CN114779154A - 一种基于时态分析的智能电表数据时标校准方法及装置 - Google Patents

Abstract

本发明公开了一种基于时态分析的智能电表数据时标校准方法及装置，方法包括：获取智能电表误差估计数据并进行初始化；构建智能电表时间误差状态模型，对智能电表时间误差进行关联性分析与估计；选取在时间误差超差阈值内的元素作为超差电表集合，判断所考察的时态估计矩阵中的元素是否在超差电表集合中；如果是，该时态估计矩阵元素所对应的智能电表的时态可信度高，该智能电表可能存在时态估计矩阵元素所对应倍率的时间误差；派遣运维人员去现场检查；如果否，该时态估计矩阵元素所对应的智能电表的时态可信度较低，该智能电表不存在时间误差。装置包括：处理器和存储器。本发明在避免现场校时和额外安装设备的前提下，能实现台区下各个用户智能电表的时间状态估计。

Description

一种基于时态分析的智能电表数据时标校准方法及装置

技术领域

本发明涉及智能电表领域，尤其涉及一种基于时态分析的智能电表数据时标校准方法及装置。

背景技术

随着用电信息采集系统的全面建设，传统的人工抄表方式已经被自动采集所取代，在减少人工现场抄表工作量的同时，也同样削减了用电计量装置运行工况现场巡查的成本。智能电表作为用户消费电能的计量工具，其运行可靠性不仅影响到电网公司的运营收益，更直接关系到千家万户的实际利益。为加强对台区的动态管理，提升电网的服务水平，探寻一种高效精准的智能电表运行误差远程诊断方法势在必行。传统的智能电能表的状态监测，最早是通过添加在线监测设备的手段，在线检测计量装置、二次回路的电压、电流、功率、负荷、电量等数据，实现对监测目标的在线误差监测和告警。此方法虽然提高了工作效率，但带来的是设备采购和运行维护成本的增加。

在上述背景下，可以利用大数据分析技术，基于用电信息采集系统中的台区用户用电量、台区总表电量、网络损耗、用户档案、户表关系等数据，从台区采集情况、户变关系、用电量、网络损耗等多个维度，研究同一台区下总表电量及各分表电量的统计规律，建立智能表时间误差分析模型，表现台区下各智能表时间状态，得出台区下所有智能表运行健康状况，实现智能表时间误差的远程评估，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，实现现场排查高效精准，针对性的开展智能电表现场巡查和异常排查工作。

目前电力工作者对智能电表远程状态监测的研究已经取得了一些成果。这些方法大多是针对智能电表的数值误差，但没有针对智能电表时间误差进行辨识。如已有专利“一种可以实现智能电表误差在线估计的表箱及系统”(专利号：CN201910992342.9)。但该类智能电表数值误差估计方法存在以下问题：(1)目前低压配电台区的数据采集质量不高，智能电表可能由于通信延迟，电表自身时钟电池老化等问题，采集上来的数据存在时间偏差，导致智能电表数值误差估计无法进行；(2)若要减小智能电表时间误差的影响，往往需要对智能电表进行时间校准。目前智能电表的时间校准方法有现场校验和远程校时两种：场校验的成本较高，效率较低；远程校验通过主站发送校准信号进行用户分表的时钟校对。远程校时方法虽然能够确保校准后的时钟不出现偏差，但是无法确定智能电表数据时标的具体偏差。

针对上述问题，有必要在现有计量条件下，对数据质量进行判别，选取适用于智能电表误差的数据集，且在避免安装额外设备的情况下，采用大数据分析的方法，估计出台区下各个智能电表的时间状态，为智能电表数值误差远程估计以及其他实时业务应用提供基础，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。

发明内容

本发明提供了一种基于时态分析的智能电表数据时标校准方法及装置，本发明在避免现场校时和额外安装设备的前提下，能实现台区下各个用户智能电表的时间状态估计，具有较高的精确度及工程适用性，详见下文描述：

