CN113126019A - 一种智能电表误差远程估计方法、系统、终端和存储介质 - Google Patents
一种智能电表误差远程估计方法、系统、终端和存储介质 Download PDFInfo
- Publication number
- CN113126019A CN113126019A CN202110421915.XA CN202110421915A CN113126019A CN 113126019 A CN113126019 A CN 113126019A CN 202110421915 A CN202110421915 A CN 202110421915A CN 113126019 A CN113126019 A CN 113126019A
- Authority
- CN
- China
- Prior art keywords
- data
- error
- electric quantity
- metering
- electric
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 52
- 238000009826 distribution Methods 0.000 claims abstract description 43
- 238000005259 measurement Methods 0.000 claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 30
- 239000011159 matrix material Substances 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 20
- 230000008447 perception Effects 0.000 claims abstract description 6
- 230000003044 adaptive effect Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 4
- 238000005192 partition Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000005096 rolling process Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000009189 diving Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能电表误差远程估计方法、系统、终端和存储介质，包括：获取台区及用户档案数据和智能电表的电量数据；对所述智能电表的电量数据进行预处理，并将预处理后的电量数据作为电量样本数据；根据所述电量样本数据、所述台区及用户档案数据和台区电能损耗的计算方法，构建标准化感知矩阵和量测向量组；对所述标准化感知矩阵和量测向量组，采用自适应参数正则化正交匹配追踪算法，计算获得台区内每个智能电表的计量误差。本发明能够提高电力计量过程中的计算效率，为实时监测处于运行状态的电能表误差提供保障。
Description
技术领域
本发明涉及智能电表误差计算技术领域，特别是涉及一种智能电表误差远程估计方法、系统、终端和存储介质。
背景技术
随着电力体制改革、厂网企业分开，电网公司的逐步企业化运作，电能计量管理工作也越来越重要，直接影响供电企业的经济效益。在这种背景下，确定智能电表的测量误差非常重要。通过每个电能表当前的计量状态或者运行状态，去推断可能出现故障电能表，以便于工作人员及时进行更换，这是确保电网测量准确性的基础。
就目前来说，检验电能表计量是否准确的主要方式是由专业工作人员定期携带仪器设备到现场进行周期抽检，这个方法虽然可靠，但是实施起来的人力物力成本较高。尤其是近年来电网不断发展规模，计量点越来越多，计量管理工作量和难度也越来越大。
发明内容
本发明的目的是：提供一种智能电表误差远程估计方法、系统、终端和存储介质，能够提高电力计量过程中的计算效率，为实时监测处于运行状态的电能表误差提供保障。
为了实现上述目的，本发明提供了一种智能电表误差远程估计方法，包括：
S1、获取台区及用户档案数据和智能电表的电量数据；
S2、对所述智能电表的电量数据进行预处理，并将预处理后的电量数据作为电量样本数据；
S3、根据所述电量样本数据、所述台区及用户档案数据和台区电能损耗的计算方法，构建标准化感知矩阵和量测向量组；
S4、对所述标准化感知矩阵和量测向量组，采用自适应参数正则化正交匹配追踪算法，计算获得台区内每个智能电表的计量误差。
进一步地，所述台区及用户档案数据包括：计量点信息、采集对象信息、电能表信息、计量点关系、用户编号、用户名称、台区信息、线损计算模型中的供入计量点和供出计量点。
进一步地，所述对所述智能电表的电量数据进行预处理，并将预处理后的电量数据作为电量样本数据，具体为：
S21、从所述电量样本数据中任意选择k个数据对象作为初始聚类中心，其中，k的取值大于等于1；
S22、根据每个聚类对象的均值，计算每个对象与这些中心对象的距离；并根据最小距离重新对相应的对象进行划分；
