CC BY
680 МЕТРОЛОГИЯ
Анализ данных поверки трехфазных счетчиков электрической энергии
Анализируются данные, полученные в результате поверки трехфазных счетчиков электрической энергии с помощью среды визуального программирования Orange. Для визуализации данных и их взаимосвязей построены диаграммы рассеивания, «ящик с усами» и гистограммы. Использованы модели машинного обучения, описывающие зависимости исходных параметров, выполнена оценка качества моделей
Н.В. Вязникова1
Вологодский техникум железнодорожного транспорта — филиал ФГБОУ ВО «Петербургский государственный университет путей сообщения императора Александра I», vtgt2014@mail.ru
юбые данные имеют определенную ценность. С появлением высокопроизводительных процессоров, более совершенных алгоритмов и специализированных инструментальных сред стала возможной обработка больших данных для выявления определенных закономерностей и составления прогнозов.
Метрологическая служба энергокомпании постоянно проводит поверку счетчиков электрической энергии. С одним прибором проводится серия измерений в режиме активной и реактивной мощностей, в результате испытаний определяется относительная погрешность рабочего счетчика, которая сравнивается с допустимой погрешностью, и по итогам сравнения делается вывод о пригодности или непригодности данного средства измерения к применению. В результате испытаний образуется большое количество данных, которые можно использовать для анализа и выявления неких зависимостей и закономерностей.
При анализе были использованы результаты поверки трехфазных счетчиков. Испытания проводились в течение нескольких месяцев, для анализа была использована выборка, которая включила результаты 9854 измерений по 170 образцам девяти типов счетчиков от двух производителей. Работы выполнялись в среде визуального программирования Orange, которая позволяет выполнить все основные задачи машинного обучения, но применяется для простых задач и учебных целей, поскольку созданную модель нельзя передавать. Среда написана на языке Python, и в ней есть возможность создавать программный код с использованием этого языка.
Данные для анализа должны быть представлены в таблице Excel (рис. 1), в столбцах которой указываются следующие параметры:
► model — модель счетчика;
► class — класс точности;
► year — год выпуска;
преподаватель, г. Вологда, Россия
Для цитирования: Вязникова Н.В. Анализ данных поверки трехфазных счетчиков электрической энергии // Компетентность / Competency (Russia). — 2022. — № 9-10. DOI: 10.24412/1993-8780-2022-9-80-83
ключевые слова
относительная погрешность, анализ данных, визуализация данных, модели машинного обучения
r A В с D E F G H J к
1 model class year const Uf V Ul V 1 A errore allow errore degree
2 d с с с с с с с с с
3 class
4 M201.5 1 2018 3200 230 398,37 5 -0,3666 1,5 0,2444
5 M201.5 1 2018 3200 230 398,37 5 -0,3772 1,5 0,2514667
6 M201.5 1 2018 3200 230 398,37 5 -0,2102 1,5 0,1401333
7 M201.5 1 2018 3200 230 398,37 5 -0,2367 1,5 0,1578
8 M201.5 1 2018 3200 230 398,37 5 -0,1836 1 0,1836
9 M201.5 1 2018 3200 230 398,37 5 -0,0692 1 0,0692
10 M201.5 1 2018 3200 230 398,37 5 -0,1969 1 0,1969
11 M201.5 1 2018 3200 230 398,37 5 -0,0533 1 0,0533
12 M201.5 1 2018 3200 230 398,37 5 0,0533 1 0,0533
13 M201.5 1 2018 3200 230 398,37 5 -0,1065 1 0,1065
14 M201.5 1 2018 3200 230 398,37 5 -0,0311 0,0311
15 M201.5 1 2018 3200 230 398,37 5 0,1001 0,1001
16 M201.5 1 2018 3200 230 398,37 5 -0,0843 0,0843
17 M201.5 1 2018 3200 230 398,37 5 0,1067 1 0,1067
18 M201.5 1 2018 3200 230 398,37 5 0,2136 1 0,2136
19 AS100CK 1 2020 2500 230 398,37 5 -1,3218 1,5 0,8812
20 AS100CK 1 2020 2500 230 398,37 5 -0,6252 1 0,6252
Рис. 1. Данные для анализа в таблице Excel [Data for analysis in an Excel table]
МЕТРОЛОГИЯ 81
► const — постоянная счетчика (имп./кВт-ч или имп./кВАр-ч);
► Uf_V — фазное напряжение, В;
► Ul_V — линейное напряжение, В;
► I_A — ток, А;
► error — относительная погрешность, %;
► allow_error — допустимая относительная погрешность, %;
► degree — отношение относительной погрешности к допустимой.
