基于BP神经网络的电能表软件故障分类研究

BP神经网络有良好的非线性映射能力,因此可广泛应用于故障分类算法中。针对智能电能表的软件故障,设计了一种基于BP神经网络的分类算法,并应用该算法将智能电能表的8种常见软件故障准确分为4类。最后,使用Matlab软件对该实验进行了计算机仿真实验,仿真的结果验证了所设计的基于BP神经网络的智能电能表故障分类器在实际应用中具有显著的效果。     

基于多分类融合模型的智能电能表故障预测北大核心

由于智能电能表功能的丰富多样,随之而来的是设备故障类型及故障率的不断增加,如何准确地判断智能电能表的故障类型,提高故障表的检修效率,对保障智能电能表的安全稳定运行十分重要。文中提出一种基于多分类融合模型的智能电能表故障预测算法。针对智能电能表故障进行多维度分析及故障类型筛选;通过欠采样和过采样相结合的混合采样方式解决数据集中类不平衡问题,构建分类预测模型所需数据;利用基础分类算法的组合获取最优融合算法,在公共数据集上验证了所提算法的有效性,融合后的准确率较基础分类模型有稳定提升,以近年来电网系统中实时采集的智能电能表故障数据为基础,进行了基础模型与融合后算法模型的实验对比,结果表明文中所提的多分类融合算法模型在故障预测的准确率和可靠性上有明显的提升。     

基于故障树的智能电能表可靠性分析

智能电能表系统复杂且广泛运用于日常生活,智能电能表可靠性的提升对于整个电力部门的正常运行具有重要意义。提出了基于故障树的智能电能表可靠性分摊算法,利用可靠性指标对系统可靠性进行分析。该算法包括智能电能表故障树的建立,可靠性分摊算法在故障树最小割集中的结合应用,提出元件可靠性指标进行智能电能表元件可靠性评估。根据智能电能表的结构特点、各功能作用进行定性分析,建立完整的智能电能表故障树。由可靠性指标进行智能电能表元件故障追踪,确定对电能表故障影响的关键元件,从而通过相应措施进行故障预防提高智能电能表可靠性。通过对智能电能表可靠性指标的评定证明本算法对系统可靠性指标的改进,有效提高分析系统可靠性。     

智能电能表运行状态评估技术研究综述

智能电能表运行状态评估包括可靠性分析、电能表故障分析以及电能表可靠性寿命预计;针对目前智能电能表运行状态评价研究必须面对的问题,将当前应用于智能电能表状态评估的质量评价方法、异常分析和故障预测算法、寿命预测算法等内容进行了梳理和对比,总结了智能电能表运行状态评价技术的研究现状和最新研发进展;从智能电能表数据特点的角度阐释了目前应用算法的特点和不足,探讨了研究基于多源数据融合技术的智能电能表运行状态评估技术的必要性、可行性和努力方向,为智能电能表数据数据分析技术和状态评估技术提供可靠的借鉴意义。     

基于FMEA和HM的智能电能表关键元器件认定研究

智能电能表关键元器件的认定是智能电能表可靠性提升的重要途径和手段。文中根据智能电能表可靠性的要求,结合智能电能表的实际情况对智能电能表严酷度进行了定义。利用故障模式和影响分析方法(Failure Mode and Effect Analysis, FMEA)结合智能电能表实际故障调研数据,对智能电能表的严酷度和故障概率等级进行评定,在此基础上绘制危害性矩阵图,得到了智能电能表关键元器件的认定依据,进而认定了智能电能表的关键元器件,实验分析验证了结果符合实际情况。文章对智能电能表生产厂家和相关管理部分具有较好的参考价值,对提升智能电能表可靠性有积极作用。     

基于异常事件故障关联度的电能表可靠性评价方法

随着智能电网的全面建设,使得通过智能电表终端的用电采集数据来对电能表可靠性评价成为了可能。本文提出了一种基于异常事件故障关联度的电能表可靠性评价方法。由于电能表故障引起的异常事件报警存在一定的耦合关系,所以将异常告警事件分为单异常事件和并发异常事件进行分析。对于单异常告警事件,分析电能表发生异常事件报警的次数与电能表故障有无直接关系;对于组合异常告警事件,利用Apriori算法筛选出频繁发生的组合异常告警事件,然后计算异常事件的故障关联度。最后通过异常事件的故障关联度对同地区尚在运行的电能表进行可靠性评价。实例分析结果验证了本文方法的可行性。     