S23、重新计算每个聚类对象的均值，直到聚类中心不再变化，并且使得误差平方和准则最小；
S24、循环执行步骤S22－S23，直到每个聚类不再发生变化为止。
进一步地，所述重新计算每个聚类对象的均值，直到聚类中心不再变化，并且使得误差平方和准则最小，具体采用如下公式：
其中，
为第i个计量点的用电量，wj为第j类样本构成的集合，
为第j类样本的均值。
进一步地，所述台区电能损耗的计算方法，采用如下计算公式：
其中，
为计量点j的分表在计量周期i内的用电量，ej(i)为计量点j在计量周期i内相对误差，P为台区分表数量，y(i)为计量周期 i供电总表供电量，e0(i)为台区计量周期i内固定损耗，ey(i)为台区计量周期i内线路损耗率。
进一步地，所述对所述标准化感知矩阵和量测向量组，采用自适应参数正则化正交匹配追踪算法，计算获得台区内每个智能电表的计量误差，具体为：
S41、初始化自适应参数正则化迭代停止参数α＝K/N，残差r0＝y，重建信号x0＝0，索引集Λ0＝φ，迭代次数n＝P+2，计数器k＝0；
S42、计算残差和感知矩阵A的每一列的投影系数u＝ATrk-1，并找出u中K个最大值，并将其对应的列号存入集合J；
S43、在集合J中寻找子集J0，使其满足对所有的 i,j∈J0,|u(i)|≤2|u(j)|，选择所有满足该要求的子集J0中具有最大能量
的项，记为pos；
S44、更新索引集Λk＝Λk-1∪{pos}，以及原子集合
S45、利用最小二乘求得近似解
S46、更新余量rk＝y-Axk；
S47、判断迭代是否满足停止条件：norm(rk)<δ或k≥K或 |Λk|0≥[(1+α)K]，其中，[]号表示向上取整；
满足则停止
r＝rk，输出
r，否则转步骤S42。
进一步地，所述方法还包括：
通过对台区内智能电表进行抽样检测，获得相应智能电表误差参数的实际值，并与所述智能电表的计量误差进行比较，得到所述方法的精准度。
本发明还提供一种智能电表误差远程估计系统，包括：获取模块、预处理模块、构建模块和误差计算模块，其中，
所述获取模块，用于获取台区及用户档案数据和智能电表的电量数据；
所述预处理模块，用于对所述智能电表的电量数据进行预处理，并将预处理后的电量数据作为电量样本数据；
所述构建模块，用于根据所述电量样本数据、所述台区及用户档案数据和台区电能损耗的计算方法，构建标准化感知矩阵和量测向量组；
所述计算模块，用于对所述标准化感知矩阵和量测向量组，采用自适应参数正则化正交匹配追踪算法，计算获得台区内每个智能电表的计量误差。
本发明还提供一种计算机终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一项所述的智能电表误差远程估计方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述的智能电表误差远程估计方法。
本发明一种智能电表误差远程估计方法、系统、终端和存储介质与现有技术相比，其有益效果在于：
本发明通过利用高级量测体系(AMI)系统的数据采集与传输功能，通过一定的阈值特征对智能电表原始测量数据进行预处理，将处理后的数据作为电能表误差估计模型的输入，采用自适应参数的正则化正交匹配追踪算法求解相应的误差估计值，并将其与电能表误差的实际值做对比，进一步分析所提电能表误差估计方法的性能。本发明利用自适应参数的正则化正交匹配追踪算法进行智能电表误差的在线估计，有效解决了传统基于最小二乘算法进行误差估计对数据质量要求高而导致的计算精度低的问题，另外，相较于传统的正交匹配追踪算法，所提算法很好的解决了过拟合的问题，大大提高了算法的精准度。此外，该方法充分利用了矩阵与向量的稀疏特征，有效提高了计算效率，为实时监测处于运行状态的电能表误差提供可能。
附图说明
图1是本发明提供的一种智能电表误差远程估计方法的流程示意图；
图2是本发明提供的配电台区的电能表集群拓扑示意图；
图3是本发明提供的基于所提方法的电能表误差估计曲线示意图；
图4是本发明提供的三种电能表误差估计方法对应的误差估计曲线示意图；
图5是本发明提供的三种电能表误差估计方法绝对平均误差对比示意图；
图6是本发明提供的存在轻载测量数据时的误差估计曲线示意图；
图7是本发明提供的直接求解与滚动求解误差对比曲线示意图；
图8是本发明提供的一种智能电表误差远程估计系统的结构示意图。
具体实施方式
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作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。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如图1所示，本发明的一种智能电表误差远程估计方法，至少包括如下步骤：
S1、获取台区及用户档案数据和智能电表的电量数据；
具体地，获取智能电表误差在线估计所需的两类信息：(1)用户基本档案信息：计量点信息、采集对象信息、电能表信息、计量点关系、用户编号、用户名称、台区信息、线损计算模型中的供入计量点与供出计量点等；(2)采集数据：正有功电能示值。前者主要用于对用户与表号进行定位，后者主要通过基于AMI的智能电表数据采集系统测量获得，该测量数据包含与建立电能表误差估计模型相关的参数数据。
