CN106874676A - 一种电能计量装置状态评估方法 - Google Patents

Abstract

本发明公开了一种电能计量装置状态评估方法，该方法包括：对目标用户计量数据进行预处理，形成样本集；样本集包括自变量X和因变量Y；对因变量Y建立偏最小二乘回归模型；将偏最小二乘回归模型与因变量理论计算方程进行比对，得到状态监测结果。该方法实现对电能计量装置运行状态进行快速识别与简易评估。

Description

一种电能计量装置状态评估方法

技术领域

本发明涉及智能电网设备在线状态监测技术领域，特别是涉及一种电能计量装置状态评估方法。

背景技术

目前，电能计量工作是电力企业一项非常重要的工作，也是电力企业和用户建立信任关系的关键。电力市场的快速发展要求电能计量工作必须提高管理水平，保证计量的准确、可靠，而这一切都是必须要依靠科技的进步和发展才能实现的。当前，各种数据库技术和计算机操作系统飞速发展，特别是因特网网络技术广泛的应用，促使我们在计量管理上采用新的技术手段来进行管理具有更宽的选择空间。电能计量装置管理包括计量方案的确定、计量器具的选用、订货验收、检定、检修、保管、安装、竣工验收、运行维护、现场检验、周期检定(轮换)、抽检、故障处理和报废的全过程管理，以及与电能计量有关的远方集中抄表系统、负荷控制系统等相关内容的管理。抓好计量装置管理，应制定相关控制措施，强化监督力度、促进电力营销服务创新、管理创新和技术创新。

在以上电能计量装置管理的内容中，电能计量装置的运行维护、现场检验、周期检定(轮换)、抽检等工作不仅任务繁重，工作量大，而且根据历史经验，现场校验的检查项目较少，一般较难发现问题，迫切需要用新的技术、新的手段解决电能计量装置在实际运行中存在的现实问题和困难。申请号201410413185.9的发明公开了一种电能计量装置整体计量误差的在线评估方法和系统，实现方案为：本发明公开一种电能计量装置整体计量误差的在线评估方法和系统，该方法步骤为：1)在线获取多组电能量数据，计算对应的母线电量不平衡率并建立映射模型；2)取任意两条线路构成线路对，每次设定当前线路对的虚拟电能量值、其余线路为0，根据映射模型计算得到虚拟母线电量不平衡率并作为当前线路对的电能计量装置的整体计量相对误差，最终得到所有线路对的整体计量相对误差；3)将整体计量相对误差分别与预设的误差条件进行比较判定误差状态；该系统包括映射模型建立模块、相对误差计算模块以及误差状态评估模块。

传统的电能计量装置状态评估方法为：现场检验、周期检定(轮换)、抽检等，工作不仅任务繁重，工作量大，盲目性强。现有技术方法需要选取目标装置存在电气拓扑关系的多个相邻设备的电气参数，数据采集容易受到数据完整性或采集通道是否完好等方面的制约。现有技术方法主要以计量误差这一方面作为落脚点，实现复杂，需要的相关电参量数据较多。因此，如何简化状态评估流程，对电能计量装置运行状态实现快速识别与简易评估为亟待解决的问题。

发明内容

本发明的目的是提供一种电能计量装置状态评估方法，以实现对电能计量装置运行状态进行快速识别与简易评估。

为解决上述技术问题，本发明提供一种电能计量装置状态评估方法，该方法包括：

对目标用户计量数据进行预处理，形成样本集；样本集包括自变量X和因变量Y；

对因变量Y建立偏最小二乘回归模型；

将偏最小二乘回归模型与因变量理论计算方程进行比对，得到状态监测结果。

优选的，目标用户计量数据为负荷数据。

优选的，自变量X包括峰行度x₁、谷行度x₂和平行度x₃，因变量Y为负荷行度总额y。

优选的，所述对因变量Y建立偏最小二乘回归模型之前，还包括：

计算自变量X和因变量Y之间的相关系数，依据相关系数判定自变量X和因变量Y之间存在多重相关性。

优选的，所述最小二乘回归模型为最小二乘回归方程；最小二乘回归方程为：y＝C+β₁x₁+β₂x₂+β₃x₃，C为常数项，β₁、β₂和β₃为系数项。

优选的，所述对因变量Y建立偏最小二乘回归模型，包括：

根据偏最小二乘回归算法获取第一成分t1，轴向量w1及回归系数p1，进行交叉性检验，继而判断是否提取下一个成分，最后形成最小二乘回归模型。

优选的，所述将偏最小二乘回归模型与因变量理论计算方程进行比对，得到状态监测结果，包括：

将偏最小二乘回归方程y＝C+β₁x₁+β₂x₂+β₃x₃与因变量理论计算方程y＝x₁+x₂+x₃作系数对比分析，反映电能计量装置的运行状态渐变过程，得到状态监测结果。

