一种电能表误差评估方法及系统与流程

本发明属于电力计量在线监测，具体地说是一种电能表误差评估方法及系统。

背景技术：

1、电能表作为法定计量器具，其计量准确性关系到经济效益和社会效益，对保证电网健康稳定运行具有重要作用。当前，智能电能表计量误差检定大多在实验室环境下进行，实验室环境与现场运行环境存在差异，实验室内不能完全复现电能表现场失效，特别是不能真实复现多个应力对电能表的综合影响。因此，在现场运行条件下开展电能表计量误差研究具有重要的现实意义。

2、环境应力影响电能表计量误差，但是在阐释电能表计量误差变化规律方面更侧重于单应力对电能表计量误差的影响，多应力联合作用下电能表计量误差演变规律研究不够充分。

技术实现思路

1、本发明所要解决的技术问题是克服上述现有技术存在的缺陷，提供一种电能表误差评估方法及系统，以实现电能表误差准确评估。

2、为此，本发明采用如下的技术方案：一种电能表误差评估方法，其特征在于，包括：

3、s1，采集总表和各分表电能量数据，基于能量守恒定律，评估支线上的电能表第一误差；

4、s2，基于环境应力和电应力数据，构建一个检定周期的第一误差变化模型和二个检定周期的第二误差变化模型，用第一误差变化模型计算得到的误差变化值与第二误差变化模型计算得到的误差变化值之差，修正第一误差变化模型；利用修正后的第一误差变化模型得到电能表第二误差；

5、s3，采用强化学习算法，赋予电能表第一误差和电能表第二误差不同权重，构建电能表误差评估模型；

6、s4，基于构建的电能表误差评估模型，对待测电能表进行误差评估。

7、进一步地，所述的s1，包括：

8、s11）基于能量守恒原理，在[ t1, t2]时间段内有：

9、（1）

10、其中， b为电能表支数，表示变电站总表的示值，为第 i支电能表误差引入的电能计量损耗，为第 i支互感器误差引入的电能计量损耗，为第 i支电能表的电能量示值，g表示线损和固定损耗引起的电能计量损耗；

11、(2)

12、该方程表示互感器在[ t1, t2]时间段内因计量误差引入的电能计量损耗；

13、(3)

14、(4)

15、其中，为第 i组互感器的一次电压值，为第 i组互感器的一次电流值，、分别为电压、电流互感器额定变比，、分别为第 i组互感器的二次电压、电流值，为功率因素，、分别为线路 i的电压、电流在通过互感器前后的相位差；、分别为第 i组电压、电流互感器的评估误差；

16、（5）

17、（6）

18、其中，为第 i支电能表输入电能，为第 i支电能表的误差；

19、将（2）-（6）带入式（1）进行处理，得到下式（7）：

20、（7）

21、s12）基于互感器误差在线评估技术，评估电压、电流互感器误差、，设、，则（7）式进一步变形为：

22、（8）

23、式（8）为去除互感器影响后的电能表能量守恒公式；为去除互感器计量误差影响后的电能量；

24、s13）求解电能表误差

25、除去互感器损耗后的电量损耗：（9）

26、则（10）

27、其中，，为电能表误差系数，为线损率，为固定损耗电能量；

28、式（10）变形为：（11）

29、其中，，

30、基于和数据，采用聚类算法，对电能量数据进行分类；

31、对于同一类别下的电能量数据下，公式（8）表示为：（12）

32、其中，，

33、其中，j为同一类别下的电能表数量；表示第j台电能表第1次采样的电能量示值数据；为变电站总表消除互感器影响后的第1次采样的电能量数据；

34、采用神经网络算法，计算出a、g，则电能表第一误差为：（13），。

35、进一步地，构建一个检定周期的第一误差变化模型的步骤如下：

36、s21)，采集电能表各应力数据、两次检定运行时长及电能表停电检定误差；

37、s22)，对环境应力序列和电应力序列的特征分别进行特征融合，然后采用cnn-lstm模型分别进行特征提取，得到特征参量：

38、构建第 i台电能表的环境应力序列数据和电应力序列数据：

39、、

40、其中， i=1、2、...i，i为样本数；表示第 i台电能表第1天的平均温度、表示第 i台电能表第1天的平均湿度、表示第 i台电能表第1天的平均压力、表示第 i台电能表第1天的平均光照强度、表示第 i台电能表第1天的平均风速；为第 i台电能表第1天的平均电流、为第 i台电能表第1天的平均功率因素；

