本发明属于电能质量检测
技术领域：
，特别涉及一种电能表异常诊断方法。
背景技术：
：近些年来，随着国内电力需求和电网规模的扩大，电压等级不断提升，大容量、高电压等级用户不断增多，同时随着分时电价和阶梯电价的实行，电能计量的准确性和可靠性已成为社会关注的焦点，检测过程中对于电能表诊断的准确性要求更高，现有的检测过程中电能表诊断主要是通过人工的方式在电能表现场进行，现场缺乏数据支持，也非法通过程序化的方法进行量化准确判断，都是依靠人工经验数据来判断，容易造成诊断不准确或者误诊断的情况，难以满足计量精益化管理需求。技术实现要素：本发明要解决的技术问题是提供一种通过现场检测数据和电能信息采集系统采集数据实现自动对电能表的运行状态进行判断的电能表异常诊断方法。实现本发明目的的技术方案是提供一种电能表异常诊断方法，包括如下几个步骤：①通过现场检测和电能信息采集系统获取电表数据和事件数据；②通过步骤①获得的电表数据和事件数据进行单一异常分析，单一异常分析包括电量异常诊断、电压电流异常诊断、异常用电诊断、负荷异常诊断、时钟异常诊断、接线异常诊断共计6类智能诊断分析模型，每个智能诊断分析模型包括若干个智能诊断主题；③将步骤②得到的智能诊断主题的单一异常分析诊断结果输出给现场检测人员，辅助现场检测人员进行电能表检测和诊断。进一步的，步骤②中，6类智能诊断分析模型包括共27个智能诊断主题，如下所示，每个智能诊断主题包括定义、数据源、诊断方法、计算模型、阈值及分级5个项目，其中K和N为各个诊断主题中对应设置的阈值参数，K的定义在各个诊断主题中独立、主题间互不干扰，N的定义在各个诊断主题中独立、主题间互不干扰：1、电量异常诊断模型：包括电能表示值不平、电能表飞走、电能表倒走、电能表停走、电能表费率设置异常5个智能诊断主题，如下表：2、电压电流异常诊断模型：包括电压断相、电压越限、电压不平衡、高供高计B相异常、电流失流、电流不平衡6个智能诊断主题，如下表：3、异常用电诊断模型：包括电能表开盖、计量门开闭、恒定磁场干扰、电量差动异常、功率差动异常、用户停电6个智能诊断主题，如下表：4、负荷异常诊断模型：包括需量超容、负荷超容、电流过流、负荷持续超下限、功率因数异常5个智能诊断主题，如下表：5、时钟异常诊断模型：包括终端时钟异常、电能表时钟异常2个智能诊断主题，如下表：6、接线异常诊断模型：包括反向电量异常、相序异常、潮流反向3个智能诊断主题，如下表：进一步的，所述电能表异常诊断方法还包括如下步骤：根据步骤②得到的智能诊断主题的单一异常分析诊断结果，对不同的智能诊断主题间的关联关系进行异常关联分析并建立关联度模型从而得到进一步智能诊断结果；异常关联分析的方法是对任意2个智能诊断主题同时发生时建立关联度模型，关联度模型的进一步智能诊断结果包括疑似窃电、设备故障、错接线、配变需扩容、现场维护、电池失效、回路异常、用电异常8类，任2个智能诊断主题同时发生时归类到8类进一步智能诊断结果之一或无进一步智能诊断结果，当归类到8类进一步智能诊断结果之一时，通过分析得到关联度模型的关联度；关联度用以表示某2个智能诊断主题同时发生时，进一步智能诊断结果发生的可能程度，用百分比表示；并将得到的进一步智能诊断结果输出给现场检测人员，辅助现场检测人员进行电能表检测和诊断。