本发明所提供的一种电能计量装置状态评估方法，对目标用户计量数据进行预处理，形成样本集；样本集包括自变量X和因变量Y；对因变量Y建立偏最小二乘回归模型；将偏最小二乘回归模型与因变量理论计算方程进行比对，得到状态监测结果。可见，该方法在目标用户电气量测数据基础上，采用偏最小二乘回归方法对目标用户后台监测数据即用电行度进行数据回归剖析，以回归方程中系数观测值与真实值作对比作为间接反映设备运行状态的参数，如此，采集更容易获取的电能量信息即用户行度信息，简化状态评估流程，对目标用户电能计量装置运行状态实现快速识别与简易评估。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明所提供的一种电能计量装置状态评估方法的流程图。

具体实施方式

本发明的核心是提供一种电能计量装置状态评估方法，以实现对电能计量装置运行状态进行快速识别与简易评估。

为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参考图1，图1为本发明所提供的一种电能计量装置状态评估方法的流程图，该方法包括：

S11：对目标用户计量数据进行预处理，形成样本集；

其中，样本集包括自变量X和因变量Y；

S12：对因变量Y建立偏最小二乘回归模型；

S13：将偏最小二乘回归模型与因变量理论计算方程进行比对，得到状态监测结果。

可见，该方法在目标用户电气量测数据基础上，采用偏最小二乘回归方法对目标用户后台监测数据即用电行度进行数据回归剖析，以回归方程中系数观测值与真实值作对比作为间接反映设备运行状态的参数，如此，采集更容易获取的电能量信息即用户行度信息，简化状态评估流程，对目标用户电能计量装置运行状态实现快速识别与简易评估。

基于上述方法，具体的，目标用户计量数据为负荷数据。

其中，自变量X包括峰行度x₁、谷行度x₂和平行度x₃，因变量Y为负荷行度总额y。

进一步的，步骤S12之前还包括：计算自变量X和因变量Y之间的相关系数，依据相关系数判定自变量X和因变量Y之间存在多重相关性。

其中，所述最小二乘回归模型为最小二乘回归方程；最小二乘回归方程为：y＝C+β₁x₁+β₂x₂+β₃x₃，C为常数项，β₁、β₂和β₃为系数项。

进一步的，步骤S12的过程具体包括：根据偏最小二乘回归算法获取第一成分t1，轴向量w1及回归系数p1，进行交叉性检验，继而判断是否提取下一个成分，最后形成最小二乘回归模型。

进一步的，步骤S13的过程具体包括：将偏最小二乘回归方程y＝C+β₁x₁+β₂x₂+β₃x₃与因变量理论计算方程y＝x₁+x₂+x₃作系数对比分析，反映电能计量装置的运行状态渐变过程，得到状态监测结果。

详细的，最小二乘(PLS)的回归算法是不直接根据样本信息进行分析评判，而是利用PLS将变量的主成分分析、变量间的典型相关分析和多元线性回归有机的结合起来，在一个算法下实现数据结构简化及将各种属性或维度的数据整合为一个整体。针对电能计量装置监测数据属性的多样性，PLS算法能融合各样本数据之间的差异性，从而进行属性约简，有效防止样本属性之间的多重相关性对监测模型的影响。

本发明在目标用户电气量测数据基础上，采用偏最小二乘回归方法对目标用户后台监测数据(用电行度)进行数据回归剖析，以回归方程中系数观测值与真实值作对比作为间接反映设备运行状态的参数。

其中，偏最小二乘回归是一种用于解决多元数据统计分析问题的方法，它集成了多元线性回归分析、典型相关分析和主成分分析的基本功能，又被称为第二代回归分析方法。近年来，该分析方法得到迅速发展，应用范围也涉及电力、水文、建筑、社会等诸多领域。该方法在统计应用中的优点在于：

