一种基于KL-NB算法的电能表运行状态在线评估方法技术

本发明专利技术涉及一种基于KL

【技术实现步骤摘要】
一种基于KL
‑
NB算法的电能表运行状态在线评估方法


[0001]本专利技术涉及电力计量在线监测
，尤其涉及一种基于KL
‑
NB算法的电能表运行状态在线评估方法。

技术介绍

[0002]智能电能表作为用电信息采集系统的重要组成部分，其可靠性和采集准确性成为电力部门和用户最为关注的对象。如何依据智能电能表运行数据准确评估其计量误差，是智能电能表健康管理领域的一个新兴热点课题。
[0003]传统上对于智能电能表的计量误差监测主要还是依靠人工进行数据分析及现场检查，效率非常低下，根本无法满足电网的运维需求。因此采用在线评估算法对智能电能表运行状态进行评估，对电能表的稳定性判断及运维检修显得尤为重要。

技术实现思路

[0004]本专利技术针对现有技术中存在的技术问题，提供一种基于KL
‑
NB算法的电能表运行状态在线评估方法，采用了电压、电流互感器误差数据及变电站总表数据，评估了电能表计量误差。以电能表计量误差为特征参量，采用改进的贝叶斯算法实现了电能表状态的准确评估。
[0005]根据本专利技术的第一方面，提供了一种基于KL
‑
NB算法的电能表运行状态在线评估方法，包括：步骤1，对采集到的电压、电流互感器二次电参量数据采用误差在线评估算法，得到电压互感器误差估计值和电流互感器误差估计值；步骤2，基于所述电压互感器误差估计值和电流互感器误差估计值，得到各支路的近似供电电压及电流值，计算出各支路的近似供电量；步骤3，基于特勒根定律构建各支路的所述近似供电量与真实供电量之间的评估模型，求解所述评估模型的校准系数后，计算得到各个电能表的真实供电量与示值电量之间的第一计量误差；步骤4，基于变电站总表供电数据及能量守恒定律计算得到各个电能表第二计量误差；步骤5，以电能表所述第一计量误差和第二计量误差作为特征参量，采用KL
‑
NB分类算法构建电能表状态评估模型；基于所述电能表状态评估模型，对待测电能表进行状态评估。
[0006]在上述技术方案的基础上，本专利技术还可以作出如下改进。
[0007]可选的，所述步骤2包括：支路i近似供电电压：；
ꢀꢀꢀꢀ
（1
‑
1）
支路i近似供电电流：；
ꢀꢀꢀꢀꢀꢀ
（1
‑
2）其中，和分别为支路i的测量电压和电流，和分别为支路i的电压和电流互感器的额定变比；支路i在[t1,t2]时间段内的输出的近似供电电量为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
3）其中，为功率因素，为支路i的电压、电流相位差。
[0008]可选的，所述步骤3中构建的所述评估模型为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
4）其中，表示支路b的校准系数，表示[t1,t2]时间段内支路b第N次采样的近似供电量。
[0009]可选的，所述步骤3中采用神经网络得到所述评估模型的校准系数的过程包括：步骤301，根据各支路供电电路数据的数据扰动程度和对应的系数矩阵条件数，选出标准参考支路；步骤302，基于所述标准参考支路的供电量求解所述校准系数。
[0010]可选的，所述步骤301包括：步骤30101，对各支路的电能量数据进行清洗，得到各支路不同时间段的分时电量数据；步骤30102，计算每条线路分时电量数据的数据扰动为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
5）其中，代表支路i的分时电量数据序列，为序列的标准差，为序列的均值绝对值；步骤30103，轮流剔除每条支路，将剩余支路的分时电量数据记作矩阵A，并计算该矩阵的条件数：
ꢀꢀꢀꢀꢀꢀ
（1
‑
6）其中，为矩阵A的范数；步骤30104，根据所述步骤30102的计算结果选择所述数据扰动最低的50%的支路，并从其中选出对应的cond(A)最低时对应的支路作为所述标准参考支路。
[0011]可选的，所述步骤302包括：步骤30201，将所述评估模型变形为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
7）
其中，，，，R为标准参考支路的供电量；步骤30202，采用神经网络模型，计算出校准系数K值，计算得到支路i在[t1,t2]时间内的真实供电量。
[0012]可选的，所述步骤3中所述第一计量误差为：
ꢀꢀꢀ
（1
‑
8）其中，为支路i上的电能表的示值电量，为支路i的真实供电量。
[0013]可选的，所述步骤4包括：步骤401，基于能量守恒原理得到：
ꢀꢀꢀꢀꢀ
（1
‑
9）其中，，，；其中，G表示系统中的能量损失；J为同一类别下的电能表数量；表示第J台电能表第N次采样的示值电量；为所述变电站总表第1次采样的示值电量；步骤402，采用神经网络算法计算得到A和G，进而得到所述电能表第二计量误差为：。
