DCS控制器中电表接触传感器计量误差检测方法

由于DCS控制器中电表传感器在计量检测过程中,传统的B-MAC-DCS协议能耗和丢包率较高,无法缓解汇聚节点的漏斗效应,导致在远程抄表过程中传感器计量误差增大。提出一种机械电表接触传感器计量误差检测方法。采用小波基函数对DCS控制器中的接触传感器计量数据抗干扰处理,并通过动态选取阈值的方法,对经过小波变换后的数据去除噪声。使用低功耗自适应集簇分层型(low energy adaptive clustering hierarchy,LEACH)协议分簇代替传统的B-MAC协议;根据簇内监测值,引入阈值分析方法获取传感器计量指标,并将其作为判定依据进行误差检测,根据计量指标的变化情况判断是否存在计量误差。实验结果表明,所提方法可以准确且有效检测出机械电表接触传感器计量误差,解决DCS中机械电表的运行隐患问题。

基于智能电表数据的低压配电网拓扑与线路参数联合辨识

在低压配电网中,用户频繁地扩建和改接导致台账存在信息更新滞后、数据缺失等问题,难以获取当前运行状态下的拓扑及线路参数。针对无相角量测信息且含未知数量零注入功率“隐节点”的低压配电网,提出一种基于智能电表数据的低压配电网拓扑与线路参数联合辨识方法。基于低压配电网的电气特性以及辐射状网络的结构特点,推导出一种功率-电压比形式的线性逆潮流模型。通过线性回归求解得到阻抗距离矩阵,再利用无判定阈值形式的改进分组递归算法实现拓扑与线路参数的联合辨识。最后,在IEEE欧洲低压测试馈线和中国南京市某地区的实际低压配电网中对所提算法进行数值仿真,验证了所提算法的有效性。

智能预付费电表系统在能耗管控中的创新应用

现行外租用电采用“单独挂表计量,人工抄表统计”的“先用电后付费”用电管理模式,存在外租电费回收困难,甚至无法回收的风险;人工抄表工作效率低;电费“跑冒漏滴”严重。针对这些弊端,本研究创新应用智能预付费电表系统,实现自动抄表和外租用电“先交费后用电”,有效降低欠费风险。

聚焦电表内阻的测量

电学实验题是高考物理试题中的重要部分,是对考生观察能力、分析能力、动手能力、设计能力等综合素质进行考查的一个必要命题环节。电学实验涉及的内容多,范围广。下面就对电学实验中的热点问题之一——电表内阻的测量方法进行盘点,供同学们参考。

电表端盖成型工艺分析及模具设计

对某直流电表端盖的注射成型工艺及模具进行研究,确定成型工艺参数、分型面和侧抽芯结构,以改善塑件成型质量和解决开模问题。利用Moldflow软件对电表端盖的成型仿真进行建模,并分析塑件成型时间、压力、冷却及翘曲变形等,根据仿真结果优化充填工艺、冷却参数以及影响塑件翘曲的结构。优化后的端盖充填平衡,注射压力从180 MPa减少至86.7 MPa,翘曲变形量减少至0.645 mm,相比优化前降低了33%,塑件成型质量显著提高。根据优化结果设计端盖成型模,型芯与型腔设计成组合式镶件结构,采用斜导柱侧抽芯机构实现塑件侧面卡扣盲孔凹槽的成型及脱模。通过成型仿真协助开发注射模,能够提升塑件成型质量,加快模具研发进程。

基于全局与局部多尺度上下文的电表数据检测

电力系统中配电箱的电表数据检测为电力管理和安全运行提供了重要的数据支持。传统的人工电表数据读取方法效率低下且易出错,而现有深度学习方法因模型参数量大限制了模型的应用。针对上述问题,提出了一种轻量化鲁棒的实时电表检测方法。通过减少特征提取网络的层数和通道数,减少模型的参数量,实现网络的轻量化。在减少网络参数量的同时,为了保证网络的特征表达能力和拟合能力,引入全局上下文和局部多尺度上下文丰富目标特征表达。全局上下文关注电表数据在电表箱中的位置,局部多尺度上下文适应不同尺寸的电表数据。实验结果表明,所提网络在参数量更小的情况下,仍能获得比其他检测方法更高的准确率和更快的检测速度。

基于威布尔分布的智能电表时钟电池可靠性分析

作为智能电表的关键部件,时钟电池的质量直接影响到智能电表运行的可靠性与稳定性。基于目前大量智能电表由于时钟电池欠压导致故障的现状,介绍了一种基于威布尔分布的智能电表时钟电池可靠性分析方法,通过现场运行的智能电表的历史数据按批次建立时钟电池的可靠度模型,并根据可靠度函数与坐标轴之间围成的面积量化评价智能电表时钟电池质量。该方法可实现大批量分析智能电表时钟电池可靠性,有利于提高智能电表状态监测水平,预警批次智能电表异常与故障,降低电网运维成本。

