一种超差电能表及其识别方法与流程

1.本发明属于电能表识别技术领域，具体为一种超差电能表及其识别方法。


背景技术：

2.21世纪以来，智能电能表在用电信息采集领城大规模应用,电力行业进入大数据时代。智能电能表计量的准确性关系用户和公共事业服务商的利益,所以在运电能表的误差检测问题备受关注。而传统的人工检测方法已经无法满足大规模的电能表误差检测需求。为此，一些专家学者提出利用电能表历史运行数据,实现电能表误差估计；智能电能表性能直接影响着电量计量的准确性，超差电能表监测系统就是将运行中的电能表存在不符合要求的即超差的检测出来，方便电网公司及时更换以最大程度降低损失。
3.但是常见的超差电能表及其识别方法的准确性不够高，使得在进行识别分析的过程中，容易出现误差。


技术实现要素：

4.本发明的目的在于：为了解决上述提出的问题，提供一种超差电能表及其识别方法。
5.本发明采用的技术方案如下：一种超差电能表及其识别方法，包括电能表信息获取模块、数据处理模块、处理器模块、数据标记模块、电表误差估计模块、超差识别模块、动态线损估计模块、固定损耗计算模块和超差电表筛查分析模块，所述电能表信息获取模块的输出端连接有所述数据处理模块的输入端，所述数据处理模块的输出端连接有所述处理器模块的输入端，所述处理器模块的输出端连接有所述数据标记模块的输入端，所述数据标记模块的输出端连接有所述电表误差估计模块的输入端，所述电表误差估计模块的输出端连接有所述超差识别模块的输入端。
6.在一优选的实施方式中，所述超差识别模块的内部设置有动态线损估计模块、固定损耗计算模块和超差电表筛查分析模块，所述动态线损估计模块、固定损耗计算模块和超差电表筛查分析模块的整体输出端连接有所述超差识别模块的输入端。
7.在一优选的实施方式中，所述电能表信息获取模块基于多个电能表的用电数据，确定失准模型的参数信息；所述电能表信息获取模块获取的参数信息有：台区类别、用户编号、电表编号、采集日期、综合倍率、电表日电量计量值。
8.在一优选的实施方式中，所述数据处理模块根据日均用电量将电表分为大负载、一般负载以及轻负载的三类数据，并剔除数据缺失的异常数据，所述电表误差分为3类；第1类为缓变超差，即由仪表运行年限、环境温度、湿度、电磁环境等因素导致仪表内部元器件老化所造成的误差，从长期上看，这种误差逐渐增大；第2类为暂时性超差，电表在轻负载下产生的脉冲无规律，存在潜动现象，为了提高计算的准确性，轻负载电表不被认定为超差电表；第3类为突变超差，例如电能表时钟异常、飞走、停走；恒定磁场干扰；反向电量异常；人为窃电等等都可能引起电表计量突发性失准，相对缓变误差，突变性误差具有突变的特性，
且数值较大；所述识别方法为识别出存在第3类超差的电表。
9.在一优选的实施方式中，所述数据标记模块在计算电能表误差前，需要对这些可能存在误导性的电量数据进行标记，也就是标识出轻载和空载的数据；数据量较少时，可以使用人工标记的方式进行处理；数据量较大时，可以使用聚类方法对数据进行分类，筛选出轻载、空载和正常负荷三类数据；误差计算时，轻载和空载电能表的数据同样放入计算，当计算结果显示某些轻、空载电能表误差超差，可以忽略计算结果，也就是说轻、空载电能表不被认定为超差表。
10.在一优选的实施方式中，所述电表误差估计模块迭代估计电表误差，剔除判定为正常电表的电量数据，缩小可疑电表范围；具体地说，每次循环时，从总电量中扣除这些被标记为轻负载电表的用电量、固定损耗电量、线损电量估计值wloss以及判定为正常电表的电量数据，形成新的总电量向量wz'和分表电量矩阵w；计算式为：
[0011][0012]
式中：wz'n为第n天扣除上述各值后的总电量；wnm是第m台电表第n天电量；采用递推最小二乘法计算该式，并逐步将计算结果为正常电表的电量数据剔除，直至最终判定结果皆为超差电表时迭代结束。