关联度模型包括归类到8类进一步智能诊断结果的共108个模型，如下所示：疑似窃电：设备故障：错接线：序号关联主题1关联主题2关联度1潮流反向高供高计B相异常0.62潮流反向电量差动异常1.03潮流反向功率因数异常0.34潮流反向反向电量异常1.05相序异常高供高计B相异常0.66相序异常电流失流0.67相序异常电流不平衡0.68相序异常电量差动异常1.09相序异常功率差动异常1.010相序异常负荷持续超下限0.311相序异常功率因数异常0.312相序异常反向电量异常0.313反向电量异常电流不平衡0.614反向电量异常电量差动异常1.015反向电量异常功率因数异常0.316电压不平衡功率差动异常0.6配变需扩容：序号关联主题1关联主题2关联度1需量超容电流过流1.02需量超容负荷超容1.03负荷超容电流过流1.0现场维护：序号关联主题1关联主题2关联度1计量门开闭电能表时钟异常0.32计量门开闭终端时钟异常0.33计量门开闭用户停电0.64计量门开闭电能表飞走1.0电池失效：序号关联主题1关联主题2关联度1用户停电电能表时钟异常0.62用户停电终端时钟异常0.6回路异常：序号关联主题1关联主题2关联度1电流不平衡电压越限0.62电流不平衡电流过流1.03电流不平衡功率因数异常1.04电压断相电流失流1.05电压越限电压不平衡1.0用电异常：序号关联主题1关联主题2关联度1负荷持续超下限功率因数异常0.32电压不平衡电流不平衡0.6进一步的，步骤①中，事件数据包括电能表断相、终端电压回路异常、电能表过压、电能表欠压、终端电压越限；电表数据包括三相电压曲线、三相电流曲线、计量回路正向有功总电能示值、比对回路正向有功总电能示值。进一步的，步骤①中，对于电表数据和事件数据进行筛选，其中事件筛选规则如下：对于采集终端和电能表生成的事件，按以下规则筛选:(1)同1条事件重复上报，事件内容包括时间均完全相同，只保留第1条；(2)同1类事件重复上报，事件名称相同但内容不同，每8h只保留第1条；(3)剔除内容不符合通信协议格式要求的事件，包括数据乱码及应填数据为空的情况；(4)剔除内容明显有误的事件，包括事件时间早于设备安装时间及事件时间晚于当前时间h天后的情况(h建议值为5)；(5)对于应成对出现的事件，若事件不成对则通过曲线数据和终端心跳、登录报文等数据进行辅助判断。进一步的，步骤①中，对于电表数据和事件数据进行筛选，其中数据筛选规则如下：对于采集终端和电能表的数据，按以下规则筛选：(1)正/反向有功总功率乘倍率的数值大于用户合同容量的a倍(a建议值为50)，属于异常数据；(2)日冻结正/反向电能示值计算得到的电量，大于用户日最大用电量(合同容量×24h)的b倍(b建议值为50)，属于异常数据；(3)月冻结正/反向电能示值计算得到的电量，大于用户月最大用电量(合同容量×24h×30天)的c倍(c建议值为50)，属于异常数据；(4)日/月冻结最大需量乘倍率的数值大于用户合同容量的d倍(d建议值为50)，属于异常数据；(5)总加组电能量曲线计算得到的时段电量，大于用户时段最大用电量(合同容量×时段长度)的e倍(e建议值为50)，属于异常数据；(6)二次侧电压值大于二次侧额定电压值的f倍(f建议值为2)，属于异常数据；(7)二次侧电流值乘倍率大于电流互感器一次侧额定电流值的g倍(g建议值为2)，属于异常数据。本发明具有积极的效果：(1)本发明的电能表异常诊断方法通过用现场检测数据和电能信息采集系统的采集数据实现对电能表数据的采集与处理，并在通过数据比对、统计分析和数据挖掘等技术手段，对电能表的运行工况进行诊断和分析，确定电能表是否处于正常运行状态。(2)本发明的电能表异常诊断方法通过量化建立诊断模型的方法来判断故障提高了现场诊断的准确性，避免了人工诊断的误判断或者判断不准确的情况。(3)本发明的电能表异常诊断方法提高了现场检测的效率，缩短了现场检测的时间。