一种基于大数据的智能电表计量准确性检测方法及装置

技术领域

本发明属于智能电表技术领域，具体涉及一种基于大数据的智能电表计量准确性检测方法及装置。

背景技术

目前，传统的人工抄表方式已经被自动采集所取代，在大大减少人工现场抄表工作量的同时，也同样大大削减了用电客户尤其是低压台区居民用电客户计量装置运行工况现场巡查的工作。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能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。此方法虽然提高了管理工作效率，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，建立智能表运行误差计算模型与分析模型，计算台区下各智能表运行误差，得出台区下所有智能表运行健康状况，实现智能表运行误差远程诊断评估，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进行远程误差估计的研究已经取得了一些成果。这些方法大多是基于广义流量守恒模型，采用三角分解、最小二乘法等求解高维的线性方程组。但该类方法存在以下问题：目前低压配电台区的数据采集质量不高，存在时标错位、误报和坏值等现象，使智能电表误差估计精度低、运算速度低实时性差。

发明内容

为了解决现有技术中存在的上述问题，本发明提供一种基于大数据的智能电表计量准确性检测方法及装置。

为了实现上述目的，本发明采用以下技术方案。

第一方面，本发明提供一种基于大数据的智能电表计量准确性检测方法，包括以下步骤：

获取当前时段同一台区用户智能电表的电能观测值以及台区总智能电表的电能值，计算当前时段所述台区的线损耗能量；

建立以当前时段用户智能电表的电能值为优化变量、以所述电能值与电能观测值平方差绝对值的和最小为目标、并以能量守恒为约束条件的优化函数；

利用遗传算法求解所述优化函数得到用户智能电表的电能值，基于所述电能值与电能观测值计算用户智能电表的误差。

进一步地，所述方法还包括按下式对用户智能电表的电能观测值进行归一化：

式中，

更进一步地，所述优化函数的表达式为：

式中，

更进一步地，所述优化函数的约束条件表达式为：

式中，

更进一步地，按下式计算用户智能电表的误差：

式中，

进一步地，所述方法还包括利用广义遗传算法求解所述优化函数，具体包括以下步骤：

S1、对种群的个体进行编码，并初始化一个种群；

S2、计算个体的适应度，并基于所述适应度对个体进行筛选；

S3、从筛选出的个体中随机选取2个不同个体P1、P2；

S4、生成0~1之间的随机数r1，如果r1小于交叉率

S5、如果当前的最优点更新停滞代数小于设定的上限，则转步骤S6；否则转步骤S7；

S6、从筛选掉的个体中随机选取2个不同个体PS1、PS2，用于分别匹配P1、P2进行交叉操作，其中，P1、P2作为母体进行交叉；

S7、生成0~1之间的随机数r2，如果r2小于追随率γ，则转步骤S8；否则转步骤S9；

S8、按照如下操作进行跟随：

式中，

S9、按照如下操作进行主动搜索：

式中，

S10、重复执行步骤S3~S9直到新产生的粒子数目达到要求；

S11、进行变异操作；

S12、重复执行步骤S2~S11，直到最优群体和个体的适应度不再升高或最优个体的适应度达到设定阈值或达到设定的最高迭代次数。

第二方面，本发明提供一种基于大数据的智能电表计量准确性检测装置，包括：

数据获取模块，用于获取当前时段同一台区用户智能电表的电能观测值以及台区总智能电表的电能值，计算当前时段所述台区的线损耗能量；

优化函数建立模块，用于建立以当前时段用户智能电表的电能值为优化变量、以所述电能值与电能观测值平方差绝对值的和最小为目标、并以能量守恒为约束条件的优化函数；

优化函数求解模块，用于利用遗传算法求解所述优化函数得到用户智能电表的电能值，基于所述电能值与电能观测值计算用户智能电表的误差。

进一步地，所述装置还包括归一化模块，用于按下式对用户智能电表的电能观测值进行归一化：

式中，

更进一步地，所述优化函数的表达式为：

式中，

更进一步地，所述优化函数的约束条件表达式为：