[0013]
在一优选的实施方式中，所述动态线损估计模块包括以下步骤：1)导入台区电表正常状态时期的历史电量数据和线损预测窗口期的电量数据；2)按当地实际四季气候将上述数据划分为春、夏、秋和冬4个部分；3)依次以正常状态时期下各季节每天线损率为基准进行线损电量估计，并选取最优估计结果下的线损率为该季节的线损率的基准值；4)使用季节线损率基准值计算待预测窗口下对应季节内每天的线损电量wloss，为台区突变超差电表检测提供依据。
[0014]
在一优选的实施方式中，所述固定损耗计算模块的流程如下：
[0015]
1)采集待测台区正常阶段的运行数据；在未明确台区是否存在超差电表的情况下，可以将台区电表投入使用的前几年的电量数据认定为正常数据；
[0016]
2)筛选出那些线损率相近的数据；
[0017]
3)设置窗口大小l；
[0018]
根据式：w
′
loss
＝wg+βwz，进行计算，利用最小二乘法对筛选出的数据依次进行曲线拟合，选取拟合效果好的加权平均值作为固定损耗值；l值选择过小与过大，均会造成固定损耗的计算结果与实际值偏差较大；经过测试，l合理的取值范围为25～30，即一个月左右。
[0019]
在一优选的实施方式中，所述式中：wg为固定损耗；β为线损率；如果选择线损率相近的数据，即可进行固定损耗估计。
[0020]
在一优选的实施方式中，所述超差电表筛查分析模块执行的步骤如下：
[0021]
s1：根据数据处理结果设置初始线损、固定损耗和误差系数；可以按照台区的大小预设合理初始线损，一般来讲，台区拓扑结构越大，预设值也越大；
[0022]
s2：进行迭代计算，得到第一次迭代计算结果；
[0023]
s3：对轻载、空载电能表误差进行判断，若判定为超差电能表，则执行s4，否则执行
s5；
[0024]
s4：对第一次迭代所得的空载、轻载电能表误差值进行修正；
[0025]
s5：更新迭代计算所得的线损、固定损耗以及各电能表误差系数；
[0026]
s6：对所更新的参数进行判断；若迭代次数超过n次，则输出最终结果；否则执行s7；
[0027]
s7：利用离群线损判断模型计算各电量样本数据的线损值；
[0028]
s8：剔除离群电量样本数据，进入新一轮迭代，即继续执行s2。
[0029]
综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0030]
1、本发明中，超差识别模块的内部设置了动态线损估计模块和固定损耗计算模块，运用迭代算法筛选线损相近的数据形成有效样本，解决了电量样本线损不均引起的电能表误差计算不准确的问题。此外，在数据处理时，没有改变电量样本矩阵结构，仅标记空、轻载电能表，排除了空、轻载数据对计算结果的影响，可靠性更高。通过3个不同规模的配电台区算例验证发现，相对于传统的计算方法，提高了在对超差电能表进行识别过程中的精确性，同时电表误差估计模块经过迭代计算，实现电表误差的计算以及超差电表的定位。使得线损预测结果更加接近真实值。在保证超差表检出率的同时，正常电表的误检率大大降低。从而提高了识别效率，为人们的使用带来了更多的便利性。
附图说明
[0031]
图1为本发明的整体系统框图；
[0032]
图2为本发明中超差识别模块系统框图。
[0033]
图中标记：1、电能表信息获取模块；2、数据处理模块；3、处理器模块；4、数据标记模块；5、电表误差估计模块；6、超差识别模块；7、动态线损估计模块；8、固定损耗计算模块；9、超差电表筛查分析模块。
具体实施方式
[0034]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
[0035]
参照图1-2，
[0036]
