一种基于KL-NB算法的电能表运行状态在线评估方法与流程

一种基于kl-nb算法的电能表运行状态在线评估方法
技术领域
1.本发明涉及电力计量在线监测技术领域，尤其涉及一种基于kl-nb算法的电能表运行状态在线评估方法。

背景技术：

2.智能电能表作为用电信息采集系统的重要组成部分，其可靠性和采集准确性成为电力部门和用户最为关注的对象。如何依据智能电能表运行数据准确评估其计量误差，是智能电能表健康管理领域的一个新兴热点课题。
3.传统上对于智能电能表的计量误差监测主要还是依靠人工进行数据分析及现场检查，效率非常低下，根本无法满足电网的运维需求。因此采用在线评估算法对智能电能表运行状态进行评估，对电能表的稳定性判断及运维检修显得尤为重要。

技术实现要素：

4.本发明针对现有技术中存在的技术问题，提供一种基于kl-nb算法的电能表运行状态在线评估方法，采用了电压、电流互感器误差数据及变电站总表数据，评估了电能表计量误差。以电能表计量误差为特征参量，采用改进的贝叶斯算法实现了电能表状态的准确评估。
5.根据本发明的第一方面，提供了一种基于kl-nb算法的电能表运行状态在线评估方法，包括：步骤1，对采集到的电压、电流互感器二次电参量数据采用误差在线评估算法，得到电压互感器误差估计值和电流互感器误差估计值；步骤2，基于所述电压互感器误差估计值和电流互感器误差估计值，得到各支路的近似供电电压及电流值，计算出各支路的近似供电量；步骤3，基于特勒根定律构建各支路的所述近似供电量与真实供电量之间的评估模型，求解所述评估模型的校准系数后，计算得到各个电能表的真实供电量与示值电量之间的第一计量误差；步骤4，基于变电站总表供电数据及能量守恒定律计算得到各个电能表第二计量误差；步骤5，以电能表所述第一计量误差和第二计量误差作为特征参量，采用kl-nb分类算法构建电能表状态评估模型；基于所述电能表状态评估模型，对待测电能表进行状态评估。
6.在上述技术方案的基础上，本发明还可以作出如下改进。
7.可选的，所述步骤2包括：支路i近似供电电压：；
ꢀꢀꢀꢀ
（1-1）
支路i近似供电电流：；
ꢀꢀꢀꢀꢀꢀ
（1-2）其中，和分别为支路i的测量电压和电流，和分别为支路i的电压和电流互感器的额定变比；支路i在[t1,t2]时间段内的输出的近似供电电量为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1-3）其中，为功率因素，为支路i的电压、电流相位差。
[0008]
可选的，所述步骤3中构建的所述评估模型为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1-4）其中，表示支路b的校准系数，表示[t1,t2]时间段内支路b第n次采样的近似供电量。
[0009]
可选的，所述步骤3中采用神经网络得到所述评估模型的校准系数的过程包括：步骤301，根据各支路供电电路数据的数据扰动程度和对应的系数矩阵条件数，选出标准参考支路；步骤302，基于所述标准参考支路的供电量求解所述校准系数。
[0010]
可选的，所述步骤301包括：步骤30101，对各支路的电能量数据进行清洗，得到各支路不同时间段的分时电量数据；步骤30102，计算每条线路分时电量数据的数据扰动为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1-5）其中，代表支路i的分时电量数据序列，为序列的标准差，为序列的均值绝对值；步骤30103，轮流剔除每条支路，将剩余支路的分时电量数据记作矩阵a，并计算该矩阵的条件数：
ꢀꢀꢀꢀꢀꢀ
（1-6）其中，为矩阵a的范数；步骤30104，根据所述步骤30102的计算结果选择所述数据扰动最低的50%的支路，并从其中选出对应的cond(a)最低时对应的支路作为所述标准参考支路。
[0011]
可选的，所述步骤302包括：步骤30201，将所述评估模型变形为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1-7）
其中，，，，r为标准参考支路的供电量；步骤30202，采用神经网络模型，计算出校准系数k值，计算得到支路i在[t1,t2]时间内的真实供电量。
