CN111398885B - 一种结合线损分析的智能电表运行误差监控方法 - Google Patents

Abstract

本发明公开了一种结合线损分析的智能电表运行误差监控方法，包括：1)获取任意量测时段内台区校验表与台区内用户电能测量数据，以及配电线路的电能损耗之间所具有的关联关系，构建结合线损分析的智能电表运行误差估计模型；2)根据估计模型结合台区量测数据，进行台区智能电表运行误差估计；3)基于设定的智能电表误差控制阈值，对台区智能电表运行误差估计结果进行分析，获取超差的智能电表，形成潜在超差智能电表集合；4)对潜在超差智能电表集合内的电表进行人工校验，并对确认的超差智能电表进行更换，实现台区智能电表运行误差的控制。本发明实现大规模智能电表的远程校验和运行误差变化趋势分析，为用电巡检等工作提供有效的技术手段。

Description

一种结合线损分析的智能电表运行误差监控方法

技术领域

本发明涉及智能电表运行误差监控领域，尤其涉及一种结合线损分析的智能电表运行误差监控方法，利用原始用电信息数据进行低压配电台区线损率以及居民用户智能电表运行误差的监控。

背景技术

随着全球经济的稳步发展及人民生活水平的逐步提高，各国对电力的需求急速增加，在新能源技术、智能技术、信息技术、网络技术不断创新突破的条件下，智能电网成为全球电力能源输配电环节发展的必然选择，各种智能化设备和高级量测体系(AdvancedMetering Infrastructure，AMI)被广泛的推广和应用^[1]。

在智能电网快速发展及应用的背景下，其终端建设将完成普通电表到智能电表的更换。相较于传统意义上的电能表，智能电表除了具备传统电能表基本用电量的计量功能以外，为了适应智能电网和新能源的使用它还具有用电信息存储、双向多种费率计量功能、用户端控制功能、多种数据传输模式的双向数据通信功能、防窃电功能等智能化的功能^[2-4]，智能电表代表着未来节能型智能电网最终用户智能化终端的发展方向。随着世界各国对于建设节能型的智能电网规划的日益推进，其对于用户终端更加智能化的需求也逐渐上升，据统计分析，智能电表在全球安装的数量已高达十几亿只。

智能电表作为智能电网的重要组成部分，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，因此其属于强制检定设备，到期需要更换，根据规定智能电表运行8年左右就需要更换。虽然世界各国推动智能电表的力度与进展有所不同，但随着世界各国智能电网的加速建设，智能电表的更换需求将持续增加。仅以中国为例，从2009年中国开始大规模安装智能电表开始算起，智能电表已逐步迎来替换周期。为了保证电表的精确计量，我国每年将有超过8000万台智能电表更换需求。

目前，电力公司检定智能电表是否精确的传统校验方法主要有两种^[5-8]：一种是由专业人员定期携带仪器设备到现场进行周期抽检；另一种是通常将智能电表拆回检测室并在相同标准条件下(包括影响量的范围、环境条件、试验接线等)进行检定。现行计量校验模式越来越难以持续，主要体现在两方面：一是检定工作强度高、工作量大，需花费大量的人力和车辆在各个计量点的定期检定上。二是检定周期长，检测周期之间电能计量装置出现缺陷和异常不能及时发现、处理，管理效率低下，难以满足现代化智能电表状态检修和更换的要求。

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误差实时远程控制方法势在必行。

发明内容

本发明提供了一种结合线损分析的智能电表运行误差监控方法，本发明能够在不添加标准设备、不改变电表内部结构、不改变智能电表接线拓扑的情况下，建立能够适应各类不同环境低压台区下的智能表运行误差远程诊断分析模型，准确计算出每只运行智能电表的运行误差，通过对运行误差的分析，得出台区下所有智能电表运行健康状况，实现大规模智能电表的远程校验和运行误差变化趋势分析，为用电巡检等工作提供有效的技术手段，克服目前人工排查工作量大、缺乏针对性的瓶颈，及时发现运行异常的疑似计量点，详见下文描述：

