一种小电量台区的电能表运行误差监测改进方法

为了解决电能表日常运行误差检测准确度低的问题,提出了一种小电量台区的电能表运行误差监测改进方法.将一个小电量台区的考核表和全部用户表供电量数据作为研究内容,依据能量守恒规律,使用这些电量数据构建线性方程组误差计算模型,通过最小二乘法对该模型求解,得到小电量台区电能表运行误差和线损率等指标.分析该模型的病态性,利用改进吉...     

基于改进BP神经网络的低压配电台区智能电能表误差状态评估模型

针对配电网台区中智能电能表误差估计问题,基于粒子群优化BP神经网络提出智能电能表误差估计方法。所提方法从数据搜集和数据预测、预处理建立智能电能表误差估计模型;针对传统BP神经网络隐含层节点数制定的局限性,提出采用粒子群优化算法对隐含层节点数进行优化,并采用优化得到的隐含层节点数构建BP神经网络结构对训练样本数据进行训练,基于训练得到的BP神经网络对测试样本数据进行计算得到智能电能表误差数据。针对某地区典型配电网台区中智能电网运行误差估计问题,采用所建立的方法进行智能电能表运行误差的评估。仿真算例表明,所建立的模型能够有效评估智能电能表运行误差,相比于传统的评估方法,其评估准确性有显著提升。     

降低配电台区低压线损的措施

1配电台区低压线损计算及组成1.1配电台区低压线损率计算供电量:台区总表的抄见电量售电量:台区内所有低压用户的实抄电量台区低压线损率=[(供电量-售电量)/供电量]×100%1.2配电台区低压线损电量的组成1)低压线路(含接户线)上流过电流时,在导线电阻上消耗的电能。2)未计入售电     

基于典型负荷曲线的配电网线损计算方法研究

中压配电网线损率计算面临所需数据多、数据采集量大的主要问题。自动化水平的提高可以为中压配电网线损率计算提供一定的数据,但收集到的数据质量参差不齐。基于采集到电量数据,首先,根据日负荷分类标幺化曲线和比例系数得到配变的实际日负荷标幺化曲线;其次,利用配变的实际日负荷标幺化曲线和配变的实际日用电量形成配变的实际日负荷曲线,得到配变的实际日负荷有功功率曲线和无功功率曲线。在此基础上,利用前推回代法得到中压配电网的日线损值,实现中压配电网损耗的精确化计算。最后,利用某地区样本数据验证了所提方法的有效性、精确性和合理性。     

利用实时监控系统计算实际线损的研究与实践

如果各方面没有严格地按综合误差的要求管理,所得统计线损率的准确性一般较差。由于ＰＴ、ＣＴ、电能表等元件误差的存在,在购、售电量相减后,线损率有可能被放大或缩小。并且这种误差随着着电压等级的则增加。在１０ｋＶ网损中,由于其布点广,管理起来复杂,即使不包括偷、漏电量,其统计线的真实性也较差。用计算方法把电网每一元件的损耗相加得到的总损耗量再被购电量相除的所谓理论线损计算可以避免上述缺点,但在理论线损计     

基于模糊神经网络的电能表误差超差风险预测模型

随着智能电能表分拣业务的开展,为实现分拣后重复利用电能表的误差超差风险预测,将分拣中测得的智能电能表误差数据和其它相关参数分类后作为征兆,设计了一种适用于电能表误差超差风险预测的改进模糊神经网络模型。先利用BP-RBF混合神经网络得到未来第n年误差的预测值,在此基础上通过模糊推理方法得到未来第n年电能表误差超差的风险。最后利用浙江分拣试点工作的部分结果作为训练和预测数据进行了风险预测模型的验证,经验证其有效性符合预期。     

一种基于安装式标准电能表的智能电能表误差在线检测比对方法研究

文章针对不同厂家生产的单相智能电能表在线使用时计量准确性问题,在相同实际负载条件下进行相关试验。通过一种新型的高精度单相安装式标准电能表模拟用户实际使用情况,采用多种不同功率的负载对单相智能电能表在实际运行中的基本误差、电量走字误差进行测试。与实验室参比条件下检定装置测试的数据进行比对,验证分析单相智能电能表在参比条件下检定装置测试数据的可靠性和一致性。通过实验数据分析表明,该方法可以真实反映单相智能电能表在实际使用中基本误差和电量误差的情况,可以作为单相智能电能表在线检测的一种新的方法。     