所述智能电表的电量数据是基于高级量测体系(AMI)的数据采集系统获得智能电表的计量数据，具体过程可以描述为：台区系统主站的自动抄表系统通过光纤网、无线专用网络等通讯网络对终端设备发送命令，终端设备根据指令执行相关动作，并且台区主站系统可以通过该通讯网络读取终端设备电表的各项读数(如电力配额，电功率，损耗等)，并将数据以时标与户号的形式存储下来，以便后续的数据读取调用。
S2、对所述智能电表的电量数据进行预处理，并将预处理后的电量数据作为电量样本数据；
具体地，对上述基于AMI的数据采集系统所获取的原始测量数据进行预处理。这主要是为了剔除台区轻载用户数据，因为轻载影响智能电表的潜动性能和电流互感器工作状态，智能电表在轻载情况下的计量精准度降低，从而导致测量数据的误差偏高。然后对测量数据进行标准化处理，获得用于基于自适应参数正则化正交匹配追踪算法进行求解的标准形式，并将预处理后的数据作为电能表误差估计模型的输入变量。本发明采用K－Means聚类算法来对数据进行预处理，数据预处理过程如下：
(1)输入电能表测量数据
(2)从N个数据对象中任意选择k个对象作为初始聚类中心，聚类中心的数量取决于电能表运行工况的等级需求，如若只期望找出正常或不正常两种类型的电能表，则将聚类系数设为2，若期望对电能表进行分级归类，则可将聚类系数设为任意期望的等级梯度值；
(3)循环进行步骤(4)到步骤(5)直到每个聚类不再发生变化为止；
(4)根据每个聚类对象的均值(中心对象)，计算每个对象与这些中心对象的距离；并根据最小距离重新对相应的对象进行划分；
(5)重新计算每个聚类的均值(中心对象)，直到聚类中心不再变化，并且使得误差平方和准则最小：
其中，
为第i个计量点的用电量，wj为第j类样本构成的集合，
为第j类样本的均值
经过上述基于K－Means聚类算法的数据预处理过程(1)－(5)，可以剔除原始测量数据中处于轻载工况和极端运行状态下的测量数据。同时，根据期望的聚类中心系数，可以将电能表测量数据按照不同运行状态进行分组。
需要说明的是，数据预处理主要有两个目的：一是剔除轻载等造成的不良测量数据，避免该不良测量数据对电能表误差估计的准确性造成影响；二是对测量数据按照所构造的数学模型进行标准化处理，获得能够直接向算法输入进行误差求解的数据形式。
S3、根据所述电量样本数据、所述台区及用户档案数据和台区电能损耗的计算方法，构建标准化感知矩阵和量测向量组；
具体地，将经过预处理后的测量数据按照时标与用户户号进行排序，分别构成台区用电的感知矩阵与量测向量，作为智能电表误差估计模型的输入电量样本数据；即
其中，
为计量点j的分表在计量周期i内的用电量，ej(i)为计量点j在计量周期i内相对误差，P为台区分表数量，y(i)为计量周期 i供电总表供电量，e0(i)为台区计量周期i内固定损耗，ey(i)为台区计量周期i内线路损耗率。
配电台区的电能表集群拓扑如图2所示。从图2可以看出，一个台区内的电能表集群具有显著的树形拓扑特征。根据能量守恒定律，在任意测量时段内，台区总表的计量数等于台区所有分表计量数之和加上台区的电能损耗，损耗包括台区固定损耗与线路损耗。
根据输入的电量样本数据和能量守恒方程，构建电能表误差估计的标准化感知矩阵A与量测向量Y，具体的有：
其中，N为采集到的数据组数，ti,i＝1,…,N为采集数据的时标信号。
S4、对所述标准化感知矩阵和量测向量组，采用自适应参数正则化正交匹配追踪算法，计算获得台区内每个智能电表的计量误差。具体地，利用自适应正则化参数正交匹配追踪算法求解误差估计值x，该步骤具体为：
输入：a)N×(P+2)的感知矩阵A，其中N小于P+2。
b)长度为P+2的数据向量y，即测量值Y。
c)x的稀疏度K，且K<N
输出：长度为P+2的重建向量
满足
初始化：计算自适应正则化迭代停止参数α＝K/N，残差r0＝y，重建信号x0＝0，索引集Λ0＝φ，迭代次数n＝P+2，计数器k＝0。
1)计算残差和感知矩阵A的每一列的投影系数(内积值) u＝ATrk-1，并找出u中K个最大值，并将其对应的列号存入集合J；
2)在集合J中寻找子集J0，使其满足对所有的 i,j∈J0,|u(i)|≤2|u(j)|，选择所有满足该要求的子集J0中具有最大能量
的项，记为pos；
3)更新索引集Λk＝Λk-1∪{pos}，以及原子集合
4)利用最小二乘求得近似解
5)更新余量rk＝y-Axk；
6)判断迭代是否满足停止条件norm(rk)<δ或k≥K或 |Λk|0≥[(1+α)K]([]号表示向上取整)，
若满足则停止
r＝rk，输出
r，若不满足，则转步骤1)。
需要说明的是，正则化正交匹配追踪算法流程与传统的正交匹配追踪算法的最大不同之处就在于从传感矩阵A中选择列向量的标准，传统的正交匹配追踪每次只选择与残差内积绝对值最大的那一列，而正则化正交匹配追踪算法则是先选出内积绝对值最大的K列(若所有内积中不够K个非零值则将内积值非零的列全部选出)，然后再从这K 列中按正则化标准再选择一遍，即为本次迭代选出的列向量(一般并非只有一列)。正则化标准意思是选择各列向量与残差内积绝对值的最大值不能比最小值大两倍以上且能量最大的一组，因为满足条件的子集并非只有一组。但普通的正则化正交匹配追踪算法存在正则化参数过大导致结果偏差较大的现象，因此我们引入自适应的正则化参数，能够随感知矩阵的规模和稀疏度大小自适应调整，从而达到参数的最优配置。这种选择策略能有效剔除因为未达到迭出阈值而多选择的无关列，从而排除不相关或者说相关性不大的列，能有效防止过拟合现象的发生。