一种结合线损分析的智能电表运行误差监控方法，所述方法包括：

1)获取任意量测时段内台区校验表与台区内用户电能测量数据，以及配电线路的电能损耗之间所具有的关联关系，构建结合线损分析的智能电表运行误差估计模型；

2)根据估计模型结合台区量测数据，进行台区智能电表运行误差估计；

3)基于设定的智能电表误差控制阈值，对台区智能电表运行误差估计结果进行分析，获取超差的智能电表，形成潜在超差智能电表集合；

4)对潜在超差智能电表集合内的电表进行人工校验，并对确认的超差智能电表进行更换，实现台区智能电表运行误差的监控。

所述步骤1)具体为：

获取任意单位量测时段，台区的总智能电表总供电量y_feeder与用户总耗电量以及线路电能损耗总和之间的关系；

获取t时刻第i块智能电表电量消耗真实值，提取t时刻线损并结合总供电量y_feeder形成基于结合线损的台区能量关系：

经过t次测量后，获取各个用户智能电表读数矩阵，提取t时刻台区总智能电表读数减去线路损耗的总用户用电量，形成结合线损分析的智能电表运行误差估计关系式；

所述步骤2)具体为：

基于台区用电数据信息，结合智能电表运行误差估计关系式建立配电线路损耗率估计模型和智能电表运行误差估计模型。

将前一阶段获得的智能电表运行误差参数矩阵

以及当前阶段用电信息采集系统获得的用电数据作为线损估计子系统的输入量，利用Holt’s双参数指数线性平滑获得线损率预测值；

基于t时刻线损率的预测值

和配电线损率预测值的协方差矩阵，进行基于扩展卡尔曼滤波的状态更新方程进行估计，求解出第t个量测时段内的线损率估计值

将获得的线损以及用电信息采集系统获得的用电数据作为智能电表运行误差估计子系统的输入量，基于限定记忆递推最小二乘算法对居民用户智能电表运行误差进行求解；

将智能电表运行误差参数矩阵作为下一次线损估计系统的输入量进行新一次的线损估计计算，如此循环迭代下去，由联合估计系统动态估计出配电线路损耗和智能电表运行误差。

所述将获得的线损以及用电信息采集系统获得的用电数据作为智能电表运行误差估计子系统的输入量，基于限定记忆递推最小二乘算法对居民用户智能电表运行误差进行求解具体为：

获取在第t-l时刻至第t时刻中，运用线损计算得到的总用户用电量矩阵和各个用户分表观测数据；

计算求得此量测时段内的智能电表运行误差参数矩阵

以及其对应的协方差矩阵P_(t-l,t)和增益矩阵K_(t-l,t)

当获得一组新的观测数据，去除第t-l时刻的观测数据，获取t-l+1时刻至t时刻的台区总表观测数据和用户分表观测数据；

同理可获得基于t-l+1时刻至t时刻共l个数据提供的信息的运行误差参数矩阵

以及其对应的协方差矩阵P_(t-l+1,t)和增益矩阵K_(t-l+1,t)。

所述方法还包括：

基于典型配电台区获得的实际用电数据，进行适合最佳限定记忆长度选取的分析，以及不同估计方法下不同负载电流对智能电表估计精准度的影响。

本发明提供的技术方案的有益效果是：

1、本发明能够解决传统校验方式中存在的工作强度高、检定周期长、管理效率低下、检测周期之间电表出现缺陷和异常不能及时发现的问题，基于电能量测数据实现智能电表的远程校验和运行误差变化趋势的准确分析，确保智能电表计量的准确性；

2、本发明可以实现智能电能表由定期更换向状态更换的方式转变，所构建的结合线损分析的智能电表运行误差估计模型，能够在智能电表运行误差监控过程中，获得配电网线路损耗率，可为电网精细化运营提供准确信息；

3、本发明基于设定的智能电表误差控制阈值，对台区智能电表运行误差估计结果进行分析，获取超差的智能电表，形成潜在超差智能电表集合，为用电巡检工作提供有效的技术手段，克服目前人工排查工作量大、缺乏针对性的瓶颈，及时发现运行异常的疑似计量点。

