基于大数据推演的电能计量装置误差检测方法及系统与流程
本发明涉及电力设备中电能计量装置的状态评估技术，具体公开了一种基于大数据推演的电能计量装置误差检测方法及系统。
背景技术：
电能的准确计量是保证电量结算公平的基础，每年由于计量装置误差超差造成的差错电量相当可观。一方面，目前存在多种检测计量装置误差的技术手段。传统方法有：电能表的实验室检定和现场检测、互感器的实验室检定和现场检测、电压互感器二次压降现场检测等。这些工作需要人员将计量装置拆卸到实验室进行，或者需要人员将标准装置与检测设备带到现场开展，有些实验还必须停电进行，便利性不足。较新颖的技术手段有：电能表误差远程在线检测、互感器误差远程在线检测、电压互感器二次压降远程在线检测等。这些较新颖的技术能够远程、实时检测计量装置的误差，但是存在造价高昂、布置不便、存在故障隐患等问题，还可能影响电力系统的正常运行。
另一方面，用电信息采集系统经过多年建设已经覆盖了所有重要用户、变电站、开关站，广泛运用于自动抄表管理、有序用电管理、用电情况统计分析、线损和变损分析等方面，并带来了海量的电能量数据，为电力企业经营管理各环节的分析、决策提供支持，为实现智能双向互动服务提供信息基础。
电能量数据来源于计量装置，既反映了电能量输送情况，也蕴含着计量装置的误差信息。由于计量装置的误差相对较小，电能量数据中蕴含的误差信息量也很微弱，以往很难通过少量电能量数据发觉误差超差这一缺陷状态。但用电信息采集系统现在能提供的电能量数据已远远超过以往，这些数据资源可以通过适当的数学模型得到深入分析，使数据中蕴含的计量装置误差信息得到整合，并清晰呈现出来，这是评价计量装置误差的全新途径。
技术实现要素：
本发明要解决的技术问题是：针对现有技术的上述问题，提供一种能够同时实时监控电能计量装置的整体计量误差，不需现场试验、实现方法简单、检测实时快速、高效安全的优点的基于大数据推演的电能计量装置误差检测方法及系统。
为了解决上述技术问题，本发明采用的技术方案为：
一方面，本发明提供一种基于大数据推演的电能计量装置误差检测方法，步骤包括：
1)获取待评估变电站指定电压区域内各条线路的多组电能量数据；
2)根据每组电能量数据计算得到对应的母线电量不平衡率，根据多组电能量数据以及对应的母线电量不平衡率建立电能量与母线电量不平衡率的映射模型；
3)创建N条虚拟线路，N为待评估变电站指定电压区域内线路数，取任意两条虚拟线路构成线路对，将其中一个线路对定为当前线路对，设定其中一条虚拟线路的计量电量值为计量基准、另一条虚拟线路为比较对象；将当前线路对的虚拟线路的电能量值分别设为1和-1，其中计量基准对应虚拟线路的电能量值为1，比较对象对应虚拟线路的电能量值为-1，其他虚拟线路的电能量值设为0，形成虚拟负荷模型，共得到N×(N-1)个虚拟负荷模型集合；每个虚拟负荷模型中虚拟电能量值的排列按相同顺序，该顺序为各条虚拟线路编号数字的升序，定义为“线路排列顺序”；
4)将所有的电能量数据按照“线路排列顺序”排列，并一一与所有虚拟负荷模型比较，得到电能量数据与虚拟负荷模型的贴近度；
5)选择贴近度超过指定阈值的若干组电能量数据作为典型样本进行复制，复制后的样本与原始样本形成训练样本集，对应的母线电量不平衡率作为教师样本集；
6)创建人工神经网络，用训练样本集、教师样本集训练人工神经网络，虚拟负荷模型经训练后的人工神经网络推演得到虚拟母线电量不平衡率；
7)整理推演得到的所有虚拟母线电量不平衡率，形成电能计量装置整体计量误差初值集，将整体计量误差初值集中的误差值重构，得到对应电能计量装置的整体误差。
优选地，步骤1)的详细步骤包括：
1.1)在电能量信息采集系统中获取待评估变电站指定电压区域内各条线路从时间点t(1)时刻开始间隔指定时间段ΔT的各个时间点的电能量信息；
