CN110471024A - 一种基于量测数据分析的智能电表在线远程校验方法 - Google Patents

Abstract

本发明公开了一种基于量测数据分析的智能电表在线远程校验方法，所述方法基于用电数据，所述方法包括以下步骤：利用改进的模糊C均值聚类技术预处理原始量测数据时间序列，剔除轻载工况下的量测数据，作为在线远程校验模型的输入变量；在计算台区线损的基础上，建立智能电表误差求解方程；基于限定记忆递推最小二乘算法估计智能电表运行误差；对智能电表误差估计结果进行校核与分析；结合智能电表在线远程校验结果进行业务辅助决策。本发明基于用电数据分析提高了智能电表误差估计的精准度、效率和实用性。

Description

一种基于量测数据分析的智能电表在线远程校验方法

技术领域

本发明涉及电力系统智能电表校验领域，尤其涉及一种基于量测数据分析的智能电表在线远程校验方法。

背景技术

智能电表是智能电网的重要组成部分，也是电网运行控制和供用电双方贸易结算的依据，其计量结果直接关系到电网安全及双方贸易结算是否公平合理，因此判定智能电表的运行误差状态尤为重要。

目前电能表拆检或由专业人员定期携带仪器设备到现场进行周期抽检是电力公司检定智能电表是否精确的主要方式。随着电网规模的扩大，智能电表计量点不断增多，我国已有超过5亿块电表运行。现有校验模式工作强度高、检定周期长、管理效率低下，难以满足智能电表状态检修和更换的要求。基于标准设备的远程校验系统主要由现场高精度前置采集装置、通信网络和主站服务器等部分组成。高精度前置采集装置(含标准表模块)采集现场数据并传送到远方主站，在主站侧采用标准比较法对电能表进行校验和运行误差分析。但该种方法需要添加大量的前置采集和通信设备，导致企业采购、维护成本的增加，且由于安装数量的限制，难以实现全范围的电能表监测，容易出现漏检。为了实现智能电表由定期更换向状态更换的方式转变，并确保计量的准确性，探寻一种高效精准的智能电表运行在线远程校验方式势在必行。

目前用于现有的基于量测数据分析的智能电表在线远程校验方法主要有普通最小二乘求逆、加权递归最小二乘两种方法，但方法的求解精度和实用性不高，容易受用户用电量水平，用户表数量、数据质量等因素影响^[1-2]。天津大学郭景涛^[3]在其博士论文中分析了应用AMI量测数据进行远程校验的可行性，提出基于AMI测量数据进行电能表误差分析的思路，无需借助外部标准仪器，仅通过集群内部已有的仪表相互比对计算误差。但该方法未能考虑算法中如测量时段数量、台区内电能表数量、单个低压用户表超差等情况对模型结果的影响。芬兰阿尔托大学的Akseli Korhonen等人^[4]推导出了一种基于树形拓扑的仪表系统误差的递归计算方法并确定了其置信区间，利用自动抄表数据进行表计误差的标定研究，由于该算法的适用性取决于能耗、表计数量、表计分辨率及预期精度等因素，特别是当总表与用户表计之间产生较大误差，或网络拓扑结构具有偏差时，该算法将难以胜任，在表计误差估计准确效果上有待提高。国家电网公司营销部对电能表状态检验方案展开研究，通过家族缺陷、在线监测、现场检验、定期触发四种触发方式，对电能表运行状态进行评分，根据评分结果，生成相应的检验策略。相关研究成果定性的将电能表分为几种状态，分析结果较为粗糙，无法实现基于数据分析的精确电能表远程校验。

