拟负荷模型的典型特征；4.5)判断是否所有电能量数据已经遍历完毕，如果已经遍历完毕，则跳转执行步骤5)；否则，跳转执行步骤4.3)。优选地，步骤5)的详细步骤包括：5.1)在一组虚拟负荷模型参与的比较中，选择贴近度最大的五组电能量数据，对该批电能量数据组和对应的母线电量不平衡率进行复制，复制次数与贴近度按照式(6)进行关联；式(6)中，l取整为复制次数，σ为贴近度，a、b、c为变换系数；5.2)将复制的电能量数据组和对应的母线电量不平衡率加入到初始的电能量数据组集合和母线电量不平衡率数据集合，N×(N-1)个虚拟负荷模型被复制的电能量数据则有5×N×(N-1)组，电能量数据组集合成为训练样本集，母线电量不平衡率数据集合成为教师样本集。优选地，步骤6)的详细步骤包括：6.1)初始化BP人工神经网络，按随机原则赋予网络各层的权值和阀值；6.2)从训练样本集中取一本文档来自技高网...

【技术保护点】
一种基于大数据推演的电能计量装置误差检测方法，其特征在于步骤包括：1)获取待评估变电站指定电压区域内各条线路的多组电能量数据；2)根据每组电能量数据计算得到对应的母线电量不平衡率，根据多组电能量数据以及对应的母线电量不平衡率建立电能量与母线电量不平衡率的映射模型；3)创建N条虚拟线路，N为待评估变电站指定电压区域内线路数，取任意两条虚拟线路构成线路对，将其中一个线路对定为当前线路对，设定其中一条虚拟线路的计量电量值为计量基准、另一条虚拟线路为比较对象；将当前线路对的虚拟线路的电能量值分别设为1和‑1，其中计量基准对应虚拟线路的电能量值为1，比较对象对应虚拟线路的电能量值为‑1，其他虚拟线路的电能量值设为0，形成虚拟负荷模型，共得到N×(N‑1)个虚拟负荷模型集合；每个虚拟负荷模型中虚拟电能量值的排列按相同顺序，该顺序为各条虚拟线路编号数字的升序，定义为“线路排列顺序”；4)将所有的电能量数据按照“线路排列顺序”排列，并一一与所有虚拟负荷模型比较，得到电能量数据与虚拟负荷模型的贴近度；5)选择贴近度超过指定阈值的若干组电能量数据作为典型样本进行复制，复制后的样本与原始样本形成训练样本集，对应的母线电量不平衡率作为教师样本集；6)创建人工神经网络，用训练样本集、教师样本集训练人工神经网络，虚拟负荷模型经训练后的人工神经网络推演得到虚拟母线电量不平衡率；7)整理推演得到的所有虚拟母线电量不平衡率，形成电能计量装置整体计量误差初值集，将整体计量误差初值集中的误差值重构，得到对应电能计量装置的整体误差。...

【技术特征摘要】
1.一种基于大数据推演的电能计量装置误差检测方法，其特征在于步骤包括：1)获取待评估变电站指定电压区域内各条线路的多组电能量数据；2)根据每组电能量数据计算得到对应的母线电量不平衡率，根据多组电能量数据以及对应的母线电量不平衡率建立电能量与母线电量不平衡率的映射模型；3)创建N条虚拟线路，N为待评估变电站指定电压区域内线路数，取任意两条虚拟线路构成线路对，将其中一个线路对定为当前线路对，设定其中一条虚拟线路的计量电量值为计量基准、另一条虚拟线路为比较对象；将当前线路对的虚拟线路的电能量值分别设为1和-1，其中计量基准对应虚拟线路的电能量值为1，比较对象对应虚拟线路的电能量值为-1，其他虚拟线路的电能量值设为0，形成虚拟负荷模型，共得到N×(N-1)个虚拟负荷模型集合；每个虚拟负荷模型中虚拟电能量值的排列按相同顺序，该顺序为各条虚拟线路编号数字的升序，定义为“线路排列顺序”；4)将所有的电能量数据按照“线路排列顺序”排列，并一一与所有虚拟负荷模型比较，得到电能量数据与虚拟负荷模型的贴近度；5)选择贴近度超过指定阈值的若干组电能量数据作为典型样本进行复制，复制后的样本与原始样本形成训练样本集，对应的母线电量不平衡率作为教师样本集；6)创建人工神经网络，用训练样本集、教师样本集训练人工神经网络，虚拟负荷模型经训练后的人工神经网络推演得到虚拟母线电量不平衡率；7)整理推演得到的所有虚拟母线电量不平衡率，形成电能计量装置整体计量误差初值集，将整体计量误差初值集中的误差值重构，得到对应电能计量装置的整体误差。2.根据权利要求1所述的基于大数据推演的电能计量装置误差检测方法，其特征在于，步骤1)的详细步骤包括：1.1)在电能量信息采集系统中获取待评估变电站指定电压区域内各条线路从时间点t(1)时刻开始间隔指定时间段ΔT的各个时间点的电能量信息；1.2)根据式(1)计算相邻时刻点之间时间段内各条线路的电能量值ΔWTm(n)；ΔWTm(n)＝Wt(m+1)(n)-Wt(m)(n)(1)式(1)中，ΔWTm(n)表示第n条线路在t(m)到t(m+1)时间段Tm间的电能量值，Wt(m)(n)表示第n条线路在时间点t(m)时刻的电能量信息，Wt(m+1)(n)表示第n条线路在时间点t(m+1)时刻的电能量信息，ΔWTm(n)为正表示电能量送出母线、为负表示电能量送入母线；1.3)将相邻时刻点之间时间段内各条线路的电能量值ΔWTm(n)构成待分析的电能量数据组WTm如式(2)所示，将电能量数据组WTm构成电能量数据集合W如式(3)所示；WTm＝[ΔWTm(1),ΔWTm(2),...,ΔWTm(N)](2)W＝[WT1,WT2,...,WTm]T(3)。3.根据权利要求1所述的基于大数据推演的电能计量装置误差检测方法，其特征在于，步骤2)中计算得到对应的母线电量不平衡率的函数表达式如式(4)所示；步骤2)中建立电能量与母线电量不平衡率的映射模型具体是指：将电能量数据集合W得到对应的母线电量不平衡率集合ε＝[εT1,εT2,...,εTm]T构成关联，形成电能量与母线电量不平衡率的映射模型；ϵ=2·Σn=1NWn·(1+en)Σn=1N|Wn·(1+en)|=2·Σn=1NWn′Σn=1N|Wn′|---(4)]]>式(4)中，ε表示母线电量不平衡率，N表示待评估变电站指定电压区域内线路的数量，Wn表示第n条线路传输电量，Wn值为正表示电量送出母线、负表示电量送入母线；en表示第n条线路对应的电量计量装置的整体误差；W′n是电量计量装置显示带误差信息的电能量，W′n来源于电能量数据组WTm。4.根据权利要求1所述的基于大数据推演的电能计量装置误差检测方法，其特征在于，步骤4)的详细步骤包括：4.1)将所有电能量数据组按照“线路排列顺序”排列；4.2)在所有虚拟负荷模型中选取其中一组，以数组方式表示虚拟负荷模型的模型特征，模型特征的数组中，计量基准对应虚拟线路的电能量值为1，比较对象对应虚拟线路的电能量值为-1，其他虚拟线路的电能量值设为0；4.3)在所有组电能量数据中遍历选取一组电能量数据作为比较主体Wreal，电能量数据组的格式为Wreal＝[W1,W2,W3,...,WN]，其中Wi表示第i条线路传输电量，i∈[1,N]，N为待评估变电站指定电压区域内线路数；4.4)比较选取的虚拟负荷模型和选取的电能量数据组，按照如式(5)所示距离偏差贴近度算法计算其贴近度；σ(T′,W)=1-||T′-W||2n---(5)]]>式(5)中，σ(T′,W)表示贴近度，T′表示一组虚拟负荷模型数组，W表示一组经过了归一化处理的电能量数据组，W中的元素W(n)＝Wreal(n)/max(W)，n为该组电能量数据的个数，贴近度越大说明该组电能量数据越具有虚拟负荷模型的典型特征；4.5)判断是否所有电能量数据已经遍历完毕，如果已经遍历完毕，则跳转执行步骤5)；否则，跳转执行步骤4.3)。5.根据权利要求1所述的基于大数据推演的电能计量装置误差检测方法，其特征在于，步骤5)的详细步骤包括：5.1)在一组虚拟负荷模型参与的比较中，选择贴近度最大的五组电能量数据，对该批电能量数据组和对应的母线电量不平衡率进行复制，复制次数与贴近度按照式(6)进行关联；l(σ)=(a1+(b·(σ-1))2)C---(6)]]>式(6)中，l取整为复制次数，σ为贴近度，a、b、c为变换系数；5.2)将复制的电能量数据组和对应的母线电量不平衡率加入到初始的电能量数据组集合和母线电量不平衡率数据集合，N×(N-1)个虚拟负荷模型被复制的电能量数据则有5×N×(N-1)组，电能量数据组集合成为训练样本集，母线电量不平衡率数据集合成为教师样本集。6.根据权利要求1所述的基于大数据推演的电能计量装置误差检测方法，其特征在于，步骤6)的详细步骤包括：6.1)初始化BP人工神经网络，按随机原则赋予网络各层的权值和阀值；6.2)从训练样本集中取一组电能量数据，从教师样本集中取对应的母线电量不平衡率作为输入信号送入BP人工神经网络；6.3)电能量数据在BP人工神经网络中正向演算得到结果，与教师样本进行比较，按照式(7)计算出神经网络输出层输出信号误差；δl＝-(Tl-Yl)Yl(1-Yl)(7)式(7)中，δl为输出层的节点误差，Tl为输出层的教师样本数据，Yl为输出层的节点输出信号；6.4)按照式(8)计算各隐含层的节点误差；δkn=Ykn(1-Ykn)Σa=1pδlaWkla---(8)]]>式(8)中，为第k层隐含层中第n个神经元的节点误差，为第k层隐含层中第n个神经元的节点输出信号，为第l层中第a个神经元的节点误差，第l层为隐含层或输出层，p为第l层的神经元总数，为第k层隐含层中第a个连接第l层中各神经元的权值；6.5)采用牛顿-高斯改进算法训练BP人工神经网络，按照式(9)更新隐含层和输出层间的权值，按式(11)计算各隐含层的节点误差，按照式(12)更新输出层的阀值；ω(k+1)=ω(k)+Δω(k)=ω(k)-Hk-1gkgk=JT(ω)e(ω)Hk==JT(ω)J(ω)+μI---(9)]]>式(9)中，ω(k+1)为新权值，ω(k)为原权值，Δω(k)为权值更新量，Hk和gk为中间变量矩阵，JT(ω)为雅可比矩阵，e(ω)为单个神经元节点误差组成的向量集，单个神经元节点误差组成的集合取值为输出层输出信号误差Yl，μ为控制因子，I为单位矩阵；其中雅可比矩阵JT(ω)的函数表达式如式(10)所示；J=∂e1∂ω11∂e1∂ω12...∂e1∂ω1O∂e2∂ω21∂e2∂ω22...∂e2∂ω2O............∂eM∂ωM1∂eM∂ωM2...∂eM∂ωMO---(10)]]>式(10)中，J表示雅可比矩阵JT(ω)，ei表示该隐含层中第i个神经元的节点误差，i∈[1,M]，M为该层隐含层神经元的数量，ωij表示该隐含层第i个神经元连接下一层输出层第j个神经元的权值，j∈[1,O]，O表示下一层输出层的神经元数量；隐含层中神经元的节点误差与对应输出层神经元的权值用式(11)表示：ei=Yi(1-Yi)Σi=1MΣj=1Oδjωij---(11)]]>式(11)中，ei为该隐含层中第i个神经元的节点误差，Yi为该隐含层中第i个神经元的节点输出信号δj为下一层输出层中第j个神经元的节点误差，ωij为该隐含层中第i个连接下一层输出层第j个神经元的权值；θlm(t+1)=θlm(t)+βδlm---(12)]...

【专利技术属性】
技术研发人员：李恺，陈向群，李劲柏，杨茂涛，陈福胜，王海元，陈浩，黄瑞，王智，柳宇航，
申请(专利权)人：国网湖南省电力公司计量中心，国网湖南省电力公司，国家电网公司，国网山东省电力公司电力科学研究院，北京国网普瑞特高压输电技术有限公司，
类型：发明
国别省市：湖南;43