(4)本发明的电能表异常诊断方法能快速准确的解答用电客户的对于诊断结果的疑惑，提高了现场检测的服务质量。(5)本发明的电能表异常诊断方法的现场诊断数据更加全面，解决了原先现场诊断缺乏数据支持的情况。具体实施方式(实施例1)本实施例的电能表异常诊断方法是通过现场检测和电能信息采集系统(也称用电信息采集系统)实现对电能表数据的采集与处理，并在采集系统主站通过数据比对、统计分析和数据挖掘等技术手段，对电能表的运行工况进行诊断和分析，确定电能表是否处于正常运行状态。智能诊断的数据来源包括电能表和采集终端中的电能计量数据、运行工况数据和事件记录等各类数据。通过对电能表、采集终端各类数据的产生条件、关联关系的分析，结合相关业务应用需求，研究确定了单一设备分析、期间分析和群分析等智能诊断模型。本实施例的电能表异常诊断方法通过以下步骤实现现场智能诊断：①通过现场检测和电能信息采集系统获取电表数据和事件数据。其中，事件数据包括电能表断相、终端电压回路异常、电能表过压、电能表欠压、终端电压越限等；电表数据包括三相电压曲线、三相电流曲线、计量回路正向有功总电能示值、比对回路正向有功总电能示值等。对于电表数据和事件数据进行筛选，其中事件筛选规则如下：对于采集终端和电能表生成的事件，按以下规则筛选:(1)同1条事件重复上报，事件内容包括时间均完全相同，只保留第1条。(2)同1类事件重复上报，事件名称相同但内容不同，每8h只保留第1条。(3)剔除内容不符合通信协议格式要求的事件，包括数据乱码及应填数据为空的情况。(4)剔除内容明显有误的事件，包括事件时间早于设备安装时间及事件时间晚于当前时间h天后的情况(h建议值为5)。(5)对于应成对出现的事件，若事件不成对则通过曲线数据和终端心跳、登录报文等数据进行辅助判断。数据筛选规则如下：对于采集终端和电能表的数据，按以下规则筛选：(1)正/反向有功总功率乘倍率的数值大于用户合同容量的a倍(a建议值为50)，属于异常数据。(2)日冻结正/反向电能示值计算得到的电量，大于用户日最大用电量(合同容量×24h)的b倍(b建议值为50)，属于异常数据。(3)月冻结正/反向电能示值计算得到的电量，大于用户月最大用电量(合同容量×24h×30天)的c倍(c建议值为50)，属于异常数据。(4)日/月冻结最大需量乘倍率的数值大于用户合同容量的d倍(d建议值为50)，属于异常数据。(5)总加组电能量曲线计算得到的时段电量，大于用户时段最大用电量(合同容量×时段长度)的e倍(e建议值为50)，属于异常数据。(6)二次侧电压值大于二次侧额定电压值的f倍(f建议值为2)，属于异常数据。(7)二次侧电流值乘倍率大于电流互感器一次侧额定电流值的g倍(g建议值为2)，属于异常数据。②通过步骤①获得的电表数据和事件数据进行单一异常分析，单一异常分析包括电量异常诊断、电压电流异常诊断、异常用电诊断、负荷异常诊断、时钟异常诊断、接线异常诊断6类智能诊断分析模型共27个智能诊断主题，如下所示，每个智能诊断主题包括定义、数据源、诊断方法、计算模型、阈值即分级5个项目，其中K和N为各个诊断主题中对应设置的阈值参数，K的定义在各个诊断主题中独立、主题间互不干扰，N的定义在各个诊断主题中独立、主题间互不干扰：1、电量异常诊断模型：包括电能表示值不平、电能表飞走、电能表倒走、电能表停走、电能表费率设置异常5个智能诊断主题，如下表：2、电压电流异常诊断模型：包括电压断相、电压越限、电压不平衡、高供高计B相异常、电流失流、电流不平衡6个智能诊断主题，如下表：3、