电能表计量性能评价及预测方法研究

电能表计量性能评价及预测方法研究

曾浪明

441424199209281613

摘要：随着供电企业智能电能表的大规模安装,以及基于IR46标准的新型电能表的规模化推广应用,表计检定和供应量不断增加。目前,国家电网公司各省级计量中心为提高检定效率和规范性,大范围引入智能检定与仓储设备。同时,为实现电能表的及时分拣、充分利用、规范处置,供电企业均已开展电能表拆回分拣检测。其中,具备条件的企业已开展智能分拣与仓储系统的自动化分拣检测。当前,电能表检测仅以基本的合格和不合格作为判定标准,对分拣合格的电能表缺乏进一步评判。因此,实施电能表计量性能评价及预测,对拆回分拣合格的电能表重新投运及在线监控具有重要意义。

关键词：电能表；计量性能评价；预测方法

引言

随着国家电网新基建的不断深入，以及电能计量技术的不断革新和工艺品质的不断提升，日益复杂的电力系统对电能表的性能和功能提出了更高要求，应用领域更加扩大，电能计量的准确可靠更是与国民用电安全和社会经济效益息息相关，电能表作为贸易结算的终端，已从简单抄表功能向着系统化、多功能和智能化不断深入发展。虽然电能表的技术含量大大增加，功能更加强大，但是其底层的电能计量和数据安全仍是核心部分，其最重要的要求仍是可靠、准确和安全[1]，因此，电能计量性能和数据安全的智能电能表设计开发中的关键技术和重要环节。

1.电能表计量性能评价方法

电能表作为电能计量器具,其基本误差反映其计量性能。本文针对电能表拆回检测及其首次检定的基本误差情况,对其计量性能进行评价。

1.1评价方法研究

利用电能表基本误差数据对电能表进行计量性能评价的原则是计量性能与误差特征值成反比。其本质上是针对误差特征数据分布情况进行评价。本文利用拆回检测和首次检定不同时间维度的误差数据对电能计量性能进行分类评价。误差数据在特征空间的分布情况代表其计量性能的差异。但对误差数据进行分析存在以下两点问题。①电能表误差数据为数值型数据,具备连续性特点,分布较为密集。如果人为划分计量性能评价分界线主观性强,难以合理进行。②检定数据中只有电能表合格与不合格之分,没有针对误差数据作进一步细分,所以表计没有计量性能评价分类标签数据。

1.2厂家的检定装置性能评价

在确定计量中心的全检验收检定装置MA可信后，依据该检定装置MA的分组数据，可以进一步对电能表厂家检定装置进行性能评价。先对选定分组计算得到的每个MB对应的欧式距离均值V进行排序。V越大的检定装置，其性能越差，可要求电能表厂家对该检定装置进行检定。但是，V的可信度与样本量有关。同一电能表厂的1台检定装置MB会在计量中心的多个MA的评价记录分组中出现，存在某个MB在有的分组中出现次数多而在有的分组中出现次数少的情况。当总体样本数少时，会出现排名波动较大，一般选择对每个MB的样本量较均衡的分组作参考即可。如果出现个别检定装置的评价记录样本量太小的情况，可以进行数据归一化后再进行综合排名处理。具体步骤为:首先选择在各分组中排名皆较优的1台检定装置MB作参考，将各分组以该MB对应的V为标准对各组各记录的D作归一化处理;然后将各组的记录进行合并，形成一张新的综合评价总表，重新计算各检定装置MBi对应的Vi值并进行排名分析。这里的Vi值是各检定装置评价记录的D进行归一化处理后的算术平均值。

