CN110082699A - 一种低压台区智能电能表运行误差计算方法及其系统 - Google Patents

Abstract

本发明涉及一种低压台区智能电能表运行误差计算方法，具体包括以下步骤：(1)数据预处理，对用采系统采集到的原始用电数据进行分析，将脏数据梳理分类，并按照分类进行预处理；(2)数据预处理完成后，通过时间窗口循环选取重新构建的数据；(3)使用选取的数据构建模型方程组，并求解模型方程组，得到计算结果；(4)基于循环计算的结果，通过离群点检测算法，标识异常电能表。本发明通过对脏数据进行梳理分类，处理原始数据中缺失、异常部分；通过正则化方法，处理方程组病态性；通过离群点检测算法，标识异常对象，从而为电能表检定工作提供新的手段。

Description

一种低压台区智能电能表运行误差计算方法及其系统

技术领域

本发明属于电力计量领域，涉及低压台区智能电能表运行误差计算技术，具体是一种低压台区智能电能表运行误差计算方法及其系统。

背景技术

随着智能电能表的深化应用，电网结构的复杂化，用户用电性质的多样化，以及用户对供电服务质量的高标准化要求，传统的电能表现场检测的服务方式已无法满足目前低压台区运行的管理要求，存在工作量大、校验时间长、校验效率较低等缺点。与此同时，2009年以来，国家电网公司大力建设用电信息采集系统，目前已实现全域4.5亿只电表运行。系统经过多年运营，积累了海量的用电数据。大量的数据蕴含着丰富的用电信息，有待通过合适的方法开发。目前尚缺少基于低压台区居民用户的用电数据，准确分析计算出电能表的运行误差的有效方法。

发明内容

本发明的目的在于克服现有技术的不足之处，提供一种低压台区智能电能表运行误差计算方法及其系统，基于低压台区居民用户的用电数据，分析计算出电能表的运行误差，从而有效化解传统计量检定方式面对的种种难题，提高工作效率。

本发明解决其技术问题是采取以下技术方案实现的：

一种低压台区智能电能表运行误差计算方法，其特征在于：具体包括以下步骤：

(1)对用采系统采集到的原始用电数据进行分析，将脏数据梳理分类，并按照分类进行预处理；

(2)数据预处理完成后，通过时间窗口循环选取重新构建的数据；

(3)使用选取的数据构建模型方程组，并求解模型方程组，得到计算结果；

(4)基于循环计算的结果，并根据计算结果最终标识出发生运行误差的异常电能表。

而且，所述步骤(1)中对于分类后的数据的预处理方法，具体如下：

①缺失的负荷数据

当缺失数据数量不影响计算时，直接剔除存在缺失值的日期；当缺失的数据数量影响计算时，采用线性插值的方法补全；

②缺失的互感器变比

剔除该类用户数据；

③长期未用电的用户数据

剔除该类用户数据；

④异常的负荷数据

按照离群点检测算法计算出每一天的线损率后，利用基于相对密度的离群点检测算法，判别出线损率明显异常的日期，并将异常数据全部剔除，从而过滤数据中的异常值。

而且，所述线性插值的方法补全，具体步骤为：若用户第t天的负荷数据缺失，则计算该用户第t-1天和第t+1天用电数据的平均值，作为缺失数据的近似值。

而且，所述步骤(3)中构建模型方程组求解方法为：

设A＝(a_ij)∈C^m×n(m≥n)，且σ₁≥σ₂≥…≥σ_r＞0，则存在m阶和n阶的矩阵U与V，使得：

A＝UDV^T

其中D＝diag(σ₁,σ₂,…,σ_r,0,…,0)_m×n，上式称为矩阵A的奇异值分解，而σ₁,σ₂,…,σ_r,0,…,0(共n个)称为A的奇异值，若A可逆，则方程组AX＝b的解可表示为：