发明内容

本发明提供了一种基于量测数据分析的智能电表在线远程校验方法，本发明基于用电数据分析提高了智能电表误差估计的精准度、效率和实用性，详见下文描述：

一种基于量测数据分析的智能电表在线远程校验方法，所述方法基于用电量测数据，所述方法包括以下步骤：

利用改进的模糊C均值聚类技术预处理原始量测数据时间序列，剔除轻载工况下的量测数据，作为在线远程校验模型的输入变量；

在计算台区线损的基础上，建立智能电表误差求解方程；基于限定记忆递推最小二乘算法估计智能电表运行误差；

对智能电表误差估计结果进行校核与分析；结合智能电表在线远程校验结果进行业务辅助决策，指导智能电表的状态更换，以及窃电、漏电在线检测等业务。

其中，所述在计算台区线损的基础上，建立智能电表误差求解方程具体为：

将剩余的量测数据按照时间顺序进行排序，分别构成量测数据的总、分表矩阵，作为限定记忆递推最小二乘误差求解的输入样本；

基于能量守恒定律，在任意量测时段内，台区总电能表的读数均等于各用户电能表真实值总和加上台区线路在该时段的损耗总和；

采用LM算法优化的多层前馈神经网络模型进行台区线损的计算。

进一步地，所述台区线损的计算具体为：

y(t)＝y₀(t)-w_loss(t)

其中，y₀(t)为台区总电能表在任意该量测时段的读数增量；w_loss(t)为该量测时段中台区所有线路损耗的电量。

其中，所述基于限定记忆递推最小二乘算法估计智能电表运行误差具体为：

选取和P(0，0)＝αΙ的初值；

当T≤L时，运用递推最小二乘算法获得电能表误差参数估计值及其对应的P(0,L-1)和增益矩阵K(0,L-1)，将其作为限定记忆最小二乘递推估计算法的初始量；

当T＞L时，进入限定记忆递推最小二乘估计模块；基于实际数据进行算例计算。

进一步地，所述对智能电表误差估计结果进行校核与分析具体为：

确定台区智能电表总数量与样本容量抽取的比例；

根据各用户用电量水平进行分层，确定各层抽取的智能电表样本数目；各层抽取智能电表数量之和等于样本容量；

通过分层抽样测得所抽取的智能电表误差参数实际值后，使用平均绝对百分误差和均方根误差作为评判依据。

本发明提供的技术方案的有益效果是：

1、本发明通过对电能表量测数据进行预处理，在不添加标准设备、不改变表计结构、不改变电能表接线拓扑的情况下，通过对量测数据分析实现大规模电能表的远程校验和运行误差变化趋势分析，解决低载运行状态相较于正常状态下电能表误差不一致的情况，提高了误差估计的精准性；

2、本发明采用基于限定记忆递推估计，提升了新量测数据对误差参数估计值的修正能力，通过调节记忆长度，避免了数据过饱和现象的发生，并提高了分析速度和准确性；

3、本方法以台区为单元进行分析，可并行计算实现大规模智能电表的在线误差远程校验，并且可应用于智能电表的状态更换，以及窃电、漏电在线检测等领域。

附图说明

图1为一种基于量测数据分析的智能电表在线远程校验方法的流程图；

图2为基于AMI(高级量测体系)的智能电表数据采集物理架构图；

图3为典型配电台区拓扑示意图；

图4为基于限定记忆递推最小二乘算法估计智能电表误差的流程图；

图5为智能电表误差参数求解关系图；

图6为智能电表误差递推远程校验结果；

图7为某时刻的智能电表误差估计值分布情况；

图8为不同记忆长度L取值的电能表误差校验值；

图9为不同线损误差下误差校验值；

图10为轻载情况下的误差校验结果的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

随着智能电网的建设和发展，特别是高级量测体系的普及，电力公司获取了大规模的量测数据。这为深度挖掘用电大数据所包含的信息，从而估计智能电表误差提供了数据支持。

限定记忆递推最小二乘算法能够彻底克服普通递推最小二乘算法中存在的“数据饱和及方程病态”问题，具有保持新数据对参数估计值一定修正能力的优点，已在全球定位系统^[5]、单站被动多目标方位跟踪^[6]等领域得到了良好的应用，可有效提高运行估计的精度。