一种超差电能表及其识别方法，包括电能表信息获取模块1、数据处理模块2、处理器模块3、数据标记模块4、电表误差估计模块5、超差识别模块6、动态线损估计模块7、固定损耗计算模块8和超差电表筛查分析模块9，电能表信息获取模块1的输出端连接有数据处理模块2的输入端，数据处理模块2的输出端连接有处理器模块3的输入端，处理器模块3的输出端连接有数据标记模块4的输入端，数据标记模块4的输出端连接有电表误差估计模块5的输入端，电表误差估计模块5的输出端连接有超差识别模块6的输入端；
[0037]
超差识别模块6的内部设置有动态线损估计模块7、固定损耗计算模块8和超差电表筛查分析模块9，动态线损估计模块7、固定损耗计算模块8和超差电表筛查分析模块9的整体输出端连接有超差识别模块6的输入端；
[0038]
电能表信息获取模块1基于多个电能表的用电数据，确定失准模型的参数信息；电
能表信息获取模块1获取的参数信息有：台区类别、用户编号、电表编号、采集日期、综合倍率、电表日电量计量值；
[0039]
数据处理模块2根据日均用电量将电表分为大负载、一般负载以及轻(空)负载的三类数据，并剔除数据缺失的异常数据，电表误差分为3类；第1类为缓变超差，即由仪表运行年限、环境温度、湿度、电磁环境等因素导致仪表内部元器件老化所造成的误差，从长期上看，这种误差逐渐增大；第2类为暂时性超差，电表在轻(空)负载下产生的脉冲无规律，存在潜动现象，为了提高计算的准确性，轻(空)负载电表不被认定为超差电表；第3类为突变超差，例如电能表时钟异常、飞走、停走；恒定磁场干扰；反向电量异常；人为窃电等等都可能引起电表计量突发性失准，相对缓变误差，突变性误差具有突变的特性，且数值较大；识别方法为识别出存在第3类超差的电表；
[0040]
数据标记模块4在计算电能表误差前，需要对这些可能存在误导性的电量数据进行标记，也就是标识出轻载和空载的数据；数据量较少时，可以使用人工标记的方式进行处理；数据量较大时，可以使用聚类方法对数据进行分类，筛选出轻载、空载和正常负荷三类数据；误差计算时，轻载和空载电能表的数据同样放入计算，当计算结果显示某些轻、空载电能表误差超差，可以忽略计算结果，也就是说轻、空载电能表不被认定为超差表；
[0041]
电表误差估计模块5迭代估计电表误差，剔除判定为正常电表的电量数据，缩小可疑电表范围；具体地说，每次循环时，从总电量中扣除这些被标记为轻(空)负载电表的用电量、固定损耗电量、线损电量估计值wloss以及判定为正常电表的电量数据，形成新的总电量向量wz'和分表电量矩阵w；计算式为：
[0042][0043]
式中：wz'n为第n天扣除上述各值后的总电量；wnm是第m台电表第n天电量；采用递推最小二乘法计算该式，并逐步将计算结果为正常电表的电量数据剔除，直至最终判定结果皆为超差电表时迭代结束
[0044]
动态线损估计模块7包括以下步骤：1导入台区电表正常状态时期的历史电量数据和线损预测窗口期的电量数据；2按当地实际四季气候将上述数据划分为春、夏、秋和冬4个部分；3依次以正常状态时期下各季节每天线损率为基准进行线损电量估计，并选取最优估计结果下的线损率为该季节的线损率的基准值；4使用季节线损率基准值计算待预测窗口下对应季节内每天的线损电量wloss，为台区突变超差电表检测提供依据；
[0045]
固定损耗计算模块8的流程如下：
[0046]
1采集待测台区正常阶段的运行数据；在未明确台区是否存在超差电表的情况下，可以将台区电表投入使用的前几年的电量数据认定为正常数据；
[0047]
2筛选出那些线损率相近的数据；
[0048]
3设置窗口大小l；
[0049]
根据式：w
′
loss
＝wg+βwz，式中：wg为固定损耗；β为线损率；如果选择线损率相近的数据，即可进行固定损耗估计。
[0050]
进行计算，利用最小二乘法对筛选出的数据依次进行曲线拟合，选取拟合效果好
的加权平均值作为固定损耗值；l值选择过小与过大，均会造成固定损耗的计算结果与实际值偏差较大；经过测试，l合理的取值范围为25～30，即一个月左右；