第一方面，一种基于时态分析的智能电表数据时标校准方法，所述方法包括：

获取智能电表误差估计数据并进行初始化；

构建智能电表时间误差状态模型，对智能电表时间误差进行关联性分析与估计；

选取在时间误差超差阈值内的元素作为超差电表集合，判断所考察的时态估计矩阵中的元素是否在超差电表集合中；

如果是，该时态估计矩阵元素所对应的智能电表的时态可信度高，该智能电表可能存在时态估计矩阵元素所对应倍率的时间误差；派遣运维人员去现场检查，流程结束；

如果否，该时态估计矩阵元素所对应的智能电表的时态可信度较低，该智能电表不存在时间误差，流程结束。

其中，所述获取智能电表误差估计数据包括：

静态数据的获取、动态数据的获取、采用相关性分析计算分相有功电量与分表用功电量之和的相关系数；

若相关系数大于0.9，表明数据质量到达智能电表误差远程估计的要求，则进入下一步智能电表误差远程估计初始化；否则重新获取新的动态数据。

进一步地，所述智能电表时间误差状态模型为：

其中，L_true(T_set(t_mid))为以T_set(t_mid)时刻为中心展开的T_total-2K个L_true(T_set(t))所组成实际损耗列向量，T_set为量测时间戳列向量，K为时间误差最大倍率，t_mid为量测中位时间戳，Δt为量测时间间隔，T_total为量测总次数，L_true(T_set(t))为T_set(t)时刻的实际台区的网络损耗。

其中，所述对智能电表时间误差进行关联性分析与估计具体为：

根据排列组合原理构建时间状态矩阵，采用相关系数计算方法构建映射将高维时间状态矩阵映射到低维相关系数集合中；

设置最大相关阈值百分比，获得最大相关集合；根据最大相关状态集合计算时态估计矩阵。

进一步地，所述时态估计矩阵为：

式中，X_{Σ_n}为X_Σ的第n列向量，表示第n个用户的时间误差状态估计列向量，该列向量具有2K+1行：X_{Σ_n}＝[X_{Σ_n}(-K),…,X_{Σ_n}(k),…,X_{Σ_n}(K)]^T；X_{Σ_n}(k₎为X_{Σ_n}中的第K+1+k行的元素，表示第n个用户智能电表的时间误差倍率为k的可能性计数。

第二方面，一种基于时态分析的智能电表数据时标校准装置，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置第一方面中的任一项所述的方法步骤。

本发明提供的技术方案的有益效果是：

(1)本发明可以自动判别并提升数据质量，并提除不能用于智能电表误差远程状态检测的数据集合，并对数据进行预处理，确保户变关系的正确性，为智能电表远程状态检测提供了良好的数据基础。目前现有技术中并未考虑数据质量的问题，但实际情况中数据的时标错位，空值，坏值等现象十分常见，即使主站部署了数据采集系统也很难完全获得到适应智能电表误差远程状态检测的数据集，因此本发明基于关联性分析，提出了数据质量判别的依据，大幅度优化了算法的数据基础，提高了智能电表误差远程状态检测的成功率。

(2)本发明可以实现智能电表时间误差远程分析与估计，可大幅提高智能电表的运维效率。

目前大部分用电信息采集系统通过主站发送校准信号进行用户智能电表的时钟校对，频率一般为每个月一次。虽然这种主站校时方法能够确保校对后一定时间内无时差，但无法确定每台智能电表具体的时间偏差，也无法确定采集上来的数据是否有数据时标偏差。因此需要一套新方法来确定每台电表的具体时差，保证电表数据时间的同步。本发明所提出的技术方案是基于大数据分析的智能电表数据时标校准方法，该方法仅需从主站的量测数据管理系统和自动数据收集系统读取量测数据之后进行计算器建模和求解即可，基本不需要额外的投资和运维，且能够及时发现并校准时标超前或滞后的智能电表，实现智能电表数据时间轴的统一。在大规模智能电表定期校验中，该方法可预先定位可疑计量点，之后有针对性地派遣运检人员，由此可以大幅减少智能电表校验的成本。

