INFORMATION SYSTEM FOR CONTROLLING THE RELIABILITY OF METERING DATA IN THE AUTOMATED MEASURING AND INFORMATION SYSTEM FOR ELECTRIC POWER FISCAL METERING

Research article
DOI:
https://doi.org/10.60797/IRJ.2024.144.79
Issue: № 6 (144), 2024
Suggested:
04.05.2024
Accepted:
07.06.2024
Published:
17.06.2024
87
1
XML
PDF

Abstract

The relevance of this study is due to the fact that the currently used methods of automated reliability control of electricity metering data in automated measuring and information system for electric power fiscal metering (AIMS CUE) have a number of disadvantages associated with the redundancy of metering devices and the volume of transmitted information, which increase the cost of implementation and maintenance of the system. At the same time, the method of reliability control based on the study of electricity metering data using mathematical models of electricity consumption does not have similar disadvantages. Consequently, there is a necessity to develop an information system for automated control of reliability of electricity metering devices data in AIMS CUE, using this method. The scientific novelty of the conducted research consists in the development of an information system used for automated control of the reliability of electricity consumption data in the AIMS CUE, which differs in that it uses the method of assessing the reliability of metering data on the basis of comparison of electricity consumption data with the values obtained as a result of the application of ARIMA models of time series of electricity consumption. As a result of this research, an information system for automated measuring and information system for electric power fiscal metering in the AIMS KUE. The algorithmic support of the information system consists of the developed for it methodology for assessing the reliability of metering devices data using a set of ARIMA models of time series of electricity consumption of various types of energy consumption objects. The main advantage of the developed information system is that it does not require redundancy of metering devices and redundancy of the volume of transmitted information, which lead to an unjustified increase in economic costs.

1. Введение

Проведённый анализ предметной области показал, что используемые в АИИС КУЭ (автоматизированных информационно-измерительных системах контроля и учёта электроэнергии) методы автоматизированного контроля достоверности данных приборов учёта электроэнергии, имеют ряд недостатков, связанных с избыточностью приборов учёта и объёма передаваемой информации

,
,
,
и др. Данные недостатки увеличивают стоимость реализации и обслуживания АИИС КУЭ, снижая её экономическую эффективность. В то же время метод контроля достоверности, основанный на исследовании данных приборов учёта электроэнергии с применением математических моделей электропотребления, не имеет аналогичных недостатков. Следовательно, существует необходимость разработки информационной системы, использующей данный метод для автоматизированного контроля достоверности данных приборов учёта электроэнергии в АИИС КУЭ.

Для создания данной информационной системы необходимо решить следующие задачи:

1. Создать алгоритмическое обеспечение информационной системы.

2. Построить архитектуру информационной системы.

3. Разработать программное обеспечение, реализующее архитектуру и алгоритмическое обеспечение информационной системы.

2. Основные результаты

2.1. Алгоритмическое обеспечение информационной системы

Основой задачей алгоритмического обеспечения информационной системы является реализация автоматизированного контроля достоверности данных приборов учёта в автоматизированных информационно-измерительных системах контроля и учёта электроэнергии АИИС КУЭ. Данная задача может быть описана следующим образом.

Дано:

1. S – множество приборов учёта электроэнергии АИИС КУЭ.

2. N  – число приборов учёта электроэнергии во множестве.

3. P – массив данных потребления электроэнергии приборов учёта множества  на рассматриваемый момент времени.

4.  ∆ – максимальный допустимый процент потерь электроэнергии для всех приборов учёта.

5. D – подмножество приборов учёта множества, передающих недостоверные данные.

6. R  – подмножество приборов учёта множества, отмеченных при применении методики контроля достоверности данных, как передающие недостоверные данные.

Необходимо:

1. Для множества S найти такое подмножество R, которое будет максимально возможным образом совпадать с подмножеством D.

Алгоритм (методика) решения данной задачи
состоит из пяти пунктов, а его схема приведена на рис. 1.
Алгоритм решения задачи автоматизированного контроля достоверности данных приборов учёта в АИИС КУЭ

Рисунок 1 - Алгоритм решения задачи автоматизированного контроля достоверности данных приборов учёта в АИИС КУЭ

П.1. Проверка на выполнение системы неравенств (1). Если выполняется, то перейти к П.5, если нет, то перейти к П.2.
img
(1)

Где  Pi – числовое значение прибора учета из массива ;

∆ – максимально допустимый процент потерь электроэнергии в АИИС КУЭ, выраженный в относительных единицах.