1.2)根据式(1)计算相邻时刻点之间时间段内各条线路的电能量值ΔWTm(n)；
ΔWTm(n)＝Wt(m+1)(n)-Wt(m)(n) (1)
式(1)中，ΔWTm(n)表示第n条线路在t(m)到t(m+1)时间段Tm间的电能量值，Wt(m)(n)表示第n条线路在时间点t(m)时刻的电能量信息，Wt(m+1)(n)表示第n条线路在时间点t(m+1)时刻的电能量信息，ΔWTm(n)为正表示电能量送出母线、为负表示电能量送入母线；
1.3)将相邻时刻点之间时间段内各条线路的电能量值ΔWTm(n)构成待分析的电能量数据组WTm如式(2)所示，将电能量数据组WTm构成电能量数据集合W如式(3)所示；
WTm＝[ΔWTm(1),ΔWTm(2),...,ΔWTm(N)] (2)
W＝[WT1,WT2,...,WTm]T (3)。
优选地，步骤2)中计算得到对应的母线电量不平衡率的函数表达式如式(4)所示；步骤2)中建立电能量与母线电量不平衡率的映射模型具体是指：将电能量数据集合W得到对应的母线电量不平衡率集合ε＝[εT1,εT2,...,εTm]T构成关联，形成电能量与母线电量不平衡率的映射模型；
式(4)中，ε表示母线电量不平衡率，N表示待评估变电站指定电压区域内线路的数量，Wn表示第n条线路传输电量，Wn值为正表示电量送出母线、负表示电量送入母线；en表示第n条线路对应的电量计量装置的整体误差；Wn′是电量计量装置显示带误差信息的电能量，Wn′来源于电能量数据组WTm。
优选地，步骤4)的详细步骤包括：
4.1)将所有电能量数据组按照“线路排列顺序”排列；
4.2)在所有虚拟负荷模型中选取其中一组，以数组方式表示虚拟负荷模型的模型特征，模型特征的数组中，计量基准对应虚拟线路的电能量值为1，比较对象对应虚拟线路的电能量值为-1，其他虚拟线路的电能量值设为0；
4.3)在所有组电能量数据中遍历选取一组电能量数据作为比较主体Wreal，电能量数据组的格式为Wreal＝[W1,W2,W3,...,WN]，其中Wi表示第i条线路传输电量，i∈[1,N]，N为待评估变电站指定电压区域内线路数；
4.4)比较选取的虚拟负荷模型和选取的电能量数据组，按照如式(5)所示距离偏差贴近度算法计算其贴近度；
式(5)中，σ(T′,W)表示贴近度，T′表示一组虚拟负荷模型数组，W表示一组经过了归一化处理的电能量数据组，W中的元素W(n)＝Wreal(n)/max(W)，n为该组电能量数据的个数，贴近度越大说明该组电能量数据越具有虚拟负荷模型的典型特征；
4.5)判断是否所有电能量数据已经遍历完毕，如果已经遍历完毕，则跳转执行步骤5)；否则，跳转执行步骤4.3)。
优选地，步骤5)的详细步骤包括：
5.1)在一组虚拟负荷模型参与的比较中，选择贴近度最大的五组电能量数据，对该批电能量数据组和对应的母线电量不平衡率进行复制，复制次数与贴近度按照式(6)进行关联；
式(6)中，l取整为复制次数，σ为贴近度，a、b、c为变换系数；
5.2)将复制的电能量数据组和对应的母线电量不平衡率加入到初始的电能量数据组集合和母线电量不平衡率数据集合，N×(N-1)个虚拟负荷模型被复制的电能量数据则有5×N×(N-1)组，电能量数据组集合成为训练样本集，母线电量不平衡率数据集合成为教师样本集。
优选地，步骤6)的详细步骤包括：
6.1)初始化BP人工神经网络，按随机原则赋予网络各层的权值和阀值；
6.2)从训练样本集中取一组电能量数据，从教师样本集中取对应的母线电量不平衡率作为输入信号送入BP人工神经网络；
6.3)电能量数据在BP人工神经网络中正向演算得到结果，与教师样本进行比较，按照式(7)计算出神经网络输出层输出信号误差；