附图说明

图1为一种结合线损分析的智能电表运行误差监控方法的流程图；

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为典型居民配电台区拓扑示意图；

图4为基于联合估计算法的智能电表运行误差流程图；

图5为台区智能电表运行误差估计的示意图；

图6为日线损率估计值与实际值的示意图；

图7为不同记忆长度下估计效果的对比图。

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。

实施例1

一种结合线损分析的智能电表运行误差监控方法，参见图1，该方法包括以下步骤：

101：基于数字式电能表运行规范，以及智能电表所属类别，设定智能电表误差控制阈值；

其中，由于电子式智能电表类型及应用主体不同，误差估计参数的定义略有不同，本实施例所提供的主要针对居民用户，对于工商业专变用户，可在参考“数字化电能表校准规范”^[9]-[10]的基础上，进行调整。通常情况下，普通居民用户的智能电表误差监控阈值为2％，专变用户误差监控阈值为0.5％。

102：获取任意量测时段内台区校验表(总表)与台区内用户电能测量数据，以及配电线路的电能损耗之间所具有的关联关系，构建结合线损分析的智能电表运行误差估计模型；

103：选定需要进行智能电表误差监控的台区，根据所构建的估计模型结合台区量测数据，进行台区智能电表运行误差估计；

104：基于设定的智能电表误差控制阈值，对台区智能电表运行误差估计结果进行分析，获取超差的智能电表，形成潜在超差智能电表集合；

105：对潜在超差智能电表集合内的电表进行人工校验，并对确认的超差智能电表进行更换，实现台区智能电表运行误差的控制；

106：对于所管辖的用户台区，按照检测顺序实施步骤103至步骤105，完成轮检。

实施例2

下面结合具体的计算公式、实例，对实施例1中的方案进行进一步地介绍，详见下文描述：

对于步骤102：获取任意量测时段内台区校验表(总表)与台区内用户电能测量数据，以及配电线路的电能损耗之间所具有的关联关系，构建结合线损分析的智能电表运行误差估计模型，具体包括如下步骤，参见图4。

(1)对于任意单位量测时段，台区的总智能电表总供电量与用户总耗电量以及线路电能损耗总和之间具有如下关系：

式中，y_feeder为台区总智能电表在任意单位量测时段的供电量；

表示该量测时段中用户实际消耗的电量，y_loss表示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。

(2)得到t时刻第i块智能电表电量消耗真实值为：

z_real,t(i)＝z_t(i)θ_t(i) (2)

式中，z_t(i)为t时刻第i块智能电表读数增量，θ_t(i)为t时刻第i块智能电表误差估计参数。

(3)提取t时刻线损计算公式，

结合式(1)形成基于结合线损的台区能量关系：

式中，y_feeder,t为t时刻总智能电表读数，

为t时刻线损率。

(4)经过t次测量后，各个用户智能电表读数矩阵如下所示：

式中，z_t＝[z_t(1),z_t(2),…,z_t(m)]，第t次计算求解后，定义智能电表误差参数估计矩阵为

T为转置。

(5)提取t时刻台区总智能电表读数减去线路损耗的总用户用电量，形成结合线损分析的智能电表运行误差估计关系式：

式中，y_feeder,t为t时刻总智能电表读数，z_t为t时刻各个用户智能电表读数矩阵，

为t时刻智能电表误差参数估计矩阵。

(6)基于台区用电数据信息，结合式(5)建立配电线路损耗率估计模型和建立智能电表运行误差估计模型。

配电线路损耗率估计模型：

1)时间更新方程为：

其中，

表示第t个量测时段内的线损率预测值；

表示第t-1个量测时段内的线损率估计值；A_t-1表示第t-1个量测时段内的配电线路损耗的波动参数；B_t-1表示第t-1个量测时段内的输入参数，表示馈线上供电量变化的外部因素；

表示第t个量测时段内的配电线损率预测值的协方差矩阵；

表示第t-1个量测时段内的配电线损率估计值的协方差矩阵；Q_t-1表示第t-1个量测时段内的过程激励噪声的协方差矩阵。

2)状态更新方程为：

其中，G_t表示第t量测时段内的扩展卡尔曼增益矩阵；H_t表示第t量测时段内测量函数的雅可比矩阵；R_t表示第t量测时段内的测量噪声协方差矩阵；I表示单位矩阵；

表示第t量测时段内线损率观测方程的函数。上述H_t、

R_t和Q_t均为1×1矩阵，计算量非常小。

智能电表运行误差估计模型：

1)增加一组新数据：

P_(t-l,t)＝[I-K_(t-l,t)z_t]P_(t-l,t-1) (12)

