智能电表质量评价方案和模型分析.doc

《智能电表质量评价方案和模型分析.doc》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、智能电表质量评价方案和模型分析摘要：智能电表作为我们日常必备的电能资源的计量工具，与我们的生活息息相关。文章根据不同的用电环境现场的温度、湿度、低功率因数等主要影响因素进行了聚类，对环境进行划分，将得到不同环境的主要因素出现的频率在电表挂台上进行相关模拟，采集挂表台上电能表的运行数据，建立误差一致性评价模型，对不同厂家的电表做质量排序。关键词：聚类；误差一致性；质量排序智能电表作为我们日常必备的电能资源的计量工具，可以帮助人们有效控制紧缺的电能资源的利用率，与用户和电力企业之间的经济效益有着直接关系，可见电能表的计量准确性对自动化检定尤为重要[1]。近年来，随着各计量中心相应计量系

2、统的建立，已实现自动检定和检定误差依据不同标准对不同厂家和型号的数据上传[2]，但是当现场环境复杂时，未能针对其特殊的环境进行模拟和预测。例如，广州属于典型的岭南气候，在这种潮湿、高温、多雷等环境条件下电子式电能表的电子元器件、功能都容易发生故障；根据计量中心近3年的运维数据显示，大用户电能表（三相电能表）的故障率在2.5%左右；根据近三年运行抽检报告，低压居民用户计费用的电表（单相电能表）不合格率在2%左右。由于现场环境复杂，目前实验室只是在检验方面可完成副电能以及采集终端的质量检验，仍需针对特定场景模拟其现场情况，并通过抄表终端对电能表数据实时抄读与分析，依据检定其误差及时发现

3、智能电表的质量问题，完成有关对电能表的全生命周期的一项评价[3]。因此本文提出了根据不同的用电环境现场的温度、湿度、低功率因数等主要影响因素进行了聚类分析，得到不同环境的主要因素出现的频率进行相关模拟，在电表挂台上的10个产家的电能表的运行数据进行相关采集，并建立误差一致性评价模型，对不同厂家的电表做质量排序。1智能电表评价方案的设计4学海无涯智能电表质量评价方案和模型分析摘要：智能电表作为我们日常必备的电能资源的计量工具，与我们的生活息息相关。文章根据不同的用电环境现场的温度、湿度、低功率因数等主要影响因素进行了聚类，对环境进行划分，将得到不同环境的主要因素出现的频率在电表挂台上

4、进行相关模拟，采集挂表台上电能表的运行数据，建立误差一致性评价模型，对不同厂家的电表做质量排序。关键词：聚类；误差一致性；质量排序智能电表作为我们日常必备的电能资源的计量工具，可以帮助人们有效控制紧缺的电能资源的利用率，与用户和电力企业之间的经济效益有着直接关系，可见电能表的计量准确性对自动化检定尤为重要[1]。近年来，随着各计量中心相应计量系统的建立，已实现自动检定和检定误差依据不同标准对不同厂家和型号的数据上传[2]，但是当现场环境复杂时，未能针对其特殊的环境进行模拟和预测。例如，广州属于典型的岭南气候，在这种潮湿、高温、多雷等环境条件下电子式电能表的电子元器件、功能都容易发生

5、故障；根据计量中心近3年的运维数据显示，大用户电能表（三相电能表）的故障率在2.5%左右；根据近三年运行抽检报告，低压居民用户计费用的电表（单相电能表）不合格率在2%左右。由于现场环境复杂，目前实验室只是在检验方面可完成副电能以及采集终端的质量检验，仍需针对特定场景模拟其现场情况，并通过抄表终端对电能表数据实时抄读与分析，依据检定其误差及时发现智能电表的质量问题，完成有关对电能表的全生命周期的一项评价[3]。因此本文提出了根据不同的用电环境现场的温度、湿度、低功率因数等主要影响因素进行了聚类分析，得到不同环境的主要因素出现的频率进行相关模拟，在电表挂台上的10个产家的电能表的运行数

6、据进行相关采集，并建立误差一致性评价模型，对不同厂家的电表做质量排序。1智能电表评价方案的设计4学海无涯智能电表的评价方案主要针对不同的用电环境进行尽可能相似的模拟，因此本文采用K-means聚类方法对不同的用电环境进行分类，通过加入不同频率的电应力以及相应的温度、湿度的前提下进行相应的方案设计。1.1K-means聚类聚类分析法是大数据分类的常用方法，对大数据分类发挥着重要作用。划分聚类、层次聚类、基于密度的聚类、基于网格的聚类是目前主流的聚类方法，并对其适用范围和特点进行了归纳，得到结果如表1所示[4-5]。根据上表1的聚类方法对比，容易发现划分聚类和层次聚类应用范围较为普遍，

7、但是因层次聚类的计算复杂度为O（n2），并不适合处理环境因素量大的样本。因此本文选择K-means聚类方法，K-means方法的计算复杂度为O（n），适合于大数据的处理分析。但k-means方法大致存在三种缺点：（1）K-means算法需要事先给定中K，但K值的选择通常是不确定的。（2）绝大部分情况，给定的数据集应该分成多少个类别才最合适是事先不确定的；（3）在K-means算法中，首先需要随机选择初始聚类质心，然后不断进行迭代计算。故针对大量气候数据、低功率因数等环