实施例1

本发明实施例提供的一种基于量测数据分析的智能电表在线远程校验方法，参见图1-图5，该远程校验方法包括以下步骤：

S11：获取误差在线远程校验所需的信息；

其中，该信息包括：台区及用户信息档案、智能电表原始量测数据时间序列。

具体实现时，原始量测数据主要是由基于AMI的智能电表数据采集系统获得。该采集系统架构对于不同地区略有不同。基于AMI的智能电表数据采集物理架构如图2所示，公用配电变压器下安装集中器，集中器直接连接或通过采集器连接智能电表，实现对工商业、办公、居民等用户的用电量采集。采集系统的采集模式为先由采集器即时或按照预先设定的时间采集周围相连智能电表的计量信息，然后由集中器收集、汇总并将相关配电台区的用户用电信息上传至采集系统主站实现用电数据的自动抄收^[7]。基于AMI的智能电表数据采集系统的数据采集频率通常为15min，对于通过电力线载波的地区，采集频率通常为1小时或24小时(日冻结)。

S12：利用改进的模糊C均值聚类技术预处理原始量测数据时间序列，剔除轻载工况下的量测数据，作为在线远程校验模型的输入变量；

其中，基于改进的模糊C均值聚类预处理原始量测数据时间序列的具体步骤如下：

(1)根据电能表读数的增量与电能表量程的比值小于0.1确定加权指数w，迭代终止参数ε；

(2)确定聚类数目及聚类中心：顺序选取量测数据样本并代入到爬山函数：

其中，x_j为第j个样本，n为样本总数，x_r为第r个样本，令其作为聚类中心，为当把第r个样本作为聚类中心时的爬山函数，α为正数。

若(是样品集的某一个样品)时，获得第一个爬山函数取得最大值可取为第一个聚类中心。

在寻找其他的聚类中心时，要消除的影响，修正后的爬山函数变为：

对上述修正后的爬山函数进行求解，若(是样品集的某一个样品)时，获得第二个爬山函数最大值可取为第二个聚类中心。式中β可取4、8、16等。

同理，第t次的爬山函数为：

其中，为新的爬山函数，是上一步的爬山函数，是上一步爬山函数的最大值。

当时寻找聚类中心的过程结束，其中新的爬山函数的最大值可以认为是最后一个聚类中心周围的数据密度，上一步爬山函数的最大值可以认为是第一个聚类中心周围的数据密度，δ为分类的收敛系数，可以取一正的小数，可取0.001。判定收敛之前迭代聚类总的次数即为模糊聚类的分类数c，每次聚类过程中使爬山函数取值最大的样本

(3)计算隶属度矩阵U＝{u_rj}。

其中，u_rj表示第j个样品关于第r个聚类中心的隶属度，w为加权指数，取值范围为[1,+∞)，w的值会决定最终聚类效果的模糊程度，本方法取为1.8，p＝1,2,…,n。

(4)计算目标函数，其为各个样本到所有聚类中心的距离加权平方和：

以式(4)为迭代公式，当目标函数前后两次的迭代误差^[8]ΔJ_w(U,V)小于给定正数ε时，聚类结束。

经步骤(1)～(4)可从原始量测数据时间序列中剔除轻载工况下的数据。

S13：在计算台区线损的基础上，建立智能电表误差求解方程；

其中，该步骤S13具体包括：

(1)基于步骤S12预处理量测数据后，将剩余的量测数据按照时间顺序进行排序，分别构成量测数据的总、分表矩阵，作为限定记忆递推最小二乘误差求解的输入样本；

(2)配电台区拓扑如图3所示，台区智能电表用于校核，认为其读数没有误差，即已知台区总电能表的绝对误差；

(3)基于能量守恒定律，在任意量测时段内，台区总电能表的读数均等于各用户电能表真实值总和加上台区线路在该时段的损耗总和；

对于任意第t个单位量测时段，台区的智能电表读数具有如下关系：

式中，y₀(t)为台区总电能表在任意该量测时段的读数增量；z_i(t)表示该量测时段中第i块用户电能表的读数增量，ξ_i(t)为该量测时段中第i块用户电能表的误差；(1+ξ_i(t))z_i(t)为该量测时段中第i块用户电能表实际消耗的电能值；w_loss(t)为该量测时段中台区所有线路损耗的电量；m为台区内用户电能表的总数。