41、采用cnn-lstm模型对各样本、数据进行特征提取，得到特征参量：

42、，

43、，

44、其中， h表示从中提取的环境特征， d表示从中提取的电应力特征，、分别为提取的环境特征个数及电应力特征个数；

45、s23)，对运行时长t、环境特征h、电应力特征u进行特征融合

46、运行时长t、环境特征h和电应力特征u，共个特征，， f表示总特征；

47、为加强特征的关联性，利用特征的相关性，将两两特征进行关联组合，得到特征矩阵：

48、（14）

49、其中， m、 j=1,2，…, u，、、表示组合后特征的第一通道、第二通道、第三通道；为第 m列与第 j列的特征相关性，，其中，表示第i台电能表变量 m、 j两个变量分别相同排序后成对的变量位置之差， i=1,2，… i， i为样本数；

50、s24)，构建第一误差变化模型

51、采用cnn模型构建第一误差变化模型：

52、（15）

53、为电能表最近两次停电检定误差之差。

54、进一步地，构建二个检定周期的第二误差变化模型的步骤如下：

55、基于两个检定周期时长内的各应力时序数据，采用上述s21)-s24)步骤，构建两个检定周期的第二误差变化模型：，其中为基于两个检定周期样本数据提取的特征量。

56、进一步地，第一误差变化模型的修正过程如下：对测试集中的同一电能表，用一个检定周期的第一误差变化模型计算最近一个检定周期内的误差变化值，用二个检定周期的第二误差模型计算最近二个检定周期内的误差变化值，计算两个模型之间的误差变化值差值：

57、（16）

58、其中，为测试互感器数量，，为上一次、上上一次停电检定误差；

59、计算误差变换值差值的均值：（17）

60、以均值去重新修正第一误差变化模型：以均值为特征参量，和运行时长t、环境特征h、电应力特征d按照步骤s23)进行融合，重新修正第一误差变化模型。

61、进一步地，采用修正后的第一误差变化模型，对电能表误差变化值进行评估，得到误差变化值，从而计算出电能表第二误差：

62、（18），

63、式中，为第 i台电能表最近一次的停电检定误差，表示采用修正后的第一误差变化模型评估出的误差变化值。

64、进一步地，所述的s3中，通过学习算法获得电能表第一误差和电能表第二误差的最优权重组合，实现电能表误差融合，完成电能表误差准确评估。

65、进一步地，所述s3的具体内容如下：

66、s31)创建和，其中分别为电能表第一误差的权重系数、电能表第二误差的权重系数，表示动作幅度大小； s为目标状态矩阵，为动作状态矩阵；

67、s32)基于 ε-贪婪机制，智能体以的概率选择最优动作，以的概率随机选择动作，该机制的数学计算方法如下：

68、

69、式中，为随机数，为贪婪系数； s为智能体状态；

70、s33）构建强化学习阶段的损失函数e与奖励机制r

71、（19）

72、（20）

73、各式中，，t为迭代次数；h代表输入样本数，、分别表示第i个样本的真实值和预测值；

74、s34）计算价值函数更新q表，过程如下：

75、（21）

76、式中，为学习率，为折扣因子，重复步骤s33）- s34），直至迭代终止；

77、基于上述步骤，根据学习算法获得最优全汇总组合，从而得到电能表误差评估模型：

78、（22）。

79、本发明具有的有益效果如下：在能力守恒定律中，本发明考虑了互感器误差对计量结果的影响，并在结果中删除了互感器误差影响；

80、基于时间、环境、电应力影响，本发明构建了不同检定周期内的误差变化模型，并通过2个检定周期结果与1个检定周期结果进行对比，对1个检定周期的误差变化模型进行修正，提高了电能表误差评估准确度。