式中，

更进一步地，按下式计算用户智能电表的误差：

式中，

进一步地，所述装置还包括广义遗传算法模块，用于利用广义遗传算法求解所述优化函数，具体包括以下步骤：

S1、对种群的个体进行编码，并初始化一个种群；

S2、计算个体的适应度，并基于所述适应度对个体进行筛选；

S3、从筛选出的个体中随机选取2个不同个体P1、P2；

S4、生成0~1之间的随机数r1，如果r1小于交叉率

S5、如果当前的最优点更新停滞代数小于设定的上限，则转步骤S6；否则转步骤S7；

S6、从筛选掉的个体中随机选取2个不同个体PS1、PS2，用于分别匹配P1、P2进行交叉操作，其中，P1、P2作为母体进行交叉；

S7、生成0~1之间的随机数r2，如果r2小于追随率γ，则转步骤S8；否则转步骤S9；

S8、按照如下操作进行跟随：

式中，

S9、按照如下操作进行主动搜索：

式中，

S10、重复执行步骤S3~S9直到新产生的粒子数目达到要求；

S11、进行变异操作；

S12、重复执行步骤S2~S11，直到最优群体和个体的适应度不再升高或最优个体的适应度达到设定阈值或达到设定的最高迭代次数。

与现有技术相比，本发明具有以下有益效果。

本发明通过获取当前时段同一台区用户智能电表的电能观测值以及台区总智能电表的电能值，计算当前时段所述台区的线损耗能量，建立以当前时段用户智能电表的电能值为优化变量、以所述电能值与电能观测值平方差绝对值的和最小为目标、并以能量守恒为约束条件的优化函数，利用遗传算法求解所述优化函数得到用户智能电表的电能值，基于所述电能值与电能观测值计算用户智能电表的误差，实现了基于大数据的智能电表误差的自动计量。本发明通过构建优化函数利用遗传算法计算智能电表误差，尤其在采用广义的遗传算法后，解决了现有方法存在的误差评估精度低、实时性差等问题。

附图说明

图1为本发明实施例一种基于大数据的智能电表计量准确性检测方法的流程图。

图2为台区智能电表分布示意图。

图3为传统遗传算法的流程图。

图4为本发明实施例一种基于大数据的智能电表计量准确性检测装置的组成框图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚、明白，以下结合附图及具体实施方式对本发明作进一步说明。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做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。

图1为本发明实施例一种基于大数据的智能电表计量准确性检测方法，所述方法包括以下步骤：

步骤101，获取当前时段同一台区用户智能电表的电能观测值以及台区总智能电表的电能值，计算当前时段所述台区的线损耗能量；

步骤102，建立以当前时段用户智能电表的电能值为优化变量、以所述电能值与电能观测值平方差绝对值的和最小为目标、并以能量守恒为约束条件的优化函数；

步骤103，利用遗传算法求解所述优化函数得到用户智能电表的电能值，基于所述电能值与电能观测值计算用户智能电表的误差。

本实施例中，步骤101主要用于智能电表数据采集。本实施例主要是针对同一变压器台区的用户智能电表进行误差计量，图2是典型配电台区智能电表的拓扑关系示意图。图2中，每个台区配电变压器下安装一块总智能电表，下接总共n块智能电表(用户智能电表)。所述总智能电表定期进行校验，可认为是其读数无误差的标准电表。智能电表的读数可通过智能电表远程抄表系统自动获得，通过计算两个相邻采集周期获得的抄表数据的差可得到对应时段用户的耗能数据。根据能量守恒定律，总智能电表的电能值等于台区内所有用户智能电表电能值的和加上电网的线损耗，因此还需要获得当前时段所述台区的线损耗能量。线损耗能量的计算方法很多，比如可通过实时采集的台区总电流数据和电网阻抗等参数进行计算。与具体的线损耗计算方法相关文献很多，比如公开号为CN109494735A的发明专利就公开了一种低压配电网线损计算模型及方法；刘东旗等在《KGE杯智能配电与智能充电新技术应用优秀论文集》中的论文“智能配电网线损计算研究”中，也给出了有效的线损计算方法。本实施例对线损耗的具体计算方法不作限定。