Последний показатель, который не должен превышать единицу, необходим, чтобы исключить явные «промахи» и оценить «запас» точности: чем его значение ближе к нулю, тем лучше.
После создания проекта в среде Orange и загрузки таблицы Excel можно выполнить визуализацию данных. Для визуализации взаимосвязей используется диаграмма рассеивания (Scatterplot), которая позволяет наблюдать точные значения, показывает минимальные и максимальные значения, демонстрирует прямую и обратную зависимость, легко интерпретируется, но может использоваться только для двух переменных. Таким образом, нами были получены различные диаграммы рассеивания.
Диаграмма зависимости относительной погрешности error от класса точности class позволяет оценить разброс значений погрешности для определенного класса точности. Диаграмма на рис. 2 а показывает максимальное и минимальное значения относительной погрешности для 1 класса точности (предельные значения выделены), при этом указывается модель (AS3500), год выпуска (2016 и 2017) и прочие параметры, значения которых одинаковы. Эта модель на диаграм-
ме обозначена кружком желтого цвета, и именно на эту модель приходится наибольший разброс значений относительной погрешности для 1 класса.
Аналогично можно оценить разброс относительной погрешности для 2 класса точности (рис. 2 а, предельные значения выделены). В правом нижнем углу диаграммы приводятся условные
Рис. 2. Разброс относительной погрешности: а — для 1 и 2 класса, б — в зависимости от года выпуска
[Relative error spread: a — for class 1 and 2, b — on the release year depending]
Комментарий специалиста
Тема данной статьи актуальна, что перевесило сомнения по поводу ее публикации. Статистическая обработка больших массивов данных была и остается важным вопросом последних десятилетий. Искусственный интеллект и развивающийся интернет нового поколения Web 3.0 — это уже не далекое будущее, а реальность, существующая в новой информационной среде, в том числе базирующейся на основе обработки статистической информации. В зависимости от того, насколько мы корректно собираем данные и как их обрабатываем, получаются результаты, позволяющие делать точные выводы и заниматься прогнозированием с высоким уровнем достоверности. Для обработки данных используется как Excel, так и другие программы, в том числе созданные в среде визуального программирования Orange, что показал автор в своей статье. С этой точки зрения, автор расширяет представление читателей о тех инструментах, которые имеются на рынке и могут быть использованы. Однако необходимо отметить, что вопрос применения проведенных расчетов на практике остается открытым, так как отсутствуют цели проведения расчетов и не даются рекомендации о том, что и как поставщик исходной информации может практически использовать.
МЛ. Палагин, доцент кафедры «Электрические измерения» ФГАОУ ДПО АСМС, канд. техн. наук
82 МЕТРОЛОГИЯ
Рис. 3. Зависимость графические обозначения модели счет-
переменной degree от года чиков. Наибольший разброс характе-выпуска рен для модели М230 2011 и 2015 го-
[The degree variable дов выпуска, указанные модели также
dependence on the year of отличаются постоянной счетчика и то-release] ком измерения. На диаграмме в правом
верхнем углу автоматически выделяется область скоплений результатов измерения относительной погрешности для модели М230, эта область окраши-
вается в соответствующий для данной модели цвет.
Диаграмма рассеивания позволяет оценить разброс относительной погрешности в зависимости от года выпуска прибора (рис. 2 б). Наибольший разброс дают приборы модели М230 2011 и 2015 годов выпуска, что подтверждает предыдущий вывод.
Как уже отмечалось, для проведения анализа была введена переменная degree, равная отношению относительной погрешности к допустимой погрешности. Значение переменной не должно превышать единицу, в идеале оно должно стремиться к нулю. Можно выявить зависимость этой переменной от года выпуска прибора. На диаграмме рассеивания (рис. 3) линии регрессии почти для всех моделей находятся в диапазоне от 0 до 0,2 и имеют незначительный наклон, это говорит о том, что относительные погрешности много меньше допустимых и не зависят от года выпуска.