在本发明的某一个实施例中，所述台区及用户档案数据包括：计量点信息、采集对象信息、电能表信息、计量点关系、用户编号、用户名称、台区信息、线损计算模型中的供入计量点和供出计量点。
在本发明的某一个实施例中，所述对所述智能电表的电量数据进行预处理，并将预处理后的电量数据作为电量样本数据，具体为：
S21、从所述电量样本数据中任意选择k个数据对象作为初始聚类中心，其中，k的取值大于等于1；
S22、根据每个聚类对象的均值，计算每个对象与这些中心对象的距离；并根据最小距离重新对相应的对象进行划分；
S23、重新计算每个聚类对象的均值，直到聚类中心不再变化，并且使得误差平方和准则最小；
S24、循环执行步骤S22－S23，直到每个聚类不再发生变化为止。
在本发明的某一个实施例中，所述重新计算每个聚类对象的均值，直到聚类中心不再变化，并且使得误差平方和准则最小，具体采用如下公式：
其中，
为第i个计量点的用电量，wj为第j类样本构成的集合，
为第j类样本的均值。
在本发明的某一个实施例中，所述台区电能损耗的计算方法，采用如下计算公式：
其中，
为计量点j的分表在计量周期i内的用电量，ej(i)为计量点j在计量周期i内相对误差，P为台区分表数量，y(i)为计量周期 i供电总表供电量，e0(i)为台区计量周期i内固定损耗，ey(i)为台区计量周期i内线路损耗率。
在本发明的某一个实施例中，所述对所述标准化感知矩阵和量测向量组，采用自适应参数正则化正交匹配追踪算法，计算获得台区内每个智能电表的计量误差，具体为：
S41、初始化自适应参数正则化迭代停止参数α＝K/N，残差r0＝y，重建信号x0＝0，索引集Λ0＝φ，迭代次数n＝P+2，计数器k＝0；
S42、计算残差和感知矩阵A的每一列的投影系数u＝ATrk-1，并找出u中K个最大值，并将其对应的列号存入集合J；
S43、在集合J中寻找子集J0，使其满足对所有的 i,j∈J0,|u(i)|≤2|u(j)|，选择所有满足该要求的子集J0中具有最大能量
的项，记为pos；
S44、更新索引集Λk＝Λk-1∪{pos}，以及原子集合
S45、利用最小二乘求得近似解
S46、更新余量rk＝y-Axk；
S47、判断迭代是否满足停止条件：norm(rk)<δ或k≥K或 |Λk|0≥[(1+α)K]，其中，[]号表示向上取整；
满足则停止
r＝rk，输出
r，否则转步骤S42。
在本发明的某一个实施例中，所述方法还包括：
通过对台区内智能电表进行抽样检测，获得相应智能电表误差参数的实际值，并与所述智能电表的计量误差进行比较，得到所述方法的精准度。
具体地，本步骤具体为：
(1)对台区内智能电表的实际计量误差值进行检测：对于规模较大的台区，采用分层抽样的方式，按照各用户用电量水平进行分层，并确定各层抽取的样本数量；对于规模很小的台区，可以采用全部检测的方式。
(2)对抽取的智能电表进行检测，获取该电能表的实际误差值。
(3)采用平均绝对误差(Average Abso lute Error，AAE)，对步骤S13中基于自适应正则化参数正交匹配追踪算法的电能表误差在线估计算法的性能进行分析，这是由于估计值中存在零元素，无法采用相对误差率来进行量化。AAE的表达式为：
其中，ei为台区内第i个分电能表的实际计量误差，
为通过自适应正则化参数正交匹配追踪算法得到的ei的估计值。在智能电表误差在线估计过程中，AAE值越小，表明所估计的误差参数的精准度越高。
为了验证所提方法的有效性，本发明实例以一个包含40个用户的台区为对象进行分析。该台区共包含一块台区总电能表和40块用户分电能表。我们收集了83组智能电表在不同运行时刻的计量数据，对收集的原始测量数据进行数据预处理，剔除了83组数据中的不良测量数据，并将剩余的测量数据作为电能表误差估计模型的输入变量。利用本发明的自适应参数正则化正交匹配追踪算法求解基于测量数据的电能表误差估计模型，得到的电能表误差估计曲线如图3所示。从图3 可以看出，所研究台区的40块用户电能表中存在一些运行不正常的电能表(对应于图4中相对误差超过或十分接近2％的电能表)。
为了评估所提方法对电能表误差估计的性能，我们将电能表误差的实际值作为参考值，并引入不同的误差估计算法作为对照组。考虑引入基于传统的最小二乘算法(LS，Least Square)和传统的正则化正交匹配追踪算法(ROMP，Regularized OrthogonalMatching Pursuit) 的电能表误差评估方法，加上所提的基于自适应参数正则化正交匹配追踪算法(AdaROMP，Adaptive Regularized Orthogonal Matching Pursuit)的电能表误差估计方法，三种方法对应的误差估计曲线如图 4所示。从图4可以看出，基于最小二乘法的电能表误差估计方法的精准度最低。
进一步采用实施例1步骤S14中的AAE值作为电能表误差估计方法的评价指标，对图4中三种误差估计方法的性能进行定量分析，得到三种方法对应的AAE值如图5所示。从图5可以看出，基于传统最小二乘算法的误差估计方法具有较大的AAE值，而正则化正交匹配追踪算法相对于最小二乘算法而言，AAE值大大减小，但仍然较大；三种算法中，基于自适应参数的正则化正交匹配追踪算法有最小的AAE值。因此，可以得出基于自适应参数的正则化正交匹配追踪算法在电能表误差估计上的精准度最高的结论。