基于负荷预测和非支配排序遗传算法的人工相序优化方法

在对0.4 kV配电台区进行节能降损时发现,调整负荷的接入相序能够有效降低台区的线路损耗和三相负荷不平衡度。文中提出基于负荷预测和非支配排序遗传算法(NSGA2)的人工相序优化方法。首先,利用配电台区出口电流曲线替代法建立用户负荷模型。其次,基于历史数据使用Elman神经网络对调相日的台区内各用户日电量和出口三相电流进行预测。然后,基于预测数据综合考虑以线损最低和调相次数最少为目标函数,建立配电台区多目标相序优化数学模型,使用NSGA2对该模型进行求解,得到优化后各负荷接入相序。最后,通过对比安徽电网某配电台区调相前后的理论线损,验证本文所提方法的有效性。     

基于全寿命周期成本的标准配送式智能配电台区建设方案优化

标准配送式智能配电台区以其建设工期短、安全系数高、检修维护方便等特征,将成为未来智能电网台区建设的重要发展方向。文章基于全寿命周期成本管理理念,提出了标准配送式智能配电台区全寿命周期成本方案优化模型,包括台区投资成本、报废成本、运行维护成本、损耗成本和故障成本等,并提出了相应的模型求解方法。在此基础上利用等年值法对配电台区的成本模型进行分析,以全寿命周期成本最小对台区设备进行优化配置,以提高配电台区的经济性。以某新建的400k VA智能配电台区进行了算例仿真和分析,分析结果表明了所提模型和算法的可行性和有效性。     

基于改进灰色聚类法的配电台区电能表质量评价方法

针对配电台区电能表运行的质量评估问题,采用改进灰色聚类法建立电能表运行质量评估方法。所建立的方法首先制定电能表质量评估指标体系,将指标划分为准则层和指标层进行确立。接着制定模糊评价矩阵,通过事件关联分析对各个指标层因素的初始权重构建归一化后的修正系数,同时考虑到的近期数据与历史数据方差的偏差进一步修正权重系数。最后制定评估模型中不同灰度的白化权函数,通过德尔菲法对白化权函数中的参数进行确定。基于灰色聚法步骤和模糊评价矩阵计算得到各个指标层状态量以及准则层状态量,得到电能表质量评估结果。仿真算例表明,所建立的模型适用于配电台区电能表运行质量评估,为电能表的排查和检修计划制定提供指导。     

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。     

考虑模型病态性的智能电表运行误差分析方法

基于数据分析的低压台区电能表误差分析方法仅仅依赖于计量系统中台区计量数据,具有覆盖率高、快速便捷的优点,但受制于模型病态性而无法保证计算所得电表误差的精度。针对由病态性而导致的模型求解困难问题,文章从数据和求解算法两方面着手提高求解精度。通过设计基于贪心策略的数据优选算法,快速选取有利模型求解的数据;通过改进经典吉洪诺夫正则化算法,抑制解的波动,从而有效解决智能电表运行误差检定算法模型病态。以天津电网实际低压台区用电数据为算例,验证了所提方法能够有效提升智能电表运行误差检定算法的计算准确度,为实际的电能表检定维护工作提供科学参考。     

一种基于HPLC台区的居民户表电压失准监测方法

针对在运居民户表电压测量失准甄别的问题,提出了一种基于HPLC（宽带载波）台区采集的居民户表高频数据,以及相位识别的户表电压失准监测方法。方法从总表三相24点电流数据中,每相取两个电流最小的时间点为计算点,以同相位居民户表平均电压为参考电压,以台区变压器容量所匹配的线路属性确定线路阻抗,测算整个台区每相电压的上、下限阀值,确定每相居民户表输入电压的范围,与采集系统采集的电压值比对,实现对居民户表电压失准的自动监测,及时发现计量故障、台区归属错误、烧表隐患等情况。方法在湖南公司“两率一损”分析平台开发上线,共发现了两万多只计量失准表计,经现场验证,监测准确率到达68%,为用电营销的精细化管理提供了技术支撑。     