本实施例中，步骤102主要用于建立优化函数。步骤101获得的用户智能电表的观测值的误差来源很多，比如各种噪声干扰、电表本身的测量误差及异常用电行为（偷电）等都有可能使观测值偏离真实值。因此，用户智能电表的误差实际上就是观测值与准确值的差。本实施例建立优化函数的目的是通过求解所述优化函数，得到台区内用户智能电表的准确值（或标定值），从而得到误差值。本实施例是基于台区总智能电表读数无偏差的假设构建优化函数的，因此总智能电表读数可看作是一常量，优化函数的优化变量是台区内每个用户智能电表在当前时段的能量值，优化目标是通过调整用户智能电表的读数使每个用户智能电表的误差和最小，具体地说是优化后电表的电能值与观测值平方差绝对值的和最小。当然，所述优化函数的求解还要满足约束条件，所述约束条件就是由能量守恒定律确定的用户智能电表读数满足的方程式。

本实施例中，步骤103主要用于利用遗传算法求解所述优化函数。遗传算法是求解优化函数的常用算法之一。下面介绍一下遗传算法的相关知识。

遗传算法仿效自然选择下的生物进化，是一种生物进化过程的随机化搜索方法。遗传算法是从一个种群开始的，对于数学规划模型就是从可行解集合开始的，使模型的解在优化搜索的角度逐渐优化并逼近最优解。遗传算法的运算过程包括选择、交叉和变异三个基本遗传操作，其流程图如图3所示。

选择是在个体适应度评估的基础上从群体中选择优胜淘汰劣质个体的操作，其目的是将较优的个体遗传到下一代，较优的个体可能是直接遗传到下一代的也可能是通过配对交叉产生新个体再遗传到下一代的。

交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。交叉算子期望将有益基因组合在一起，对种群中的两个个体根据交叉率随机交换某些基因产生新的基因组合。生物进化过程中遗传基因重组发挥了主要作用，交叉在遗传算法中的地位就等同于基因重组，交叉很大程度上提高了遗传算法的搜索能力。

变异是指改变群体中个体串的某些基因座上的基因值。变异使遗传算法具有局部的随机搜索能力，这种局部随机搜索能力在遗传算法通过交叉已接近最优解邻域时可以加速向最优解收敛。

上面是普通的遗传算法的技术原理，后面的实施例将给出一种广义遗传算法的技术方案。

作为一可选实施例，所述方法还包括按下式对用户智能电表的电能观测值进行归一化：

式中，

本实施例给出了数据归一化的一种技术方案。由于不同用户智能电表的读数相差很大，而且读数大小与时段长短还密切相关，为了使数据规范并减小数据处理误差，本实施例对数据按上式进行归一化处理。由于台区总智能电表的电能值

作为一可选实施例，所述优化函数的表达式为：

式中，

本实施例给出了优化函数的具体表达式。上面函数的含义是计算使

作为一可选实施例，所述优化函数的约束条件表达式为：

式中，

本实施例给出了优化函数的约束条件的表达式。本实施例将各电表数据满足的能量守恒方程作为优化函数的约束条件。上式实际上是归一化的能量守恒方程式，方程两边同乘台区总智能电表的电能值

