自動化檢定流水線為智能電能表的正常運行提供保障,然而流水線在長期運行中會發(fā)生性能退化甚至故障,尤其是表位機械環(huán)節(jié)的形變與銹蝕,會導(dǎo)致誤差試驗結(jié)果出現(xiàn)偏差。目前的人工定期檢測方法無法及時響應(yīng)流水線運維間隔中出現(xiàn)的異常工況,因此,實現(xiàn)自動化檢定流水線表位異常的在線檢測,具有重要意義。文章提出了一種智能電能表自動化檢定流水線表位在線異常檢測方法,通過對表位檢定數(shù)據(jù)分布進行特征提取,將表位異常狀態(tài)轉(zhuǎn)換為數(shù)據(jù)分布的異常;并借助局部異常因子算法量化分布的異常程度,標記產(chǎn)生異常分布的表位;應(yīng)用文章提出的方法對山東省電力公司計量中心智能電能表檢定數(shù)據(jù)進行了分析,對比人工檢查結(jié)果,驗證了方法的有效性。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1算法流程圖

(1)建立數(shù)據(jù)特征向量:選取某一批次智能電能表中的某一檢定單元，抽取其試驗數(shù)據(jù)集為X，其包含的檢定表位樣本數(shù)量為60，計算得到每個表位10項試驗數(shù)據(jù)的最值、期望、方差、偏度和峰度，形成共60個特征向量。對于任一樣本Xi，其特征向量Ti包含60個特征值，即:(2)特征縮放:由于每個....

圖2LOF數(shù)值隨k值變化的曲線

LOF算法中的k值會影響LOF的數(shù)值大小，合理的選擇k值可以達到較好的異常檢測效果。選取1號檢定單元的數(shù)據(jù)集，計算不同參數(shù)k對應(yīng)的LOF數(shù)值，繪制LOF的最大值、最小值、期望和標準差的曲線，如圖2所示。從圖2可以看出LOF數(shù)值隨k值變化的趨勢是波動的:k值過小時，LOF的數(shù)值波動....

本文編號：3927543