[0051]
超差电表筛查分析模块9执行的步骤如下：
[0052]
s1：根据数据处理结果设置初始线损、固定损耗和误差系数判定为疑似超差表的误差系数初值为其估计值，其余电能表初值为0；可以按照台区的大小预设合理初始线损一般选取中间值为预设线损，一般来讲，台区拓扑结构越大，预设值也越大；
[0053]
s2：进行迭代计算，得到第一次迭代计算结果；
[0054]
s3：对轻载、空载电能表误差进行判断，若判定为超差电能表，则执行s4，否则执行s5；
[0055]
s4：对第一次迭代所得的空载、轻载电能表误差值进行修正；
[0056]
s5：更新迭代计算所得的线损、固定损耗以及各电能表误差系数；
[0057]
s6：对所更新的参数进行判断；若迭代次数超过n次，则输出最终结果；否则执行s7；
[0058]
s7：利用离群线损判断模型计算各电量样本数据的线损值；
[0059]
s8：剔除离群电量样本数据，进入新一轮迭代，即继续执行s2。
[0060]
本发明中，超差识别模块6的内部设置了动态线损估计模块7和固定损耗计算模块8，运用迭代算法筛选线损相近的数据形成有效样本，解决了电量样本线损不均引起的电能表误差计算不准确的问题。此外，在数据处理时，没有改变电量样本矩阵结构，仅标记空、轻载电能表，排除了空、轻载数据对计算结果的影响，可靠性更高。通过3个不同规模的配电台区算例验证发现，相对于传统的计算方法，提高了在对超差电能表进行识别过程中的精确性，同时电表误差估计模块5经过迭代计算，实现电表误差的计算以及超差电表的定位。使得线损预测结果更加接近真实值。在保证超差表检出率的同时，正常电表的误检率大大降低。从而提高了识别效率，为人们的使用带来了更多的便利性。
[0061]
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0062]
以上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精神和范围。

技术特征：
1.一种超差电能表及其识别方法，包括电能表信息获取模块(1)、数据处理模块(2)、处理器模块(3)、数据标记模块(4)、电表误差估计模块(5)、超差识别模块(6)、动态线损估计模块(7)、固定损耗计算模块(8)和超差电表筛查分析模块(9)，其特征在于：所述电能表信息获取模块(1)的输出端连接有所述数据处理模块(2)的输入端，所述数据处理模块(2)的输出端连接有所述处理器模块(3)的输入端，所述处理器模块(3)的输出端连接有所述数据标记模块(4)的输入端，所述数据标记模块(4)的输出端连接有所述电表误差估计模块(5)的输入端，所述电表误差估计模块(5)的输出端连接有所述超差识别模块(6)的输入端。2.如权利要求1所述的一种超差电能表及其识别方法，其特征在于：所述超差识别模块(6)的内部设置有动态线损估计模块(7)、固定损耗计算模块(8)和超差电表筛查分析模块(9)，所述动态线损估计模块(7)、固定损耗计算模块(8)和超差电表筛查分析模块(9)的整体输出端连接有所述超差识别模块(6)的输入端。3.如权利要求1所述的一种超差电能表及其识别方法，其特征在于：所述电能表信息获取模块(1)基于多个电能表的用电数据，确定失准模型的参数信息；所述电能表信息获取模块(1)获取的参数信息有：台区类别、用户编号、电表编号、采集日期、综合倍率、电表日电量计量值。4.如权利要求1所述的一种超差电能表及其识别方法，其特征在于：所述数据处理模块(2)根据日均用电量将电表分为大负载、一般负载以及轻负载的三类数据，并剔除数据缺失的异常数据，所述电表误差分为3类。5.如权利要求1所述的一种超差电能表及其识别方法，其特征在于：所述数据标记模块(4)在计算电能表误差前，需要对这些可能存在误导性的电量数据进行标记，也就是标识出轻载和空载的数据；数据量较少时，可以使用人工标记的方式进行处理。