一种基于关联信息的电能表状态在线监测系统

技术领域

本发明涉及电站采集设备技术领域，更具体地说，涉及一种基于关联信息的电能表状态在线监测系统。

背景技术

电能表作为电量计量和电价交易的重要电量数据采集单元，随着智慧电网的发展和普及，起到了越来越重要的作用，同时对电能表功能提出了更多的要求，而其中，较为关键的要求为电能表的异常情况的发现以及修正，而无论是最初的标准表比较法，还是公开号CN114460529A提出的一种电能表误差在线评估方法，通过将误差初值代入能量守恒的电能表误差求解模型，根据电能表的电量和台区线损的Pearson相关系数判断该电表是否属于超差的电能表，还是公开号CN114942402A提出的一种异常电能表定位方法，基于特勒根定理通过费舍尔判别法定位异常电能表，从而能够实现远程电能表故障检测定位，而无论是哪种方法，其无法规避动态的数据误差，例如线路老化，内阻增加等情况，而如果仅仅基于硬件参数、拓扑关系保持不变的前提下进行数据分析，这样得到的结论仍然会在电网系统的参数或拓扑关系在正常变化下，导致系统无法第一时间获取到变化情况或者变化量，无法对异常情况进行准确判断。

发明内容

有鉴于此，本发明目的是提供一种基于关联信息的电能表状态在线监测系统。

为了解决上述技术问题，本发明的技术方案是：一种基于关联信息的电能表状态在线监测系统，包括拓扑构建子系统以及异常分析子系统，所述拓扑构建子系统用于构建电表拓扑关系，异常分析子系统用于根据电表拓扑关系以及每一电能表的反馈信息分析电表的异常情况，其特征在于：还包括若干虚拟负载单元，所述虚拟负载单元用于产生虚拟负载，每一虚拟负载单元具有对应关系的电能表，且虚拟负载单元和对应的电能表具有关联数据；

所述拓扑构建子系统配置有拓扑更新策略，所述拓扑更新策略包括

步骤A1、根据预设的拓扑信息表生成拓扑更新指令集，并将拓扑更新指令集中的拓扑更新指令发送至对应的虚拟负载单元；

步骤A2、接收每一电能表反馈的采集数据；

步骤A3、提取采集数据中的采集特征，并根据采集特征匹配拓扑信息表中的拓扑特征数据；

步骤A4、将具有相同的拓扑特征数据的电能表关联，并根据采集数据确定其拓扑关系；

步骤A5、根据具有拓扑关系的电能表对应的采集数据确定电能表之间的关联信息；

步骤A6、通过关联信息标记电能表之间的拓扑关系线以生成对应的电能拓扑模型；

所述异常分析子系统配置有异常修正策略以及异常分析策略，所述异常分析策略用于分析电能表异常情况，所述异常修正策略包括

步骤B1、获取电能表反馈的采集数据；

步骤B2、根据电能表之间的拓扑关系调取对应的关联信息；

步骤B3、根据关联信息更新采集数据以得到新的异常分析数据；

步骤B4、将新的异常分析数据带入对应的异常分析策略。

进一步的，所述异常分析子系统还配置有异常验证策略，确定异常电能表位置后，执行所述所述异常分析策略，所述异常验证策略包括

步骤C1、根据异常电能表位置生成异常验证指令集，并将异常验证指令集中的异常验证指令发送至对应的虚拟负载单元；

步骤C2、获取电能表反馈的采集数据；

步骤C3、将获得的采集数据再次带入异常分析策略；

步骤C4、重复步骤C2直至得到预设的异常验证数的异常分析值；

步骤C5、将异常分析值与预设的异常类型表匹配确定异常类型。

进一步的，所述的虚拟负载单元配置为可编程交流负载。

进一步的，所述拓扑信息表记载有每一电能表的拓扑级数、拓扑区域以及拓扑关联关系，所述步骤A1中，根据拓扑信息表计算每一电能表的特征丰值以及电能表之间的特征差异基准，所述特征丰值根据拓扑级数以及拓扑关联关系计算，所述特征差异基准根据拓扑区域以及拓扑关联关系计算，并根据每一电能表的特征丰值生成拓扑指令更新集，且在每一拓扑指令更新集中根据特征差异基准确定拓扑特征数据，所述拓扑特征数据反映拓扑更新指令和虚拟负载单元的对应关系；