其中，K_(t-l,t)表示基于t-l时刻至t时刻数据计算得到的增益矩阵；P_(t-l,t-1)表示基于t-l时刻至t-1时刻数据计算得到的协方差矩阵；z_t表示t时刻各个用户电表读数矩阵；P_(t-l,t)表示基于t-l时刻至t时刻数据计算得到的协方差矩阵；I表示单位矩阵；

表示基于t-l时刻至t时刻数据计算得到的智能电表运行误差参数矩阵；

表示基于t-l时刻至t-1时刻数据计算得到的智能电表运行误差参数矩阵；y_use,t表示t时刻用户总用电量。

2)去除记忆长度中时间最靠前的一组老数据：

P_(t-l+1,t)＝(I+K_(t-l+1,t)z_(t-l))P_(t-l,t) (15)

其中，K_(t-l+1,t)表示基于t-l+1时刻至t时刻数据计算得到的增益矩阵；z_(t-l)表示t-l时刻各个用户电表读数矩阵；P_(t-l+1,t)表示基于t-l+1时刻至t时刻数据计算得到的协方差矩阵；

表示基于t-l+1时刻至t时刻数据计算得到的智能电表运行误差参数矩阵；y_use,t-l表示t-1时刻用户总用电量。

对于103：选定需要进行智能电表误差监控的台区，根据所构建的估计模型结合台区量测数据，进行台区智能电表运行误差估计，具体步骤如下，参见图5。

步骤1：选取联合估计系统的初值。对于t＝0阶段，选取智能电表的出厂误差作为对配电线路损耗率估计的初始值。对于其他情况，选取前一时刻智能电表的估计误差作为配电线路损耗率估计的初始值。

说明：在正常的用电过程中，智能电表运行误差在前后时刻的估计值之间不会出现剧烈变动，因此，按照上述方法选取估计系统初值可以使得初始的配电线路损耗率估计精准度范围可以控制在设定的范围内(如5％)，并且这样的初值选取有利于联合估计的收敛。

步骤2：线损估计系统。

(1)将前一阶段获得的智能电表运行误差参数矩阵

以及当前阶段用电信息采集系统获得的用电数据作为线损估计子系统的输入量，利用Holt’s双参数指数线性平滑方法获得线损率预测值。第t个量测时段内的线损率预测值表示如下：

式中，A＝α(1+β为配电线路损耗的波动参数，只与α和β相关；

为输入参数，表示馈线上供电量变化的外部因素。

(2)基于获取的t时刻线损率的预测值

和配电线损率预测值的协方差矩阵，进行基于扩展卡尔曼滤波方法的状态更新方程进行估计，求解出第t个量测时段内的线损率估计值，所采取的状态更新方程为：

式中，

表示t时刻配电线损率预测值的协方差矩阵；

表示t时刻配电线损率估计值的协方差矩阵；G_t表示t时刻的扩展卡尔曼增益；R_t表示t时刻测量噪声协方差，它是一个数值，这是和仪器相关的一个特性，作为已知条件输入滤波器；H_t表示测量函数的雅可比矩阵；

表示t时刻线损率的预测值的观测方程函数。

步骤3：将获得的线损以及用电信息采集系统获得的用电数据作为智能电表运行误差估计子系统的输入量，基于限定记忆递推最小二乘算法对居民用户智能电表运行误差进行求解。

(1)在t时刻，当获得一组新的台区总表观测数据和用户分表观测数据时，设在第t-l时刻至第t时刻中，运用线损计算得到的总用户用电量矩阵和各个用户分表观测数据分别为：

其中，基于t-l时刻至t时刻中运用线损计算得到的总用户用电量矩阵和各个用户分表观测数据，可以计算求得此记忆长度下的智能电表计量误差参数矩阵

以及其对应的协方差矩阵P_(t-l,t)和增益矩阵K_(t-l,t)。

(2)当获得一组新的观测数据，为保持记忆长度不变，需要去除第t-l时刻的观测数据，则对于t-l+1时刻至t时刻的台区总表观测数据和用户分表观测数据分别为：

同理可获得基于t-l+1时刻至t时刻共l个数据提供的信息的

以及其对应的P_(t-l+1,t)和增益矩阵K_(t-l+1,t)。

其中，在实际中，用电信息采集系统采集的数据所存储的量测时段通常远大于记忆长度，因此，不考虑数据量达不到记忆长度的情况。

步骤4：再将步骤3获得的智能电表运行误差参数矩阵

作为下一次线损估计系统的输入量进行新一次的线损估计计算，如此循环迭代下去，由联合估计系统动态估计出配电线路损耗和智能电表运行误差。

步骤5：基于典型配电台区获得的实际用电数据，进行适合最佳限定记忆长度选取的分析，以及不同估计方法下，不同负载电流对智能电表估计精准度的影响，进一步提高误差估计的精准性，从多角度验证所提联合估计系统具有较高的计算精度。