基于智能电表的用电信息采集与能源管理研究

用电信息采集系统作为智能用电业务的数据基础和交互的核心枢纽,可实时监测和管理电能质量,自动采集电力用户的用电信息,并监控智能电表用电数据,为辨识故障提供依据。阐述智能电表的特性,分析智能电表用电信息采集的具体应用,通过智能电表能源管理系统的功能设计,量化智能电表计量数据中心需求响应潜力,为提高工作效率和降低电力能源消耗提供基础数据与依据。

智能电表在密炼机炼胶中的应用

在密炼机的生产中,生产厂家需要运行人员,每天对生产中密炼机的电能表进行所用的电能进行手工抄录,并结合对比每天密炼机的产量的用电量,单车次炼胶的用电量都是否一致,并进行分析,从而分析高设备的运行情况。然而人工抄表效率低,生产线越多,每天的人工耗时就越长,通常耗时在一小时以上,而且手工抄录数据,精度较差。通过使用智能电表,解决了人工抄表效率低,及人工抄表无法抄读出电表内部小时段分项数据的问题,并配合密炼机控制系统SIMATIC S7-1500 PLC进行PN通讯,并快速准确的将电能表的信息传给用户的MES系统,使用户更加精确科学的分析用电量,从而提高设备的安全运行水平。

不平衡数据集下基于多粒度近邻图的智能电表故障分类方法

智能电表故障的准确预测对实现计量设备精准主动运维、保障电网稳定运行具有重要意义。电表各故障类型样本的出现频次不同,且不同故障类型样本在高维特征空间中的分布存在重叠,这极大增加了故障预测的难度。现有不平衡分类方法通过构建单一样本信息与其对应类别标签的映射关系来划分样本类型,导致对具有相似表征信息的重叠区样本难以准确判别,降低了整体分类精度。该文提出一种基于多粒度近邻图的智能电表故障分类方法。首先,选择原始数据集中样本作为目标样本,以目标样本及其近邻样本作为节点、目标样本与其近邻样本连线作为边构建近邻图。根据选择的近邻样本数量不同构建多粒度近邻图,实现目标样本的信息扩充和训练样本的数量扩增,更有利于模型稳定训练。构建编码器挖掘近邻图节点特征,利用图注意力机制,根据近邻图节点编码特征和节点邻接关系将近邻样本信息自适应地聚合到目标样本,实现对相似样本差异的有效挖掘。对于给定测试样本,通过集成测试样本多粒度近邻图的分类结果,得到更精准、更鲁棒的智能电表故障预测结果。在20个KEEL(knowledge extraction based on evolutionary learning)和UCI(UC Irvine machine learning repository)不平衡分类公开数据集和智能电表实际故障数据集上的大量实验结果表明,与17种典型方法相比,该文所提算法在处理智能电表故障分类问题上具有显著优势。

一种卷积自编码的智能电表外观缺陷检测技术

目前我国每年智能电表的消耗量非常庞大,检测其表面损坏情况是一件非常复杂的事情。由于电表表面缺陷复杂多样,而且收集大量带缺陷的电表图像样本十分困难。因此,文中提出了一种基于卷积自编码模型的算法判断智能电表外观的缺陷。具体来说,基于Faster RCNN训练一个目标检测模型,将电表中待检测区域提取出来。再使用训练好的卷积自编码器判断提取的待检测图像是否存在缺陷。若存在缺陷则会逐像素将缺陷标记出并显示到结果图中。实验结果表明,所提算法判断缺陷的准确率可达0.982,处理单张分辨率为960×1080的电表图像仅需0.83 s。文中方法相较于模板匹配的方法具有更高的鲁棒性和准确性,能够适应复杂工业场景。

基于神经架构搜索的智能电表窃电识别方法研究

本文基于神经架构搜索技术,利用大规模智能电表数据进行训练,自动判断电流、电压和功率特征,旨在提高窃电行为的准确识别度并降低误报率。本文采用神经架构搜索算法构建的窃电识别模型,更精准地识别窃电行为。研究的最终目标在于加强供电公司对窃电行为的监测,提高打击能力,保障电网安全、稳定地运行。该方法的应用十分广泛,可推动智能电表技术的发展,为电力行业提供更高效的管理手段。