(4)采用LM(Levenberg-Marquardt)算法优化的多层前馈神经网络模型进行台区线损的计算；

(5)令y(t)＝y₀(t)-w_loss(t)表示在任意第t个量测时段中台区总电能表读数增量减掉该时段线损后的值，并用θ_i(t)表示式(6)中的项1+ζ_i(t)。

由每个单位量测时段z_i(t)和求解获得y(t)构成一组量测数据序列，可将式(6)写成矩阵形式，获得如下方程：

式中，Z(t)＝[z₁(t),z₂(t),…,z_m(t)]为各用户电能表在t个时段的量测数据矩阵；

为各用户电能表在第t个量测时段所要估计的误差参数矩阵，θ_i(t)为第i块待求的智能电表在第t个量测时段的运行误差参数；为第t个量测时段电能表的运行误差远程估计值。

S14：基于限定记忆递推最小二乘算法估计智能电表运行误差；

参见图4，该步骤具体为：

S21：选取和P(0，0)＝αΙ的初值；

具体实现时，选取各元素均为0或较小的数；P(0，0)＝αΙ，α为充分大的正数，通常可以取值在10⁵到10¹⁰之间，I为单位阵。

S22：当T≤L时，运用普通递推最小二乘算法获得电能表误差参数估计值及其对应的P(0,L-1)和增益矩阵K(0,L-1)，将其作为限定记忆最小二乘递推估计算法的初始量；

其中，步骤S22具体包括：

当T≤L时，经过前t次测量，可以写出如下矩阵方程：

式中，为分表矩阵，为总表矩阵。

首先，假设在第t-1次递推中，已经计算出在进行第t次递推前，已获得新的总、分表采集的量测数据时间序列Z(t)＝[z₁(t),z₂(t),...,z_m(t)]，y(t)。

(1)对于前t次测量的台区各用户智能电表的所有量测数据用Z_t表示，前t次测量的台区总标准智能电表的所有量测数据用Y_t表示；对于前t-1次测量，分别用Z_t-1、Y_t-1表示，具体如下所示：

Z_t-1＝[Z(1),Z(2),…,Z(t-1)]^T，

Y_t-1＝[y(1),y(2),…,y(t-1)]^T，

由此可知，基于前t-1次测量和前t次采集的智能电表量测数据，智能电表误差参数估计结果为：

(2)计算量测数据的协方差矩阵的逆P(t)：

(3)将各用户智能电表的误差参数估计值表示为

(4)定义增益矩阵表示为K(t)：

(5)由以上分析可知，当T≤L时，智能电表误差校验公式为：

P(t)＝P(t-1)[I-K(t-1)Z(t)] (13)

S23：当T＞L时，进入限定记忆递推最小二乘估计模块；

S24：基于实际数据进行算例分析。

所述步骤S23，误差参数求解关系如图5所示，具体求解过程包括：

(1)当新增加一组最新量测时段T的数据时，基于从第T-L次至第T次的L+1组智能电表量测数据和前T-1次递推计算结果(其中，L表示记忆长度，T表示最新量测时段)，量测数据的协方差的逆矩阵P(T-L,T)计算如下：

式中，第T-L次至T次的分表读数矩阵表示为：

(2)定义K(T-L,T)为增益矩阵，其中：

(3)智能电表的误差参数估计值计算如下：

式中，总表读数矩阵表示为：Y(T-L,T)＝[y(T-L)，y(T-L+1)，…，y(T)]^T (19)

(4)由以上分析可知，当新增加一组第T次的量测数据时，限定记忆递推最小二乘估计求解公式表示如下：

P(T-L,T)＝＝[I-K(T-L,T)Z(T)]P(T-L,T-1) (21)