П.2. Провести оценку достоверности данных приборов учёта. Если подмножество R  пустое, то перейти к П.4, если нет, то перейти к П.3.

П.3. Провести проверку приборов учёта АИИС КУЭ, попавших в множество  и перейти к П.1.

П.4. Провести проверку всех приборов учёта АИИС КУЭ из множества S.

П.5. Завершить выполнение проверки.

П.2 алгоритма, приведённого на рис. 1, требует проведения оценки достоверности данных приборов учёта электроэнергии в АИИС КУЭ, которая производит поиск и обнаружение приборов учёта, передающих недостоверные данные. При использовании данная процедура распределяет приборы учёта в одну из двух категорий:

1. Приборы учёта, передающие достоверные данные.

2. Приборы учёта, передающие недостоверные данные.

Формализованная постановка задачи оценки достоверности данных приборов учёта в АИИС КУЭ с использованием моделей временных рядов электропотребления имеет следующий вид:

Дано:

1. img – матрица (2) из  временных рядов потребления электроэнергии длины m.

img
(2)

Необходимо:

1. Определить достоверность данных вектора img используя, значения векторов img для всех img.

Для решения задачи оценки достоверности данных приборов учёта в АИИС КУЭ с применением моделей временных рядов электропотребления требуется для каждой строки img из матрицы (2) применить модель временного ряда электропотребления и построить столбец полученных с её помощью значений img. Затем провести сравнение значений вектора img с соответствующими значениями вектора img и определить достоверность данных последнего, используя систему уравнений (3)

.

img
(3)

Где img – максимально допустимое значение отклонения прогноза от реальных данных при оценке достоверности данных потребления для каждого конкретного прибора учёта, которое вычисляется по формуле (4).

img
(4)

Где: P– погрешность модели электропотребления;

Pt  – класс точности прибора учёта

.

Pm  определяется практическим путём при проведении оценки адекватности модели. Pопределяется с учётом задач, решаемых АИИС КУЭ и конкретным прибором учёта.
Множества, получаемые при проведении оценки достоверности данных приборов учёта

Рисунок 2 - Множества, получаемые при проведении оценки достоверности данных приборов учёта

Примечание: жёлтый – множество приборов учёта, передающих достоверные данные, которые были правильно идентифицированы; красный – множество приборов учёта, передающих недостоверные данные, которые были правильно идентифицированы; синий – множество приборов учёта, передающих недостоверные данные, которые были ошибочно идентифицированы как передающие достоверные данные; зелёный – множество приборов учёта, передающих достоверные данные, которые были ошибочно идентифицированы как передающие недостоверные данные

Эффективность решения задачи оценки достоверности данных приборов учёта зависит от процентного соотношения возникших в процессе её решения ошибок первого и второго рода. Графическое представление оценки эффективности решения данной задачи представлено на рис. 2.

Качество оценки достоверности данных приборов учёта существенным образом зависит от используемой модели временного ряда электропотребления и, следовательно, от правильного выбора типа и метода её построения зависит эффективность алгоритмического обеспечения информационной системы. Основным типом моделей, используемых для аппроксимирования поведение временных рядов являются ARMA (autoregressive moving average) модели для стационарных рядов и ARIMA (autoregressive integrated moving average) модели для разностно-стационарных рядов, а основным методом их построения является методика Бокса-Дженкинса

.

АИИС КУЭ применяются на широком спектре различных объектов энергопотребления, к которым относятся жилые помещения, объекты социальной инфраструктуры, а также другие предприятия различного назначения. Проведённый по методологии Бокса-Дженкинса анализ временных рядов потребления электроэнергии, принадлежащих объектам энергопотребления вышеперечисленных типов показал, что описывающие их  модели принадлежат к множеству ARIMA (p, d, q) (5), где (p, d, q), ∈[0,4],p+q≥1 – порядок авторегрессионной компоненты ARIMA  модели,  p – порядок компоненты ARIMA  скользящего среднего, а d – порядок конечной разности моделируемого ряда, которую необходимо взять для приведения его к разностно-стационарному виду

. Проверка статистической значимости полученного результата, произведенная при помощи двух выборочного t-критерия Стьюдента, дала уровень статистической значимости p = 0,01.