В то же время линия регрессии фиолетового цвета (модель М201.5) имеет крутой наклон вниз, выпуск этой
Рис. 4.
Гистограммы: dass (а), year (б), error (в) [Class (а), year (b), error (с) histograms]
в)
¡т
модели приходится на 2012-2018 годы, во всех случаях относительная погрешность не превышает допустимой, но приборы более позднего года выпуска (2018) имеют лучшие характеристики.
Среда Orange позволяет для количественных признаков получить гистограмму, которая показывает частоты для определенных интервалов значений, она подходит при демонстрации распределения переменной и любого количества наблюдений, можно срав-
МЕТРОЛОГИЯ 83
нить с нормальным распределением, ось У используется в качестве частоты. На рис. 4 а изображена гистограмма, которая показывает, что в исследуемую выборку попали в основном счетчики 1 класса точности. Гистограмма (рис. 4 б) позволяет сделать вывод, что большая часть счетчиков выпущена в 2017 году, а самой распространенной моделью является AS3500.
Относительная погрешность прибора может не выходить за допустимые пределы. Для предприятия, продающего электроэнергию, она может быть как отрицательной, так и положительной, при этом отрицательная погрешность ведет к «недоучету» проданной электроэнергии. В общем слу-
чае в учете электроэнергии используются счетчики разных типов и классов точности от различных изготовителей. Среда Orange позволяет получить гистограмму измеренной относительной погрешности счетчиков для нормальных условий эксплуатации, от которых реальные условия эксплуатации могут значительно отличаться.
Из гистограммы (рис. 4 в) следует, что наибольшая плотность относительной погрешности приходится на область нуля, при этом модели AS3500, AS100, AS1440 имеют положительную погрешность, а модели М230, AS300 — отрицательную. ■
Продолжение следует
Статья поступила в редакцию 14.07.2022
Список литературы
1. Введение
в искусственный интеллект;
https://openedu.ru/course/hse/
INTRAI/.
2. Getting Started with Orange 01-20. Orange Data Mining. Видеоуроки;
https://www.youtube.com/.
3. Orange — Data Mining Fruitful and Fun; https://orange.biolab.si/.
Kompetentnost / Competency (Russia) 9-10/2022 ISSN 1993-8780. DOI: 10.24412/1993-8780-2022-9-80-83
METROLOGY 83
Analysis of Verification Data for Three-Phase Electricity Meters
N.V. Vyaznikova1, Vologda College of Railway Transport — Branch of FSBEI HE Emperor Alexander I St. Petersburg State Transport University, vtgt2014@mail.ru
1 Teacher, Vologda, Russia
Citation: Vyaznikova N.V. Analysis of Verification Data for Three-Phase Electricity Meters, Kompetentnost'/ Competency (Russia), 2022, no. 9-10, pp. 80-83. DOI: 10.24412/1993-8780-2022-9-80-83
key words
relative error, data analysis, data visualization, machine learning models
References
As you know, the metrological service of the power company constantly verifies electric energy meters. A series of measurements is carried out with one device in the mode of active and reactive power. As a result, the relative error of the working meter is determined, which is compared with the permissible error. Based on the results of the comparison, a conclusion is made about the suitability or unsuitability of this measuring instrument for use.
I analyzed the data obtained as a result of checking three-phase electric energy meters using the Orange visual programming environment. To visualize the data and their relationships, scatter diagrams, a box with a mustache and histograms were constructed. Machine learning models describing the dependencies of the initial parameters were also used, and the quality of the models was evaluated. The tests were carried out for several months. A sample was used for the analysis, which included the results of 9854 measurements on 170 samples of nine types of meters from two manufacturers.
1. Introduction to artificial intelligence; https://openedu.ru/course/hse/INTRAI/.
2. Getting Started with Orange 01-20. Orange Data Mining. Video lessons; https://www.youtube.com/.
3. Orange — Data Mining Fruitful and Fun; https://orange.biolab.si/.