[0012]
可选的，所述步骤3中所述第一计量误差为：
ꢀꢀꢀ
（1-8）其中，为支路i上的电能表的示值电量，为支路i的真实供电量。
[0013]
可选的，所述步骤4包括：步骤401，基于能量守恒原理得到：
ꢀꢀꢀꢀꢀ
（1-9）其中，，，；其中，g表示系统中的能量损失；j为同一类别下的电能表数量；表示第j台电能表第n次采样的示值电量；为所述变电站总表第1次采样的示值电量；步骤402，采用神经网络算法计算得到a和g，进而得到所述电能表第二计量误差为：。
[0014]
可选的，所述步骤5包括：步骤501，构建训练样本数据；其中，，表示第l个电能表的第一计量误差，表示第l个电能表的第二计量误差；将第一计量误差和第二计量误差划分为s个标度，，v=1，2；表示特征的第个值，=1，2，3，
…
s；步骤502，计算先验概率为：
ꢀꢀꢀꢀꢀꢀꢀꢀ
（1-10）其中，k=1，2，3；表示正常，表示告警，表示异常；l表示训练样本数量；表示样本中第种状态的占比，表示样本的状态类别；步骤503，计算训练集中每个属性的条件概率：
ꢀꢀꢀꢀ
（1-11）其中，表示类别为、特征为的样本数；步骤504，计算给定的实例x的后验概率为：
ꢀꢀꢀꢀꢀꢀꢀ
（1-12）其中，表示在y取值为的条件下，的条件概率乘积；步骤505，求出最大的后验概率，根据最大后验概率的值，确定实例x的类；
ꢀꢀꢀꢀꢀ
（1-13）其中，argmax为计算最大值的函数；权重
ꢀꢀꢀꢀꢀ
（1-14）其中，表示kl评估的可靠度参量；
ꢀꢀꢀꢀꢀ
（1-15）其中，表示含有特征的类在整个样本集中的概率；表示类样本在整个样本中的概率；步骤506，构建所述电能表状态评估模型的过程中，依据损失函数来迭代调整标度划分的阈值，直到损失函数达到最小或达到迭代次数；定义损失函数：；其中，为真实状态标签，为权重系数，为最大后验概率；为正常、告警或异常状态样本间的距离，为分类后判断为正常、告警或异常状态的样本间的距离。
[0015]
本发明提供的一种基于kl-nb算法的电能表运行状态在线评估方法，基于特勒根定律，对线路电能量数据进行了校正，进一步提高了电能表计量误差评估的准确性；基于变电站总表数据，在考虑线损的条件下，实现了电能表误差评估；对改进的贝叶斯分类算法进行了电能表状态分类，保证了分类算法的准确性。
附图说明
[0016]
图1为本发明提供的一种基于kl-nb算法的电能表运行状态在线评估的流程图。
具体实施方式
[0017]
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
[0018]
图1为本发明提供的一种基于kl-nb算法的电能表运行状态在线评估方法流程图，如图1所示，该在线评估方法包括：步骤1，对采集到的电压、电流互感器二次电参量数据采用误差在线评估算法，得
到电压互感器误差估计值和电流互感器误差估计值。
[0019]
具体实施中，采用电力互感器在线监测装置，采集电压、电流互感器的二次电参量数据，采用电压互感器误差在线评估算法，电流互感器误差在线评估算法分别得到电压互感器误差估计值和电流互感器误差估计值。
[0020]
步骤2，基于电压互感器误差估计值和电流互感器误差估计值，得到各支路的近似供电电压及电流值，计算出各支路的近似供电量。
[0021]
步骤3，基于特勒根定律构建各支路的近似供电量与真实供电量之间的评估模型，求解评估模型的校准系数后，计算得到各个电能表的真实供电量与示值电量之间的第一计量误差。
[0022]
步骤4，基于变电站总表供电数据及能量守恒定律计算得到各个电能表第二计量误差。
[0023]
步骤5，以电能表第一计量误差和第二计量误差作为特征参量，采用kl-nb分类算法构建电能表状态评估模型；基于电能表状态评估模型，对待测电能表进行状态评估。
[0024]
本发明提供的一种基于kl-nb算法的电能表运行状态在线评估方法，采用了电压、电流互感器误差数据及变电站总表数据，评估了电能表计量误差；以电能表计量误差为特征参量，采用改进的贝叶斯算法实现了电能表状态的准确评估。
[0025]