2.2. Архитектура информационной системы

Архитектуры информационной системы контроля достоверности данных приборов учёта электроэнергии в АИИС КУЭ может быть представлена посредством следующих трёх моделей:

1) модель потоков данных;

2) функциональная модель;

3) модель классов. 
Модель потоков данных информационной системы

Рисунок 3 - Модель потоков данных информационной системы

Модель потоков данных определяет источник и направление потоков данных, обрабатываемых информационной системой, сама система при этом представлена в виде «чёрного ящика». Графическое изображение данной модели представлено на рис. 3.

Как показано на рис. 3, информационная система получает два множества данных – «данные для обучения» и «данные для проверки». Оба множества используются, методикой оценки достоверности, являясь двумя составными частями матрицы (2). Первый набор данных – это строки img, второй – это столбец img. Источником данных для информационной системы является база данных АИИС КУЭ, которая в свою очередь получает их от устройств сбора и передачи данных низшего уровня. Информационная система, используя разработанное для неё алгоритмическое обеспечение, производит анализ полученных данных приборов учёта электроэнергии и предоставляет заключение об их достоверности или недостоверности.

Функциональная модель отражает внутреннее устройство информационной системы и представлена на рис. 4.
Функциональная модель информационной системы

Рисунок 4 - Функциональная модель информационной системы

В данной модели отображены составные части информационной системы, реализующие её алгоритмическое обеспечение, взаимосвязи между ними, а также направление внутренних информационных потоков. Подсистема «построение прогнозирующей модели» осуществляет на основе «данных для обучения» подбор параметров модели из множества (5). Подсистемы «оценка погрешности» и «составление прогноза» проводят соответственно расчёты погрешности модели и прогнозирование электропотребления на её основе, а подсистема «сравнение», используя методику из пункта 1.2, определяет достоверность «данных для проверки» путём их сравнения с результатами прогноза, полученными с использованием построенной ранее модели электропотребления. Модель классов, представленная на рис. 5, была построена с учётом двух других моделей информационной системы, среды разработки Microsoft Visual Studio 2017 и языка программирования C#, использованных при разработке программного обеспечения информационной системы.

Помимо классов интерфейса, представленных на рис. 5, там же определены основные методы и классы, реализующие алгоритмическое обеспечение информационной системы. К данным классам относятся «GetData», методы которого реализуют получение и обработку данных, «DataAnalysis», реализующего методы для проверки достоверности полученных данных приборов учёта, «DeviceIdentification», методы которого реализуют методику оценки достоверности данных и «PredictiveModel», методы которого осуществляют выбор ARIMA модели на основе полученного временного ряда электропотребления.

2.3. Программное обеспечение информационной системы

Модель классов информационной системы

Рисунок 5 - Модель классов информационной системы

Взаимодействие программного обеспечения информационной системы с базой данных АИИС КУЭ было осуществлено посредством прокладки в виде о прокси-файла формата «.txt». Использование прокси-файла является «универсальным методом для организации взаимодействия между приложением и базой данных. Суть метода заключается в том, что необходимая для работы информация переписываются из базы данных АИИС КУЭ в файл с применением определённого формата записи, понятного для приложения, после чего они считываются им с помощью методов чтения данных из текстовых и структурированных файлов. Так как запись данных в текстовый или структурированный файл – стандартная операция для системы управления базой данных, а чтение данных из файлов – стандартный метод для языков программирования, то данный способ передачи данных позволяет избежать ненужного расширения разрабатываемой информационной системы за счёт сторонних библиотек и делает её независимой относительно различных АИИС КУЭ.

