引言

 

智能电能表是国家强制检定管理的计量器具，其计量误差不仅关系到千家万户的利益，也影响着智能电网的安全、稳定和经济运行。目前，通常在实验室参考条件下，对挂网前8年轮换到期的电能表进行误差检定，不能对挂网运行中的电能表进行测量误差检定。此外，还可采用便携式设备对电能表进行现场检定，或将电能表拆回实验室进行检定。但考虑到智能电能表数量庞大，挂网电能表数亿台，无论是将电能表拆回实验室验证，还是使用便携式设备进行现场验证，都需要大量的人力物力，工作量大，成本高，劳动强度高，工作效率低。智能电能表的测量误差受环境条件的严重影响。现场挂网运行的实际工况复杂随机，存在运行条件与实验室参考条件不一致的问题，导致现场运行过程中实验室验证合格电能表超差的风险。因此，在多维变量时变条件下，电能表现场运行计量误差评估已成为该领域亟待解决的难题。

 

1.传统电能量计量系统现状

 

目前，变电站常用的电能计量模式是分布式计量模式。电能表按计量间隔配置。电能表通过RS485串行总线分组连接到电能采集终端。采集终端通过调度数据网与电能计量系统主站建立通信连接，通过上行通道将采集到的数据传输到电能计量系统。这种模式在采集模式和数据交互方面都有一定的局限性，不能满足未来智能电网数据采集可靠、稳定、准确、实时的要求。

 

2.故障原因分析及排查

 

电能表检定装置主要由计算机、标准电能表、显示模块、测试电源功放模块(包括电压功放、电流功放)组成、键盘、表位计算模块、抄表器等部分组成。作为主要的人机接口控制装置，计算机运行专用控制软件通过台体与被测电能表进行通信。计算机控制电源功率放大器模块输出检定电压和电流。标准电能表通过电压互感器和电流互感器对检定电路中的电压和电流进行取样，通过比较标准电能表的值和被检电能表的值来计算被检电能表的基本误差。标准电能表电能示值异常后，对检定装置进行故障排查。首先，用数字万用表进行初步测量，发现检定装置标准电压放电压输出正常；用钳形电流表测量电路中的电流，表明电流放电输出电流正常，基本上可以消除测试电源的问题。然后用数字万用表测量标准电能表两端的电压，电压值显示正常。通过电流互感器实现标准电能表的电流采样，初步怀疑电流互感器电流采样异常，导致标准电能表读数异常。电流互感器是根据电磁感应原理将一次侧大电流转换为二次侧小电流进行测量的仪器。从故障现象推断，电流异常的主要原因有：（1）检定台电能表连接错误；（2）检定电路故障；（3）标准电能表内电流互感器接入电路的电流未按指令改变。

 

电能表检定装置标准表示值误差异常处理

 

3.1控制单元故障

 

控制单元故障主要包括无法拉闸、无法关闭、内置继电器烧毁、实际状态与控制状态不一致、磁场干扰、继电器误动作等。安装表格后，用户侧无电压，即继电器开路异常，或检定时无法升高电流。继电器触点在运输过程中振动。如果在运输过程中没有轻拿轻放，随意丢失，可能会导致继电器触点开路；厂家质量控制不严格，出厂时有少量表计为继电器开路时出厂；软件设计bug，上电时误跳闸；在表计检测过程中，一些参数设置不合理，如功率限制设置过小，导致表计超功率跳闸；继电器本身出现故障，断开后无法关闭。排除电能表是否处于开关状态，如果处于开关状态，通过远程开关，如果开关成功，少量表计状态异常，则无需更换表。若排除拉闸状态，则为电能表质量故障，换表处理。故障现象：电能表拉闸试验时，表计处于拉闸状态，但实际拉闸不成功；发出关闭命令后，逻辑上表计处于关闭状态，但实际继电器不动作。

 

3.2系统数据处理方法的优化

 

基于集中式电能表的电能计量系统优化了数据计算和处理模式。利用集中式电能表的计算和存储能力，主站应用服务器计算一次性电能负荷数据、分时数据和日统计数据，分散到每个集中式电能表。集中式电能表将这些计算数据与底码负荷数据一起传输到主站。主站只需对特殊的计算公式进行数据处理，无需计算和处理每个电能表的数据，大大缓解了主站的数据处理压力，缩短了数据处理时间，提高了电力数据的实时性。传统的电能计量系统在处理大量数据时，会在短时间内产生大量的任务，这些任务会立即完成任务过程。当事务之间存在相关关系时，默认事务传输将按一定顺序完成，导致大量事务排队，但占用过程不处理，严重影响数据处理传输效率。在基于集中式电能表的电能计量系统中，DMHS数据库启用事务分裂功能，可将事务中的操作分为N个表。拆分后表与表无序，可同时计算、传输，无需排队等候，提高了数据处理能力和同步性能。

 

3.3电能误差计算及精度分析

 

根据分类结果，采用LM算法优化的BP神经网络模型训练15类环境数据样本，以及相应的负载电流和负载功率数据，计算和分析15类环境数据对应的智能电能表电能误差。当BP神经网络模型的训练目标精度即现场电能误差与实测值的差异时，EC为0．010%时，15类环境数据对应的智能电能表电能误差计算结果如表3所示。当训练目标为0时．010%时，使用LM优化的BP神经网络进行训练学习时，模型均方根误差为42%．98、训练次数9360次；与BP神经网络相比，训练次数和均方根误差明显减少；此外，LM算法优化的BP神经网络模型在训练中收敛，虽然在0.050%＜Ec＜0．与标准神经网络相比，100%以内的样本量增加，误差估计精度提高，消耗时间在几十秒内，即可接受范围。由此可见，该方法具有一定的快速性和高精度的优点。此外，利用本文提出的算法对电能表计量误差预测能力进行分析，推导分析现场环境下电能表计量误差与实验室参考条件下计量误差的转换关系。

 

结束语

 

随着智能电网技术的发展，建立高度信息化、标准化、现代化的电能计量系统势在必行。因此，必须优化设计电能计量系统，提高对生产经营和交易结算系统的支持。相信在不久的将来，智能技术可以使电能计量系统更加完善和成熟，促进电力行业整体服务质量的提高。根据电能表检定装置的工作原理，结合实际检定工作中的异常现象，有效解决装置故障，确保日常检定工作的顺利开展。