附图说明

图1为基于时态分析的智能电表数据时标校准方法流程图；

图2为适用台区的典型拓扑和量测量的示意图；

图3为一个包含七个量测时间戳数据的智能电表时间误差状态模型构建算例示意图；

图4为相关系数集合R的计算结果示意图；

图5为最大相关系数集合R_max的计算结果示意图；

图6为基于实际台区量测数据的时态估计矩阵X_Σ计算结果示意图；

图7为基于实际台区量测数据的时态估计矩阵X_Σ中超差电表选取结果示意图(X_Σhold＝1.5％)；

图8为基于时态分析的智能电表数据时标校准装置的结构示意图。

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。

实施例1

为了满足现有的量测条件和运营体系，本发明实施例提供了一种基于时态分析的智能电表数据时标校准方法，在避免现场校时和额外安装设备的前提下，本发明实现了台区下对各个用户智能电表的时间状态估计，具有较高的精确度及工程适用性。参见图1、图2和图3，该方法包括以下步骤：

101：获取智能电表误差估计数据并进行初始化；

102：构建智能电表时间误差状态模型，对智能电表时间误差进行关联性分析与估计；

103：选取在时间误差超差阈值内的元素作为超差电表集合，判断所考察的时态估计矩阵中的元素是否在超差电表集合中；

104：如果是，该时态估计矩阵元素所对应的智能电表的时态可信度高，该智能电表可能存在时态估计矩阵元素所对应倍率的时间误差；派遣运维人员去现场检查，流程结束；

105：如果否，该时态估计矩阵元素所对应的智能电表的时态可信度较低，该智能电表不存在时间误差，流程结束。

其中，步骤101中的获取智能电表误差估计数据包括：

静态数据的获取、动态数据的获取、采用相关性分析计算分相有功电量与分表用功电量之和的相关系数；

若相关系数大于0.9，表明数据质量到达智能电表误差远程估计的要求，则进入下一步智能电表误差远程估计初始化；否则重新获取新的动态数据。

其中，步骤102中的对智能电表时间误差进行关联性分析与估计具体为：

根据排列组合原理构建时间状态矩阵，采用相关系数计算方法构建映射将高维时间状态矩阵映射到低维相关系数集合中；

设置最大相关阈值百分比，获得最大相关集合；根据最大相关状态集合计算时态估计矩阵。

综上所述，本发明实施例通过上述步骤101-105避免现场校时和额外安装设备的前提下，能实现台区下各个用户智能电表的时间状态估计，具有较高的精确度及工程适用性。

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：

步骤201：获取智能电表误差估计数据；

其中，该步骤201包括：

步骤2011：静态数据的获取，即获取如下信息：

(1)智能电表信息：包括：台区用户智能电表总量m，智能电表编号n∈[1,2,…,m]；

(2)与台区网络拓扑架构相关的主要电气特征参数，包括：供电半径、低压线路总长度，户变关系，相变关系等；

(3)与负载相关的主要电气特征参数，包括：负载率、用电性质及比例。

步骤2012：动态数据的获取，即获取带有时标并按时间排序的电能计量数据；

其中，设t∈[1,2,…,T_total]为量测时间戳索引，相当于数据库表中的主键；T_total＝card(T_set)为T_set的元素总数，card(.)表示该集合中的元素个数；T_set为量测时间戳列向量，其中的元素，即每个时间戳必须按照时间顺序从上到下依次排列；T_set(t)表示T_set的第t行的时间戳；Δt是相邻两个时间戳的时间间隔；则获取的动态信息包括：(1)台区总电能在第T_set(t)时刻的表的分相有功电量y(T_set(t))；(2)该台区第n个用户分表在第t时刻的有功电量a_n(T_set(t))。上述动态数据在台区中的体现如图2所示。L_true(T_set(t))是T_set(t)时刻的实际台区的网络损耗，简称实际损耗(kWh)。v_o(T_set(t))是T_set(t)时刻的量测噪声(kWh)。定义定义d_n为第n块分表的时间偏移修正量；a_n(T_set(t)+d_n)为a_n(T_set(t))经过d_n的时间偏移修正后得到的有功电量数据，是无时间偏移的数据。为方便分析，设d_n为Δt的整数倍；k_n为第n块分表的时间误差倍率；K为时间误差最大倍率；

则d_n可以表示为：d_n＝k_n×Δt,k_n∈[0,±1,±2,…,±K]，则修正后的有功电量数据可以表示为：a_n(T_set(t)+k_nΔt)＝a_n(T_set(t+k_n)),k_n∈[0,±1,±2,…,±K]。