为了研究测量数据中的不良数据对所提方法性能的影响，我们仿真模拟在不剔除轻载数据的情况下，利用所提方法进行电能表误差估计，对应的误差估计曲线如图6所示。从图6可以看出，在电能表误差估计模型输入变量包含轻载数据时，所提方法的误差估计精准度大大降低。因此，步骤S12对原始测量数据进行预处理并剔除轻载数据对于算法的求解是非常重要的。
为了研究滚动随机组合数据对求解结果的优化效果，我们仿真了两种情况，一种是一次性利用所有数据对结果进行直接求解，另一种则是在所测的83组数据中滚动随机选取40组数据进行组合，构造压缩的感知矩阵组和量测向量组，再求解误差向量组，最后再根据统计学原理对最终误差向量进行确定。理论上我们所能构造的数据组数为
这是一个非常巨大的数字，实际上我们并不需要这么多数据，因此我们采用随机构造一百组数据的方式，即从83组测量数据中随机选取40 组数据，将这个过程重复一百次，且由于随机选取的数据序号大致服从正态分布，因此不必担心数据重合度高的问题。对应的误差对比曲线如图7所示，可以看出，采用滚动随机组合数据的优化方法比直接利用所有数据的求解方法误差更小，求解结果更加精确。
本发明一种智能电表误差远程估计方法与现有技术相比，其有益效果在于：
本发明通过利用高级量测体系(AMI)系统的数据采集与传输功能，通过一定的阈值特征对智能电表原始测量数据进行预处理，将处理后的数据作为电能表误差估计模型的输入，采用自适应参数的正则化正交匹配追踪算法求解相应的误差估计值，并将其与电能表误差的实际值做对比，进一步分析所提电能表误差估计方法的性能。本发明利用自适应参数的正则化正交匹配追踪算法进行智能电表误差的在线估计，有效解决了传统基于最小二乘算法进行误差估计对数据质量要求高而导致的计算精度低的问题，另外，相较于传统的正交匹配追踪算法，所提算法很好的解决了过拟合的问题，大大提高了算法的精准度。此外，该方法充分利用了矩阵与向量的稀疏特征，有效提高了计算效率，为实时监测处于运行状态的电能表误差提供可能。
如图8所示，本发明还提供一种智能电表误差远程估计系统200，包括：获取模块201、预处理模块202、构建模块203和误差计算模块 204，其中，
所述获取模块201，用于获取台区及用户档案数据和智能电表的电量数据；
所述预处理模块202，用于对所述智能电表的电量数据进行预处理，并将预处理后的电量数据作为电量样本数据；
所述构建模块203，用于根据所述电量样本数据、所述台区及用户档案数据和台区电能损耗的计算方法，构建标准化感知矩阵和量测向量组；
所述计算模块204，用于对所述标准化感知矩阵和量测向量组，采用自适应参数正则化正交匹配追踪算法，计算获得台区内每个智能电表的计量误差。
本发明一种智能电表误差远程估计系统与现有技术相比，其有益效果在于：
本发明通过利用高级量测体系(AMI)系统的数据采集与传输功能，通过一定的阈值特征对智能电表原始测量数据进行预处理，将处理后的数据作为电能表误差估计模型的输入，采用自适应参数的正则化正交匹配追踪算法求解相应的误差估计值，并将其与电能表误差的实际值做对比，进一步分析所提电能表误差估计方法的性能。本发明利用自适应参数的正则化正交匹配追踪算法进行智能电表误差的在线估计，有效解决了传统基于最小二乘算法进行误差估计对数据质量要求高而导致的计算精度低的问题，另外，相较于传统的正交匹配追踪算法，所提算法很好的解决了过拟合的问题，大大提高了算法的精准度。此外，该方法充分利用了矩阵与向量的稀疏特征，有效提高了计算效率，为实时监测处于运行状态的电能表误差提供可能。
本发明还提供一种计算机终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一项所述的智能电表误差远程估计方法。
需要说明的是，所述处理器可以是中央处理单元 (CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路 (ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field－ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(SmartMediaCard，SMC)、安全数字(SecureDigital，SD)卡和闪存卡(FlashCard)等，或所述存储器也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上述任一项所述的智能电表误差远程估计方法。
需要说明的是，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能电表误差远程估计方法，其特征在于，包括：
S1、获取台区及用户档案数据和智能电表的电量数据；
S2、对所述智能电表的电量数据进行预处理，并将预处理后的电量数据作为电量样本数据；
S3、根据所述电量样本数据、所述台区及用户档案数据和台区电能损耗的计算方法，构建标准化感知矩阵和量测向量组；
S4、对所述标准化感知矩阵和量测向量组，采用自适应参数正则化正交匹配追踪算法，计算获得台区内每个智能电表的计量误差。