X＝A^-1b

将上式代入式A＝UDV^T：

X＝VD^-1U^Tb

展开得：

截断奇异值方法去掉较小的奇异值对应的成分，只保留前k个奇异值。

而且，所述步骤(4)具体是经过步骤(3)循环计算后，每块电能表都获得了若干个的测量误差值，利用基于相对密度的离群点检测算法来标识出运行误差的智能电能表。

而且，所述离群点检测算法的具体步骤如下：⑴建立以下基础数据模型：

①对于正整数k，对象p的k最近邻距离k_distance(p)定义为：

1)除p外，至少有k个对象o满足distance(p,o)≤k_distance(p)；

2)除p外，至多有k-1个对象o满足distance(p,o)＜k_distance(p)；

②在此基础上，定义对象的局部邻域密度为：

③相对密度定义为：

其中，N(x,k)是不包含x的k-最近邻的集合，|N(x,k)|是该集合的大小；

⑵在建立基础数据模型的基础上，进行基于相对密度的离群点检测算法的以下计算步骤：

①对于每一对象x，确定x的k-最近邻集合N(x,k)和密度density(x,k)；

②对于每一对象x，计算其相对密度realtivedensity(x,k)；

③将各对象的相对密度降序排列，确定相对密度大的，明显偏离的若干对象为离群点。

一种低压台区智能电能表运行误差计算系统，其特征在于：包括数据预处理模块、数据选取模块、模型求解模块以及异常标识模块，所述数据预处理模块、数据选取模块、模型求解模块以及异常标识模块依次顺序连接，其中模块求解模块一个输出端返回数据选取模块循环计算；

数据预处理模块用于对用采系统采集到的原始用电数据进行分析，将脏数据梳理分类，并按照分类进行预处理；

数据选取模块用于数据预处理完成后，通过时间窗口循环选取重新构建的数据；

模型求解模块用于使用选取的数据构建模型方程组，并求解模型方程组，得到计算结果；

异常标识模块用于基于循环计算的结果，并根据计算结果最终标识出发生运行误差的异常电能表。

而且，所述数据预处理模块的预处理功能包括：剔除不影响计算的缺失的负荷数据或利用插值法补全影响计算的缺失的负荷数据、剔除缺失的互感器变比数据、剔除长期未用电的用户数据以及剔除异常的负荷数据。

而且，所述异常标识模块经过模型求解模块循环计算后，每块电能表都获得了若干个的测量误差值，利用异常标识模块内的相对密度的离群点检测模块来标识出运行误差的智能电能表。

而且，所述相对密度的离群点检测模块的功能包括建立以下基础数据模型，以及在建立基础数据模型的基础上，进行基于相对密度的离群点检测算法。

本发明的优点和积极效果是：

1、本发明通过对脏数据进行梳理分类，处理原始数据中缺失、异常部分；通过正则化方法，处理方程组病态性；通过离群点检测算法，标识异常对象，从而为电能表检定工作提供新的手段。

2、本发明通过低压台区智能电能表运行误差远程分析框架的构建，既可以充分挖掘海量用电数据的潜力，也可以大大的减轻计量检定工作的工作量，提高效率。

附图说明

图1为低压台区智能电能表运行误差的远程分析方法流程图；

图2为L曲线法标识异常电能表示意图。

具体实施方式

下面结合附图并通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。

一种低压台区智能电能表运行误差计算方法，针对用采系统采集到的原始用电数据中，普遍存在着缺失，异常，轻载等现象，以及模型方程组的病态性严重，求解困难的问题，针对性的提出了解决措施。参见附图1所示，具体包括以下步骤：

(1)数据预处理：根据用电数据的特点和数据分析的需要，将“脏数据”的类型梳理分类，并针对每一小类脏数据，分别提出针对性的处理措施，具体如下；

①缺失的负荷数据

有时因为用采系统数据采集失败，会出现负荷数据缺失的情况。当缺失数据较少时，可以直接剔除存在缺失值的日期。当缺失的数据较多时，以至于无法通过直接剔除的方式来处理时，采用线性插值的方法补全，若用户第t天的负荷数据缺失，则计算该用户第t-1天和第t+1天用电数据的平均值，作为缺失数据的近似值。