步骤2013：数据质量判别，即采用相关性分析，计算分相有功电量y(t)和分表用功电量直和的相关系数r_input。具体的相关系数计算公式为：

其中，Cov(.,.)表示计算两者的协方差，Var(.)表示计算变量的方差。

步骤2014：若相关系数r_input大于0.9，表明数据质量到达智能电表误差远程估计的要求，则进入下一步智能电表误差远程估计初始化；否则重新获取新的动态数据。

步骤202：对智能电表误差估计数据进行初始化；

其中，该步骤202包括：

步骤2021：拓扑参数设置包括定义台区的总电表和下属的用户分表，同时包括用户编号n和用户总数m；

步骤2022：量测参数设置包括确定总表的时钟为整个台区的时间戳基准，并设置量测时间间隔Δt，量测总次数T_total，以及量测中位时间戳t_mid；量测总次数T_total越多，后面的相关性分析就越可靠，同时计算量也会增加。所有的量测数据的时间戳必须连续，相邻两次量测跨度不能大于1个时间间隔。

步骤2023：时间误差参数设置包括：时间误差最大倍率K和可能存在时间误差的电表个数估计值N_d。其中，K一般不超过2，N_d一般不超过用户总数的10％，否则有可能带来灾难性的计算量，具体的取值根据实际应用中的需要进行设定，本发明实施例对此不做赘述。

步骤203：构建智能电表时间误差状态模型；

其中，该步骤203包括如下步骤：

步骤2031：读取台区总电能在第T_set(t)时刻的表的分相有功电量y(T_set(t))、该台区第n个用户分表的在第t时刻的有功电量a_n(T_set(t))；

步骤2032：按照时间集合T_set(t)对读取的数据按照时间顺序排序；

步骤2033：定义k_row为时间误差倍率行索引，k_row∈[0,±1,±2,…,±(0.5(T_total-1)-K)]，依据下式，构建总表有功电量列向量Y(T_set(t_mid))：

步骤2034：依据下式，构建用户分表有功电量矩阵A(T_set(t_mid))：

步骤2035：构建实际时间状态列向量：定义x_n为第n块电表的时间误差实际状态向量，x_n(k)为x_n的第1+K+k行元素：x_n＝[x_n(-K),…,x_n(k),…,x_n(K)]^T；设当第n块电表时间误差倍率为k_n时，x_n的第1+K+k_n行的元素为1，其余行的元素为0，整个x_n中只存在一个1元素，即：

将所有用户的x_n拼接成一列，得到全用户实际时间状态列向量x：

x＝[x₁ ^T,…,x_n ^T,…,x_m ^T]^T

＝[x₁(-K),…,x₁(K)|…|x_n(-K),…,x_n(K)|…|x_m(-K),…,x_m(K)]^T (5)

(其中右上标正体T表示矩阵的转置，本发明实施例中全部右上标正体T均表示矩阵的转置。)

步骤2036：构建智能电表时间误差状态模型；

其中，设L_true(T_set(t_mid))为以T_set(t_mid)时刻为中心展开的T_total-2K个L_true(T_set(t))所组成实际损耗列向量：

则根据广义流量守恒定律可得：Y(T_set(t_mid))＝A(T_set(t_mid))x+L_true(T_set(t_mid))，该式即智能电表时间误差状态模型。

为了方便理解，给出一组包含七个量测时间戳的数据的模型构建示意图如图3所示。可以看出，智能电表时间误差状态模型分为单次量测时差模型和多次量测模型。单次量测时差模型的构建思路是在数据矩阵中将时态遍历后采用时态向量来选择正确的时态来保证总表与分表总和的关系。单次时态模型构建后，多次时态模型即将多个单次时态模型进行组合而得到的。多次量测时差模型是由单次量测模型组合而成，且必须有一个中位值t_mid来作为模型的轴心来保证模型构建的顺利进行，且单次模型和多次模型的全用户实际时间状态列向量x是相同的，不同之处在于数据矩阵的维度。

步骤204：对智能电表时间误差进行关联性分析与估计；

其中，该步骤204包括：

步骤2041：根据排列组合原理构建时间状态矩阵。设X为时间状态矩阵，其行数与x相同，为m×(2K+1)；列数为Θ；设θ为X的一级列数索引，θ∈[1,2,…,Θ]；设X_(θ)为X的第θ列的列向量；设X_{(θ)_n}为X_(θ)中对应于第n个用户的子列向量；设X_{(θ)_n}(k)为X_{(θ)_n}的第1+K+k行的元素，k∈[0,±1,±2,…,±K]。则X的结构如下：

X＝[X₍₁₎,…,X_(θ),…,X_(Θ)] (7)

X_(θ)＝[X_{(θ)_1} ^T,…,X_{(θ)_n} ^T,…,X_{(θ)_m} ^T]^T (8)

其中，Θ即设置空间尺寸的重要参数：

N_d为可能存在时间误差的电表个数的估计值，

表示组合数，即从m块分表中选取N_d块分表进行组合，

表示在一种组合下的所有可能的时间误差状态的总数。

为了方便X的构建，也可以将X按照

和

进行划分。设

为X的二级列数索引，代表的是第c种误差分表组合；

为X的三级列数索引，代表某种误差分表组合下第β种时间误差状态；设X^(c)为第c种分表组合下的所有可能情况的时间状态列向量所组成的矩阵；设X^(c)(β)为X^(c)的第β列的子列向量，则X也可以表示为：

其中

可以看出，每个θ都有唯一的一组c和β与之对应，这种对应关系给程序的编写提供了一定的参考。

通过c和β构建的X中会包含重复的列向量，设

为删除多余重复的列向量后的时间状态矩阵，其目的是为了缩小空间尺寸，减小计算量；设

为

的列向量索引，

为

的总列数，则

为

的第

列列向量，则

可表示为：

注意，由于

是X经过删减多余重复列向量得到的，因此的X列编号规律被破坏，

和X的三个列索引θ，c，β并无关系，但

和X的行编号规律相同，仍然是由两个时间误差状态行索引n和k来确定行结构。

步骤2042：采用相关系数计算方法构建映射将高维时间状态矩阵映射到低维相关系数集合中。根据Pearson相关系数计算公式，建立如下从

到R的满射：

式中，R为相关系数集合；

为R中的第

个元素，是一个数值，与列向量

存在对应关系，即对于任意的

都能在

中找到至少一个原像

与之对应，注意，

也在

中有可能有多个原象

Cov(·,·)表示协方差；Var|·|表示方差。对于

左边为全用户时间偏移有功电量矩阵，右边为删减后的时间状态矩阵中的某列向量，两者相乘可以理解为用

去修正A(T_set(t_mid))，修正的结果是一组和Y(T_set(t_mid))维度相同的分表总和数据，每个

均对应一组修正后的分表总和数据。当某组修正后的分表总和数据恰好是无时间误差情况下的分表总和数据时，即

由于无时间误差的分表总和数据与总表数据呈现极强的相关性，此时

将非常接近于1；而当修正后的分表总和数据并非是无时间误差的数据，即

则该组修正后的数据与总表数据相关性将降低，此时

将较小。

的大小提供了从低维度集合R快速区分高维集合

中的元素

的依据，这就使得从误差时间状态矩阵

中筛查、搜寻和还原出全用户实际误差状态列向量x成为可能。

步骤2043：设置最大相关阈值百分比，获得最大相关集合。

其中，最大相关集合包括最大相关系数集合R_max，最大相关索引集合H以及最大相关状态集合X_H，三者通过映射f:

和

构建对应关系。设r_hold(％)为最大相关阈值百分比，表示将所有

从大到小排序后，取最大的前r_hold(％)的

组成最大相关系数集合，则最大相关系数集合R_max为：

式中，H为最大相关索引集合，card(.)表示集合的元素。式(14)的三个满足条件分别为：(1)H是

的真子集；(2)R_max中的任意元素不小于非R_max中任意元素；(3)R_max的元素个数不超过R元素个数的r_hold(％)。例如当

时，首先对这100个

按照数值大小从大到小排列，之后取最大的前10个

这前10个

组成的集合就是R_max，所对应的

的集合就是H。

步骤2044：根据最大相关状态集合计算时态估计矩阵X_Σ，依据下式构建X_Σ：

式中，X_{Σ_n}为X_Σ的第n列向量，表示为第n个用户的时间误差状态估计列向量，该列向量具有2K+1行：X_{Σ_n}＝[X_{Σ_n}(-K),…,X_{Σ_n}(k),…,X_{Σ_n}(K)]^T；X_{Σ_n}(k₎为X_{Σ_n}中的第K+1+k行的元素，表示第n个用户智能电表的时间误差倍率为k的可能性计数(Possibility count)，计算公式为：

上式表示当k≠0时，对X_H进行行求和，之后按照用户编号将求和结果填入X_Σ中；当k＝0时，不论行求和的结果为多少，填入X_Σ的值都为0。k＝0时的赋0操作是为了增加X_Σ的辨识度。先前的分析可知，本方法适用于存在时间误差的电表数量不超过所有电表总数的10％，这意味着大多数电表的k都为0，而X_{Σ_n}(k)表示的是第n个用户智能电表的时间误差倍率为k的可能性，这就会导致X_{Σ_n}(0)的数值很大，使得X_{Σ_n}(k≠0)的数值的辨识度降低，而关心的恰恰是X_{Σ_n}(k≠0)，因此必须去除X_{Σ_n}(0)的大数值以确保X_{Σ_n}(k)能够清楚直观地反映存在时间误差的智能电表的状态。

步骤205：对结果进行分析；

其中。该步骤205包括如下步骤：

步骤2051：设定时间误差超差阈值百分比；

设X_Σhold(％)为时间误差超差阈值百分比，并认为X_Σ中最大的前百分之X_Σhold的元素为可信值，则这些较大的元素所对应的用户编号n和时间误差倍率k即超差电表的编号和误差倍率。注意，在选取可信值时，不考虑X_{Σ_n}(0)的元素，由于本发明实施例并不关注正常电表，因此X_{Σ_n}(0)无需纳入超差电表的考虑范围。

步骤2052：选取在时间误差超差阈值内的元素作为超差电表集合；

步骤2053：判断所考察的时态估计矩阵中的元素是否在超差电表集合中，若在超差电表集合中，则该时态估计矩阵元素所对应的智能电表的时态可信度较高，该智能电表很有可能存在此元素所对应倍率的时间误差；否则表示该时态估计矩阵元素所对应的智能电表的时态可信度较低，该智能电表很有可能不存在时间误差。

步骤2054：派遣运维人员去现场检查时间误差可能性较大的用户分表。

说明：以上所有步骤均可以采用C语言编程，在Visual Studio上面实现。为了实现更为方便，计算更为高效，建议采用MATLAB实现。

实施例3

下面以具体的算例、表格对实施例1和2中的方案进行可行性验证，详见下文描述：

算例以天津市某台区的112块智能电表为例进行了应用分析。为了进一步验证实施例1和2的实用性，将本方法和现有方法应用到天津某10kv实际配电台区中，该配电网包括一台0.5S级三相总智能电表和351台2级单相用户智能电表，其中用户智能电表中有112台挂接A相，130台挂接B相，109台挂接C相，为分析方便，选取挂接在A相的112台用户智能电表进行误差估计；量测时间间隔为1小时，总量测次数为2001次，即T_total＝2001；总电能表所采集的数据项为A相数据，包括电流，电压；有功电量户分表采集的数据项为有功电量；所有数据均为经过数值误差校验后的量测数据，即在所选时段内总表数值误差小于0.5％，分表数值误差小于2％；由于实际台区中调整用户分表的时间较为困难，因此本发明实施例在实际台区数据的基础上，采用数据处理的方法模拟时间误差的情况。设置第24台分表存在倍率为2的时间误差，第51台分表存在倍率为-1的时间误差，第62台分表存在倍率为-2的时间误差，第99台分表存在倍率为1的时间误差，即k₂₄＝2，k₅₁＝-1，k₆₂＝-2，k₉₉＝1，在数据处理过程中，体现为将第24台分表的时间戳全部加上两个量测时间间隔，第51台分表的时间戳全部减去一个量测时间间隔，第62台分表的时间戳全部减去两个量测时间间隔，第99台分表的时间戳全部加上一个量测时间间隔。算法模型参数设置为Δt＝1h，T_total＝2001，t_mid＝1001，K＝2，N_d＝2，r_hold(％)＝10％，X_Σhold＝2％，则删减前的时间状态矩阵X的总列数Θ为：

删减后的时间状态矩阵

的总列数

为99905，可以看出，删减操作将集合大小缩小到了原来的64％，说明删减操作会大大减小计算量。相关系数集合R如图4所示，最大相关系数集合R_max如图5所示，时态估计矩阵的计算X_Σ结果如图6所示，可以看出，X_{Σ_51}(-1)明显高于矩阵内的其他元素，为了定量分析元素在矩阵内的占比，实现矩阵内元素大小的定量比较，设置X_Σhold＝1.5％，则应从去除X_{Σ_n}(0)之后的X_Σ中的448个元素中选取6个元素来定位判别超差电表。时态估计矩阵X_Σ中超差电表选取结果和具体数值如图7和表1所示：

表1基于实际台区量测数据的时态估计矩阵X_Σ中选取的超差电表的具体数值

表中底纹为灰色的元素是根据X_Σhold＝1.5％而被挑选出来的数值较大的元素，从这些较大的元素中，可以直观的确定第51块分表很有可能存在倍率为-1的时间误差，即第8块分表的时钟比总表时钟滞后了1个量测时间间隔；此外，还可以认为第24块分表存在倍率为2的时间误差，第62块分表存在倍率为-2的时间误差，第99块分表存在倍率为1的时间误差；上述估计结果和所设定的分表误差一致，这说明本方法能够游戏判别出存在时间误差的分表，并给出超差电表的时间误差的倍率。

实施例4

一种基于时态分析的智能电表数据时标校准装置，参见图8，该装置包括：处理器1和存储器2，存储器2中存储有程序指令，处理器1调用存储器2中存储的程序指令以使处理器1执行以下的方法步骤：

获取智能电表误差估计数据并进行初始化；

构建智能电表时间误差状态模型，对智能电表时间误差进行关联性分析与估计；

选取在时间误差超差阈值内的元素作为超差电表集合，判断所考察的时态估计矩阵中的元素是否在超差电表集合中；

如果是，该时态估计矩阵元素所对应的智能电表的时态可信度高，该智能电表可能存在时态估计矩阵元素所对应倍率的时间误差；派遣运维人员去现场检查，流程结束；

如果否，该时态估计矩阵元素所对应的智能电表的时态可信度较低，该智能电表不存在时间误差，流程结束。

其中，获取智能电表误差估计数据包括：

静态数据的获取、动态数据的获取、采用相关性分析计算分相有功电量与分表用功电量之和的相关系数；

若相关系数大于0.9，表明数据质量到达智能电表误差远程估计的要求，则进入下一步智能电表误差远程估计初始化；否则重新获取新的动态数据。

进一步地，智能电表时间误差状态模型为：

其中，L_true(T_set(t_mid))为以T_set(t_mid)时刻为中心展开的T_total-2K个L_true(T_set(t))所组成实际损耗列向量，T_set为量测时间戳列向量，K为时间误差最大倍率，t_mid为量测中位时间戳，Δt为量测时间间隔，T_total为量测总次数，L_true(T_set(t))为T_set(t)时刻的实际台区的网络损耗。

其中，对智能电表时间误差进行关联性分析与估计具体为：

根据排列组合原理构建时间状态矩阵，采用相关系数计算方法构建映射将高维时间状态矩阵映射到低维相关系数集合中；

设置最大相关阈值百分比，获得最大相关集合；根据最大相关状态集合计算时态估计矩阵。

进一步地，时态估计矩阵为：

式中，X_{Σ_n}为X_Σ的第n列向量，表示第n个用户的时间误差状态估计列向量，该列向量具有2K+1行：X_{Σ_n}＝[X_{Σ_n}(-K),…,X_{Σ_n}(k),…,X_{Σ_n}(K)]^T；X_{Σ_n}(k₎为X_{Σ_n}中的第K+1+k行的元素，表示第n个用户智能电表的时间误差倍率为k的可能性计数。

这里需要指出的是，以上实施例中的装置描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。

上述的处理器1和存储器2的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件，具体实现时，本发明实施例对执行主体不做限制，根据实际应用中的需要进行选择。

存储器2和处理器1之间通过总线传输数据信号，本发明实施例对此不做赘述。

参考文献

[1]王梓嫣.电力用户用电信息采集系统的研究与应用[D].长春工业大学,2020.

[2]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].天津大学,2012.

[3]Xiangyu Kong,Yuying Ma,Xin Zhao,Ye Li,Yongxing Teng.A RecursiveLeast Squares Method with Double-Parameter for Online Estimation of ElectricMeter Errors.[J].ENERGIES,2019,12(805).

[4]Korhonen,A.Verification of Energy Meters Using Automatic MeterReading Data.Master’sThesis,AALTO University,Espoo,Finland,2012.

[5]胡启安.基于改进FCM算法的不良负荷数据辨识及修复方法[D].天津大学,2017.

[6]申莉，DLT 1507-2016数字化电能表校准规范[S]，国家能源局，2016.

[7]Kong X,Ma Y,Li Y,et al.Remote Estimation Method for MeasurementError of Smart Meter Based on Limited Memory Recursive Least SquaresAlgorithm[J].Proceedings of the Chinese Society of Electrical Engineering,2020,40(07):2143-2151+2394.

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 (6)

1.一种基于时态分析的智能电表数据时标校准方法，其特征在于，所述方法包括：

获取智能电表误差估计数据并进行初始化；

构建智能电表时间误差状态模型，对智能电表时间误差进行关联性分析与估计；

选取在时间误差超差阈值内的元素作为超差电表集合，判断所考察的时态估计矩阵中的元素是否在超差电表集合中；

如果是，该时态估计矩阵元素所对应的智能电表的时态可信度高，该智能电表可能存在时态估计矩阵元素所对应倍率的时间误差；派遣运维人员去现场检查，流程结束；

如果否，该时态估计矩阵元素所对应的智能电表的时态可信度较低，该智能电表不存在时间误差，流程结束。

2.根据权利要求1所述的一种基于时态分析的智能电表数据时标校准方法，其特征在于，所述获取智能电表误差估计数据包括：

静态数据的获取、动态数据的获取、采用相关性分析计算分相有功电量与分表用功电量之和的相关系数；

若相关系数大于0.9，表明数据质量到达智能电表误差远程估计的要求，则进入下一步智能电表误差远程估计初始化；否则重新获取新的动态数据。

3.根据权利要求1所述的一种基于时态分析的智能电表数据时标校准方法，其特征在于，所述智能电表时间误差状态模型为：

其中，L_true(T_set(t_mid))为以T_set(t_mid)时刻为中心展开的T_total-2K个L_true(T_set(t))所组成实际损耗列向量，T_set为量测时间戳列向量，K为时间误差最大倍率，t_mid为量测中位时间戳，Δt为量测时间间隔，T_total为量测总次数，L_true(T_set(t))为T_set(t)时刻的实际台区的网络损耗。

4.根据权利要求1所述的一种基于时态分析的智能电表数据时标校准方法，其特征在于，所述对智能电表时间误差进行关联性分析与估计具体为：

根据排列组合原理构建时间状态矩阵，采用相关系数计算方法构建映射将高维时间状态矩阵映射到低维相关系数集合中；

设置最大相关阈值百分比，获得最大相关集合；根据最大相关状态集合计算时态估计矩阵。

5.根据权利要求4所述的一种基于时态分析的智能电表数据时标校准方法，其特征在于，所述时态估计矩阵为：

式中，X_{Σ_n}为X_Σ的第n列向量，表示第n个用户的时间误差状态估计列向量，该列向量具有2K+1行：X_{Σ_n}＝[X_{Σ_n}(-K),…,X_{Σ_n}(k),…,X_{Σ_n}(K)]^T；X_{Σ_n}(k)为X_{Σ_n}中的第K+1+k行的元素，表示第n个用户智能电表的时间误差倍率为k的可能性计数。

6.一种基于时态分析的智能电表数据时标校准装置，其特征在于，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行权利要求1-5中的任一项所述的方法步骤。

Images