实施例3

下面结合具体的算例、计算公式、图6、图7以及表1对实施例1中所提的控制方法进行可行性验证，详见下文描述：

1、运用低压配电台区程控负载仿真系统，模拟实际配电情况，根据采集的运行数据以及实验中所用到的电力设备相关资料，运用修正后的联合估计模型估计配电线路损耗率，并由此计算台区日线损率，估计结果如图6所示：

估计结果显示：运用修正后的联合估计模型进行的配电线路损耗率估计，精准度较高，通过智能电表运行误差精准度与配电线路损耗率估计精准度的耦合关系分析可知，在配电线路损耗率估计精准度在3％以内，对智能电表运行误差估计精准度产生的噪声影响小，可以保证智能电表运行误差估计的准确率。

2、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数量以及采集量测数据的频率有关，采用不同记忆长度l取值的电能表误差估计值情况如图7所示。

当l＝300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＝500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＝600时，对于智能电表误差参数估计效果理想，与l＝500时的估计效果很接近，没有更准确的估计。但当l取值很大时，虽然也能准确的估计出误差参数，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，该台区的l取值范围在500至600之间。

3、分别使用普通最小二乘算法(Ordinary Least Squares，OLS)、加权递推最小二乘算法(Weighted Recursive Least Squares，WRLS)和扩展卡尔曼滤波-限定记忆递推最小二乘算法(Extended Kalman Filter-Limited Memory Recursive Least Square，EKF-LMRLS)进行智能电表运行误差估计精准度的分析，通过对估计结果的统计分析发现，估计结果在不同负载电流区间明显呈现不同的精准度水平，如表1所示：负载电流区间0.01I_n≤I<0.02I_n为轻载情况，其MAPE(％)值较高，说明此时估计精准度较差；当负载电流0.02I_n≤I≤I_max时，由统计结果分析可知，EKF-LMRLS方法的估计效果明显优于以上所对比的两种方法。

表1 3种方法不同负载电流区间估计精准度对比

注：I_n为电能表额定电流。

实施中，不同负载电流区间精准度水平不同产生的原因主要包括以下2点：

1)用户端负载水平的不同会使配电线路上的电流、配电站侧的送端电压和用电用户侧的电压发生变化，从而导致配电台区的线损率不是恒定的，会随着用户负载水平的波动而变化。

2)由智能电表的工作原理可知：线路负载电流、电压的波动会影响电能表电流、电压采样电路以及计算芯片的工作，如负载电流、电压的大小会引起采样电路功耗和发热变化，负载电流、电压的谐波会影响采样电路的频率特性，这些都会影响电能表的量测值。由此可知，智能电表在工作中产生的误差也不是一个恒定值，随着电压电流幅值变化相对值的增大导致智能电表运行误差增大，且随着功率因数的减小使得智能电表运行误差升高。

4、基于获取的智能电表运行误差结果，获取超差的智能电表，形成潜在超差智能电表集合。

针对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40、91、173、209、268的用户电能表存在误差超差现象，40号电能表的误差率为7.1885％，91号电能表的误差率为17.9141％，173号电能表的误差率为6.9381％，209号电能表的误差率为-23.5472％，268号电能表的误差率为11.1489％。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。

5、对潜在超差智能电表集合内的电表进行人工校验，并对确认的超差智能电表进行更换，实现台区智能电表运行误差的控制。

参考文献

[1]马树良.国网智能电表远程集抄系统对电力营销的影响[J].电子测试，2019(12)：113-114.

[2]聂肖.电力营销中智能电表与抄核信息一体化分析[J].现代营销(信息版)，2019(10)：64.