基于加性分位数GB算法的智能电能表数据不确定性预测

与传统电力数据相比,智能电能表数据波动性更大,可预测性更低。能源行业需对智能电能表数据进行概率预测,以量化未来电力需求的不确定性,以便对发电和配电进行合理规划。文章提出了一种用梯度提升算法估计智能电能表数据未来分布的加性分位数回归模型。所提方法提出了电能表数据概率预测的分位数回归及分位数修正算法。基于分位数算法给出了综合考虑外部影响因素的加性分位数的GB算法,并研究了该基于梯度提升算法的智能电能表数据概率预测加性分位数模型的关键性能参数选择,从而建立起了高性能的智能电能表数据概率预测模型;通过算例分析证明了该方法在综合和单个用户智能电能表数据概率预测中的准确性和有效性,尤其是在单个用户电能表数据概率预测方面具有远超其他算法的优越性能。     

智能电能表批次故障预警和寿命预估方法

随着智能电网的建设,智能电能表投运数量出现大幅增长。基于现场可靠性数据,使用极大似然法对智能电能表的分布参数进行估计,提出了智能电能表批次故障预警和寿命预估方法。实际验证结果表明,所提方法可以预警存在故障的智能电能表批次,预估可靠寿命,为智能电能表轮换机制的优化提供理论和数据支撑。     

智能电表运行状态评估技术研究综述

智能电能表运行状态评估包括可靠性分析、电能表故障分析以及电能表可靠性寿命预计;针对目前智能电能表运行状态评价研究所必须面对的问题,对当前应用于智能电表状态评估的质量评价方法、异常分析和故障预测算法、寿命预测算法等内容进行了梳理和对比,盘点智能电表运行状态评价技术的研究现状和最新研发进展;最后从智能电表数据特点的角度阐释了目前应用算法的特点和不足,并探讨了研究基于多源数据融合技术的智能电表运行状态评估技术的必要性、可行性和努力方向,为智能电表数据数据分析技术和状态评估技术提供可靠的借鉴意义。     

智能电能表批次故障预警和寿命预估方法

随着智能电网的建设,智能电能表投运数量出现大幅增长。基于现场可靠性数据,使用极大似然法对智能电能表的分布参数进行估计,提出了智能电能表批次故障预警和寿命预估方法。实际验证结果表明,所提方法可以预警存在故障的智能电能表批次,预估可靠寿命,为智能电能表轮换机制的优化提供理论和数据支撑。     

基于FMECA的智能电能表关键元器件风险评估

基于FMECA相关理论与风险优先数方法,对智能电表的关键元器件开展风险评估工作。文中针对故障树与FMEA方法不足提出将FMECA方法应用于智能电表的质量评估工作;随后,依据智能电表的实际情况对风险优先数方法进行了优化;最后,结合某省2018年智能电表故障统计数据,对智能电表关键元器件进行风险评估并给出排序结果,为智能电表的设计、生产与质量提升工作提供参考依据。     

基于窄带物联网智能电能表关键技术研究

针对智能电能表偶发超出阈值范围的电流电压采样值、谐波测量中会出现栅栏及频谱泄露、电路浪涌等问题,在均值滤波算法、FFT算法基础上提出了加阈值防脉冲干扰均值滤波算法和改进FFT算法,较好地解决了电流电压、谐波指标数据采集的准确度问题.针对目前窄带物联网应用开发的复杂性以及行业开发标准较为封闭,提出了窄带物联网开发的三层框...     

智能电能表自动化检定流水线的温度参比条件影响分析

文中建立智能电能表结构化模型,分析确定智能电能表受温度影响产生误差的主要因素,即AD转换器基准电压受温度影响的变化。采用机理建模的方法,建立了CMOS带隙基准源和AD转换器受温度影响的数学模型,采用普遍应用的点积和电能测量算法,研究分析基准电压随温度的变化对智能电能表误差的影响及关系;并通过试验,给出智能电能表误差变化随温度与时间变化的关系曲线。根据被试电能表的等级,给出大规模智能电能表自动化检定流水线的温度参比条件的建议。     

智能电能表故障预警系统的设计与开发

智能电能表因其信息采集的便利性以及功能的完善性而广泛普及,如何高效且有针对性地对数量如此庞大的智能电能表进行维护是电力运营企业面临的挑战.针对此问题,文中提出了基于数据挖掘技术的智能电能表故障预警方法,即利用C 5.0算法构建智能电能表的故障预警模型,通过大量训练集对模型进行训练,再利用测试集计算模型的预警准确度.通过VS 2016平台搭建了故障预警系统,仿真结果表明,此系统能够对智能电能表的运行状态进行准确预警,电力运营企业可根据预警结果对异常的电能表进行重点检查,由此节省由于逐户排查所浪费的人力物力.     