1)用于回归建模的变量集合内部相关性较强时，偏最小二乘回归分析方法的结论更加可靠；

2)能够解决许多普通多元回归方法无法解决的问题，适用范围更广，如最小二乘法进行回归时存在的自变量多重相关问题；

3)同时实现回归建模、数据结构简化以及两组变量间的相关分析，是多元统计数据分析中的一个飞跃。

基于偏最小二乘回归算法基本理论，详细的，对于数据总体能够满足高斯-马尔可夫假设条件的一组因变量Y＝{y₁,…,y_n}_m×n和一组自变量X＝{x₁,…,x_n}_m×n，利用最小二乘法对X和Y进行回归计算的系数矩阵为B_xy＝(X^TX)^-1X^TY，式中上标“T”、“-1”分别代表矩阵的转置和求逆操作，以下公式的表述含义相同。在B_xy基础上可得到因变量估计值的计算表达式从的计算式中可看出，矩阵(X^TX)必须可逆。所以，当X中的变量存在严重的多重相关性时，根本无法求出因变量估计值或者估计值中包含大量误差。而偏最小二乘回归有效解决了这类问题，其基本步骤如下：

(1)数据标准化处理。自变量X＝{x₁,…,x_n}_m×n、因变量Y＝{y₁,…,y_n}_m×n经标准差标准化处理后的数据矩阵记为E₀＝(E₀₁,…,E_0n)和F₀＝(F₀₁,…,F_0n)。其中，对矩阵X、Y的第一列m个数据进行标准差标准化的见公式如下。

式中，E₀₁、F₀₁分别为标准化矩阵E₀和F₀的第一列，X₁、Y₁分别表示矩阵X、Y的第一列；mean表示平均值运算，std代表标准差运算。

(2)提取自变量标准化后矩阵E₀的第一个成分c_t1。其中，c_t1＝E_ocw1，c_w1是E₀的第一个轴，它是一个单位向量，即||c_w1||＝1，成分c_t1是标准化变量E₀₁、…、E_0n的线性组合，是对原信息的重新调整；从因变量标准化后矩阵F₀中提取第一个成分c_u1，即c_u1＝F_o c_c1。其中，c_c1的模值||c_c1||＝1，表示F₀的第一个轴。

为使E₀、F₀的第一个成分c_t1、c_u1能分别很好地代表X与Y中的数据变异信息，且第一成分c_t1、c_u1之间要求c_t1对c_u1有最大的解释能力，即为要求c_t1与c_u1的协方差达到最大，亦即：

式中，Cov为求协方差运算，Var为求方差的运算，r_ctu为c_t1与c_u1的相关系数。

将式(2)转化为式(3)的优化问题，对c_t1和c_u1进行求解。即，在||c_wl||²＝1和||c_c1||²＝1两个约束条件下，求取(c_wl′E_o′F_oc_c1)的最大值。

构建拉格朗日方程，对上式进行计算，可得：

求得c_wl和c_cl后，即可求得成分c_t1和c_u1，有：

然后，分别求出E₀和F₀对c_t1和c_u1的回归方程：

式中，E_l，F_l是回归方程的残差矩阵，c_p1、c_r1是回归系数向量。

回归系数向量c_p1、c_r1分别为：

(3)用残差矩阵E_l和F_l代替E₀和F₀，求第二个轴c_w2和c_c2以及第二个成分c_t2和c_u2，有：

c_t2＝E₁c_w2 (10)

c_u2＝F₁c_c2 (11)

同样可计算出E₁和F₁对c_t2和c_u2的回归方程和回归系数向量c_p2、c_r2：

(4)按上述步骤持续计算下去，如果自变量X的秩是A，则会有：

由于c_t1，…，c_tA均可表示成E₀₁，…，E_0n的线性组合，因此，式(17)可以还原成：

F_0k＝α_k1E₀₁+…+α_knE_0n+F_Ak(k＝1，2，…，m) (18)

式中，F_Ak是残差矩阵F_A的第k列；α_k1、…、α_kn为自变量的系数。

最后，通过标准化的逆过程，得到因变量Y关于自变量X的回归方程为：

另外，对于交叉有效性分析，许多情形下，偏最小二乘回归方程并不需要选用全部的成分c_t1，…，c_tA，而是通过截断的方式选择部分成分。其基本思想是：通过考察增加一个新的成分后，能否对模型的预测功能有明显的改进来确定成分的个数。成分个数确定的主要步骤如下：

