CN114896829A - 一种超差电表定位方法 - Google Patents

一种超差电表定位方法 Download PDF

Info

Publication number
CN114896829A
CN114896829A CN202210823367.8A CN202210823367A CN114896829A CN 114896829 A CN114896829 A CN 114896829A CN 202210823367 A CN202210823367 A CN 202210823367A CN 114896829 A CN114896829 A CN 114896829A
Authority
CN
China
Prior art keywords
innovation
error
matrix
variable
weighted
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
Application number
CN202210823367.8A
Other languages
English (en)
Other versions
CN114896829B (zh
Inventor
郭海峰
郭浩
黄晓妍
薛义飞
徐陵惠
马若宁
李俊峰
李志军
申润州
秦少博
裴士懿
刘阳阳
王星
侯超航
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanxi Virtual Reality Industry Technology Research Institute Co ltd
Taiyuan University of Technology
Original Assignee
Shanxi Virtual Reality Industry Technology Research Institute Co ltd
Taiyuan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanxi Virtual Reality Industry Technology Research Institute Co ltd, Taiyuan University of Technology filed Critical Shanxi Virtual Reality Industry Technology Research Institute Co ltd
Priority to CN202210823367.8A priority Critical patent/CN114896829B/zh
Publication of CN114896829A publication Critical patent/CN114896829A/zh
Application granted granted Critical
Publication of CN114896829B publication Critical patent/CN114896829B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/12—Timing analysis or timing optimisation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Data Mining & Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供了一种超差电表定位方法，属于电力系统技术领域；所要解决的技术问题为：提供基于变递推多新息加权最小二乘辨识算法的超差电表定位方法的改进；解决上述技术问题采用的技术方案为：包括如下步骤：构建变递推间隔多新息最小二乘辨识算法模型；引入变遗忘因子对多新息修正项进行加权重构；引入最新估计更新变递推间隔多新息加权最小二乘辨识算法模型：将基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型代入ARX误差模型仿真得到最优权值；通过最优权值下基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型对智能电表远程误差估计，通过误差率直接在后台定位超差电表；本发明应用于超差电表定位。