作为一可选实施例，按下式计算用户智能电表的误差：

式中，

本实施例给出了用户智能电表误差的计算方法。本实施例通过求解

作为一可选实施例，所述方法还包括利用广义遗传算法求解所述优化函数，具体包括以下步骤：

S1、对种群的个体进行编码，并初始化一个种群；

S2、计算个体的适应度，并基于所述适应度对个体进行筛选；

S3、从筛选出的个体中随机选取2个不同个体P1、P2；

S4、生成0~1之间的随机数r1，如果r1小于交叉率

S5、如果当前的最优点更新停滞代数小于设定的上限，则转步骤S6；否则转步骤S7；

S6、从筛选掉的个体中随机选取2个不同个体PS1、PS2，用于分别匹配P1、P2进行交叉操作，其中，P1、P2作为母体进行交叉；

S7、生成0~1之间的随机数r2，如果r2小于追随率γ，则转步骤S8；否则转步骤S9；

S8、按照如下操作进行跟随：

式中，

S9、按照如下操作进行主动搜索：

式中，

S10、重复执行步骤S3~S9直到新产生的粒子数目达到要求；

S11、进行变异操作；

S12、重复执行步骤S2~S11，直到最优群体和个体的适应度不再升高或最优个体的适应度达到设定阈值或达到设定的最高迭代次数。

本实施例给出了一种广义遗传法的技术方案。要提高遗传法的精度，需要提高种群的数量，从而使计算量明显增加，计算耗时变长。为此，本实施例提出一种广义的遗传法，主要改进之处包括：收集每代在选择阶段中被丢弃的个体，将其单独保存，用于扩大交叉范围。该动作的作用是在算法前期扩展搜索空间，抑制早熟收敛。收集每代最优个体，借鉴粒子群算法引入启发信息，强化收敛域内的局部搜索力度，加强种群方向最优点方向演变的概率。该动作的作用是在算法后段加速搜索，减小计算耗时。总之，相对一般的遗传法，广义遗传法具有良好的全局搜索能力，能够明显提高结果的精度。广义遗传法的具体步骤如步骤S1~S12所示。

图4为本发明实施例一种基于大数据的智能电表计量准确性检测装置的组成示意图，所述装置包括：

数据获取模块11，用于获取当前时段同一台区用户智能电表的电能观测值以及台区总智能电表的电能值，计算当前时段所述台区的线损耗能量；

优化函数建立模块12，用于建立以当前时段用户智能电表的电能值为优化变量、以所述电能值与电能观测值平方差绝对值的和最小为目标、并以能量守恒为约束条件的优化函数；

优化函数求解模块13，用于利用遗传算法求解所述优化函数得到用户智能电表的电能值，基于所述电能值与电能观测值计算用户智能电表的误差。

本实施例的装置，可以用于执行图1所示方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。后面的实施例也是如此，均不再展开说明。

作为一可选实施例，所述装置还包括归一化模块，用于按下式对用户智能电表的电能观测值进行归一化：

式中，

作为一可选实施例，所述优化函数的表达式为：

式中，

作为一可选实施例，所述优化函数的约束条件表达式为：

式中，

作为一可选实施例，按下式计算用户智能电表的误差：

式中，

作为一可选实施例，所述装置还包括广义遗传算法模块，用于利用广义遗传算法求解所述优化函数，具体包括以下步骤：

S1、对种群的个体进行编码，并初始化一个种群；

S2、计算个体的适应度，并基于所述适应度对个体进行筛选；

S3、从筛选出的个体中随机选取2个不同个体P1、P2；

S4、生成0~1之间的随机数r1，如果r1小于交叉率

S5、如果当前的最优点更新停滞代数小于设定的上限，则转步骤S6；否则转步骤S7；

S6、从筛选掉的个体中随机选取2个不同个体PS1、PS2，用于分别匹配P1、P2进行交叉操作，其中，P1、P2作为母体进行交叉；

S7、生成0~1之间的随机数r2，如果r2小于追随率γ，则转步骤S8；否则转步骤S9；

S8、按照如下操作进行跟随：

式中，

S9、按照如下操作进行主动搜索：

式中，

S10、重复执行步骤S3~S9直到新产生的粒子数目达到要求；

S11、进行变异操作；

S12、重复执行步骤S2~S11，直到最优群体和个体的适应度不再升高或最优个体的适应度达到设定阈值或达到设定的最高迭代次数。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。