δl＝-(Tl-Yl)Yl(1-Yl) (7)
式(7)中，δl为输出层的节点误差，Tl为输出层的教师样本数据，Yl为输出层的节点输出信号；
6.4)按照式(8)计算各隐含层的节点误差；
式(8)中，为第k层隐含层中第n个神经元的节点误差，为第k层隐含层中第n个神经元的节点输出信号，为第l层中第a个神经元的节点误差，第l层为隐含层或输出层，p为第l层的神经元总数，为第k层隐含层中第a个连接第l层中各神经元的权值；
6.5)采用牛顿-高斯改进算法训练BP人工神经网络，按照式(9)更新隐含层和输出层间的权值，按式(11)计算各隐含层的节点误差，按照式(12)更新输出层的阀值；
式(9)中，ω(k+1)为新权值，ω(k)为原权值，Δω(k)为权值更新量，Hk和gk为中间变量矩阵，JT(ω)为雅可比矩阵，e(ω)为单个神经元节点误差组成的向量集，单个神经元节点误差组成的集合取值为输出层输出信号误差Yl，μ为控制因子，I为单位矩阵；其中雅可比矩阵JT(ω)的函数表达式如式(10)所示；
式(10)中，J表示雅可比矩阵JT(ω)，ei表示该隐含层中第i个神经元的节点误差，i∈[1,M]，M为该层隐含层神经元的数量，ωij表示该隐含层第i个神经元连接下一层输出层第j个神经元的权值，j∈[1,O]，O表示下一层输出层的神经元数量；隐含层中神经元的节点误差与对应输出层神经元的权值用式(11)表示：
式(11)中，ei为该隐含层中第i个神经元的节点误差，Yi为该隐含层中第i个神经元的节点输出信号δj为下一层输出层中第j个神经元的节点误差，ωij为该隐含层中第i个连接下一层输出层第j个神经元的权值；
式(12)中，为输出层第m个神经元在t+1时刻的阀值，为输出层第m个神经元在t时刻的阀值，β为修正系数，为第l层隐含层中第m个神经元的节点误差；
6.6)判断是否所有的训练样本集和教师样本集都已经训练完毕，如果尚未训练完毕，则跳转执行步骤6.2)，否则跳转执行步骤6.7)；
6.7)检查BP人工神经网络的误差和学习次数，如果人工神经网络的误差大于等于设定值并且学习次数没有达到预定次数时，跳转执行步骤6.2)；否则，结束训练并存储当前BP人工神经网络的网络参数；
6.8)将N×(N-1)个虚拟负荷模型送入训练好的BP人工神经网络进行推演，得到虚拟负荷模型对应的N×(N-1)个虚拟母线电量不平衡率；将N×(N-1)个虚拟母线电量不平衡率进行归类，归类原则是对应的N×(N-1)个虚拟负荷模型有N个计量基准，每个计量基准对应有有N-1个比较对象，将相同计量基准的模型对应的母线电量不平衡率归入同一个集合，形成N个集合，每个集合N-1个元素，每个集合中的元素按照“线路排列顺序”排列，计量基准对应的位置置空，将得到的集合作为对应计量基准的电能计量装置整体计量误差初值集。
优选地，步骤7)的详细步骤包括：
7.1)在N个电能计量装置整体计量误差初值集中均加入零值误差，填补计量基准对应的置空位置，形成如式(13)所示的进化初值集；
式(13)中，ε表示进化初值集，εi,j表示表示以第i套计量装置为基准，第j套计量装置的误差初值，εi,x表示以第i套计量装置为基准，所有计量装置的误差初值(包括第一套计量装置)向量，i∈[1,N]，j∈[1,N-1]，N表示计量装置数量；
7.2)遍历选取其中一个进化初值集，取其集合中各个元素数值的中位值；
7.3)将该进化初值集按照中位值为平移距离进行平移得到移位进化初值集，按照“线路排列顺序”获取移位进化初值集中与各计量装置相关联的数据，作为整体计量误差；
7.4)判断是否所有进化初值集已经遍历选取完毕，如果尚未遍历选取完毕，则跳转执行步骤7.2)；否则，判定所有进化初值集均进行了平移，且每套电量计量装置均得到N个整体计量误差式(14)所示；