实施例1本发明提供的实施例1为本发明提供的一种基于kl-nb算法的电能表运行状态在线评估方法的实施例，结合图1可知，该在线评估方法的实施例包括：步骤1，对采集到的电压、电流互感器二次电参量数据采用误差在线评估算法，得到电压互感器误差估计值和电流互感器误差估计值。
[0026]
步骤2，基于电压互感器误差估计值和电流互感器误差估计值，得到各支路的近似供电电压及电流值，计算出各支路的近似供电量。
[0027]
在一种可能的实施例方式中，步骤2包括：基于电压、电流互感器的误差估计值，可计算出线路近似的供电电压及电流：支路i近似供电电压：；
ꢀꢀꢀꢀ
（1-1）支路i近似供电电流：；
ꢀꢀꢀꢀꢀꢀ
（1-2）其中，和分别为支路i的测量电压和电流，和分别为支路i的电压和电流互感器的额定变比。
[0028]
则，支路i在[t1,t2]时间段内的输出的近似供电电量为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1-3）其中，为功率因素，为支路i的电压、电流相位差。
[0029]
步骤3，基于特勒根定律构建各支路的近似供电量与真实供电量之间的评估模型，求解评估模型的校准系数后，计算得到各个电能表的真实供电量与示值电量之间的第一计量误差。
[0030]
在一种可能的实施例方式中，基于特勒根定律，一个具有n个结点和b条支路的电
路，假设各支路电流和支路电压取关联参考方向，并令、分别为支路b的电流和电压，则对任意时刻t，有，其中为考虑方向后的电流值。
[0031]
则[t1,t2]时间段内：
ꢀꢀꢀꢀꢀꢀ
（2-1）考虑到电压、电流互感器误差评估与误差真值之间的差异性，实际计算过程中，,为提交电能表误差评估的准确性，这里采用神经网络算法对线路供电量进行校正，以得到各线路真实的供电量。
[0032]
构建的评估模型为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1-4）其中，表示支路b的校准系数，表示[t1,t2]时间段内支路b第n次采样的近似供电量。
[0033]
在一种可能的实施例方式中，步骤3中采用神经网络得到评估模型的校准系数的过程包括：步骤301，根据各支路供电电路数据的数据扰动程度和对应的系数矩阵条件数，选出标准参考支路。
[0034]
在一种可能的实施例方式中，步骤301包括：步骤30101，对各支路的电能量数据进行清洗，得到各支路不同时间段的分时电量数据。
[0035]
步骤30102，计算每条线路分时电量数据的数据扰动，具体公式如下：
ꢀꢀꢀꢀꢀꢀꢀꢀ
（1-5）其中，代表支路i的分时电量数据序列，为序列的标准差，为序列的均值绝对值。
[0036]
步骤30103，轮流剔除每条支路，将剩余支路的分时电量数据记作矩阵a，并计算该矩阵的条件数，具体公式如下：
ꢀꢀꢀꢀꢀꢀ
（1-6）其中，为矩阵a的范数。
[0037]
步骤30104，根据步骤30102的计算结果优先选择数据扰动最低的50%的支路，并从其中选出对应的cond(a)最低时对应的支路作为标准参考支路。
[0038]
步骤302，基于标准参考支路的供电量求解校准系数。
[0039]
在一种可能的实施例方式中，步骤302包括：步骤30201，将评估模型变形为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1-7）
其中，，，，r为标准参考支路的供电量。
[0040]
步骤30202，采用神经网络模型，计算出校准系数k值，计算得到支路i在[t1,t2]时间内的真实供电量。
[0041]
在一种可能的实施例方式中，步骤3中第一计量误差为：
ꢀꢀꢀ
（1-8）其中，为支路i上的电能表的示值电量，为支路i的真实供电量步骤4，基于变电站总表供电数据及能量守恒定律计算得到各个电能表第二计量误差。
[0042]
在一种可能的实施例方式中，基于能量守恒原理在一段时间内，有：
ꢀꢀꢀ
（1-9）其中，为固定损耗电能量，为线损率，表示变电站总表的示值电量，为子表i的近似误差系数，为子表i的示值电量。
[0043]
线路损耗、固定损耗、误差电量之和：
ꢀꢀꢀꢀ
（2-2）则，
ꢀꢀꢀ
（2-3）其中，。
[0044]
公式（2-3）可变形为：
ꢀꢀꢀ
（2-4）其中，。
[0045]
从（2-4）可知，当具有近似相同的、时，基本不变。在一段时间内，电能表近似误差系数基本无变化，则线损率也基本相等。因此采用黑猩猩优化的dbscan聚类算法对电能量数据进聚类。通过黑猩猩算法对dbscan聚类中的参数eps（定义密度时的邻域半径）和minpts（定义核心点时的阈值）进行自适应选取，体的最优解对应eps参数，体的次优解对应minpts参数。
[0046]
对于同一类别下的电能表数据，因为系统中的能量损失基本一致，则公式（1-9）可表示为：
ꢀꢀꢀꢀꢀ
（2-5）其中，，，。
[0047]
其中，g表示系统中的能量损失；j为同一类别下的电能表数量；表示第j台电能表第n次采样的示值电量；为所述变电站总表第1次采样的示值电量；步骤402，采用神经网络算法计算得到a和g，进而得到所述电能表第二计量误差为：（2-6）步骤5，以电能表第一计量误差和第二计量误差作为特征参量，采用kl-nb分类算法构建电能表状态评估模型；基于电能表状态评估模型，对待测电能表进行状态评估。
[0048]
在一种可能的实施例方式中，步骤5包括：步骤501，构建训练样本数据；其中，，表示第l个电能表的第一计量误差，表示第l个电能表的第二计量误差；将第一计量误差和第二计量误差划分为s个标度，，v=1，2；表示特征的第个值，=1，2，3，
…
s。
[0049]
步骤502，计算先验概率为：
ꢀꢀꢀꢀꢀꢀꢀꢀ
（1-10）其中，k=1，2，3；表示正常，表示告警，表示异常；l表示训练样本数量；表示样本中第种状态的占比，表示样本的状态类别。
[0050]
步骤503，计算训练集中每个属性的条件概率：
ꢀꢀꢀꢀ
（1-11）其中，表示类别为、特征为的样本数。
[0051]
步骤504，计算给定的实例x的后验概率为：
ꢀꢀꢀꢀꢀꢀꢀ
（1-12）其中，表示在y取值为的条件下，的条件概率乘积。
[0052]
步骤505，求出最大的后验概率，根据最大后验概率的值，确定实例x的类。
[0053]
ꢀꢀꢀꢀꢀꢀ
（1-13）贝叶斯算法是假设各特征相互独立的分类方法，而在显示生活中各特征项之间必然会存在一定的联系，忽视朴素贝叶斯算法特征独立的假设会降低算法的分类性能。因此采用kl测度法对特征分配相应的权重：
ꢀꢀꢀꢀꢀ
（1-15）其中，表示含有特征的类在整个样本集中的概率；表示类样本在整个样本中的概率。
[0054]
定义权重：
ꢀꢀꢀꢀꢀ
（1-14）
其中，表示kl评估的可靠度参量。
[0055]
则公式（1-13）可变形为：（2-7）步骤506，构建电能表状态评估模型的过程中，依据损失函数来迭代调整标度划分的阈值，直到损失函数达到最小或达到迭代次数。
[0056]
定义损失函数：；其中，为真实状态标签，为权重系数，为最大后验概率；为正常、告警或异常状态样本间的距离，为分类后判断为正常、告警或异常状态的样本间的距离。
[0057]
可以理解的是，基于背景技术中的缺陷，本发明实施例提出了一种基于kl-nb算法的电能表运行状态在线评估方法，基于特勒根定律，对线路电能量数据进行了校正，进一步提高了电能表计量误差评估的准确性；基于变电站总表数据，在考虑线损的条件下，实现了电能表误差评估；对改进的贝叶斯分类算法进行了电能表状态分类，保证了分类算法的准确性。
[0058]
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
[0059]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
[0060]
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0061]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0062]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0063]
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
[0064]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