(5)为了保持记忆长度L不变，增加了第T次的一组智能电表量测数据，就需要去除第T-L次的量测数据，基于从第T-L+1次至第T次的L组量测数据及式(20)～式(22)所获得的计算结果，可求出除去第T-L次的量测数据时，限定记忆递推最小二乘估计求解公式表示如下：

P(T-L+1,T)＝[I+K(T-L+1,T)Z(T-L)]P(T-L,T) (24)

S15：对智能电表误差估计结果进行在线校验与分析，具体包括：

(1)确定台区智能电表总数量与样本容量抽取的比例；

(2)根据各用户用电量水平(可按照高、中、低)进行分层，由此确定各层抽取的智能电表样本数目；

(3)各层抽取智能电表数量之和应该等于样本容量；

(4)对于不能去整的数，求其近似值；

(5)通过分层抽样方式现场测得所抽取的智能电表误差参数实际值后，使用平均绝对百分误差(Mean Absolute Percent Error，MAPE)和均方根误差(Root Mean SquareError，RMSE)作为评判依据，在智能电表误差远程校验过程中，MAPE值与RMSE值越小，表明所估计的误差参数的精准度越高。

假设现场抽取的样本总数量为p，MAPE与RMSE可表示为：

其中，θ_i为所检测台区智能电表的实际误差，为θ_i的估计值。

S16：结合智能电表在线远程校验结果进行业务辅助决策，指导智能电表的状态更换，以及窃电、漏电在线检测等业务。

建立低压台区异常情况分级处理机制，结合获得的智能电能表运行误差结果，分析电能表运行误差程度，在批次中所占比率，运行表超差原因、异常等级等因素，进行智能电表的状态更换，以及窃电、漏电在线检测等业务。

综上所述，本发明实施例提出了一种基于限定记忆递推最小二乘求解的智能电表误差在线远程校验方法，该方法充分挖掘量测数据所蕴含的信息，提高了智能电表的误差远程估计的精确性和实时性，将有助于实现智能电能表由定期更换向状态更换的方式转变，并能够从技术手段上及时发现疑似异常计量点，克服目前人工排查工作量大、缺乏针对性的瓶颈，为高效的用电巡检提供支撑。

实施例2

下面结合具体的算例、计算公式、图6-图10对实施例1中所提的远程校验方法进行可行性验证，具体包括：

为了验证所提方法的有效性，本发明实施例以我国某市2018年2月到5月的实际智能电表量测数据为对象进行分析，数据采集频率为15min。其中所研究台区共包含一块台区总电能表和185块用户电能表，通过数据预处理过滤掉空载或轻载数据，获得不同时段的量测数据组作为分析样本。设定记忆长度L的取值为1000，运用本方法求解的智能电表运行误差递推估计曲线如图6所示，误差分析结果输出频率与量测数据采集频率相同，为每15min产生一次。由图6可知所研究台区中有5块超差电能表，其余电能表的误差参数估计值均在正常误差允许范围内。

任取某单位量测时段内的数据，可得到如图7所示的智能电表在该时段内的误差估计值(T＝3000量测时段的数据)。由图7可看出，所选配电台区各用户电能表误差率绝大部分在正常误差允许范围内，电能表编号为33、74、97、131、161的用户电能表存在误差超差现象，33号电能表的误差率为4.2885％，74号电能表的误差率为7.9741％，97号电能表的误差率为3.9381％，131号电能表的误差率为-12.1072％，161号电能表的误差率为4.5189％。由用户信息采集系统获取的用户档案信息可以准确定位误差超差的智能电表编号所对应的用电客户信息、采集智能电表信息，基于获得的潜在超差电能表信息，通过进一步分析校验，确认智能电表误差超差的具体原因，例如：正误差表示电能表老化损坏，负误差表示人为破坏电能表，存在窃电行为等。