当虚拟负载单元接收拓扑更新指令时，根据不同的拓扑更新指令产生不同的虚拟负载，当所述电能表所在的用电支路接入虚拟负载时，产生具有虚拟用电特征的虚拟用电数据，所述虚拟用电特征与所述采集特征对应。

进一步的，所述步骤A5中，通过第一关联算法计算关联函数，有

有

进一步的，步骤B3中，配置有修正算法计算异常分析数据，所述修正算法包括

所述修正类型表预先存储有取值条件以及对应的类型修正参数，并以所述的采集类型为索引。

进一步的，所述异常验证策略包括有学习修正子策略，所述学习修正子策略获取将用于验证的异常分析值和初始获得的异常分析值求差以获得信任异常差值，所述学习修正子策略包括有所述学习修正策略配置有基准信任范围，当信任异常差值高于基准信任范围时，通过预设的第一修正算法修正所述基准信任值，有α

进一步的，所述的异常分析策略配置为Pearson相关系数分析和/或四分位距法分析。

进一步的，步骤C1中，还包括计算验证杂度，并通过验证杂度查询预设的指令分类表确定所述异常验证指令集，所述验证杂度为

进一步的，所述步骤C5中还包括根据不同的异常验证指令，将异常分析值向量化，并求取所有获得的异常分析值的向量和以获得异常分析向量，通过预设的异常向量分析表确定所述异常类型，所述异常向量索引表存储有若干异常类型，所述异常类型以向量条件为索引，当获得的异常分析向量符合对应的向量条件时，输出对应的异常类型。

本发明技术效果主要体现在以下方面：通过虚拟负载单元的设置，第一方面可以对拓扑关系进行准确验证和确定，避免拓扑关系变动导致的采集数据异常，减少了对输入拓扑信息的依赖，第二方面是可以准确的通过关联信息确定电能表之间的数据关系，这样对电能表的异常分析时，数据的精确程度更好，且该动作可以自动完成，可以动态对关联信息进行调整，配合现有的异常分析策略，可以得到更加准确的异常分析结果。

附图说明

图1：本发明基于关联信息的电能表状态在线监测系统原理图；

图2：本发明基于关联信息的电能表状态在线监测系统拓扑更新策略流程图；

图3：本发明基于关联信息的电能表状态在线监测系统异常修正策略流程图；

图4：本发明基于关联信息的电能表状态在线监测系统异常验证策略流程图。

附图标记：100、拓扑构建子系统；200、异常分析子系统；1、电能表；20、虚拟负载单元。

具体实施方式

以下结合附图，对本发明的具体实施方式作进一步详述，以使本发明技术方案更易于理解和掌握。

一种基于关联信息的电能表1状态在线监测系统，包括拓扑构建子系统100以及异常分析子系统200，一般的电能表1状态在线监测系统都是基于电能表1之间的拓扑关系建立的，所以本发明的核心部分也分为两个子系统，所述拓扑构建子系统100用于构建电表拓扑关系，而异常分析子系统200用于根据电表拓扑关系以及每一电能表1的反馈信息分析电表的异常情况，实现在线监测的目的，还包括若干虚拟负载单元2020，所述虚拟负载单元2020用于产生虚拟负载，每一虚拟负载单元2020具有对应关系的电能表1，且虚拟负载单元2020和对应的电能表1具有关联数据；虚拟负载单元2020可以理解为实际在对应电能表1的统计范围内负载，但是虚拟负载单元2020和普通负载不同，虚拟负载稳定性更高，输出的负载值具有确定性，对整个用电网络产生的影响也是可以推知的，而这一设计完全与原有的电能表1监控系统不同，因为原有的电能表1监控系统是基于负载实际值不确定的情况下进行计算分析判断，从而无法提供较高的精度，所述虚拟负载有以下几种方式：1、虚拟负载单元2020可以直接配置在对应电网的用电设备中，通过控制电网的用电设备工作于不同的功率实现不同的负载，优势是成本较低且不需要提供额外的布线组网，弊端是用电设备本身功率不具有稳定性，且其能产生的虚拟负载的负载范围有限，不能适应多种需求，用电设备类型、工作方式、内部硬件组成不统一，需要增加外设。2、所述的虚拟负载单元2020配置为可编程交流负载。可编程交流负载可以实现不同负载阻值、感性和容性负载的调节，优势在于可以通过指令实现各种负载的调整，同时可以在一个指令中使负载变化，且精度较高，负载对电能表1产生的影响可以预计较为准确，劣势在于成本较高，需要额外的接线组网，3、负载还可以设置为多种充电电路和放电电路的组合，通过多种不同的充电电路的组合，模拟出不同的负载情况，而把模拟负载时存储的电能通过放电电路在电网系统需要时用于补偿工作波形等用途，优势在于此种方式对电能较为节约，但是其精度介于方案2和1之间，因为充电电路的工作负载的精确度并不高，另外其可选择的负载组成的范围和对指令的响应效率也是介于方案1和2之间。