②缺失的互感器变比

极少数情况下，会出现缺失互感器变比数据的情况。此时，因为无从得知用户的真实用电量，故无法进行该台区的电能表运行误差分析。

③长期未用电的用户数据

考虑实际中，存在着部分用户长时间不用电的情况。此时其电表测量的用电量虽然不为空，但始终为0。由于项目研究基于用电数据进行分析，如果用电量始终为0，研究分析电表的误差也就无从谈起。这类长时间未产生用电数据的电能表，是数据分析的“盲区”。考虑研究需要，将该类用户相关的数据剔除。

④异常的负荷数据(跳大数或跳小数)

所谓异常的负荷数据是指，明显高于或低于相邻时间段的用电数据。考虑到不能完全排除是用户短期内用电行为的改变(如出差，短时间使用大功率用电器等)，所以通过构造线损率这个特征来帮助识别异常数据。由于短期内低压台区的理论线损值通常稳定在一定水平，如果某日的理论线损值明显异常，证明该日数据存在异常。所以按照前述方法计算出每一天的线损率后，利用基于相对密度的离群点检测算法，判别出线损率明显异常的日期，并将异常数据全部剔除，从而过滤数据中的异常值。

完成上述数据处理后，从数据分析的需要出发，构建新的数据特征，为后续的数据分析打下基础；

用户的日用电量依照如下的等式计算：

L_x,t＝(M_x,t+1-M_x,t)×K_TV×K_TA

式中，Lx,t是户号为x的电能表在第t天测得的负荷用电量，即相应用户在当天的用电量；Mx,t是户号为x的电能表在第t天的读数；KTV、KTA分别是电压互感器、电流互感器的变比。

在本项目中，台区每日的线损率主要用于在数据清洗步骤中识别异常数据，其计算依照如下等式进行：

(ΔP％)_t＝(L_总,t-∑L_x,t)÷L_总,t×100％

式中，(ΔP％)t表示台区在t天的线损率；L总,t表示台区总表在第t天测得的负荷用电量。

(2)选取数据：数据预处理完成后，通过时间窗口循环选取重新构建的数据；

(3)求解模型：使用选取的数据构建模型方程组，并求解模型方程组，通过正则化方法，处理模型方程组的病态性，得到近似解；

在研究过程中，模型方程组始终表现出较强的病态性，求解困难，针对这个问题，本实施例提出通过阶段奇异值方法(正则化方法)来处理方程病态性，从而得到较满意的解。

设A＝(a_ij)∈C^m×n(m≥n)，且σ₁≥σ₂≥…≥σ_r＞0，则存在m阶和n阶的矩阵U与V，使得：

A＝UDV^T

其中D＝diag(σ₁,σ₂,…,σ_r,0,…,0)_m×n。

上式称为矩阵A的奇异值分解，而σ₁,σ₂,…,σ_r,0,…,0(共n个)称为A的奇异值。

若A可逆，则方程组AX＝b的解可表示为：

X＝A^-1b

将上式代入式A＝UDV^T：

X＝VD^-1U^Tb

展开，可得：

显然对于较小的奇异值所对应的分量，当常数向量b有较小的波动时，都会被该奇异值无限放大，进而对解产生严重的干扰。通常，矩阵的奇异值是快速下降的。较大的几个奇异值，可以占到所有奇异值之和的大部分。对于病态方程系数矩阵的奇异值而言，其最大的奇异值可能是最小奇异值的10⁴倍甚至更多；截断奇异值方法即通过去掉较小的奇异值对应的成分，只保留前k个奇异值，虽然损失了部分精度，但满足了解的稳定性。

(4)标识异常表：基于循环计算的结果获得电能表的测量误差值，并根据计算结果标识出发生运行误差的异常电能表。

经过循环计算后，每块电能表都获得了若干个的测量误差值。所以可以将每块表看作多维空间中的一个点，利用基于相对密度的离群点检测算法来标识出异常的智能电能表。

离群点检测算法的具体步骤如下：

一个对象是否为离群点不仅仅取决于它与周围数据的距离大小，而且与其邻域内的密度状况有关。一个对象的邻域密度可以用包含固定节点个数的邻域半径来衡量，包含固定节点数的领域半径越大，其密度越小。

