多功能校准器测量结果的不确定度评定

通过对交流电压表测量的实例，介绍了用多功能校准器测量电压的测量不确定度的计算方法，并对其测量的可信性作出评价。     

10 kV电流互感器内嵌遥控装置的窃电分析

针对"天网"反窃电专项行动中发现的10 k V电流互感器窃电,开展高压计量互感器内嵌遥控装置的窃电机理分析。通过理论分析,提出实际计量电流计算公式,并进行了实验测试及数据分析,研究了互感器的窃电原因。通过拆解,分析了内嵌遥控装置的具体构成,证实了理论分析与实际内嵌遥控装置的窃电相吻合,表明用遥控装置短接分流互感器二次输出实现窃电。最后从反窃电的角度,提出了相应的对策,以阻止此类窃电的发生。     

低压计量箱智能检测管理系统设计与应用

针对低压计量箱检测信息化、自动化程度较低,存在检测数据孤立、数据记录方式原始、数据难以追溯和数据应用程度较低等问题。文章对现有的低压计量箱检测流程及检测方式进行分析,将现有检测流程与AGV智能调度相融合,将检测流程数字化、信息化,研制了一套低压计量箱智能检测管理系统,实现了低压计量箱检测的信息化。通过实际投运应用和员工调研表明,该系统显著提高了低压计量箱的检测效率,降低了员工的劳动强度,提高检测的公平性、公正性,保障了供货的一致性、可靠性,进一步提升计量箱检测管理水平。     

基于复合分析算法的智能电表数据应用

随着智能电表使用的普及化,其带来的海量数据得到了广泛关注。对这些数据的分析可获得众多有价值的信息。用户用电量预测是泛在电力物联网建设的核心内容。利用智能电表海量数据实现用户用电量的精准预测,是智能电表数据的重要应用方向之一。提出了基于模糊聚类、子群发现和长短期记忆(LSTM)神经网络相结合的复合算法,利用海量智能电表数据实现了用户用电量精准预测。首先,通过模糊聚类将区域内用户按用电量进行合理分类。然后,采用Apriori子群发现算法深度挖掘各子类中影响用电量的关联性因素,将各子类的相似日关联性因素和历史用电量作为LSTM的训练数据完成神经网络的训练。最后,实现了目标日的用电量精准预测。算例分析表明,该算法有效、可行。与其他预测方法相比,该算法剔除了非关联因素的影响,预测精度明显提高,实现了智能电表海量数据的高效利用。     

基于电磁波信号传播衰减模型的变电站局部放电定位方法

分析了局部放电辐射电磁波的空间传播衰减特性,及电磁波接收天线的灵敏度系数,并以此为理论基础,提出了一种新的基于天线阵列和电磁波衰减模型的局部放电定位方法,实现变电站全站的局部放电源定位。该方法在变电站空间建立三维坐标系,推导出天线接收到电磁波信号的峰值与局放源及天线位置之间的关系,从而构建关于局部放电位置的计算模型。该方法只需要检测信号峰值,而不需要计算信号的时延序列,可以大大简化数据采集和处理系统要求。论文分别对电磁波仿真软件得到局部放电信号,及实验室模拟局部放电测试得到的电磁波信号进行分析处理,利用该方法计算局部放电源位置,验证了方法的准确性和可行性。     

运行中智能电能表质量分析及预测方法研究

文中提出了一种运行中智能电能表质量分析及预测方法研究的方法.该方法以电能表关键环节相关数据为基础,选取电能表在研发设计、物料采购、生产制造、验收检测、安装运行、拆回报废环节数据作为模型构建的样本数据,利用XGBoost算法分类方法建立智能电能表质量分析模型.以国网河南省电力公司的拆回电能表数据为例,对智能电能表各类质量...     

基于Apriori和C5.0算法的智能电表故障预测

针对智能电表故障状态的预测问题,提出了一种基于Apriori算法和C5.0算法建立智能电表故障识别模型,实现智能电表故障的预测。首先,对智能电表历史故障数据库进行数据挖掘预处理,并采用Apriori算法进行强关联因素深度挖掘。然后,将强关联因素组成的数据集合分为训练数据集和测试数据集两部分,采用C5.0算法对训练数据集进行数据挖掘,生成智能电表故障初步预测规则。接着,根据测试集的数据对初步预测规则的正确性进行评估：如果准确度满足要求,确定预测规则;如果不满足,则返回训练集。最后,根据获得的预测规则建立智能电表故障状态预测模型进行智能电表故障预测。算例分析结果证明,智能电表故障状态预测模型具有较高的精度,可获得极为准确的故障状态预测结果。     

基于电磁波阵列信号处理和波达方向分析的变电站局部放电定位

局部放电(partial discharge,PD)检测是绝缘检测与诊断最有效的方法之一。基于L型天线阵列信号处理,及旋转不变技术(estimating signal parameter via rotational invariance techniques,ESPRIT)求取信号波达方向(direction of arrival,DOA)的思想,提出了一种变电站局部放电定位方法,可以实现局部放电源的平面定位。该算法不需要计算信号的时延序列,故可以降低对采集系统采样率的要求,且其通过求解2个波达方向上的直线交点,即求解二元一次方程组,得到局部放电源的平面坐标,避免了求解非线性方程组。给出了算法的理论基础和实现步骤,并分别对电磁波仿真软件得到局部放电信号,及变电站现场实测的局部放电辐射电磁波信号进行分析处理。结果表明,利用该算法得到局部放电源位置的平面定位误差<30cm,满足变电站全站局部放电源的定位精度要求,验证了算法的准确性和可行性。     

状态参量关联规则挖掘及深度学习融合的变压器故障诊断算法

变压器的正常运转是电力系统可靠供电的基础,它的早期故障检测一直是研究的热点方向。随着大数据和人工智能的兴起,变压器的多种日常运行监测数据得以更有效的利用。早期故障检测方法容易误判,对故障部位及故障程度的识别也比较模糊。因此,为了获得更高的故障预测及诊断精度,文中提出了一种关联规则输入的变压器深度学习故障辨识方法。首先应用Apriori算法挖掘特征量集中的高频项,计算其与故障类型的置信度,找到强置信度规则。然后将置信度与油中溶解气体浓度一起作为输入应用到深度神经网络DNN(deep neural networks)模型中,通过正向传播、反向梯度更新进行训练,以确定变压器的故障类型。最终实例证明基于关联规则的故障检测模型具有更高的精度和更快的响应速度,相较于未输入关联规则的模型准确度至少提升了5%。