异常用电诊断模型：包括电能表开盖、计量门开闭、恒定磁场干扰、电量差动异常、功率差动异常、用户停电6个智能诊断主题，如下表：4、负荷异常诊断模型：包括需量超容、负荷超容、电流过流、负荷持续超下限、功率因数异常5个智能诊断主题，如下表：5、时钟异常诊断模型：包括终端时钟异常、电能表时钟异常2个智能诊断主题，如下表：6、接线异常诊断模型：包括反向电量异常、相序异常、潮流反向3个智能诊断主题，如下表：将步骤②得到的智能诊断主题的单一异常分析诊断结果输出给现场检测人员，辅助现场检测人员进行电能表检测和诊断，从而实现通过智能分析和现场维护的方式完成电能表设备故障的排查、处理。进一步的，本实施例的电能表异常诊断方法还可以根据步骤②得到的智能诊断主题的单一异常分析诊断结果，对不同的智能诊断主题间的关联关系进行异常关联分析并建立关联度模型从而得到进一步智能诊断结果，进一步提高对异常信息、故障信息诊断的准确度。异常关联分析的方法是对任意2个诊断主题同时发生时建立关联度模型，关联度模型的进一步智能诊断结果包括疑似窃电、设备故障、错接线、配变需扩容、现场维护、电池失效、回路异常、用电异常8类，任2个诊断主题同时发生时归类到8类进一步智能诊断结果之一或无进一步智能诊断结果，当归类到8类进一步智能诊断结果之一时，通过分析得到关联度模型的关联度；关联度用以表示某2个诊断主题同时发生时，进一步智能诊断结果发生的可能程度，用百分比表示，例如当关联主题1“潮流反向”和关联主题2“高供高计B相异常”同时发生时，归类到“错接线”的进一步智能诊断结果，关联度为0.6，即当关联主题1“潮流反向”和关联主题2“高供高计B相异常”同时发生时，“错接线”的发生可能程度为60％。关联度模型包括归类到8类进一步智能诊断结果的共108个模型：(一)疑似窃电：(二)设备故障：(三)错接线：序号关联主题1关联主题2关联度17潮流反向高供高计B相异常0.618潮流反向电量差动异常1.019潮流反向功率因数异常0.320潮流反向反向电量异常1.021相序异常高供高计B相异常0.622相序异常电流失流0.623相序异常电流不平衡0.624相序异常电量差动异常1.025相序异常功率差动异常1.026相序异常负荷持续超下限0.327相序异常功率因数异常0.328相序异常反向电量异常0.329反向电量异常电流不平衡0.630反向电量异常电量差动异常1.031反向电量异常功率因数异常0.332电压不平衡功率差动异常0.6(四)配变需扩容：序号关联主题1关联主题2关联度4需量超容电流过流1.05需量超容负荷超容1.06负荷超容电流过流1.0(五)现场维护：序号关联主题1关联主题2关联度5计量门开闭电能表时钟异常0.36计量门开闭终端时钟异常0.37计量门开闭用户停电0.68计量门开闭电能表飞走1.0(六)电池失效：序号关联主题1关联主题2关联度3用户停电电能表时钟异常0.64用户停电终端时钟异常0.6(七)回路异常：(八)用电异常：序号关联主题1关联主题2关联度3负荷持续超下限功率因数异常0.34电压不平衡电流不平衡0.6将得到的进一步智能诊断结果输出给现场检测人员，辅助现场检测人员进行电能表检测和诊断，从而实现通过智能分析和现场维护的方式完成电能表设备故障的排查、处理。显然，上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而这些属于本发明的精神所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。当前第1页1 2 3