Description

一种超差电表定位方法
技术领域
本发明属于电力系统领域，涉及电力领域的参数辨识，具体涉及一种基于最新估计的变递推间隔多新息加权最小二乘辨识算法的超差电表定位方法。
背景技术
智能电表在实际运行过程中，不稳定的环境变量会导致电表的量测数据出现偏差，不仅为电表状态检修和更换带来困难，还为用户带来直接的经济损失，现有的部分研究成果在智能电表数据运用和远程误差估计方面无法满足实时性和精准性的要求。本发明提出的一种基于最新估计的变递推间隔多新息加权最小二乘辨识算法的超差电表定位方法，与传统的最小二乘类算法相比，具有更高的收敛速度和误差估计精度，满足了智能电表在工作中对突变参量的时变跟踪能力，通过过高或过低的误差率为电力检修人员判断电表状态提供依据。
发明内容
本发明为了克服现有技术中存在的不足，所要解决的技术问题为：提供一种超差电表定位方法的改进。
为了解决上述技术问题，本发明采用的技术方案为：一种超差电表定位方法，包括如下步骤：
S1：构建变递推间隔多新息最小二乘辨识算法模型：
S1.1：构建标量新息系统；
S1.2：引入多新息最小二乘辨识算法，得到多新息系统；
S1.3：利用时变的递推间隔代替原递推间隔，得到变递推间隔多新息最小二乘辨识算法模型，并得到多新息修正项表示；
S2：引入变遗忘因子对多新息修正项进行加权重构，得到变递推间隔多新息加权最小二乘算法模型；
S3：引入最新估计更新变递推间隔多新息加权最小二乘辨识算法模型，获得基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型：
S4：将步骤S3中的基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型代入ARX误差模型仿真得到最优权值，得到最优权值下基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型；
S5：通过最优权值下基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型对智能电表远程误差估计模型的误差精度进行校验，得到智能电表远程误差估计，通过误差率直接在后台定位超差电表。
所述步骤S1.1中标量新息系统的输入输出关系如下：
Figure DEST_PATH_IMAGE002
；
Figure DEST_PATH_IMAGE004
；
上式中：y(t)为系统输出，φ T (t)为输入u(t)和输出y(t)构成的向量转置，θ为系统待辨识参数，v(t)为零均值随机噪声，
Figure DEST_PATH_IMAGE006
为t时刻下的参数估计，L(t)为算法增益信息，e(t)为标量新息。
所述步骤S1.2中多新息系统的输入输出关系如下：
Figure DEST_PATH_IMAGE008
；
上式中：Y(p,t)为多新息系统的输出矩阵，φ T (p,t)为输入U(p,t)和输出Y(p,t)的转置矩阵，θ为系统待辨识参数，V(p,t)为零均值随机噪声矩阵，p为新息长度。
所述步骤S1.3中利用时变的递推间隔代替原递推间隔关系如下：
Figure DEST_PATH_IMAGE010
；
上式中：t s 为参数估计的时间点，t s-1 为参数估计的上一个时间点，t * ≥1为递推间隔；
定义多新息最小二乘辨识算法的准则函数如下：
Figure DEST_PATH_IMAGE012
；
上式中：J(θ,t s )为准则函数，其中Y(p,t i )为t=t i 参数估计点下多新息系统的输出矩阵，φ T (p,t i )为输入U(p,t i )和输出Y(p,t i )的转置矩阵，θ为系统待辨识参数，t i 为第i个参数估计点，i∈[1,2,3…s]为参数估计点个数；
获得变递推间隔多新息最小二乘辨识算法，并得到多新息修正项表示如下：
Figure DEST_PATH_IMAGE014
；
Figure DEST_PATH_IMAGE016
；
Figure DEST_PATH_IMAGE018
；
Figure DEST_PATH_IMAGE020
；
Figure DEST_PATH_IMAGE022
；
Figure DEST_PATH_IMAGE024
；
Figure DEST_PATH_IMAGE026
；
上式中：Y(p,t s )为t=t s 参数估计点下多新息系统的输出矩阵，φ T (p,t s )为输入U(p,ts)和输出Y(p,t s )的转置矩阵，V(p,t s )为零均值随机噪声矩阵，θ为系统待辨识参数，L (t s )为增益矩阵，P(t s )为协方差矩阵，e * (t s )为多新息修正项，
Figure DEST_PATH_IMAGE028
为t=t s-1 下θ的估计值，
Figure DEST_PATH_IMAGE030
为t s 时刻下的参数估计。
所述步骤S2中引入变遗忘因子对多新息修正项进行加权重构的计算公式如下：
Figure DEST_PATH_IMAGE032
；
上式中：α为可变权重因子，α的值由系统输出的辨识参数误差修正，当辨识误差过大时，将自动减小α的值，当辨识误差过小α的值将会相应增大，L(t s )为增益矩阵，Y(p,t s )为t=t s 参数估计点下多新息系统的输出矩阵，
Figure DEST_PATH_IMAGE034
为t=t s-1 下θ的估计值，φ T (p,t s )为输入U(p,t s )和输出Y(p,t s )的转置矩阵，E(t s )为对t=t s 下的新息和t=t s-1 下的新息进行加权的和。
所述步骤S3中引入最新估计更新变递推间隔多新息加权最小二乘辨识算法模型的步骤如下：
更新变递推间隔多新息加权最小二乘辨识算法模型：
Figure DEST_PATH_IMAGE036
；
Figure DEST_PATH_IMAGE038
；
Figure DEST_PATH_IMAGE040
；
将
Figure DEST_PATH_IMAGE042
替换为
Figure DEST_PATH_IMAGE044
，获得基于最新估计的变递推间隔多新息加权最小二乘辨识算法：
Figure DEST_PATH_IMAGE046
；
上式中：
Figure DEST_PATH_IMAGE048
为t=t s 下θ的估计值，α为可变权重因子，L(t s )为增益矩阵，Y(p,t s )为t=t s 参数估计点下多新息系统的输出矩阵，φ T (p,t s )为输入U(p,t s )和输出Y(p,t s )的转置矩阵，P(t s )为协方差矩阵。
所述步骤S4具体包括：
将基于最新估计的变递推间隔多新息加权最小二乘辨识算法在自回归各态历经误差模型上进行普遍适应性和优化检验的校对，自回归各态历经误差模型表示为：
Figure DEST_PATH_IMAGE050
；
上式中：μ(t)为模型的输入序列，y(t)为模型的输出序列，v(t)为系统引入的噪声，A(z)和B(z)是具有后移因子的多项式；
更新自回归各态历经误差模型的系统输出为：
Figure DEST_PATH_IMAGE052
；
上式中：y(t)为系统输出，φ T (t)为输入u(t)和输出y(t)构成的向量转置，θ为系统待辨识参数，v(t)为零均值随机噪声。
所述步骤S5具体包括：
结合步骤S4得到的最优权值下基于最新估计的变递推间隔多新息加权最小二乘辨识算法对智能电表远程误差估计模型的误差精度进行校验，基于能量守恒定律，在任何量测时段内可得到：
Figure DEST_PATH_IMAGE054
；
Figure DEST_PATH_IMAGE056
；
Figure DEST_PATH_IMAGE058
；
上式中：y 0 (t)为t时刻下该台区总电表的总读数，z i (t)为t时刻下第i块电表的读数增量，δ i (t)为第i块电表在t时刻下的误差，w loss (t)为动态线损，v(t)为零均值随机噪声，z ireal (t)为t时刻下第i块电表的实际消耗电能值，m为电表数量，θ i (t)表示的是第i块电表在t时刻下的误差估计参数；
应用基于最新估计的变递推间隔多新息加权最小二乘辨识算法，仅根据负载电流情况进行误差估计预测：
Figure DEST_PATH_IMAGE060
；
Figure DEST_PATH_IMAGE062
；
Figure DEST_PATH_IMAGE064
；
Figure DEST_PATH_IMAGE066
；
上式中：Y(p,t s )为t=t s 参数估计点下多新息系统的输出矩阵，Z T (p,t s )=[z 1 (p, t s ),z 2 (p,t s ),…,z m (p,t s )]表示的是用户电能表量测数据矩阵，θ为待估计的参数值，p为新息长度，V(p,t s )为零均值随机噪声，
Figure DEST_PATH_IMAGE068
表示的是各用户电能表在量测时段内所要估计的误差参数矩阵，L(t s )为增益矩阵，e * (t s )为多新息修正项，
Figure DEST_PATH_IMAGE070
表示的是量测时段内电能表的运行误差远程估计值，I(t s )为t=t s 时刻下的负载电流，z ireal (p,t s )为t=t s 时刻下第i块电表的实际消耗电能值，
Figure DEST_PATH_IMAGE072
为第i块电能表在t=t s 时刻下的运行误差远程估计值。
本发明相对于现有技术具备的有益效果为：在自回归各态历经误差模型上，本发明的算法保持了很高的时变收敛性，并得到最优加权系数，在智能电表的误差计算中，误差估计值的精确性与传统最小二乘方法相比得到显著提升，通过误差率可帮助电力维护人员精准定位超差电表。
附图说明
下面结合附图对本发明做进一步说明。
图1为本发明方法的流程图。
图2是在自回归各态历经误差模型的基础上针对最小二乘算法、变递推间隔多新息最小二乘辨识算法以及基于最新估计的变递推间隔多新息加权最小二乘辨识算法的误差范数变化图。
图3是采用本发明方法计算的在某时刻下智能电表误差估计值分布情况图。
具体实施方式
如图1-3所示，本发明的一种基于最新估计的变递推间隔多新息加权最小二乘辨识算法的超差电表定位方法，首先，本发明在变递推间隔多新息最小二乘算法的基础上，提出利用变遗忘因子算法对多新息进行加权重构，提高有用数据的利用率，接着，提出利用最新估计方法进行递推计算的参数估计，以提高参数估计精度。具体包括以下步骤。
步骤S1：定义标量新息系统的输入输出关系：
Figure 206463DEST_PATH_IMAGE002
；
Figure 451500DEST_PATH_IMAGE004
；
其中y(t)为系统输出，φ T (t)为输入u(t)和输出y(t)构成的向量转置，θ为系统待辨识参数，v(t)为零均值随机噪声，
Figure 824712DEST_PATH_IMAGE006
为t时刻下的参数估计，L(t)为算法增益信息，e (t)为标量新息。
步骤S2：引入多新息最小二乘辨识算法，取新息长度为p，定义多新息系统的输入输出关系：
Figure 547817DEST_PATH_IMAGE008
；
其中Y(p,t)为多新息系统的输出矩阵，φ T (p,t)为输入U(p,t)和输出Y(p,t)的转置矩阵，θ为系统待辨识参数，V(p,t)为零均值随机噪声矩阵。
步骤S3：利用时变的递推间隔代替原递推间隔：
Figure 695945DEST_PATH_IMAGE010
；
其中t s 为参数估计的时间点，t s-1 为参数估计的上一个时间点，t * ≥1为递推间隔，由于使用的是变递推间隔，t s 和t s-1 不必取连续自然数，也就是说t * 不恒等于1。
步骤S4：定义多新息最小二乘辨识算法的准则函数：
Figure 846304DEST_PATH_IMAGE012
；
其中J(θ,t s )为准则函数，其中Y(p,t i )为t=t i 参数估计点下多新息系统的输出矩阵，φ T (p,t i )为输入U(p,t i )和输出Y(p,t i )的转置矩阵，θ为系统待辨识参数，t i 为第i个参数估计点，i∈[1,2,3…s]为参数估计点个数。
步骤S5：获得变递推间隔多新息最小二乘辨识算法，并得到多新息修正项表示：
Figure 441233DEST_PATH_IMAGE014
；
Figure 968029DEST_PATH_IMAGE016
；
Figure 230384DEST_PATH_IMAGE018
；
Figure 817223DEST_PATH_IMAGE020
；
Figure 165027DEST_PATH_IMAGE022
；
Figure 495515DEST_PATH_IMAGE024
；
Figure 346796DEST_PATH_IMAGE026
；
其中Y(p,t s )为t=t s 参数估计点下多新息系统的输出矩阵，φ T (p,t s )为输入U(p,ts)和输出Y(p,t s )的转置矩阵，V(p,t s )为零均值随机噪声矩阵，θ为系统待辨识参数，L(t s )为增益矩阵，P(t s )为协方差矩阵，e * (t s )为多新息修正项，
Figure 370116DEST_PATH_IMAGE028
为t=t s-1 下θ的估计值，
Figure 205216DEST_PATH_IMAGE030
为t s 时刻下的参数估计。
步骤S6：提出变遗忘因子算法，对多新息修正项进行加权重构：
Figure 808236DEST_PATH_IMAGE032
；
其中α为可变权重因子，α的值由系统输出的辨识参数误差修正，当辨识误差过大时，将自动减小α的值，当辨识误差过小α的值将会相应增大，L(t s )为增益矩阵，Y(p,t s )为t= t s 参数估计点下多新息系统的输出矩阵，
Figure 797181DEST_PATH_IMAGE034
为t=t s-1 下θ的估计值，φ T (p,t s )为输入U (p,t s )和输出Y(p,t s )的转置矩阵，E(t s )为对t=t s 下的新息和t=t s-1 下的新息进行加权的和。
步骤S7：更新变递推间隔多新息加权最小二乘辨识算法，其中αϵ(0,1)：
Figure 460244DEST_PATH_IMAGE036
；
Figure 782641DEST_PATH_IMAGE038
；
Figure 189351DEST_PATH_IMAGE040
；
Figure 15225DEST_PATH_IMAGE048
为t=t s 下θ的估计值，α为可变权重因子，L(t s )为增益矩阵，Y(p,t s )为t=t s 参数估计点下多新息系统的输出矩阵，φ T (p,t s )为输入U(p,t s )和输出Y(p,t s )的转置矩阵，P (t s )为协方差矩阵。
步骤S8：越往后的数据越能提高数据精度，本发明提出最新估计的思想，将
Figure 114768DEST_PATH_IMAGE042
替换为
Figure 393303DEST_PATH_IMAGE044
，获得基于最新估计的变递推间隔多新息加权最小二乘辨识算法：
Figure 869283DEST_PATH_IMAGE046
；
其中
Figure 549663DEST_PATH_IMAGE048
为t=t s 下θ的估计值，α为可变权重因子，L(t s )为增益矩阵，Y(p,t s )为t =t s 参数估计点下多新息系统的输出矩阵，φ T (p,t s )为输入U(p,t s )和输出Y(p,t s )的转置矩阵。
步骤S9：将本发明所提出的算法在自回归各态历经误差模型上进行普遍适应性和优化检验的校对。已知自回归各态历经误差模型可表示为：
Figure 820108DEST_PATH_IMAGE050
；
其中μ(t)为模型的输入序列，y(t)为模型的输出序列，v(t)为系统引入的噪声，A (z)和B(z)是具有后移因子的多项式；
Figure DEST_PATH_IMAGE074
；
Figure DEST_PATH_IMAGE076
；
更新自回归各态历经误差模型的系统输出为：
Figure DEST_PATH_IMAGE078
；
Figure DEST_PATH_IMAGE080
；
令
Figure DEST_PATH_IMAGE082
；
令
Figure DEST_PATH_IMAGE084
；
因此自回归各态历经误差模型又可等效为：
Figure 90333DEST_PATH_IMAGE052
；
其中y(t)为系统输出，φ T (t)为输入u(t)和输出y(t)构成的向量转置，θ为系统待辨识参数，v(t)为零均值随机噪声，将本发明所提算法可带入模型中可仿真得到最优权值。
步骤S10：结合步骤S9得到的最优权值下基于最新估计的变递推间隔多新息加权最小二乘辨识算法对智能电表远程误差估计模型的误差精度进行校验，基于能量守恒定律，在任何量测时段内可得到：
Figure 838846DEST_PATH_IMAGE054
；
Figure 639312DEST_PATH_IMAGE056
；
Figure 80657DEST_PATH_IMAGE058
；
其中y 0 (t)为t时刻下该台区总电表的总读数，z i (t)为t时刻下第i块电表的读数增量，δ i (t)为第i块电表在t时刻下的误差，w loss (t)为动态线损，v(t)为零均值随机噪声，z ireal (t)为t时刻下第i块电表的实际消耗电能值，m为电表数量，θ i (t)表示的是第i块电表在t时刻下的误差估计参数；
步骤S11：应用基于最新估计的变递推间隔多新息加权最小二乘辨识算法可得到：
Figure 599363DEST_PATH_IMAGE060
；
Figure 151567DEST_PATH_IMAGE062
；
Figure 540960DEST_PATH_IMAGE064
；
Figure 153207DEST_PATH_IMAGE066
；
本发明仅根据负载电流情况进行误差估计预测，Y(p,t s )为t=t s 参数估计点下多新息系统的输出矩阵，Z T (p,t s )=[z 1 (p,t s ),z 2 (p,t s ),…,z m (p,t s )]表示的是用户电能表量测数据矩阵，θ为待估计的参数值，p为新息长度，V(p,t s )为零均值随机噪声，
Figure 887771DEST_PATH_IMAGE068
表示的是各用户电能表在量测时段内所要估计的误差参数矩阵，L(t s )为增益矩阵，e * (t s )为多新息修正项，
Figure 243666DEST_PATH_IMAGE070
表示的是量测时段内电能表的运行误差远程估计值，I(t s )为t=t s 时刻下的负载电流，z ireal (p,t s )为t=t s 时刻下第i块电表的实际消耗电能值，
Figure 753145DEST_PATH_IMAGE072
为第i块电能表在t=t s 时刻下的运行误差远程估计值。
下面本发明通过在自回归各态历经误差模型上的实验仿真说明，本发明提出的一种基于最新估计的变递推间隔多新息加权最小二乘辨识算法的超差电表定位方法的有效性，并能获得工程角度下的最优权值。
Figure DEST_PATH_IMAGE086
；
Figure DEST_PATH_IMAGE088
；
Figure DEST_PATH_IMAGE090
；
Figure DEST_PATH_IMAGE092
；
输入μ(t)是均值为0且方差为1的正态分布随机序列，噪声v(t)选取均值为0且方差为0.25随机高斯白噪声。
定义误差范数：
Figure DEST_PATH_IMAGE094
；
其中ρ(t s )为误差范数，
Figure DEST_PATH_IMAGE096
为t=t s 下的误差估计值，θ为待估计值。
图2是在自回归各态历经误差模型的基础上针对最小二乘算法、变递推间隔多新息最小二乘辨识算法以及基于最新估计的变递推间隔多新息加权最小二乘辨识算法的误差范数变化图。从图中可以看出，基于最新估计的变递推间隔多新息加权最小二乘辨识算法的收敛速度和辨识精度始终优于最小二乘类辨识算法和变递推间隔多新息最小二乘辨识算法。
在最优权值下，本发明通过应用本台区内100个智能电表的远程误差评估结果来说明，本发明提出的一种基于最新估计的变递推间隔多新息加权最小二乘辨识算法的超差电表定位方法的可靠性，在实际应用中，可帮助电力检修人员定位超差电表。图3表示的是这100个智能电表的误差估计值的分布，从图中可以看出编号为10、19、24、55、76的电表误差参数估计值超出了正常误差允许范围内，属于超差电表。通过提取电表信息可进一步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。
为了分析本发明所提方法估计的智能电表误差参数的精准度，需要进行误差估计值的校核，可通过对所研究台区进行现场分层抽样来检测智能电表误差估计值。对于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，可使用平均绝对百分误差(meanabsolute percent error，MAPE)和均方根误差(root mean square error，RMSE)作为评判依据。
Figure DEST_PATH_IMAGE098
；
Figure DEST_PATH_IMAGE100
；
其中f为现场抽取的样本总量，
Figure DEST_PATH_IMAGE102
和
Figure DEST_PATH_IMAGE104
分别为估计值和校验值。在智能电表误差远程估计过程中，e MAPE 、e RMSE 越小，表明远程估计误差的精度越高。
为验证本发明的有效性，利用本台区数据对最小二乘算法与加权递推最小二乘算法进行了评测，分析结果如表1所示；
Figure DEST_PATH_IMAGE106
表1不同误差估计方法得到的结果。
关于本发明具体结构需要说明的是，本发明采用的各部件模块相互之间的连接关系是确定的、可实现的，除实施例中特殊说明的以外，其特定的连接关系可以带来相应的技术效果，并基于不依赖相应软件程序执行的前提下，解决本发明提出的技术问题，本发明中出现的部件、模块、具体元器件的型号、连接方式除具体说明的以外，均属于本领域技术人员在申请日前可以获取到的已公开专利、已公开的期刊论文、或公知常识等现有技术，无需赘述，使得本案提供的技术方案是清楚、完整、可实现的，并能根据该技术手段重现或获得相应的实体产品。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (8)

1.一种超差电表定位方法，其特征在于：包括如下步骤：
S1：构建变递推间隔多新息最小二乘辨识算法模型：
S1.1：构建标量新息系统；
S1.2：引入多新息最小二乘辨识算法，得到多新息系统；
S1.3：利用时变的递推间隔代替原递推间隔，得到变递推间隔多新息最小二乘辨识算法模型，并得到多新息修正项表示；
S2：引入变遗忘因子对多新息修正项进行加权重构，得到变递推间隔多新息加权最小二乘算法模型；
S3：引入最新估计更新变递推间隔多新息加权最小二乘辨识算法模型，获得基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型：
S4：将步骤S3中的基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型代入ARX误差模型仿真得到最优权值，得到最优权值下基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型；
S5：通过最优权值下基于最新估计的变递推间隔多新息加权最小二乘辨识算法模型对智能电表远程误差估计模型的误差精度进行校验，得到智能电表远程误差估计，通过误差率直接在后台定位超差电表。
2.根据权利要求1所述的一种超差电表定位方法，其特征在于：所述步骤S1.1中标量新息系统的输入输出关系如下：
Figure 558428DEST_PATH_IMAGE001
；
Figure 387975DEST_PATH_IMAGE002
；
上式中：y(t)为系统输出，φ T (t)为输入u(t)和输出y(t)构成的向量转置，θ为系统待辨识参数，v(t)为零均值随机噪声，
Figure 276165DEST_PATH_IMAGE003
为t时刻下的参数估计，L(t)为算法增益信息，e(t)为标量新息。
3.根据权利要求2所述的一种超差电表定位方法，其特征在于：所述步骤S1.2中多新息系统的输入输出关系如下：
Figure 936561DEST_PATH_IMAGE004
；
上式中：Y(p,t)为多新息系统的输出矩阵，φ T (p,t)为输入U(p,t)和输出Y(p,t)的转置矩阵，θ为系统待辨识参数，V(p,t)为零均值随机噪声矩阵，p为新息长度。
4.根据权利要求3所述的一种超差电表定位方法，其特征在于：所述步骤S1.3中利用时变的递推间隔代替原递推间隔关系如下：
Figure 339729DEST_PATH_IMAGE005
；
上式中：t s 为参数估计的时间点，t s-1 为参数估计的上一个时间点，t * ≥1为递推间隔；
定义多新息最小二乘辨识算法的准则函数如下：
Figure 159917DEST_PATH_IMAGE006
；
上式中：J(θ,t s )为准则函数，其中Y(p,t i )为t=t i 参数估计点下多新息系统的输出矩阵，φ T (p,t i )为输入U(p,t i )和输出Y(p,t i )的转置矩阵，θ为系统待辨识参数，t i 为第i个参数估计点，i∈[1,2,3…s]为参数估计点个数；
获得变递推间隔多新息最小二乘辨识算法，并得到多新息修正项表示如下：
Figure 607341DEST_PATH_IMAGE007
；
Figure 2420DEST_PATH_IMAGE008
；
Figure 643616DEST_PATH_IMAGE009
；
Figure 890665DEST_PATH_IMAGE010
；
Figure 815764DEST_PATH_IMAGE011
；
Figure 398055DEST_PATH_IMAGE012
；
Figure 152647DEST_PATH_IMAGE013
；
上式中：Y(p,t s )为t=t s 参数估计点下多新息系统的输出矩阵，φ T (p,t s )为输入U(p,ts)和输出Y(p,t s )的转置矩阵，V(p,t s )为零均值随机噪声矩阵，θ为系统待辨识参数，L(t s )为增益矩阵，P(t s )为协方差矩阵，e * (t s )为多新息修正项，
Figure 95064DEST_PATH_IMAGE014
为t=t s-1 下θ的估计值，
Figure 248572DEST_PATH_IMAGE015
为t s 时刻下的参数估计。
5.根据权利要求4所述的一种超差电表定位方法，其特征在于：所述步骤S2中引入变遗忘因子对多新息修正项进行加权重构的计算公式如下：
Figure 1764DEST_PATH_IMAGE016
；
上式中：α为可变权重因子，α的值由系统输出的辨识参数误差修正，当辨识误差过大时，将自动减小α的值，当辨识误差过小α的值将会相应增大，L(t s )为增益矩阵，Y(p,t s )为t= t s 参数估计点下多新息系统的输出矩阵，
Figure 7766DEST_PATH_IMAGE017
为t=t s-1 下θ的估计值，φ T (p,t s )为输入U (p,t s )和输出Y(p,t s )的转置矩阵，E(t s )为对t=t s 下的新息和t=t s-1 下的新息进行加权的和。
6.根据权利要求5所述的一种超差电表定位方法，其特征在于：所述步骤S3中引入最新估计更新变递推间隔多新息加权最小二乘辨识算法模型的步骤如下：
更新变递推间隔多新息加权最小二乘辨识算法模型：
Figure 989760DEST_PATH_IMAGE018
；
Figure 374605DEST_PATH_IMAGE019
；
Figure 16807DEST_PATH_IMAGE020
；
将
Figure 8641DEST_PATH_IMAGE021
替换为
Figure 43593DEST_PATH_IMAGE022
，获得基于最新估计的变递推间隔多新息加权最小二乘辨识算法：
Figure 532212DEST_PATH_IMAGE023
；
上式中：
Figure 722147DEST_PATH_IMAGE024
为t=t s 下θ的估计值，α为可变权重因子，L(t s )为增益矩阵，Y(p,t s )为t= t s 参数估计点下多新息系统的输出矩阵，φ T (p,t s )为输入U(p,t s )和输出Y(p,t s )的转置矩阵，P(t s )为协方差矩阵。
7.根据权利要求6所述的一种超差电表定位方法，其特征在于：所述步骤S4具体包括：
将基于最新估计的变递推间隔多新息加权最小二乘辨识算法在自回归各态历经误差模型上进行普遍适应性和优化检验的校对，自回归各态历经误差模型表示为：
Figure 578108DEST_PATH_IMAGE025
；
上式中：μ(t)为模型的输入序列，y(t)为模型的输出序列，v(t)为系统引入的噪声，A (z)和B(z)是具有后移因子的多项式；
更新自回归各态历经误差模型的系统输出为：
Figure 400439DEST_PATH_IMAGE026
；
上式中：y(t)为系统输出，φ T (t)为输入u(t)和输出y(t)构成的向量转置，θ为系统待辨识参数，v(t)为零均值随机噪声。
8.根据权利要求7所述的一种超差电表定位方法，其特征在于：所述步骤S5具体包括：
结合步骤S4得到的最优权值下基于最新估计的变递推间隔多新息加权最小二乘辨识算法对智能电表远程误差估计模型的误差精度进行校验，基于能量守恒定律，在任何量测时段内可得到：
Figure 140903DEST_PATH_IMAGE027
；
Figure 141220DEST_PATH_IMAGE028
；
Figure 202586DEST_PATH_IMAGE029
；
上式中：y 0 (t)为t时刻下该台区总电表的总读数，z i (t)为t时刻下第i块电表的读数增量，δ i (t)为第i块电表在t时刻下的误差，w loss (t)为动态线损，v(t)为零均值随机噪声，z ireal (t)为t时刻下第i块电表的实际消耗电能值，m为电表数量，θ i (t)表示的是第i块电表在t时刻下的误差估计参数；
应用基于最新估计的变递推间隔多新息加权最小二乘辨识算法，仅根据负载电流情况进行误差估计预测：
Figure 579341DEST_PATH_IMAGE030
；
Figure 419383DEST_PATH_IMAGE031
；
Figure 371028DEST_PATH_IMAGE032
；
Figure 293591DEST_PATH_IMAGE033
；
上式中：Y(p,t s )为t=t s 参数估计点下多新息系统的输出矩阵，Z T (p,t s )=[z 1 (p,t s ),z 2 (p,t s ),…,z m (p,t s )]表示的是用户电能表量测数据矩阵，θ为待估计的参数值，p为新息长度，V(p,t s )为零均值随机噪声，
Figure 474036DEST_PATH_IMAGE034
表示的是各用户电能表在量测时段内所要估计的误差参数矩阵，L(t s )为增益矩阵，e * (t s )为多新息修正项，
Figure 526175DEST_PATH_IMAGE035
表示的是量测时段内电能表的运行误差远程估计值，I(t s )为t=t s 时刻下的负载电流，z ireal (p,t s )为t=t s 时刻下第i块电表的实际消耗电能值，
Figure 868295DEST_PATH_IMAGE036
为第i块电能表在t=t s 时刻下的运行误差远程估计值。
CN202210823367.8A 2022-07-14 2022-07-14 一种超差电表定位方法 Active CN114896829B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210823367.8A CN114896829B (zh) 2022-07-14 2022-07-14 一种超差电表定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210823367.8A CN114896829B (zh) 2022-07-14 2022-07-14 一种超差电表定位方法

Publications (2)

Publication Number Publication Date
CN114896829A true CN114896829A (zh) 2022-08-12
CN114896829B CN114896829B (zh) 2022-09-30

Family

ID=82729291

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210823367.8A Active CN114896829B (zh) 2022-07-14 2022-07-14 一种超差电表定位方法

Country Status (1)

Country Link
CN (1) CN114896829B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200202063A1 (en) * 2018-11-20 2020-06-25 Synopsys, Inc. Generation of module and system-level waveform signatures to verify, regression test and debug soc functionality
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
CN112526348A (zh) * 2020-11-18 2021-03-19 南通大学 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法
CN113504558A (zh) * 2021-07-14 2021-10-15 北京理工大学 一种考虑道路几何约束的地面无人车辆定位方法
CN113777510A (zh) * 2021-09-07 2021-12-10 国网江苏省电力有限公司电力科学研究院 一种锂电池荷电状态估计方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200202063A1 (en) * 2018-11-20 2020-06-25 Synopsys, Inc. Generation of module and system-level waveform signatures to verify, regression test and debug soc functionality
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
CN112526348A (zh) * 2020-11-18 2021-03-19 南通大学 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法
WO2022105104A1 (zh) * 2020-11-18 2022-05-27 南通大学 一种基于多新息递推贝叶斯算法的电池模型参数辨识方法
CN113504558A (zh) * 2021-07-14 2021-10-15 北京理工大学 一种考虑道路几何约束的地面无人车辆定位方法
CN113777510A (zh) * 2021-09-07 2021-12-10 国网江苏省电力有限公司电力科学研究院 一种锂电池荷电状态估计方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
YANJUN LIU 等: "Multi-innovation Extended Stochastic Gradient Algorithm and Its Performance Analysis", 《CIRCUITS, SYSTEMS AND SIGNAL PROCESSING》 *
孔祥玉 等: "基于限定记忆递推最小二乘算法的智能电表运行误差远程估计", 《中国电机工程学报》 *
廖育武 等: "自回归模型的多新息随机梯度和多新息最小二乘辨识方法", 《科学技术与工程》 *
徐鹏 等: "基于多新息随机梯度永磁同步电机参数辨识", 《计算机工程与应用》 *
韩丽丽: "多率多输入系统的辨识", 《中国优秀博硕士学位论文全文数据库 (博士) (信息科技辑)》 *

Also Published As

Publication number Publication date
CN114896829B (zh) 2022-09-30

Similar Documents

Publication Publication Date Title
CN107643507B (zh) 一种基于电网线路运行误差远程校准的精益线损分析与管控方法
CN110471024B (zh) 一种基于量测数据分析的智能电表在线远程校验方法
CN107817395B (zh) 一种基于电网线路运行误差远程校准的窃电排查方法
CN111693928B (zh) 电能表计量误差计算方法、装置和计算机设备
CN104836223B (zh) 电网参数错误与不良数据协同辨识与估计方法
CN104778367B (zh) 基于单一状态断面的广域戴维南等值参数在线计算方法
CN111693931A (zh) 智能电能表误差远程计算方法、装置和计算机设备
CN107727955B (zh) 一种基于电网线路运行误差远程校准的变压器损耗分析与管控方法
CN104134999A (zh) 基于多数据源的配电网量测有效性分析实用化计算方法
CN102623993B (zh) 一种分布式电力系统状态估计方法
CN108388962A (zh) 一种风电功率预测系统及方法
CN113010998A (zh) 基于随动线损及遗忘因子最小二乘法的电表误差估计方法
CN116165597A (zh) 一种基于核偏最小二乘法的电能表失准在线检测方法
CN113991711B (zh) 一种光伏电站储能系统容量配置方法
CN106655152A (zh) 一种基于ami量测特性的配电网状态估计方法
CN111091223B (zh) 一种基于物联网智能感知技术的配变短期负荷预测方法
CN106443253A (zh) 一种基于pmu数据的输电线路参数辨识方法
CN109829246B (zh) 一种基于参数综合可疑度的线路参数辨识方法
CN109146336B (zh) 一种基于t分布的电力系统鲁棒状态估计方法
CN114583767A (zh) 一种数据驱动的风电场调频响应特性建模方法及系统
CN111756031B (zh) 一种电网运行趋势估算方法和系统
CN114896829B (zh) 一种超差电表定位方法
CN116484554A (zh) 一种配电网的拓扑辨识方法、装置、设备及介质
CN114565186A (zh) 一种基于广义回归神经网络的预测风速校正方法和系统
CN108830744B (zh) 一种电力系统内指定地区外网等值模型的动态校验方法

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