基于决策树和聚类算法的智能电表误差估计与故障检测

针对智能电能表故障检测问题,研究了低压电能系统模型,提出了一种电能表误差估计方法。该方法采用决策树对异常数据进行过滤,并对不同损失水平的数据进行分类,然后对数据进行聚类,得到不同使用行为的数据集。此外,建立了仪表数据矩阵,采用递推算法求解矩阵方程,对仪表误差进行估计。最终通过算例验证了所提方法的有效性。

基于改进动态线损估计法的超差智能电表识别

针对传统抽检电能表方法存在的精度低、工作量大、效率差等问题,提出一种电能表误差估计新方法。首先,对所收集的配电台区电表日电量数据进行筛查,标识出轻(空)负载数据。接着利用改进动态线损估计算法判断台区是否存在突变超差电表。然后,利用迭代算法缩小可疑电表数量。最后,采用聚类算法和相关性系数定位突变超差电表;设定日均误差电量超量阈值来定位缓变超差电表。通过2个不同规模的配电台区电表数据验证所提方法在缓变和突变超差电表检测上的有效性。与限定记忆最小二乘法、动态线损结合FMRLS的算法相比,所提方法误差估计精度高,误检率仅为10.6%,依靠每日一笔的电量数据就可以得到较好的误差估计结果。