基于物联网技术的智能电表设计与研究

智能电表作为新型电能计量装置,通过物联网技术实现与互联网的连接,具备实时数据监测、远程控制等功能,为用电信息的实时获取和能源管理的优化提供了有效手段,是智能电网应用阶段用户端所需的必要新型设备。针对上述发展现状,文章分析了智能电网应用的意义和趋势,提出了一种基于物联网技术的智能电表设计方案,着重分析了智能电表的硬件功能和模块设计思路,软件程序设计方面的架构,然后针对智能电表进行了电压、电流和误差主要参数的实验,说明了智能电网研究的意义和价值。

基于动态线损与奇异值分解的智能电表误差估计

利用远程数据分析对智能电表进行评估和异常检测,与传统的现场校准相比成本更低、效率更高,在电力行业得到了广泛的关注。基于此,提出一种基于动态线损估计与奇异值分解的智能电表在线误差估计方法。首先考虑负荷类型对线损估计的影响,建立估计误差求解方程;然后结合基于截断奇异值分解的正则化方法进行方程求解,获取智能电表误差估计结果;最后通过仿真及实际数据验证所提方法的有效性。结果表明,与其他方法相比,所提方法能够求解不适定问题,且具有更高的精度。

智能电表实时数据异常分析及改进

智能电表实时数据异常包括功率瞬时值显示异常和电量及表号显示异常,深入分析这2种异常现象的原因,并提出了改进措施。

基于大数据的智能电表寿命预测方法

随着智能电网建设的推进,智能电表作为关键基础设施的重要性愈发凸显。然而,智能电表的大规模应用也带来了维护和管理方面的挑战。为此,文章提出了一种基于大数据分析的智能电表寿命预测方法,旨在提高电网的运营效率和可靠性。

基于分层随机网络的智能电表计量数据异常分析

在智能电网技术背景下,智能电表(SM)数据的处理面临诸多挑战,包括大数据量、快速处理要求和数据多样性等问题。为解决这些问题,提出了一种基于分层随机网络模型的智能电表计量数据异常分析框架。首先,引入了一个用于训练的实时电力计量异常检测模型,并采用了一种有效的参数估计方法,以充分利用从SM处收集的大规模数据集。其次,通过设计一个综合处理缺失点和正则化的方法,以解决SM数据处理过程中的两个主要难题。通过融合多个子系统的观测数据,不仅能够更好地进行多变量计数,还能够识别系统的异常状态。实验中,将2500个样本中的80%(2000个)用于训练模型,其余20%(500个)用于测试。实验结果表明,所提出的方法相较于其他方法在使用多个测量值进行异常诊断时,模型表现得更为出色。因此,本研究不仅提供了一种处理SM数据的创新方法,还为实时电力计量异常检测领域提供了有力的支持。

基于智能电表量测的配电网非侵入式窃电检测

先进的传感技术和通信功能在改善量测和控制功能的同时,也使得配电网面临着各种可能的网络攻击。当攻击者通过特定手段篡改其他用户和自身量测记录,从而实现在维持总电量数据不变情况下的窃电行为,对于这种情况传统基于电量平衡的窃电监测方法难以有效识别。因此,基于智能电表量测数据的高阶统计信息,提出一种基于智能电表量测的配电网非侵入式窃电检测方法,实现对攻击发起方和受害方进行检测。实验证明,所提方法通过利用更高阶的用电量统计信息高效地检测到非侵入式攻击,并能够识别出所涉及的用户(攻击者和受害者),获得了理想的效果。

什么是电表后(BTM)储能

电表后(BTM)储能是指集成电池等储能系统,使用户能够储存多余的电力以供将来使用,即用户侧储能方式。这种方法主要应用于数据中心等新兴市场,旨在解决高峰需求成本问题,提高电网稳定性,还可以在电网不可靠地区停电时提供备用电力。从自发自用的角度看,电力储能与光伏结合可以实现白天多余电力充电、晚上放电。这些系统的产能和储能与电网是分开的,在使用前不需要电表计数,因此被称为“电表后”。

智能电表健康状态的最优聚类评价方法

为实现智能电表的精细化管理,针对现有方法灵活性不足、识别精度不高等问题,在考虑智能电表运行稳定性、可靠性和运行性能等评价指标的基础,提出了一种基于组合变权的智能电表健康的聚类评价方法。首先采用考虑专家对评价对象认知差异性的G1法来计算主观权重,并引入正态分布量化专家认知差异性;其次,采用最小二乘组合改进G1法和CRITIC法,以使得组合权重与主客观权重的偏差最小;进而,考虑到数据变化对客观权重的影响,引入权重排序是否变化来进一步修正组合权重;最后通过聚类形成健康等级,进而评价对智能电表健康状态。实验结果表明,所提方法比传统方法识别精度更高,具有一定的可行性和合理性,有助于相关工作人员制定电能表运维策略。