自动化检定流水线环境下射频信号对智能电能表误差的影响分析

随着智能电网的不断发展和完善,智能电能表作为计量电能的终端产品被广泛应用,而对其检定的自动化程度也越来越高,因此,智能电能表自动化检定流水线得到快速发展。与此同时,智能电能表自动化检定流水线的环境中,移动通信射频信号对电能表计量准确度的电磁辐射影响也逐渐引起了关注。为了研究射频信号对电能表计量的影响,文中分析了射频信号对电能表计量影响的干扰途径,分析了射频信号影响电能表计量的机理。测试了自动化检定流水线的环境中射频干扰信号的强度,基于干扰信号的调制方式建立了干扰信号数学模型,根据干扰信号数学模型和实测射频信号的功率谱,通过仿真分析确定了干扰信号对电能表的影响属于一种均匀性分布的噪声。建立了射频信号对电能表计量误差影响的数学模型,通过仿真分析电能表误差,给出智能电能表大规模自动化检定流水线射频信号的影响结果。     

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...     

一种基于电能表误差和窃电分析的线损分层定位方法

针对低压台区线损治理周期长,高损点定位不准确等问题,提出了一种基于电能表误差和窃电分析的线损分层定位方法。该方法在传统线损分层定位方法的基础上,引入理论线损计算方法,构建了基于基尔霍夫定律的台区线损分层计算模型,实现线损的分层计算,确定高损范围,设计电能表误差分析模型,在高损范围内筛查出误差异常电能表,实现台区高损点定位;最后设计电能表窃电分析方法,通过挖掘与窃电行为相关的告警事件频繁项集,进一步对高损点进行验证,并确定其高损原因。该方法采用50个台区的实际数据进行验证,台区线损分层计算模型准确率为100%,电能表误差分析计算模型的准确率为88.5%,电能表窃电分析模型准确率为92%。     

基于voting集成的智能电能表故障多分类方法

为提升智能电能表故障准确分类能力,助力维护人员迅速排除故障,本文提出基于投票法voting集成的智能电能表故障多分类方法。首先针对实际智能电能表故障数据进行编码预处理,基于皮尔逊系数法筛选智能电能表故障分类关键影响因素,结合SMOTE算法解决数据类别不平衡问题,由此建立模型所需数据集,再通过投票法进行模型融合,结合粒子群PSO确定各基模型的权重,据此构建基于XGBT+KNN+NB模型的智能电能表故障多分类方法。实测实验结果表明：本文提出方法能有效实现智能电能表的故障快速准确分类,与现有方法相比,在智能电能表的故障分类精确率、召回率及F1-Score均有明显提升。     

基于复合核 SVM 的智能电表基本误差预测方法

智能电表作为电网的终端设备,其退化情况与工作环境、运行时间等因素密切相关.针对复杂变量条件下智能电表退化情况难以预测的问题,提出一种基于复合核支持向量机(support vector machine,SVM)的智能电表基本误差预测方法.首先对智能电表退化数据进行分析,采用皮尔逊相关性分析找出与智能电表基本误差相关性极强的环境变量.然后,为进一步提取数据退化特征,采用模糊C均值聚类算法对智能电表退化数据进行聚类,确定退化特征向量.最后,基于高斯径向基核函数与多项式核函数构造一种新的复合核SVM模型用以预测智能电表基本误差.结合新疆地区智能电表退化数据对复合核SVM模型性能进行验证,实验结果表明,复合核SVM模型可以准确预测复杂环境下智能电表的基本误差,其预测准确率高于贝叶斯方法、神经网络方法以及经典SVM方法.     

基于功率或电量预测的智能配电网统计线损同期化方法

智能配电网中电量采集数据缺失、遗漏导致按月线损统计不是严格意义上的自然月。为解决线损统计不同期问题,提出基于功率或电量预测的方法来改善配网线损统计。通过挖掘售电量数据,提出了一种基于年度售电量的灰色预测结果。再根据季度、月度层级占比得到月售电量的预测方法,与实际值的平均相对误差仅为1.94%,证明此方法简单有效适合电力各部门的广泛应用。将月售电量预测结果应用于线损统计,结合供电比例系数法,改善表计供、售电量不对应的问题,使得同期化,对按月实时分析网损有实际意义。