6.如权利要求1所述的一种超差电能表及其识别方法，其特征在于：所述电表误差估计模块(5)迭代估计电表误差，剔除判定为正常电表的电量数据，缩小可疑电表范围；具体地说，每次循环时，从总电量中扣除这些被标记为轻负载电表的用电量、固定损耗电量、线损电量估计值wloss以及判定为正常电表的电量数据，形成新的总电量向量wz'和分表电量矩阵w；计算式为：式中：wz'n为第n天扣除上述各值后的总电量；wnm是第m台电表第n天电量；采用递推最小二乘法计算该式，并逐步将计算结果为正常电表的电量数据剔除，直至最终判定结果皆为超差电表时迭代结束。7.如权利要求1所述的一种超差电能表及其识别方法，其特征在于：所述动态线损估计模块(7)包括以下步骤：1)导入台区电表正常状态时期的历史电量数据和线损预测窗口期的电量数据；2)按当地实际四季气候将上述数据划分为春、夏、秋和冬4个部分；3)依次以正常状态时期下各季节每天线损率为基准进行线损电量估计，并选取最优估计结果下的线损率为该季节的线损率的基准值；4)使用季节线损率基准值计算待预测窗口下对应季节内每天的线损电量wloss，为台区突变超差电表检测提供依据。
8.如权利要求1所述的一种超差电能表及其识别方法，其特征在于：所述固定损耗计算模块(8)的流程如下：1)采集待测台区正常阶段的运行数据；在未明确台区是否存在超差电表的情况下，可以将台区电表投入使用的前几年的电量数据认定为正常数据；2)筛选出那些线损率相近的数据；3)设置窗口大小l；根据式：w
′
loss
＝w
g
+βw
z
，进行计算，利用最小二乘法对筛选出的数据依次进行曲线拟合，选取拟合效果好的加权平均值作为固定损耗值；l值选择过小与过大，均会造成固定损耗的计算结果与实际值偏差较大；经过测试，l合理的取值范围为25～30，即一个月左右。9.如权利要求8所述的一种超差电能表及其识别方法，其特征在于：所述式中：wg为固定损耗；β为线损率；如果选择线损率相近的数据，即可进行固定损耗估计。10.如权利要求1所述的一种超差电能表及其识别方法，其特征在于：所述超差电表筛查分析模块(9)执行的步骤如下：s1：根据数据处理结果设置初始线损、固定损耗和误差系数(判定为疑似超差表的误差系数初值为其估计值，其余电能表初值为0)；可以按照台区的大小预设合理初始线损，一般来讲，台区拓扑结构越大，预设值也越大；s2：进行迭代计算，得到第一次迭代计算结果；s3：对轻载、空载电能表误差进行判断，若判定为超差电能表，则执行s4，否则执行s5；s4：对第一次迭代所得的空载、轻载电能表误差值进行修正；s5：更新迭代计算所得的线损、固定损耗以及各电能表误差系数；s6：对所更新的参数进行判断；若迭代次数超过n次，则输出最终结果；否则执行s7；s7：利用离群线损判断模型计算各电量样本数据的线损值；s8：剔除离群电量样本数据，进入新一轮迭代，即继续执行s2。

技术总结
本发明公开了一种超差电能表及其识别方法。本发明中，超差识别模块的内部设置了动态线损估计模块和固定损耗计算模块，运用迭代算法筛选线损相近的数据形成有效样本，解决了电量样本线损不均引起的电能表误差计算不准确的问题。此外，在数据处理时，没有改变电量样本矩阵结构，仅标记空、轻载电能表，排除了空、轻载数据对计算结果的影响，可靠性更高。通过3个不同规模的配电台区算例验证发现，相对于传统的计算方法，提高了在对超差电能表进行识别过程中的精确性，同时电表误差估计模块经过迭代计算，实现电表误差的计算以及超差电表的定位。使得线损预测结果更加接近真实值。在保证超差表检出率的同时，正常电表的误检率大大降低。低。低。


技术研发人员：虞希法 杨园园
受保护的技术使用者：浙江恒通电子技术有限公司
技术研发日：2023.06.27
技术公布日：2023/9/6