面向海量用户用电特性感知的分布式聚类算法

智能电表的普及促进了配用电大数据的发展。通过对用户用电数据的挖掘和用电特性的感知,能够有效识别用户用电模式、评估需求响应潜力、指导电价制定等。然而,用户用电数据一方面随时间不断更新,增长迅速,呈海量态势;另一方面,数据采集点分布在用户侧,具有极强的分散性。针对海量、分散的用电数据带来的挑战,文中提出一种新的分布式聚类算法。首先利用自适应k-means聚类算法对分布在各区域的用电数据进行局部聚类分析,提取各局部数据的典型负荷曲线,构建局部模型;然后利用传统聚类算法对获取的局部模型进行二次聚类分析,获取全局的典型负荷曲线,构建全局模型;最后向局部数据中心反馈全局聚类结果,实现全局聚类分析。通过爱尔兰实际量测用电数据证明了所提出算法的有效性。     

一种基于环境特征的智能电能表初值优选型K-means聚类算法

为探究不同环境特征(温度、湿度等)对智能电能表运行误差的影响,需要将不同地区运行下的智能电能表根据环境特征进行聚类划分。现有关于智能电能表的聚类算法研究中,都是依据运行数据或者负荷曲线进行聚类,缺少利用环境因素对其进行聚类的研究。因此,文章提出环境信息提取原则,有效降低数据维度提高计算效率。并提出初值优选型K-means算法,该算法是对传统的K-means算法在初值选取和聚类中心移动规则上进行改进,使其更加适用于基于环境特征的智能电能表聚类问题。通过数据仿真验证,该方法的准确率较其他算法平均提升17.7%,计算耗时平均减少0.16 s。     

智能电能表失电故障的试验分析

目前针对智能电能表在现场应用环境中频繁出现时钟故障的现象,对入网运行出现时钟电池失压的智能电能表进行深入的研究和故障分析,从功耗、工艺及内部电路设计等方面剖析时钟电池性能降低的原因。根据国内运行的智能电能表大面积出现失电故障,对已经出厂的智能电能表进行有针对性的试验检测研究。以电池失能为突破点,通过特定的电池检测方法,获得真实有效的试验数据。根据试验结果进行科学分析论述,找出智能电能表失电故障根源,并遵循客观实际条件,提出两项改进措施方案,以杜绝智能电能表失电故障的继续扩大漫延。所提出的技术方案为智能电能表安全有效的运行提供技术保障。     

提高智能电能表可靠性技术研究综述

智能电能表在电网中的作用越来越重要,但其在使用过程中常发生故障,且故障类型多样,因此如何提高其可靠性逐渐受到重视.文章基于智能电能表的一般架构及其功能,从固有可靠性和使用可靠性两方面,对现有旨在提高智能电能表可靠性的技术进行了梳理.固有可靠性技术涵盖智能电能表的结构设计、硬件可靠性分析、关键模块研制以及软件测试等.而使...     

Detection of energy theft and defective smart meters in smart grids using linear regression

The utility providers are estimated to lose billions of dollars annually due to energy theft. Although the implementation of smart grids offers technical and social advantages, the smart meters deployed in smart grids are susceptible to more attacks and network intrusions by energy thieves as compared to conventional mechanical meters. To mitigate non-technical losses due to electricity thefts and inaccurate smart meters readings, utility providers are leveraging on the energy consumption data collected from the advanced metering infrastructure implemented in smart grids to identify possible defective smart meters and abnormal consumers’ consumption patterns. In this paper, we design two linear regression-based algorithms to study consumers’ energy utilization behavior and evaluate their anomaly coefficients so as to combat energy theft caused by meter tampering and detect defective smart meters. Categorical variables and detection coefficients are also introduced in the model to identify the periods and locations of energy frauds as well as faulty smart meters. Simulations are conducted and the results show that the proposed algorithms can successfully detect all the fraudulent consumers and discover faulty smart meters in a neighborhood area network.