基于所研究台区的实际工况，对记忆长度L的最佳取值范围进行分析。所提方法中记忆长度L的取值与台区智能电表采集量测数据的频率有关，不同记忆长度L取值的电能表误差估计值情况如图8所示。当L＝100时，正常智能电表的误差估计值严重偏离其实际误差值，因为递推估计方程组数量在小于所需估计的误差参数数量时处于欠定状态，估计结果不能应用；当L＝400时，量测次数大于所需估计的误差参数数量，误差估计值开始收敛，但部分正常智能电表的误差估计值仍然处于超差范围，估计效果不理想；当L＝1000时，每块电能表的误差估计值接近某一个定值，得到了对于智能电表误差参数更准确的估计，估计效果理想；当L取值很大时，虽然也能估计出误差参数，但用时较长而降低了在线分析的效率。因此，基于所研究台区的实际工况，为保证估计值得精准度和求解分析的实时性，建议的L取值范围在600至1200之间。

利用所选台区数据，进一步对不同的电能表误差分析方法进行了比较，包括加权递推最小二乘算法^[2]、普通最小二乘算法^[3]以及本发明所提方法，获得的分析结果如表1所示。

表1几种不同方法下智能电表误差估计效果

由表1可知，运用普通最小二乘算法求解的智能电表误差参数估计值偏差较大，属于离线算法，不能实时监测智能电表的运行状态，且系数矩阵对于量测数据的质量要求很高，容易出现病态矩阵导致无法进行计算；而加权递推最小二乘算法虽然能够在一定程度上克服普通递推最小二乘算法随着量测数据增多而出现的“数据饱和”现象，但是旧数据或多或少的都会产生影响，导致估计精准度不高，且求解用时较长；本方法有效解决“数据饱和”现象，相较于传统的加权递推最小二乘算法，该方法通过恰当的消除旧量测数据对误差参数估计的影响，提升误差参数估计值的精准性；且通过调节记忆长度，保证了智能电表误差估计的实时性，实现由递推估计曲线在线监测是否存在窃电、漏电的功能。

1、分析量测数据质量对误差估计结果的影响

由于配电网网络参数质量较差，网络参数存在不准确的情况，从而导致网络损耗难以精确获得；而轻载情况下的量测数据，也会影响电能表运行误差估计结果的准确性。为进一步分析线损计算精确度和轻载情况对运行误差估计结果的影响，以台区实际数据为基础，通过部分数据的修正，并用MATLAB软件进行仿真模拟及分析。

2、网络损耗数据对误差估计结果的影响

仿真模拟由于网络参数不准确导致线损计算误差，误差分别在1％、5％、8％、10％时，各智能电表误差估计值对比如图9所示。由图可知，当线损计算结果的误差在5％以内时，对于找到台区中的超差表影响不大，可以准确找到超差表，效果理想；当线损计算结果的误差在8％左右时，虽然可以找到超差表，但是正常电能表的误差估计值比其实际误差值偏高，存在错检的情况，估计效果欠佳；当线损计算结果的误差在10％以上时，获得的超差表存在漏检和错检情况，估计效果差。由以上分析可知，应尽可能准确的计算台区线损，降低线损对电能表运行误差估计结果的影响，基于当前已有技术方法，需要保证线损计算精度在5％以内。

3、轻载数据对误差估计结果的影响

通过对量测数据聚类处理，在去除轻载情况时的量测数据基础上，得到以上智能电表运行误差估计结果。对于轻载情况作以下分析，基于前文聚类得到的轻载情况下的量测数据，运用本文算法进行智能电表的运行误差的估计，所得结果如图10所示。

由图可知：利用轻载情况下的量测数据进行智能电表运行误差远程估计，不能确定超差表，且大部分智能电表的误差估计值都属于超差范围。主要原因包括：

1)智能电表在轻载时产生的脉冲无规律，会引起潜动现象；

2)轻载时电流互感器的激磁损耗和铁损耗所占比例增大，影响电流互感器的误差特性，使其进入非线性区域，此时误差与负载之间不存在对应关系，很难准确的对其误差进行补偿。由以上分析可知，轻载时智能电表的计量误差会明显提高。

因此，在数据预处理过程中，应最大程度的去除轻载时的量测数据，确保各用户智能电表误差估计的精准性，防止过检。

参考文献

[1]陈亮，吕斌斌，方勤斌，王国帮.基于智能电表海量数据的台区运行态势分析与应用[J].电力大数据，2019，22(02)：74-80.