2.电能表计量性能预测方法

2.1预测方法研究

本文数据集中,除了误差数据还包括电能表基本信息,如生产厂家、到货批次、运行单位、运行供电所、运行时间等。这些基本信息代表不同电能表的差异。本文以运行天数、到货批次和运行供电所为例进行分析。运行天数代表时间因素,运行越久则电能表元器件越老化,越影响计量性能。到货批次代表生产因素。表计同一到货批次为厂家连续时间内生产,设备生产情况相同,因而能代表生产因素对表计计量性能的影响。运行供电所代表地理位置因素。不同地理位置由于温湿度等环境因素不同,对表计计量性能的影响也不同。考虑到上述因素与计量性能相关,同时前文已经利用K-means聚类算法对计量性能进行分类评价,因此本文提出利用电能表基本信息特征对其评价类别进行预测。机器学习中可用于分类和预测的算法较多,比如支持向量机(supportvectormachine,SVM)、决策树算法(decisiontreeclassifier,DTC)、K近邻(K-nearestneighbors,KNN)等。同时,为了提升模型效果,集成学习也在相关任务中广泛应用。本文提出利用Stacking集成学习模型进行预测。预测具体步骤如下。①以电能表基本信息构建特征数据集,以K-means聚类评价的结果构建标签集。②针对数据集类别不平衡进行处理。③将处理后的数据集输入Stacking模型进行训练及预测。

2.2数据容错策略

智能电能表通常将数据存储在一个EPROM地址，再通过设置校验码来容错，以累加计算总和的方式进行校验，但是通过深入分析数据校验的过程，在停电后快速恢复或是停电次数较多的情况时，可能导致电能表的CPU模块与计量模块不能进行正常标准完整信息交互，致使配置参数校验异常，最终造成数据错误或丢失。因此，数据只存在一个EPROM地址，没有其他备份可以比对，就算有校验码，也有相当的错误概率，并且没有可以追补的依据，只能对数据读取或清零，这种方式显然无法保证电能数据的安全。一般电能表都会配备内置电池，以维护RAM的数据不丢失。电能表上电时会先比对RAM数据的累加校验和与存储的累加校验码，再比对与反码的值，如果比对结果都相等则认定数据可靠，反之，则需要从EEPEOM中读取数据进行检验。为提升电能数据的容错能力，同进兼顾读数据的时间，防止读数据过程对程序运行的干扰，经过分析验证，设置3个地址数据备份相对适宜。将电量数据同时存在两个地址，另一个地址存上一次的数据，并且轮换存储，通过此方式可在数据错误时分析比对任意两个地址的值，如果两个数据相等则任选一个，如果两个数据差1则以较大的数据为正确数据。

结束语

本文提出了一种电能表计量性能评价及预测方法。首先,计及时间因素和不同误差特征维度对电能表计量性能评价的影响,利用电能表拆回检测及其首检数据,提出利用K-means聚类算法对电能表计量性能进行评价。均值、方差、平均偏移量、最大偏移量四个维度的研究分析结果表明,平均偏移量效果最好,更适合对电能表进行计量性能评价。可根据评价结果对计量性能相对较差的电能表进行更加全面的检测,对拆回分拣后重新投运的电能表进行不同级别的监控,同时可进一步挖掘不同生产厂家计量性能评价结果分布,为选择厂家提供技术参考。然后,本文在计量性能评价的基础上,进一步提出一种利用电能表基本信息特征预测其计量性能评价类别的方法。采用集成学习Stacking模型进行预测,以SVM、KNN、GBDT和XGBoost相异模型为Stacking模型基分类器,并利用SMOTE处理数据集类别不平衡问题。预测结果证明了Stacking模型和SMOTE的有效性。同时,较高的预测准确率验证了本文所提方法的有效性。所提预测方法可用于分析拆回分拣后重新投运和在运的电能表。在不考虑突发情况等不可控因素的前提下,该方法可不获取在运电能表运行数据而利用其基本信息对其计量性能作出较为准确的预测。预测结果可作为电能表离线计量性能判断依据,对在运电能表进行选择性监控。

参考文献

[1]王立州,付飞亚,刘亚辉.基于IR46标准的新型智能双芯电表设计[J].自动化仪表,2018,39(5):20-24.

[2]朱东升,储鹏飞,李天阳,等.电能表分拣架构设计与实现[J].自动化仪表,2018,39(11):6-10.

[3]白莹,吕国丽,刘琦,等.基于电能表分拣数据检定关键技术研究[J].微型电脑应用,2019,35(8):84-86.

[4]金阳忻.基于模糊神经网络的电能表误差超差风险预测模型[J].电网技术,2019,43(6):1962-1968.

[5]王学伟,陈景霞,朱孟.智能电能表的全系统模型及其动态误差分析[J].中国电机工程学报,2018,38(21):6214-6222.

[6]王增平,赵兵,李泽坤,等.基于Apriori关联规则的电能表检定计量性能影响因素分析[J].电测与仪表,2017,54(13):85-92.