1)选择n_h个成分，使用所有样本点进行回归建模，并将第n_k个样本点带入，得到拟合值按式(20)计算y_g的误差平方和SS_hg，进而计算Y的误差平方和SS_h。

2)把所有n_xy个样本点分成两部分：第一部分是除去某个样本点xy_nk的所有样本点集合(共含n_xy-1个样本点)，用这部分样本点并使用n_h个成分拟合一个回归方程；第二部分是把刚才被排除的样本点xy_nk带入前面拟合的回归方程，得到y_g在样本点xy_nk上的拟合值按式(21)计算y_g的预测误差平方和PRESS_hg，进而计算Y的预测误差平方和PRESS_h。

3)对于全部因变量Y，成分c_th的交叉有效性定义为

当式(22)中时，表明c_th成分的边际贡献是显著的，需要继续计算c_t(h+1)成分的作用，否则，停止计算。

以上可见，偏最小二乘回归通过分析自变量、因变量以及自变量和因变量之间的关系，提取变量系统中具有最佳解释能力的新综合变量，利用它们进行回归建模，能够有效解决样本个数较少以及自变量存在多重相关的问题；在回归建模的同时，能够实现数据结构的简化，方便观察两组变量之间的相互关系，使数据系统的分析内容更加丰富。

详细的，本发明提供的电能计量装置状态评估方法，具体实现步骤如下：

1)首先对目标用户计量数据(包括负荷数据等)进行预处理(包括非常规工作日数据的剔除处理、数据的量化处理和归一化处理)，形成样本集；即获取自变量(峰谷平行度→x₁,x₂,x₃)及因变量(总行度→y)。

2)形成自变量与因变量间的相关系数矩阵，判断是否存在多重相关性。

3)根据前文所述偏最小二乘建模步骤获取第一成分t1，轴向量w1及回归系数p1，进行交叉性检验，继而判断是否提取下一个成分，最后形成最小二乘回归方程。

4)以偏最小二乘回归方程y＝C+β₁x₁+β₂x₂+β₃x₃(C为常数项，β为系数项)与因变量理论计算方程y＝x₁+x₂+x₃作系数对比分析，进而间接反映设备运行状态渐变过程。

系数项β_i(i＝1,2,3)偏离1的程度，为相应时段出现装置计量异常(电量少计或窃电等)的概率；以Ⅲ类表为例，其计量精度为1％，考虑算法中回归拟合出现的计算误差，可选择裕度1.2-1.5，即若裕度系数为1.5，则β的合理判据范围为(0.985，1.015)。常数项C偏离0的程度，为装置在整个计量周期的误差因子，其绝对值越大，表明计量异常越趋明显。在此基础上，能够为设备状态评估、检修措施制定提供辅助分析。

例如，某负荷容量为10MW的电子企业用户(Ⅲ类)连续工作15天的用电监测数据(已剔除节假日数据)如表1所示，表1为某企业负荷行度数据。

表1

对该企业的用电行为分析如下：

步骤一：数据获取。计量自动化系统给出的数据已完成该步骤。

步骤二：利用15组成对负荷数据建立自变量和因变量数据表，其中自变量X包括峰行度x₁、谷行度x₂和平行度x₃三个，因变量Y为24h负荷行度总额y，对其计算自变量因变量间的相关系数，可得相关系数如表2所示，表2为自变量因变量间的相关系数。

表2

从表2可以判断自变量间存在着多重相关性。

步骤三：对总用电行度Y建立偏最小二乘回归模型。依上文中的理论和公式，利用matlab仿真软件编程计算，得到计算结果如下：

1)将X和Y通过标准化处理成E₀和F₀后，在E₀中提取成分t₁。

w₁＝[-0.8645 -0.4937 0.0946]

p₁＝[-0.7318 -0.6604 0.4364]

r₁＝-0.6840

计算y^*在t₁上的回归：

式中,y*＝F₀均为标准化变量。

交叉有效性检验为Q²＝1>0.0975，表明成分贡献显著，继续计算其它成分。

2)在E₁中提取成分t₂

w₂＝[-0.3293 0.4141 -0.8486]