[2]Z Zhang，H Gong，C Li，Z Wang and X Xiang.Research on estimatingmethod for the smart electric energy meter's error based on parameterdegradation model[C].Asia Conference on Power and Electrical Engineering，2018.

[3]Korhonen A.Verification ofenergy meters using automatic meterreading data[C].Named Entities Workshop.Association for ComputationalLinguistics，2012：12-20.

[4]郭景涛.面向智能电网AMI的网络计量关键技术与用户用电数据挖掘研究[D].天津：天津大学，2011.

[5]耿延睿，周丽弦.限定记忆法在GPS伪距静态绝对定位中应用[J].电子测量技术，2000(02)：29-31.

[6]吴小强，潘丽丽.最小二乘法在纯方位目标跟踪中的应用[J].雷达与对抗，2016，36(04)：12-14.

[7]董一颖.荣成市供电公司电力用户用电信息采集系统的设计与实现[D].山东：山东大学，2016.

[8]孔祥玉，胡启安，董旭柱，等.引入改进模糊C均值聚类的负荷数据辨识及修复方法[J]，电力系统自动化，2017，41(9)：90-95.

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于量测数据分析的智能电表在线远程校验方法，其特征在于，所述方法基于用电量测数据，所述方法包括以下步骤：

利用改进的模糊C均值聚类技术预处理原始量测数据时间序列，剔除轻载工况下的量测数据，作为在线远程校验模型的输入变量；

在计算台区线损的基础上，建立智能电表误差求解方程；基于限定记忆递推最小二乘算法估计智能电表运行误差；

对智能电表误差估计结果进行校核与分析；结合智能电表在线远程校验结果进行业务辅助决策，指导智能电表的状态更换，以及窃电、漏电在线检测。

2.根据权利要求1所述的一种基于量测数据分析的智能电表在线远程校验方法，其特征在于，所述在计算台区线损的基础上，建立智能电表误差求解方程具体为：

将剩余的量测数据按照时间顺序进行排序，分别构成量测数据的总、分表矩阵，作为限定记忆递推最小二乘误差求解的输入样本；

基于能量守恒定律，在任意量测时段内，台区总电能表的读数均等于各用户电能表真实值总和加上台区线路在该时段的损耗总和；

采用LM算法优化的多层前馈神经网络模型进行台区线损的计算。

3.根据权利要求2所述的一种基于量测数据分析的智能电表在线远程校验方法，其特征在于，所述台区线损的计算具体为：

y(t)＝y₀(t)-w_loss(t)

其中，y₀(t)为台区总电能表在任意该量测时段的读数增量；w_loss(t)为该量测时段中台区所有线路损耗的电量。

4.根据权利要求1所述的一种基于量测数据分析的智能电表在线远程校验方法，其特征在于，所述基于限定记忆递推最小二乘算法估计智能电表运行误差具体为：

选取和P(0，0)＝αΙ的初值；

当T≤L时，运用递推最小二乘算法获得电能表误差参数估计值及其对应的P(0,L-1)和增益矩阵K(0,L-1)，将其作为限定记忆最小二乘递推估计算法的初始量；

当T＞L时，进入限定记忆递推最小二乘估计模块；基于实际数据进行算例计算。

5.根据权利要求1所述的一种基于量测数据分析的智能电表在线远程校验方法，其特征在于，所述对智能电表误差估计结果进行校核与分析具体为：

确定台区智能电表总数量与样本容量抽取的比例；

根据各用户用电量水平进行分层，确定各层抽取的智能电表样本数目；各层抽取智能电表数量之和等于样本容量；

通过分层抽样测得所抽取的智能电表误差参数实际值后，使用平均绝对百分误差和均方根误差作为评判依据。