2.根据权利要求1所述的智能电表误差远程估计方法，其特征在于，所述台区及用户档案数据包括：计量点信息、采集对象信息、电能表信息、计量点关系、用户编号、用户名称、台区信息、线损计算模型中的供入计量点和供出计量点。
3.根据权利要求1所述的智能电表误差远程估计方法，其特征在于，所述对所述智能电表的电量数据进行预处理，并将预处理后的电量数据作为电量样本数据，具体为：
S21、从所述电量样本数据中任意选择k个数据对象作为初始聚类中心，其中，k的取值大于等于1；
S22、根据每个聚类对象的均值，计算每个对象与这些中心对象的距离；并根据最小距离重新对相应的对象进行划分；
S23、重新计算每个聚类对象的均值，直到聚类中心不再变化，并且使得误差平方和准则最小；
S24、循环执行步骤S22－S23，直到每个聚类对象不再发生变化为止。
4.根据权利要求3所述的智能电表误差远程估计方法，其特征在于，所述重新计算每个聚类对象的均值，直到聚类中心不再变化，并且使得误差平方和准则最小，采用如下公式：
其中，
为第i个计量点的用电量，wj为第j类样本构成的集合，
为第j类样本的均值。
5.根据权利要求1所述的智能电表误差远程估计方法，其特征在于，所述台区电能损耗的计算方法，采用如下计算公式：
其中，
为计量点j的分表在计量周期i内的用电量，ej(i)为计量点j在计量周期i内相对误差，P为台区分表数量，y(i)为计量周期i供电总表供电量，e0(i)为台区计量周期i内固定损耗，ey(i)为台区计量周期i内线路损耗率。
6.根据权利要求1所述的智能电表误差远程估计方法，其特征在于，所述对所述标准化感知矩阵和量测向量组，采用自适应参数正则化正交匹配追踪算法，计算获得台区内每个智能电表的计量误差，具体为：
S41、初始化自适应参数正则化迭代停止参数α＝K/N，残差r0＝y，重建信号x0＝0，索引集Λ0＝φ，迭代次数n＝P+2，计数器k＝0；
S42、计算残差和感知矩阵A的每一列的投影系数u＝ATrk-1，并找出u中K个最大值，并将其对应的列号存入集合J；
S43、在集合J中寻找子集J0，使其满足对所有的i,j∈J0,|u(i)|≤2|u(j)|，选择所有满足该要求的子集J0中具有最大能量
的项，记为pos；
S44、更新索引集Λk＝Λk-1∪{pos}，以及原子集合
S45、利用最小二乘求得近似解
S46、更新余量rk＝y-Axk；
S47、判断迭代是否满足停止条件：norm(rk)<δ或k≥K或|Λk|0≥[(1+α)K]，其中，[]号表示向上取整；
满足则停止
输出
r，否则转步骤S42。
7.根据权利要求1所述的智能电表误差远程估计方法，其特征在于，所述方法还包括：
通过对台区内智能电表进行抽样检测，获得相应智能电表误差参数的实际值，并与所述智能电表的计量误差进行比较，得到所述方法的精准度。
8.一种智能电表误差远程估计系统，其特征在于，包括：获取模块、预处理模块、构建模块和误差计算模块，其中，
所述获取模块，用于获取台区及用户档案数据和智能电表的电量数据；
所述预处理模块，用于对所述智能电表的电量数据进行预处理，并将预处理后的电量数据作为电量样本数据；
所述构建模块，用于根据所述电量样本数据、所述台区及用户档案数据和台区电能损耗的计算方法，构建标准化感知矩阵和量测向量组；
所述计算模块，用于对所述标准化感知矩阵和量测向量组，采用自适应参数正则化正交匹配追踪算法，计算获得台区内每个智能电表的计量误差。
9.一种计算机终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至7任一项所述的智能电表误差远程估计方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的智能电表误差远程估计方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110421915.XA CN113126019B (zh) | 2021-04-19 | 2021-04-19 | 一种智能电表误差远程估计方法、系统、终端和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110421915.XA CN113126019B (zh) | 2021-04-19 | 2021-04-19 | 一种智能电表误差远程估计方法、系统、终端和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113126019A true CN113126019A (zh) | 2021-07-16 |
| CN113126019B CN113126019B (zh) | 2023-05-12 |
Family
ID=76777833
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110421915.XA Active CN113126019B (zh) | 2021-04-19 | 2021-04-19 | 一种智能电表误差远程估计方法、系统、终端和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113126019B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113281697A (zh) * | 2021-05-20 | 2021-08-20 | 国网河南省电力公司营销服务中心 | 一种运行误差在线分析方法及系统 |