p₂＝[-0.3806 0.5173 -0.7783]

r₂＝-0.3704

计算y^*在t₁和t₂上的回归：

交叉有效性检验为Q²＝0.3731>0.0975，继续计算。

3)在E2中提取成分t₃

w₃＝[-0.3798 0.7648 0.5205]

p₃＝[-0.3798 0.7648 0.5205]

r₃＝2.0108

计算y^*在t₁、t₂和t₃上的回归：

交叉有效性检验为Q²＝-0.2882<0.0975，表明t₃的边际贡献不显著，停止计算。

4)通过以上分析可知，提取2个成分即可满足要求，则偏最小二乘法的标准化变量回归方程为：

通过数据标准化的逆过程，可得到原始变量y对x的偏最小二乘回归方程为：

y＝0.0766+0.97S8x₁+1.0007x₂+0.9982x₃ (23)

步骤四：由式(23)可知，偏最小二乘法建立的回归模型与电能总行度计算公式y＝x₁+x₂+x₃相比，存在较大的表示噪声大小的常数项(0.0766)，并且在表示峰用电时段电量的x₁处的系数反映出计量准确性不足。因此，可评估其电能计量装置在用户峰用电时段采集的数据有失真的嫌疑。

经计量自动化后台对该用户对应线路的相关信息检索，查询到该企业所处馈线同期线损出现明显增幅，目标用户后台告警列表中出现多次“负荷过载”与“电能表飞走”告警，对比回归方程中的系数变化，可得出被核查用户在峰用电时段存在计量异常的基本结论，应该去现场检查其计量装置。

本发明采用偏最小二乘算法只需要输入多组多项电能量信息即峰谷平行度，就可以得出最后的回归方程；对回归方程的常数项及系数项与原始值作类比差异，即可得出相应的电能计量装置状态评估结果。本发明实用性强，训练时间要低于现有技术，同时识别精度相较于现有技术也大幅度提高；在偏最小二乘回归模型中，每一个自变量的回归系数将更容易解释。

另外，本发明通用性强，只采集电能量数据，即用户行度就能获取状态监测结果，现有技术需同时采集多个存在拓扑关系的多项数据进行评估。并且本发明稳定性高，信号处理中自适应算法收敛速度快，对于不同研究对象样本都能有较高的计算能力，而且容差性强，信号采集中可采用非连续的信号进行装置状态监测与评估。

以上对本发明所提供的一种电能计量装置状态评估方法进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。

Claims (7)

1.一种电能计量装置状态评估方法，其特征在于，包括：

对目标用户计量数据进行预处理，形成样本集；样本集包括自变量X和因变量Y；

对因变量Y建立偏最小二乘回归模型；

将偏最小二乘回归模型与因变量理论计算方程进行比对，得到状态监测结果。

2.如权利要求1所述的方法，其特征在于，目标用户计量数据为负荷数据。

3.如权利要求2所述的方法，其特征在于，自变量X包括峰行度x₁、谷行度x₂和平行度x₃，因变量Y为负荷行度总额y。

4.如权利要求1所述的方法，其特征在于，所述对因变量Y建立偏最小二乘回归模型之前，还包括：

计算自变量X和因变量Y之间的相关系数，依据相关系数判定自变量X和因变量Y之间存在多重相关性。

5.如权利要求3所述的方法，其特征在于，所述最小二乘回归模型为最小二乘回归方程；最小二乘回归方程为：y＝C+β_1x1+β_2x2+β_3x3，C为常数项，β₁、β₂和β₃为系数项。

6.如权利要求1所述的方法，其特征在于，所述对因变量Y建立偏最小二乘回归模型，包括：

根据偏最小二乘回归算法获取第一成分t1，轴向量w1及回归系数p1，进行交叉性检验，继而判断是否提取下一个成分，最后形成最小二乘回归模型。

7.如权利要求5所述的方法，其特征在于，所述将偏最小二乘回归模型与因变量理论计算方程进行比对，得到状态监测结果，包括：

将偏最小二乘回归方程y＝C+β_1x1+β_2x2+β_3x3与因变量理论计算方程y＝x₁+x₂+x₃作系数对比分析，反映电能计量装置的运行状态渐变过程，得到状态监测结果。