Альтернативой использованию прокси-файла для взаимодействия программного обеспечения информационной системы с базой данных АИИС КУЭ является его взаимодействие с ней напрямую. Данный метод позволяет быстрее получать из базы данных необходимую информацию, однако его использование в разрабатываемой информационной системе было исключено после рассмотрения его недостатков. Основным из них является то, что подобная реализация взаимодействия с базой данных требует наличия у приложения информации о её структуре, а также создания нового программного метода для взаимодействия с ней. Это ограничивает возможность использования информационной системы только теми АИИС КУЭ, для которых известна структура базы данных и реализованы методы взаимодействия с ней.

При разработке алгоритмического обеспечения информационной системы было показано, что потребление электроэнергии различных типов объектов энергопотребления может быть представлено при помощи множества моделей (5). ARIMA модель представляет собой полином вида (6), который преобразует набор входных параметров в выходное значение.

img
(6)

Где: img – значение временного ряда в момент времени t;

img – параметры модели;

img – оператор разности временного ряда порядка d;

img – авторегрессионная компонента;

img –  компонента скользящего среднего;

img – ошибка от влияния переменных, которые не учитываются в данной модели.

Подбор коэффициентов полинома может быть осуществлён посредством однослойной нейронной сети

. При этом входной слой сетей представляет собой значения переменных, скрытый слой – коэффициенты полинома, а выходной слой – результат его вычисления.

Таблица 1 - Конфигурации нейронных сетей, реализующих модели из множества (5)

Входной

Скрытый

Выходной

1

3

1

1

4

1

2

4

1

2

5

1

2

6

1

3

5

1

3

6

1

3

7

1

3

8

1

4

6

1

4

7

1

4

8

1

4

9

1

4

10

1

Так как построение ARIMA моделей тоже сводится к подбору коэффициентов полинома на основе исходных данных, то определение параметров модели также может быть осуществлено посредством применения нейронных сетей. Проведённый в работе

анализ соотношений между моделями из множества (5) и структурой нейронной сети показал, что данное множество может быть представлено посредством набора из четырнадцати однослойных нейронных сетей, приведённых в табл. 1.

Выходной слой данных сетей всегда состоит из одного нейрона и представляет собой результат применения модели, а количество нейронов во входном и скрытом слоях определяется параметрами p, d и q ARIMA  модели.

Обучение нейронных сетей было проведено методом обратного распространения ошибки

,
с пороговым значением ошибки 2,5%. Для обучения были взяты временные ряды ежемесячного электропотребления, которые затем были разбиты на наборы длины n + 1, где  n – число нейронов во входном слое сети и разделены в соотношении 70% – обучающие наборы, 15% – контрольные и 15% – тестовые.

2.4. Результаты исследования

В результате исследования была разработана информационная система, реализующая методику контроля достоверности данных приборов учёта с использованием множества ARIMA моделей временных рядов электропотребления. Информационная система позволяет осуществлять автоматизированный контроль достоверности данных приборов учёта электроэнергии на объектах энергопотребления, оснащённых АИИС КУЭ. Программное обеспечение информационной системы является портативным и не требует предварительной установки. В его состав входят исполняемый файл с расширением «.exe», файлы конфигурации, а также скомпилированные файлы сторонних библиотек, используемых информационной системой. Минимальными системными требованиями для работы программного обеспечения информационной системы являются операционная система Windows 7 и наличие установленного дистрибутива Microsoft .Net Framework версии не ниже 4.7.0.

3. Заключение

В работе приведена разработка информационной системы автоматизированного контроля достоверности данных приборов учёта в АИИС КУЭ, в результате которой были получены следующие научные результаты, являющиеся основой её алгоритмического и программного обеспечения:

1) разработана методика оценки достоверности данных приборов учёта электроэнергии в АИИС КУЭ с применением моделей временных рядов электропотребления;

2) получено множество  ARIMA  моделей для временных рядов электропотребления различных типов объектов энергопотребления;

3) построено множество нейронных сетей реализующих множество ARIMA  моделей для временных рядов электропотребления различных типов объектов энергопотребления.

Основным достоинством разработанной информационной системы является то, что она не требует для решения поставленной задачи наличия избыточности приборов учёта и избыточности объёма передаваемой информации, которые приводят к увеличению стоимости реализации системы.

Article metrics

Views:87
Downloads:1
Views
Total:
Views:87