对于正整数k，对象p的k最近邻距离k_distance(p)定义为：

(1)除p外，至少有k个对象o满足distance(p,o)≤k_distance(p)；

(2)除p外，至多有k-1个对象o满足distance(p,o)＜k_distance(p)。

在此基础上，定义对象的局部邻域密度为：

相对密度定义为：

其中，N(x,k)是不包含x的k-最近邻的集合，|N(x,k)|是该集合的大小，其值可能大于k。

基于相对密度的离群点检测算法由以下三步组成：

首先，对于每一对象x，确定x的k-最近邻集合N(x,k)和密度density(x,k)；之后，对于每一对象x，计算其相对密度realtivedensity(x,k)；最后，将各对象的相对密度降序排列，确定相对密度大的，即明显偏离的若干对象为离群点。

计算出各对象的离群因子后，通过使用“L曲线法”标识异常电能表。在存在异常电能表的台区内，将各表的相对密度降序排列绘图后，曲线往往呈现出“L”型。如图2所示，为某小区相对密度降序曲线图。这是因为，台区内的大部分电能表仍在正常工作，构成了L曲线横着的一部分。少部分异常电能表表现出超出其它表的误差水平，构成了L曲线竖着的另一部分。

显然，只要能够将曲线的这两部分区分开，就可以标识出异常的表来。常规的做法是通过找L曲线的“拐点”，即曲率最大的点，来区分两部分曲线。如图2所示，找到“拐点”后，就可以将该点左侧的所有点标识为异常点，而该点右侧的所有点则为正常点。

实际操作中，由于离群算法计算所得的是离散数据，所以首先需要通过三次样条插值方法得到相应的拟合曲线，也即真正意义上的“L曲线”，然后通过拟合曲线的表达式，计算出曲线上曲率最大的一个点。之后，将该点左侧所有的离散点标识为异常点即可。

一种低压台区智能电能表运行误差计算系统，其特征在于：包括数据预处理模块、数据选取模块、模型求解模块以及异常标识模块，所述数据预处理模块、数据选取模块、模型求解模块以及异常标识模块依次顺序连接，其中模块求解模块一个输出端返回数据选取模块循环计算；

数据预处理模块用于对用采系统采集到的原始用电数据进行分析，将脏数据梳理分类，并按照分类进行预处理；

数据选取模块用于数据预处理完成后，通过时间窗口循环选取重新构建的数据；

模型求解模块用于使用选取的数据构建模型方程组，并求解模型方程组，得到计算结果；

异常标识模块用于基于循环计算的结果，并根据计算结果最终标识出发生运行误差的异常电能表。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (10)

1.一种低压台区智能电能表运行误差计算方法，其特征在于：具体包括以下步骤：

(1)对用采系统采集到的原始用电数据进行分析，将脏数据梳理分类，并按照分类进行预处理；

(2)数据预处理完成后，通过时间窗口循环选取重新构建的数据；

(3)使用选取的数据构建模型方程组，并求解模型方程组，得到计算结果；

(4)基于循环计算的结果，并根据计算结果最终标识出发生运行误差的异常电能表。

2.根据权利要求1所述的低压台区智能电能表运行误差计算方法，其特征在于：所述步骤(1)中对于分类后的数据的预处理方法，具体如下：

①缺失的负荷数据

当缺失数据数量不影响计算时，直接剔除存在缺失值的日期；当缺失的数据数量影响计算时，采用线性插值的方法补全；

②缺失的互感器变比数据

剔除该类用户数据；

③长期未用电的用户数据

剔除该类用户数据；

④异常的负荷数据

按照离群点检测算法计算出每一天的线损率后，利用基于相对密度的离群点检测算法，判别出线损率明显异常的日期，并将异常数据全部剔除，从而过滤数据中的异常值。

3.根据权利要求2所述的低压台区智能电能表运行误差计算方法，其特征在于：所述线性插值的方法具体步骤为：若用户第t天的负荷数据缺失，则计算该用户第t-1天和第t+1天用电数据的平均值，作为缺失数据的近似值。

