智能电能表在复杂电网环境下的计量精度易受非线性误差影响。为提高其准确性,提出一种融合非线性自回归外生输入(nonlinear auto-regressive with exogenous inputs,NARX)模型与畸变功率的误差校正方法。利用NARX模型构建电能表的非线...智能电能表在复杂电网环境下的计量精度易受非线性误差影响。为提高其准确性,提出一种融合非线性自回归外生输入(nonlinear auto-regressive with exogenous inputs,NARX)模型与畸变功率的误差校正方法。利用NARX模型构建电能表的非线性误差模型,以捕捉其动态特性;从测量数据中分离基波与谐波电能,并计算谐波电能比差以量化谐波影响;引入畸变功率概念,构建以谐波电能比差和畸变功率为输入的误差校正模型,对非线性误差进行补偿。实验结果表明:经所提方法校正后,在不同谐波含量(5%、10%、20%)条件下,智能电能表的最大计量误差由校正前的2.4%、3.1%、10.3%均降至0.5%左右,同时非线性误差预测结果的拟合度得到了提升,有效提高了谐波环境下的计量精度。展开更多
文摘智能电能表在复杂电网环境下的计量精度易受非线性误差影响。为提高其准确性,提出一种融合非线性自回归外生输入(nonlinear auto-regressive with exogenous inputs,NARX)模型与畸变功率的误差校正方法。利用NARX模型构建电能表的非线性误差模型,以捕捉其动态特性;从测量数据中分离基波与谐波电能,并计算谐波电能比差以量化谐波影响;引入畸变功率概念,构建以谐波电能比差和畸变功率为输入的误差校正模型,对非线性误差进行补偿。实验结果表明:经所提方法校正后,在不同谐波含量(5%、10%、20%)条件下,智能电能表的最大计量误差由校正前的2.4%、3.1%、10.3%均降至0.5%左右,同时非线性误差预测结果的拟合度得到了提升,有效提高了谐波环境下的计量精度。