| CN114280527A (zh) * | 2021-12-21 | 2022-04-05 | 青岛鼎信通讯股份有限公司 | 一种基于低压物联感知终端的电能表失准分析方法 |
| CN115201744A (zh) * | 2022-09-16 | 2022-10-18 | 北京志翔科技股份有限公司 | 低压台区的计量点误差的确定方法及装置 |
| CN116148753A (zh) * | 2023-04-18 | 2023-05-23 | 北京京仪北方仪器仪表有限公司 | 一种智能电能表运行误差监测系统 |
| CN116148527A (zh) * | 2023-04-18 | 2023-05-23 | 青岛高科通信股份有限公司 | 一种能够误差校正的电子电能表改造装置 |
| CN116699499A (zh) * | 2023-05-29 | 2023-09-05 | 浙江东鸿电子股份有限公司 | 一种电表精度及可靠性自动检测系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002082152A (ja) * | 2000-09-06 | 2002-03-22 | Toshiba Meter Techno Kk | 電子式電力量計及びその誤差試験装置 |
| WO2012174693A1 (zh) * | 2011-06-20 | 2012-12-27 | 辽宁省电力有限公司丹东供电公司 | 电能表在线检测方法 |
| CN103124179A (zh) * | 2013-01-14 | 2013-05-29 | 江苏大学 | 基于正交匹配追踪的电力系统数据重构解压缩方法 |
| CN108537380A (zh) * | 2018-04-04 | 2018-09-14 | 福州大学 | 一种基于稀疏表示的电力负荷预测方法 |
| CN110458374A (zh) * | 2019-08-23 | 2019-11-15 | 山东浪潮通软信息科技有限公司 | 一种基于arima和svm的企业用电最大需量预测方法 |
| CN110471024A (zh) * | 2019-08-08 | 2019-11-19 | 天津大学 | 一种基于量测数据分析的智能电表在线远程校验方法 |
| CN111693931A (zh) * | 2020-06-23 | 2020-09-22 | 广东电网有限责任公司计量中心 | 智能电能表误差远程计算方法、装置和计算机设备 |
| CN111948596A (zh) * | 2020-08-24 | 2020-11-17 | 国网四川省电力公司电力科学研究院 | 基于多时间尺度的台区电能表误差在线检测方法和系统 |
-
2021
- 2021-04-19 CN CN202110421915.XA patent/CN113126019B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002082152A (ja) * | 2000-09-06 | 2002-03-22 | Toshiba Meter Techno Kk | 電子式電力量計及びその誤差試験装置 |
| WO2012174693A1 (zh) * | 2011-06-20 | 2012-12-27 | 辽宁省电力有限公司丹东供电公司 | 电能表在线检测方法 |
| CN103124179A (zh) * | 2013-01-14 | 2013-05-29 | 江苏大学 | 基于正交匹配追踪的电力系统数据重构解压缩方法 |
| CN108537380A (zh) * | 2018-04-04 | 2018-09-14 | 福州大学 | 一种基于稀疏表示的电力负荷预测方法 |
| CN110471024A (zh) * | 2019-08-08 | 2019-11-19 | 天津大学 | 一种基于量测数据分析的智能电表在线远程校验方法 |
| CN110458374A (zh) * | 2019-08-23 | 2019-11-15 | 山东浪潮通软信息科技有限公司 | 一种基于arima和svm的企业用电最大需量预测方法 |
| CN111693931A (zh) * | 2020-06-23 | 2020-09-22 | 广东电网有限责任公司计量中心 | 智能电能表误差远程计算方法、装置和计算机设备 |
| CN111948596A (zh) * | 2020-08-24 | 2020-11-17 | 国网四川省电力公司电力科学研究院 | 基于多时间尺度的台区电能表误差在线检测方法和系统 |
Non-Patent Citations (2)
| Title |
|---|
| 未知: "压缩感知重构算法之正则化正交匹配追踪(ROMP)", 《CSDN》 * |
