判断10kV线路电能表系统变比与实际变比一致性的方法技术方案

本申请提供一种判断10kV线路电能表系统变比与实际变比一致性的方法，其具体步骤包括：S1、采集线路的线路日表底读数、公变日表底读数、专变日表底读数、线变关系和电能表系统变比；S2、对采集的数据进行预处理；S3、使用BP‑adaboost算法构建神经网络；S4、根据步骤S1和S2中的数据，计算10kV线路输入神经网络的特征量，并将特征数据归一化；S5、将步骤S4中归一化的特征数据输入步骤S3中建立的神经网络，输出判断结果；S6、根据输出值确定线路中系统变比与实际变比一致性的电能表；S7、更换系统变比与实际变比一致性的问题电能表。采用本发明专利技术可大幅减少人力物力，有效快速准确治理电能表系统变比与实际变比一致性问题，提高线损计算数据质量和线损治理效率。

【技术实现步骤摘要】
判断10kV线路电能表系统变比与实际变比一致性的方法
本专利技术属于电力
，特别涉及一种判断10kV线路电能表系统变比与实际变比一致性的方法。
技术介绍
对于电网企业来说，异常线损电量不仅是效益的损失，更是国有电量资源的绝对流失。线损质量管理和安全生产一样，是电网企业管理永恒的主题。为进一步提升电网生产经营管理效率和效益，优化线损管理流程，推动调度、运维、营销业务的融合并充分利用各个部门系统数据资源，实现“技术线损最优，管理线损最小”的目标。在同期线损治理过程中，由于35kV及以上电压等级的线路数量少、拓扑结构简单、变动较少、台账历史数据质量高并且更新及时，所以其线损治理水平较高，相应的线损考核指标达到要求；但是对于10kV及以下电压等级的配电网，设备运维精益管理系统的历史台账数据质量低以及数据更新不及时、刀闸开关动作频繁、表计及设备维护工作量大等原因造成10kV电压等级及以下的线损考核指标达标率低的问题。其中数据质量低和数据更新不及时的问题，集中体现在一体化系统中电能表变比与实际变比一致性、公专变实际所在线路与系统中不一致等。目前对于10kV线路的主要治理手段仍然是基层工作人员进行现场的地毯式排查，此方式需要耗费大量的人力物力，且效率低。
技术实现思路
为了改进由于电能表在一体化电量与线损管理系统中的变比与实际变比一致性错误，导致10kV电压等级及以下的线损考核指标达标率低、一体化电量与线损管理系统数据质量低的问题，本申请提出了一种判断10kV线路电能表系统变比与实际变比一致性的方法，其具体步骤如下：S1、采集数据，采集10kV线路的线路日输入表底读数、公变日表底读数、专变日表底读数、线变关系和电能表系统变比；S2、对所述采集数据进行预处理，所述预处理包括计算线路日线损电量和线路日线损率、剔除零电量公变和零电量专变；S3、使用BP-adaboost算法构建神经网络，具体包括以下步骤：S31、输入训练样本，挑出存在系统变比与现场变比一致性问题的电能表及其所在线路，并将样本分成训练集和测试集；S32、训练集和测试集的样本包括以下特征量：第一特征量C：线路日线损电量与各个公变日用电量皮尔逊相关系数，或者线路日损失电量与各个专变日用电量皮尔逊相关系数；第二特征量K：公变或专变系统变比；第三特征量第四特征量S33、对训练集、测试集做归一化处理：；S34、以BP作为adaboost算法的弱分类器，根据训练样本设定BP神经网络训练参数：包括隐藏层层数Cnumber；隐藏层节点数Jnumber；最大迭代次数；学习速率；误差；设定弱分类器个数T，并规定样本集中对应的电能表若存在系统变比与实际变比一致性问题则理论输出值Y为-1，若不存在系统变比与实际变比一致性问题则输出值Y为1；S35、根据adaboost算法修正样本权重S36、根据adaboost算法调整每次训练时神经网络的误差函数：将BP神经网络的误差函数E(w，b)设定为其中为第t次分类时训练样本j的样本权重；yj表示第j个训练样本对应的目标值，dj表示第j个样本经过BP神经网络的输