技术特征：

1.一种基于kl-nb算法的电能表运行状态在线评估方法，其特征在于，所述在线评估方法包括：步骤1，对采集到的电压、电流互感器二次电参量数据采用误差在线评估算法，得到电压互感器误差估计值和电流互感器误差估计值；步骤2，基于所述电压互感器误差估计值和电流互感器误差估计值，得到各支路的近似供电电压及电流值，计算出各支路的近似供电量；步骤3，基于特勒根定律构建各支路的所述近似供电量与真实供电量之间的评估模型，求解所述评估模型的校准系数后，计算得到各个电能表的真实供电量与示值电量之间的第一计量误差；步骤4，基于变电站总表供电数据及能量守恒定律计算得到各个电能表第二计量误差；步骤5，以电能表所述第一计量误差和第二计量误差作为特征参量，采用kl-nb分类算法构建电能表状态评估模型；基于所述电能表状态评估模型，对待测电能表进行状态评估。2.根据权利要求1所述的在线评估方法，其特征在于，所述步骤2包括：支路i近似供电电压：；
ꢀꢀꢀꢀ
（1-1）支路i近似供电电流：；
ꢀꢀꢀꢀꢀꢀ
（1-2）其中，和分别为支路i的测量电压和电流，和分别为支路i的电压和电流互感器的额定变比；支路i在[t1,t2]时间段内的输出的近似供电电量为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1-3）其中，为功率因素，为支路i的电压、电流相位差。3.根据权利要求1所述的在线评估方法，其特征在于，所述步骤3中构建的所述评估模型为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1-4）其中，表示支路b的校准系数，表示[t1,t2]时间段内支路b第n次采样的近似供电量。4.根据权利要求3所述的在线评估方法，其特征在于，所述步骤3中采用神经网络得到所述评估模型的校准系数的过程包括：步骤301，根据各支路供电电路数据的数据扰动程度和对应的系数矩阵条件数，选出标准参考支路；步骤302，基于所述标准参考支路的供电量求解所述校准系数。5.根据权利要求4所述的在线评估方法，其特征在于，所述步骤301包括：步骤30101，对各支路的电能量数据进行清洗，得到各支路不同时间段的分时电量数据；
步骤30102，计算每条线路分时电量数据的数据扰动为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1-5）其中，代表支路i的分时电量数据序列，为序列的标准差，为序列的均值绝对值；步骤30103，轮流剔除每条支路，将剩余支路的分时电量数据记作矩阵a，并计算该矩阵的条件数：
ꢀꢀꢀꢀꢀꢀ
（1-6）其中，为矩阵a的范数；步骤30104，根据所述步骤30102的计算结果选择所述数据扰动最低的50%的支路，并从其中选出对应的cond(a)最低时对应的支路作为所述标准参考支路。6.根据权利要求4所述的在线评估方法，其特征在于，所述步骤302包括：步骤30201，将所述评估模型变形为：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1-7）其中，，，，r为标准参考支路的供电量；步骤30202，采用神经网络模型，计算出校准系数k值，计算得到支路i在[t1,t2]时间内的真实供电量。7.根据权利要求3所述的在线评估方法，其特征在于，所述步骤3中所述第一计量误差为：
ꢀꢀꢀ
（1-8）其中，为支路i上的电能表的示值电量，为支路i的真实供电量。8.根据权利要求1所述的在线评估方法，其特征在于，所述步骤4包括：步骤401，基于能量守恒原理得到：
ꢀꢀꢀꢀꢀ
（1-9）其中，，，；其中，g表示系统中的能量损失；j为同一类别下的电能表数量；表示第j台电能表第n次采样的示值电量；为所述变电站总表第1次采样的示值电量；步骤402，采用神经网络算法计算得到a和g，进而得到所述电能表第二计量误差为：。
9.根据权利要求1所述的在线评估方法，其特征在于，所述步骤5包括：步骤501，构建训练样本数据；其中，，表示第l个电能表的第一计量误差，表示第l个电能表的第二计量误差；将第一计量误差和第二计量误差划分为s个标度，，v=1，2；表示特征的第个值，=1，2，3，
…
s；步骤502，计算先验概率为：
ꢀꢀꢀꢀꢀꢀꢀꢀ
（1-10）其中，k=1，2，3；表示正常，表示告警，表示异常；l表示训练样本数量；表示样本中第种状态的占比，表示样本的状态类别；步骤503，计算训练集中每个属性的条件概率：
ꢀꢀꢀꢀ
（1-11）其中，表示类别为、特征为的样本数；步骤504，计算给定的实例x的后验概率为：
ꢀꢀꢀꢀꢀꢀꢀ
（1-12）其中，表示在y取值为的条件下，的条件概率乘积；步骤505，求出最大的后验概率，根据最大后验概率的值，确定实例x的类；
ꢀꢀꢀꢀꢀ
（1-13）其中，argmax为计算最大值的函数；权重
ꢀꢀꢀꢀꢀ
（1-14）其中，表示kl评估的可靠度参量；
ꢀꢀꢀꢀꢀ
（1-15）其中，表示含有特征的类在整个样本集中的概率；表示类样本在整个样本中的概率；步骤506，构建所述电能表状态评估模型的过程中，依据损失函数来迭代调整标度划分的阈值，直到损失函数达到最小或达到迭代次数；定义损失函数：；其中，为真实状态标签，为权重系数，为最大后验概率；为正常、告警或异常状态样本间的距离，为分类后判断为正常、告警或异常状态的样本间的距离。

技术总结

本发明涉及一种基于KL-NB算法的电能表运行状态在线评估方法，包括：对采集到的电压、电流互感器二次电参量数据采用误差在线评估算法，得到电压互感器误差估计值和电流互感器误差估计值；基于和，计算得到各个电能表的真实供电量与示值电量之间的第一计量误差；基于变电站总表供电数据及能量守恒定律计算得到各个电能表第二计量误差；以电能表第一计量误差和第二计量误差作为特征参量，采用KL-NB分类算法构建电能表状态评估模型，对待测电能表进行状态评估；采用了电压、电流互感器误差数据及变电站总表数据，评估了电能表计量误差；以电能表计量误差为特征参量，采用改进的贝叶斯算法实现了电能表状态的准确评估。进的贝叶斯算法实现了电能表状态的准确评估。进的贝叶斯算法实现了电能表状态的准确评估。