| 李珞新等: "《用电管理》", 中国电力出版社 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113281697A (zh) * | 2021-05-20 | 2021-08-20 | 国网河南省电力公司营销服务中心 | 一种运行误差在线分析方法及系统 |
| CN114280527A (zh) * | 2021-12-21 | 2022-04-05 | 青岛鼎信通讯股份有限公司 | 一种基于低压物联感知终端的电能表失准分析方法 |
| CN115201744A (zh) * | 2022-09-16 | 2022-10-18 | 北京志翔科技股份有限公司 | 低压台区的计量点误差的确定方法及装置 |
| CN116148753A (zh) * | 2023-04-18 | 2023-05-23 | 北京京仪北方仪器仪表有限公司 | 一种智能电能表运行误差监测系统 |
| CN116148527A (zh) * | 2023-04-18 | 2023-05-23 | 青岛高科通信股份有限公司 | 一种能够误差校正的电子电能表改造装置 |
| CN116699499A (zh) * | 2023-05-29 | 2023-09-05 | 浙江东鸿电子股份有限公司 | 一种电表精度及可靠性自动检测系统 |
| CN116699499B (zh) * | 2023-05-29 | 2024-04-12 | 浙江东鸿电子股份有限公司 | 一种电表精度及可靠性自动检测系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113126019B (zh) | 2023-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113126019A (zh) | 一种智能电表误差远程估计方法、系统、终端和存储介质 | |
| CN108280552B (zh) | 基于深度学习的电力负荷预测方法和系统、存储介质 | |
| CN111693931A (zh) | 智能电能表误差远程计算方法、装置和计算机设备 | |
| Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
| CN110264107B (zh) | 一种基于大数据技术的台区线损率异常诊断方法 | |
| CN111680841B (zh) | 基于主成分分析的短期负荷预测方法、系统及终端设备 | |
| CN111241755A (zh) | 电力负荷预测方法 | |
| CN110659693A (zh) | 基于k近邻分类的配电网快速拓扑识别方法、系统及可读存储介质 | |
| CN113406558A (zh) | 基于线性回归的电表失准检测方法、装置及电子设备 | |
| CN112348290A (zh) | 河流水质预测方法、装置、存储介质及设备 | |
| CN116148753A (zh) | 一种智能电能表运行误差监测系统 | |
| Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
| CN113595071A (zh) | 台区用户辨识与电压影响评估方法 | |
| Wan et al. | Neural network model comparison and analysis of prediction methods using ARIMA and LSTM models | |
| Chicco et al. | A review of concepts and techniques for emergent customer categorisation | |
| CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、系统、设备及介质 | |
| CN112232570A (zh) | 一种正向有功总电量预测方法、装置及可读存储介质 | |
| CN110956281A (zh) | 一种基于Log分析的电力设备异常检测报警系统 | |
| CN113468811B (zh) | 含新能源机组的电网备用容量概率化动态评估方法及系统 | |
| CN115166625A (zh) | 智能电表误差估计方法及装置 | |
| CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
| CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 | |
| Melzer et al. | An expectile factor model for day-ahead wind power forecasting | |
| CN112256735A (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
| Khodabakhshi et al. | The optimistic–pessimistic ranking in the chance constrained DEA |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |