一种关口电能计量装置异常分析方法与装置制造方法及图纸

本发明专利技术公开了一种关口电能计量装置异常分析方法与装置，方法包括如下步骤：采集预设时间段内电压和电流时序数据；对电压和电流时序数据，按分析种类提取特征量；采用

【技术实现步骤摘要】
一种关口电能计量装置异常分析方法与装置


[0001]本专利技术涉及电能计量装置异常分析
，特别涉及一种关口电能计量装置异常分析方法与装置
。

技术介绍

[0002]在产生
、
传输
、
消耗电能的关口处装设的电能计量装置，是发电
、
输电
、
供电及电力用户相互间进行电能贸易结算
、
考核相关技术经济指标的法定计量器具
。
目前，对关口电能计量装置的运维管理，主要是由专业人员携带校验仪器设备，每年定期到现场对各关口计量点的电能表
、
互感器等计量装置进行定期轮换检定
。
但实践表明，这种管理模式往往造成一些准确正常运行的计量装置“无病大检”，造成电能计量管理人力
、
物力的浪费；同时，有些关口电能表虽然还未到检定时间，但由于缺乏准确
、
有效的监管手段，未能及时检定维护，造成电能计量差错
。
因此，有必要研发新的技术手段以提高关口电能计量装置的运维管理工作的质量及效率
。

技术实现思路

[0003]本专利技术的目的是提供一种关口电能计量装置异常分析方法与装置，以提高关口电能计量装置的运维管理工作的质量及效率
。
[0004]为实现本专利技术的目的，本专利技术提供的技术方案如下：第一方面本专利技术提供了一种关口电能计量装置异常分析方法，包括如下步骤：步骤1：采集预设时间段内电压和电流时序数据；步骤2：对电压和电流时序数据，按分析种类提取特征量；步骤3：采用
ARMAX
网络结构构建关口电能异常识别模型；步骤4：选取评价指标，使用历史数据，通过无监督学习的方式对关口电能异常识别模型进行训练达到收敛状态；步骤5：采用步骤4训练好的关口电能异常识别模型进行关口电能计量装置异常识别
。
[0005]其中，步骤1中，按照自定义周期采集电压和电流时序数据
。
[0006]其中，步骤2中，所述特征量包括时钟特征量
、
谐波特征量
、
电压电流信号及误差特征量
、
电量差动特征量
、
三相不平衡特征量
、
电能表计量特征量
、
二次回路特征量
、
接线异常特征量
。
[0007]其中，步骤4中，选择步骤2中提取的所有特征量集合，作为无监督学习的评价指标
。
[0008]其中，步骤4中，采用卷积神经网络的方法实现无监督学习，按下式进行卷积操作：
(1)
其中：
s
为采用的特征量分析方法，共有
m
种特征量分析方法，
t
为电压
、
电流时序数据中的时间，计算周期为
n
个采样周期，电流或电压时序数据在点位置的值记为，尺寸的卷积核权重记为，卷积结果记为；使用
ReLu
激活函数，如式
(2)
所示， (2)
其中，值域
。
[0009]第二方面本专利技术提供了一种关口电能计量装置异常分析装置，包括如下单元：数据采集单元
、
特征量提取单元以及关口电能异常识别模型构建单元
、
模型训练单元
、
异常识别单元；其中，所述数据采集单元用于采集预设时间段内电压和电流时序数据；所述特征量提取单元用于对电压和电流时序数据，按分析种类提取特征量；所述关口电能异常识别模型构建单元用于采用
ARMAX
网络结构构建关口电能异常识别模型；所述模型训练单元用于选取评价指标，使用历史数据，通过无监督学习的方式对关口电能异常识别模型进行训练达到收敛状态；所述异常识别单元用于采用训练好的关口电能异常识别模型进行关口电能计量装置异常识别
。
[0010]其中，所述数据采集单元按照自定义周期采集电压和电流时序数据
。
[0011]其中，所述特征量包括时钟特征量
、
谐波特征量
、
电压电流信号及误差特征量
、
电量差动特征量
、
三相不平衡特征量
、
电能表计量特征量
、
二次回路特征量
、
接线异常特征量
。
[0012]其中，选择提取的所有特征量集合，作为无监督学习的评价指标
。
[0013]其中，所述模型训练单元采用卷积神经网络的方法实现无监督学习，按下式进行卷积操作：
(1)
其中：
s
为采用的特征量分析方法，共有
m
种特征量分析方法，
t
为电压
、
电流时序数据中的时间，计算周期为
n
个采样周期，电流或电压时序数据在点位置的值记为，尺寸的卷积核权重记为，卷积结果记为；使用
ReLu
激活函数，如式
(2)
所示，
(2)
其中，值域
。
[0014]与现有技术相比，本专利技术的有益效果如下：本专利技术技术方案采用深度学习的数据驱动理念，以关口电能计量装置运行数据为分析对象，挖掘关口计量装置运行电能量数据和关口计量装置性能之间的关联关系，实现对关口电能计量装置的智能诊断与分析，能够及时
、
准确
、
高效地对关口电能计量装置进行异常分析
。
附图说明
[0015]图1为本专利技术提供的方法流程示意图
。
具体实施方式
[0016]下面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
、
完整地描述，显然，所描述的实施例仅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他实施例，都属于本专利技术保护的范围
。
[0017]如图1所示，本专利技术提供了一种关口电能计量装置异常分析方法，包括如下步骤：步骤1：采集预设时间段内电压和电流时序数据；其中，步骤1中，按照自定义周期采集电压和电流时序数据
。
[0018]步骤2：对电压和电流时序数据，按分析种类提取特征量；其中，步骤2中，所述特征量包括时钟特征量
、
谐波特征量
、
电压电流信号及误差特征量
、
电量差动特征量
、
三相不平衡特征量
、
电能表计量特征量
、
二次回路特征量
、
接线异常特征量
。
对特征量进行分析，包括如下：时钟特征量分析：用于分析关口电能计量装置时钟误差导致采集的冻结表码
、
电量异常，导致计量误差，所取特征量为关口电能计量装置时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种关口电能计量装置异常分析方法，其特征在于，包括如下步骤：步骤1：采集预设时间段内电压和电流时序数据；步骤2：对电压和电流时序数据，按分析种类提取特征量；步骤3：采用
ARMAX
网络结构构建关口电能异常识别模型；步骤4：选取评价指标，使用历史数据，通过无监督学习的方式对关口电能异常识别模型进行训练达到收敛状态；步骤5：采用步骤4训练好的关口电能异常识别模型进行关口电能计量装置异常识别
。2.
根据权利要求1所述的一种关口电能计量装置异常分析方法，其特征在于，步骤1中，按照自定义周期采集电压和电流时序数据
。3.
根据权利要求1所述的一种关口电能计量装置异常分析方法，其特征在于，步骤2中，所述特征量包括时钟特征量
、
谐波特征量
、
电压电流信号及误差特征量
、
电量差动特征量
、
三相不平衡特征量
、
电能表计量特征量
、
二次回路特征量
、
接线异常特征量
。4.
根据权利要求1所述的一种关口电能计量装置异常分析方法，其特征在于，步骤4中，选择步骤2中提取的所有特征量集合，作为无监督学习的评价指标
。5.
根据权利要求1所述的一种关口电能计量装置异常分析方法，其特征在于，步骤4中，采用卷积神经网络的方法实现无监督学习，按下式进行卷积操作：
(1)
其中：
s
为采用的特征量分析方法，共有
m
种特征量分析方法，
t
为电压
、
电流时序数据中的时间，计算周期为
n
个采样周期，电流或电压时序数据在点位置的值记为，尺寸的卷积核权重记为，卷积结果记为；使用
ReLu
激活函数，如式
(2)
所示，
ꢀꢀꢀꢀ
(2)
其中，值域
。6.
一种关口电能计量装置异常分析装置，其特征在于，包括如下单元：数据采集单元
、
特征量提取单...

【专利技术属性】
技术研发人员：戴睿，杨霖，张志龙，葛春萌，王首堃，宋振，张文婷，王清颢，相里泽，王维光，
申请(专利权)人：国网天津市电力公司国家电网有限公司，
类型：发明
国别省市：