作为本发明的第一个核心功能，所述拓扑构建子系统100配置有拓扑更新策略，所述拓扑更新策略包括

步骤A1、根据预设的拓扑信息表生成拓扑更新指令集，并将拓扑更新指令集中的拓扑更新指令发送至对应的虚拟负载单元2020；首先，所述拓扑信息表记载有每一电能表1的拓扑级数、拓扑区域以及拓扑关联关系，拓扑级数指的是位于电网中的拓扑等级，以末端的电能表1的拓扑级数为1，末端的电能表1对应的父节点拓扑级数为2，以此类推，而拓扑区域反映的是该电能表1节点对应的拓扑物理位置在模型中的映射，而一般而言距离较近的电能表1更有可能会出现替换、交错的现象，而拓扑关联关系则是反映电能表1的实际连接关系，而拓扑信息表的生成方式是通过录入、扫描等方式获取，而本发明旨在根据已知的拓扑信息表生成对应的拓扑更新指令集，而优选的，选择电站空闲的时刻进行拓扑更新，或者出现异常时选择拓扑更新，而每次更新完成的拓扑信息重新更新对应的拓扑信息表，这样可以更加准确的检查出拓扑变化情况，所述步骤A1中，根据拓扑信息表计算每一电能表1的特征丰值以及电能表1之间的特征差异基准，所述特征丰值根据拓扑级数以及拓扑关联关系计算，特征丰值反映虚拟负载的特征丰富程度，例如虚拟负载需要更频繁的变化、更大的幅值变化、负载在感性和容性量上的变化的丰富程度，在单次指令下，虚拟负载的变化越多、涉及的变化量、变化类型越多，则负载引起的电能表1数据变化也就越复杂，反之亦然，而拓扑级数和拓扑关联关系计算特征丰值的原因如下，因为拓扑级数越高，说明其涉及的电网统计复杂程度越高，对应的拓扑关联关系越复杂，数量越多，其负载变化引起的变动越不容易被识别，所以就需要更高的特征丰值，另一方面所述特征差异基准根据拓扑区域以及拓扑关联关系计算，如果两个电表都从属于一个父节点，那么如果此时，两个电表对应的虚拟负载单元2020产生的虚拟负载相似，那么对于父节点而言就难以区分哪个子节点产生的负载，所以引入特征差异基准的概念，也就是约束了产生虚拟负载时，如果两个电表距离较近或从属于同一父节点，或节点关系较为接近，则对应的特征差异基准较大，也就是不能配置两个相似的虚拟负载在对应的两个电表，具体方法为，首先根据每一电能表1的特征丰值生成拓扑指令更新集，配置有一指令特征数据库，所述指令特征数据库存储有若干指令特征，每一指令特征具有指令值，通过特征丰值选取若干指令特征的组合，要满足指令值之和大于所述特征丰值，则确定当前电表的指令特征组合对应的拓扑更新指令，每个指令特征之间还配置有指令相似值，从而就可以得到拓扑更新指令集，且在每一拓扑指令更新集中根据特征差异基准确定拓扑特征数据，通过在满足特征丰值的条件下的拓扑更新指令和电表匹配关系的互换，直至满足指令相似值之和小于特征差异基准，如果出现任意匹配都无法满足的情况下，则需要重新根据特征丰值去寻找指令特征，并生成新的拓扑更新指令，所述拓扑特征数据反映拓扑更新指令和虚拟负载单元2020的对应关系，也就将拓扑更新指令和对应执行的虚拟负载单元2020进行关联；当虚拟负载单元2020接收拓扑更新指令时，根据不同的拓扑更新指令产生不同的虚拟负载，当所述电能表1所在的用电支路接入虚拟负载时，产生具有虚拟用电特征的虚拟用电数据，所述虚拟用电特征与所述采集特征对应。