[0014]可选的，所述步骤5包括：步骤501，构建训练样本数据；其中，，表示第l个电能表的第一计量误差，表示第l个电能表的第二计量误差；将第一计量误差和第二计量误差划分为s个标度，，v=1，2；表示特征的第个值，=1，2，3，
…
s；步骤502，计算先验概率为：
ꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
10）其中，k=1，2，3；表示正常，表示告警，表示异常；L表示训练样本数量；表示样本中第种状态的占比，表示样本的状态类别；步骤503，计算训练集中每个属性的条件概率：
ꢀꢀꢀꢀ
（1
‑
11）其中，表示类别为、特征为的样本数；步骤504，计算给定的实例x的后验概率为：
ꢀꢀꢀꢀꢀꢀꢀ
（1
‑
12）其中，表示在Y取值为的条件下，的条件概率乘积；步骤505，求出最大的后验概率，根据最大后验概率的值，确定实例x的类；
ꢀꢀꢀꢀꢀ
（1
‑
13）其中，argmax为计算最大值的函数；权重
ꢀꢀꢀꢀꢀ
（1
‑
14）其中，表示KL评估的可靠度参量；
ꢀꢀꢀꢀꢀ
（1
‑
15）其中，表示含有特征的类在整个样本集中的概率；表示类样本在整个样本中的概率；步骤506，构建所述电能表状态评估模型的过程中，依据损失函数来迭代调整标度划分的阈值，直到损失函数达到最小或达到迭代次数；定义损失函数：；其中，为真实状态标签，为权重系数，为最大后验概率；为正常、告警或异常状态样本间的距离，为分类后判断为正常、告警或异常状态的样本间的距离。
[0015]本专利技术提供的一种基于KL
‑
NB算法的电能表运行状态在线评估方法，基于特勒根定律，对线路电能量数据进行了校正，进一步提高了电能表计量误差评估的准确性；基于变电站总表数据，在考虑线损的条件下，实现了电能表误差评估本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于KL
‑
NB算法的电能表运行状态在线评估方法，其特征在于，所述在线评估方法包括：步骤1，对采集到的电压、电流互感器二次电参量数据采用误差在线评估算法，得到电压互感器误差估计值和电流互感器误差估计值；步骤2，基于所述电压互感器误差估计值和电流互感器误差估计值，得到各支路的近似供电电压及电流值，计算出各支路的近似供电量；步骤3，基于特勒根定律构建各支路的所述近似供电量与真实供电量之间的评估模型，求解所述评估模型的校准系数后，计算得到各个电能表的真实供电量与示值电量之间的第一计量误差；步骤4，基于变电站总表供电数据及能量守恒定律计算得到各个电能表第二计量误差；步骤5，以电能表所述第一计量误差和第二计量误差作为特征参量，采用KL
‑
NB分类算法构建电能表状态评估模型；基于所述电能表状态评估模型，对待测电能表进行状态评估。2.根据权利要求1所述的在线评估方法，其特征在于，所述步骤2包括：支路i近似供电电压：；
ꢀꢀꢀꢀ
（1
‑
1）支路i近似供电电流：；
ꢀꢀꢀꢀꢀꢀ
（1
‑
2）其中，和分别为支路i的测量电压和电流，和分别为支路i的电压和电流互感器的额定变比；支路i在[t1,t2]时间段内的输出的近似供电电量为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
3）其中，为功率因素，为支路i的电压、电流相位差。3.根据权利要求1所述的在线评估方法，其特征在于，所述步骤3中构建的所述评估模型为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
4）其中，表示支路b的校准系数，表示[t1,t2]时间段内支路b第N次采样的近似供电量。4.根据权利要求3所述的在线评估方法，其特征在于，所述步骤3中采用神经网络得到所述评估模型的校准系数的过程包括：步骤301，根据各支路供电电路数据的数据扰动程度和对应的系数矩阵条件数，选出标准参考支路；步骤302，基于所述标准参考支路的供电量求解所述校准系数。5.根据权利要求4所述的在线评估方法，其特征在于，所述步骤301包括：步骤30101，对各支路的电能量数据进行清洗，得到各支路不同时间段的分时电量数据；
步骤30102，计算每条线路分时电量数据的数据扰动为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1
‑
5）其中，代表支路i的分时电量数据序列，为序列的标准差，为序列的均值绝对值；步骤30103，轮流剔除每条支路，将剩余支路的分时电量数据记作矩阵A，并计算该矩阵的条件数：
ꢀꢀꢀꢀꢀꢀ
（1
‑
6）其中，为矩阵A的范数；步骤30104，根据所述步骤30102的计算结果选择所述数据扰动最低的50%的支路，并从其中选出对应的cond(A)最低时对应的支路作为所述标准参考支...

【专利技术属性】
技术研发人员：代洁，张荣霞，杨文锋，何质质，任波，陈应林，陈勉舟，
申请(专利权)人：武汉格蓝若智能技术股份有限公司，
类型：发明
国别省市：