出结果；S37、将训练样本投入到调整过误差函数的BP神经网络中训练，并计算弱分类器的权重αt；S38、将M个测试样本投入到T个弱分类器，根据各个弱分类器及其权重计算强分类器分类结果；S39、若强分类器对测试样本的分类正确率达标，则保存T个弱分类器网络，若分类正确率不达标，则重复S31～S38，直至达标，建立起能判断10kV线路电能表系统变比与实际变比一致性的神经网络；S4、根据步骤S1中从10kV线路采集的数据和S2中预处理的数据，计算10kV线路输入神经网络的特征量，并将特征数据归一化；S5，将步骤S4中归一化的特征数据输入步骤S3中建立的神经网络，电能表若存在系统变比与实际变比一致性问题，则输出值Y为-1，若不存在该问题则输出值Y为1；S6，根据输出值确定10kV线路中系统变比与实际变比一致性的电能表；以及S7，更换系统变比与实际变比一致性的问题电能表。优选的，步骤S2中计算线路日线损电量和线路日线损率，具体步骤为：第i天电量＝变比*(第i+1天表底-第i天表底)线路日线损电量＝线路日输入电量-线路日输出电量；线路日线损率＝线路日线损电量/线路日输入电量*100％；其中，线路日输出电量＝公变日用电量之和+专变日用电量之和；计算线路日线损率的具体表达式如下：Li＝(Si-∑Gji-∑Zki)/Si*100％其中，Li表示第i天线损率，Si表示第i天线路输入电量，Gji表示线路第j个公变第i天用电量，Zki表示线路第k个专变第i天用电量优选的，步骤S35根据adaboost算法修正样本权重具体步骤为：第一次训练时初始化样本权重：其中，N为训练样本数量；根据第t个弱分类器的分类结果，计算分类的错误率εt，并调整第t+1次分类时的样本权重：其中I为第t次分类错误的样本集合，ht(x)为第t个弱分类器，为第t次分类时训练样本j的样本权重；xj表示第j个训练样本向量，yj表示第j个训练样本对应的目标值，sign为sign函数，y＝sign(x)的含义为权重调整的表达式为：优选的，步骤S31中将样本分成训练集和测试集，训练集N与测试集T数量比例大约为10∶1；训练集N和测试集M中都存在有系统变比与现场变比一致性问题的电能表及其所在线路。优选的，步骤S1采集10kV线路的线路日输入电量、公变日用电量、专变日用电量、线变关系和电能表系统变比，的采样天数为为30天。与现有技术相比，本专利技术具有以下有益效果：本申请提出了一种判断10kV线路电能表系统变比与实际变比一致性的方法，主要利用BP神经网络和adaboost算法相结合，通过人工智能的分析手段训练出能够迅速判断10kV线路电能表系统变比与实际变比一致性，并利用这个方法来快速定位线路中存在系统变比与现场变比一致性问题的电能表；以此方法的分类结果提高线损数据的治理效率，并用新的治理结果扩大训练样本，进一步提高网络的泛化能力。此方法可大幅减少人力财力的消耗，有效快速的解决系统变比与现场变比一致性问题，快速降低线损考核不合格线路数量，查明线损异常原因，切实提高线损治理效果及一体化电量与线损管理系统数据质量。从数据分析的角度快速且准确定位系统变比与现场变比一致性的电能表，大幅度减少目前地毯式现场排查的工作量；提高线损治理效果和一体化电量与线损管理系统的数据质量，突破目前同期线损考核指标提升的瓶颈。附图说明图1为本专利技术判断10kV线路电能表系统变比与实际变比一致性的方法流程图；图2为本专利技术BP-adaboost训练流程图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。本专利技术提供一种判断10kV线路电能表系统变比与实际变比一致性的方法，具体步骤包括：S1、采集10kV线路的线路日输入表底数据、公变日表底数据、专变日表底数据、线变关系和电能表系统变比。其中，每个10kV线路可以包括有多个公变用电和专变用电。S2、对采集的数据进行预处理本文档来自技高网...