4.根据权利要求1所述的低压台区智能电能表运行误差计算方法，其特征在于：所述步骤(3)中构建模型方程组求解方法为：

设A＝(a_ij)∈C^m×n(m≥n)，且σ₁≥σ₂≥…≥σ_r＞0，则存在m阶和n阶的矩阵U与V，使得：

A＝UDV^T

其中D＝diag(σ₁,σ₂,…,σ_r,0,…,0)_m×n，上式称为矩阵A的奇异值分解，而σ₁,σ₂,…,σ_r,0,…,0(共n个)称为A的奇异值，若A可逆，则方程组AX＝b的解可表示为：

X＝A^-1b

将上式代入式A＝UDV^T：

X＝VD^-1U^Tb

展开得：

截断奇异值方法去掉较小的奇异值对应的成分，只保留前k个奇异值。

5.根据权利要求1所述的低压台区智能电能表运行误差计算方法，其特征在于：所述步骤(4)具体是经过步骤(3)循环计算后，每块电能表都获得了若干个的测量误差值，利用基于相对密度的离群点检测算法来标识出运行误差的智能电能表。

6.根据权利要求5所述的低压台区智能电能表运行误差计算方法，其特征在于：所述离群点检测算法的具体步骤如下：⑴建立以下基础数据模型：

①对于正整数k，对象p的k最近邻距离k_distance(p)定义为：

1)除p外，至少有k个对象o满足distance(p,o)≤k_distance(p)；

2)除p外，至多有k-1个对象o满足distance(p,o)＜k_distance(p)；

②在此基础上，定义对象的局部邻域密度为：

③相对密度定义为：

其中，N(x,k)是不包含x的k-最近邻的集合，|N(x,k)|是该集合的大小；

⑵在建立基础数据模型的基础上，进行基于相对密度的离群点检测算法的以下计算步骤：

①对于每一对象x，确定x的k-最近邻集合N(x,k)和密度density(x,k)；

②对于每一对象x，计算其相对密度realtive density(x,k)；

③将各对象的相对密度降序排列，确定相对密度大的，明显偏离的若干对象为离群点。

7.一种低压台区智能电能表运行误差计算系统，其特征在于：包括数据预处理模块、数据选取模块、模型求解模块以及异常标识模块，所述数据预处理模块、数据选取模块、模型求解模块以及异常标识模块依次顺序连接，其中模块求解模块一个输出端返回数据选取模块循环计算；

数据预处理模块用于对用采系统采集到的原始用电数据进行分析，将脏数据梳理分类，并按照分类进行预处理；

数据选取模块用于数据预处理完成后，通过时间窗口循环选取重新构建的数据；

模型求解模块用于使用选取的数据构建模型方程组，并求解模型方程组，得到计算结果；

异常标识模块用于基于循环计算的结果，并根据计算结果最终标识出发生运行误差的异常电能表。

8.根据权利要求7所述的低压台区智能电能表运行误差计算系统，其特征在于：所述数据预处理模块的预处理功能包括：剔除不影响计算的缺失的负荷数据或利用插值法补全影响计算的缺失的负荷数据、剔除缺失的互感器变比数据、剔除长期未用电的用户数据以及剔除异常的负荷数据。

9.根据权利要求7所述的低压台区智能电能表运行误差计算系统，其特征在于：所述异常标识模块经过模型求解模块循环计算后，每块电能表都获得了若干个的测量误差值，利用异常标识模块内的相对密度的离群点检测模块来标识出运行误差的智能电能表。

10.根据权利要求7所述的低压台区智能电能表运行误差计算系统，其特征在于：所述相对密度的离群点检测模块的功能包括建立以下基础数据模型，以及在建立基础数据模型的基础上，进行基于相对密度的离群点检测算法。