[3]张芹，何行，何欢，等.智能电表远程数据采集器设计及在线损管理中的应用[J].电子设计工程，2017，25(20)：72-74+79.

[4]潘明明，田世明，吴博，等.基于智能电表数据的台区识别与窃电检测方法研究[J].智慧电力，2017，45(12)：80-84.

[5]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，2012.

[6]庹璟，唐登平，蔡文嘉，等.基于状态参量的智能电表误差状态预测方法[J].仪表技术，2019(03)：1-5.

[7]关靓.基于回归分析的智能电表可靠性分析研究[D].黑龙江：黑龙江大学，2018.

[8]袁瑞铭，李文文，叶雪荣，等.智能电表计量误差一致性的分析与优化设计[J].电器与能效管理技术，2017(17)：26-30.

[9]中华人民共和国电力行业标准：DLT 1507-2016，数字化电能表校准规范[S].

[10]天津市地方计量技术规范：JJF(津)06-2018，智能电能表运行校准规范[S].

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

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 (2)

1.一种结合线损分析的智能电表运行误差监控方法，其特征在于，所述方法包括：

1)获取任意量测时段内台区校验表与台区内用户电能测量数据，以及配电线路的电能损耗之间所具有的关联关系，构建结合线损分析的智能电表运行误差估计模型；

2)根据估计模型结合台区量测数据，进行台区智能电表运行误差估计；

3)基于设定的智能电表误差控制阈值，对台区智能电表运行误差估计结果进行分析，获取超差的智能电表，形成潜在超差智能电表集合；

4)对潜在超差智能电表集合内的电表进行人工校验，并对确认的超差智能电表进行更换，实现台区智能电表运行误差的监控；

其中，所述步骤1)具体为：

获取任意单位量测时段，台区的总智能电表总供电量y_feeder与用户总耗电量以及线路电能损耗总和之间的关系；

获取t时刻第i块智能电表电量消耗真实值，提取t时刻线损并结合总供电量y_feeder形成基于结合线损的台区能量关系：

经过t次测量后，获取各个用户智能电表读数矩阵，提取t时刻台区总智能电表读数减去线路损耗的总用户用电量，形成结合线损分析的智能电表运行误差估计关系式；

其中，所述步骤2)具体为：

基于台区用电数据信息，结合智能电表运行误差估计关系式建立配电线路损耗率估计模型和智能电表运行误差估计模型；

将前一阶段获得的智能电表运行误差参数矩阵

以及当前阶段用电信息采集系统获得的用电数据作为线损估计子系统的输入量，利用Holt’s双参数指数线性平滑获得线损率预测值；

基于t时刻线损率的预测值

和配电线损率预测值的协方差矩阵，进行基于扩展卡尔曼滤波的状态更新方程进行估计，求解出第t个量测时段内的线损率估计值

将获得的线损以及用电信息采集系统获得的用电数据作为智能电表运行误差估计子系统的输入量，基于限定记忆递推最小二乘算法对居民用户智能电表运行误差进行求解；

将智能电表运行误差参数矩阵作为下一次线损估计系统的输入量进行新一次的线损估计计算，如此循环迭代下去，由联合估计系统动态估计出配电线路损耗和智能电表运行误差；

所述将获得的线损以及用电信息采集系统获得的用电数据作为智能电表运行误差估计子系统的输入量，基于限定记忆递推最小二乘算法对居民用户智能电表运行误差进行求解具体为：

获取在第t-l时刻至第t时刻中，运用线损计算得到的总用户用电量矩阵和各个用户分表观测数据；

计算求得此量测时段内的智能电表运行误差参数矩阵以及其对应的协方差矩阵和增益矩阵；当获得一组新的观测数据，去除第t-l时刻的观测数据，获取t-l+1时刻至t时刻的台区总表观测数据和用户分表观测数据；

同理可获得基于t-l+1时刻至t时刻共l个数据提供的信息的运行误差参数矩阵以及其对应的协方差矩阵和增益矩阵，l表示记忆长度。

2.根据权利要求1所述的一种结合线损分析的智能电表运行误差监控方法，其特征在于，所述方法还包括：

基于典型配电台区获得的实际用电数据，进行适合最佳限定记忆长度选取的分析，以及不同估计方法下不同负载电流对智能电表估计精准度的影响。

Images