步骤A2、接收每一电能表1反馈的采集数据；采集数据的获取方式并没有做出特别的改进，所以不做赘述。

步骤A3、提取采集数据中的采集特征，并根据采集特征匹配拓扑信息表中的拓扑特征数据；而由于虚拟负载是已知的，所以虚拟负载能够产生的采集特征也是已知的，所以通过提取采集特征就可以分析出对应的拓扑特征数据，由于子节点如果接入虚拟负载，那么父节点的采集数据也会存在虚拟负载，他们就具有相同的拓扑特征数据，而采集特征是和指令特征一一对应的，例如判断采集数据中是否具有某波形，就可以确定采集特征，从而确定拓扑特征数据。

步骤A4、将具有相同的拓扑特征数据的电能表1关联，并根据采集数据确定其拓扑关系；根据采集数据确定拓扑关系的方式如下：由于父节点的采集数据是子节点的采集数据和叠加，所以可以通过采集数据分析出对应的拓扑关系。

步骤A5、根据具有拓扑关系的电能表对应的采集数据确定电能表之间的关联信息；所述步骤A5中，通过第一关联算法计算关联函数，有

有

步骤A6、通过关联信息标记电能表之间的拓扑关系线以生成对应的电能拓扑模型；然后通过关联信息标记对应的拓扑关系线，就可以进行标记。标记后的模型定义为电能拓扑模型。

所述异常分析子系统配置有异常修正策略以及异常分析策略，所述异常分析策略用于分析电能表异常情况，所述的异常分析策略配置为Pearson相关系数分析和/或四分位距法分析。而异常分析策略还可以通过其他的分析法，仅需要其以电能表的采集数据为分析依据，同时分析结果是用数值形式表征，这样的分析方法都能够适配于本系统。而异常修正策略的目的是使得采集的数值在分析时可以更加准确，可以准确的排除损失造成的误差，所述异常修正策略包括

步骤B1、获取电能表反馈的采集数据；

步骤B2、根据电能表之间的拓扑关系调取对应的关联信息；

步骤B3、根据关联信息更新采集数据以得到新的异常分析数据；步骤B3中，配置有修正算法计算异常分析数据，所述修正算法包括

步骤B4、将新的异常分析数据带入对应的异常分析策略。异常分析策略就可以得到更加准确的结果。

作为本发明的另一个功能点，所述异常分析子系统还配置有异常验证策略，确定异常电能表位置后，执行所述所述异常分析策略，所述异常验证策略包括

步骤C1、根据异常电能表位置生成异常验证指令集，并将异常验证指令集中的异常验证指令发送至对应的虚拟负载单元；由于初步分析异常电能表的位置已知，步骤C1中，还包括计算验证杂度，并通过验证杂度查询预设的指令分类表确定所述异常验证指令集，所述验证杂度为

步骤C2、获取电能表反馈的采集数据；

步骤C3、将获得的采集数据再次带入异常分析策略；所述异常验证策略包括有学习修正子策略，所述学习修正子策略获取将用于验证的异常分析值和初始获得的异常分析值求差以获得信任异常差值，所述学习修正子策略包括有所述学习修正策略配置有基准信任范围，当信任异常差值高于基准信任范围时，通过预设的第一修正算法修正所述基准信任值，有α

步骤C4、重复步骤C2直至得到预设的异常验证数的异常分析值；

步骤C5、将异常分析值与预设的异常类型表匹配确定异常类型。所述步骤C5中还包括根据不同的异常验证指令，将异常分析值向量化，并求取所有获得的异常分析值的向量和以获得异常分析向量，通过预设的异常向量分析表确定所述异常类型，所述异常向量索引表存储有若干异常类型，所述异常类型以向量条件为索引，当获得的异常分析向量符合对应的向量条件时，输出对应的异常类型。由于可能存在不同的异常类型情况，而在验证过程中可能会出现多个异常分析值，所以通过构建向量化的设计，对于坐标系的不同区域进行划分，对应不同的异常类型，就可以根据向量化结果确定对应的异常类型。便于维修或更换。

当然，以上只是本发明的典型实例，除此之外，本发明还可以有其它多种具体实施方式，凡采用等同替换或等效变换形成的技术方案，均落在本发明要求保护的范围之内。