【技术保护点】
1.一种判断10kV线路电能表系统变比与实际变比一致性的方法，其特征在于，包括以下步骤：S1、采集数据，采集10kV线路的线路日输入表底读数、公变日表底读数、专变日表底读数、线变关系和电能表系统变比；S2、对所述采集数据进行预处理，所述预处理包括计算线路日线损电量和线路日线损率、剔除零电量公变和零电量专变；S3、使用BP‑adaboost算法构建神经网络，具体包括以下步骤：S31、输入训练样本，挑出存在系统变比与现场变比一致性问题的电能表及其所在线路，并将样本分成训练集和测试集；S32、训练集和测试集的样本包括以下特征量：第一特征量C：线路日线损电量与各个公变日用电量皮尔逊相关系数，或者线路日损失电量与各个专变日用电量皮尔逊相关系数；第二特征量K：公变或专变系统变比；第三特征量Mi:

【技术特征摘要】
1.一种判断10kV线路电能表系统变比与实际变比一致性的方法，其特征在于，包括以下步骤：S1、采集数据，采集10kV线路的线路日输入表底读数、公变日表底读数、专变日表底读数、线变关系和电能表系统变比；S2、对所述采集数据进行预处理，所述预处理包括计算线路日线损电量和线路日线损率、剔除零电量公变和零电量专变；S3、使用BP-adaboost算法构建神经网络，具体包括以下步骤：S31、输入训练样本，挑出存在系统变比与现场变比一致性问题的电能表及其所在线路，并将样本分成训练集和测试集；S32、训练集和测试集的样本包括以下特征量：第一特征量C：线路日线损电量与各个公变日用电量皮尔逊相关系数，或者线路日损失电量与各个专变日用电量皮尔逊相关系数；第二特征量K：公变或专变系统变比；第三特征量Mi:第四特征量Ni:S33、对训练集、测试集做归一化处理；S34、以BP作为adaboost算法的弱分类器，根据训练样本设定BP神经网络训练参数：包括隐藏层层数Cnumber；隐藏层节点数Jnumber；最大迭代次数；学习速率；误差；设定弱分类器个数T，并规定样本集中对应的电能表若存在系统变比与实际变比一致性问题则理论输出值Y为-1，若不存在系统变比与实际变比一致性问题则输出值Y为1；S35、根据adaboost算法修正样本权重S36、根据adaboost算法调整每次训练时神经网络的误差函数：将BP神经网络的误差函数E(w,b)设定为其中为第t次分类时训练样本j的样本权重，yj表示第j个训练样本对应的目标值，dj表示第j个样本经过BP神经网络的输出结果；S37、将训练样本投入到调整过误差函数的BP神经网络中训练，并计算弱分类器的权重αt；S38、将M个测试样本投入到T个弱分类器，根据各个弱分类器及其权重计算强分类器分类结果；S39、若强分类器对测试样本的分类正确率达标，则保存T个弱分类器网络，若分类正确率不达标，则重复S31～S38，直至达标，建立起能判断10kV线路电能表系统变比与实际变比一致性的神经网络；S4、根据步骤S1中从10kV线路采集的数据和S2中预处理的数据，计算10kV线路输入神经网络的特征量，并...

【专利技术属性】
技术研发人员：范荻，汪鸿，皇甫成，秦亮，陈建华，谢欢，王放，李明月，刘开培，
申请(专利权)人：华北电力科学研究院有限责任公司，国网冀北电力有限公司电力科学研究院，国网冀北电力有限公司，武汉大学，国家电网有限公司，
类型：发明
国别省市：北京,11