式(14)中，ε′表示误差重构集，median(εi,x)表示εi,x的中位值，εi′,j表示误差初值，εi,j经过平移后的重构值，平移量为median(εi,x)，i∈[1,N]，j∈[1,N]，N表示计量装置数量；
7.5)按照式(15)所示函数表达式求取每套计量装置N个整体计量误差的平均值作为该套计量装置最终推演得到的整体计量误差；
εn＝[avg(ε′x,1),avg(ε′x,2),…avg(ε′x,N)] (15)
式(14)中，εn表示第n套计量装置最终推演得到的整体计量误差，avg(ε′x,i)表示集合ε′x,i中所有元素的平均值。
另一方面，本发明还提供一种基于大数据推演的电能计量装置误差检测系统，包括：
电能量数据数据获取单元，用于获取待评估变电站指定电压区域内各条线路的多组电能量数据；
母线电量不平衡率计算单元，用于根据每组电能量数据计算得到对应的母线电量不平衡率，根据多组电能量数据以及对应的母线电量不平衡率建立电能量与母线电量不平衡率的映射模型；
虚拟负荷模型建立单元，用于创建N条虚拟线路，N为待评估变电站指定电压区域内线路数，取任意两条虚拟线路构成线路对，将其中一个线路对定为当前线路对，设定其中一条虚拟线路的计量电量值为计量基准、另一条虚拟线路为比较对象；将当前线路对的虚拟线路的电能量值分别设为1和-1，其中计量基准对应虚拟线路的电能量值为1，比较对象对应虚拟线路的电能量值为-1，其他虚拟线路的电能量值设为0，形成虚拟负荷模型，共得到N×(N-1)个虚拟负荷模型集合；每个虚拟负荷模型中虚拟电能量值的排列按相同顺序，该顺序为各条虚拟线路编号数字的升序，定义为“线路排列顺序”；
贴近度计算单元，用于将所有的电能量数据按照“线路排列顺序”排列，并一一与所有虚拟负荷模型比较，得到电能量数据与虚拟负荷模型的贴近度；
样本集生成单元，用于选择贴近度超过指定阈值的若干组电能量数据作为典型样本进行复制，复制后的样本与原始样本形成训练样本集，对应的母线电量不平衡率作为教师样本集；
人工神经网络训练单元，用于创建人工神经网络，用训练样本集、教师样本集训练人工神经网络，虚拟负荷模型经训练后的人工神经网络推演得到虚拟母线电量不平衡率；
整体误差计算单元，用于整理推演得到的所有虚拟母线电量不平衡率，形成电能计量装置整体计量误差初值集，将整体计量误差初值集中的初值集重构，得到对应电能计量装置的整体误差。
优选地，所述电能量数据数据获取单元包括：
电能量信息采集模块，用于在电能量信息采集系统中获取待评估变电站指定电压区域内各条线路从时间点t(1)时刻开始间隔指定时间段ΔT的各个时间点的电能量信息；
电能量值计算采集模块，用于根据式(1)计算相邻时刻点之间时间段内各条线路的电能量值ΔWTm(n)；
ΔWTm(n)＝Wt(m+1)(n)-Wt(m)(n) (1)
式(1)中，ΔWTm(n)表示第n条线路在t(m)到t(m+1)时间段Tm间的电能量值，Wt(m)(n)表示第n条线路在时间点t(m)时刻的电能量信息，Wt(m+1)(n)表示第n条线路在时间点t(m+1)时刻的电能量信息，ΔWTm(n)为正表示电能量送出母线、为负表示电能量送入母线；
电能量数据组构建模块，用于将相邻时刻点之间时间段内各条线路的电能量值ΔWTm(n)构成待分析的电能量数据组WTm如式(2)所示，将电能量数据组WTm构成电能量数据集合W如式(3)所示；
WTm＝[ΔWTm(1),ΔWTm(2),...,ΔWTm(N)] (2)
W＝[WT1,WT2,...,WTm]T (3)。
优选地，所述母线电量不平衡率计算单元计算得到对应的母线电量不平衡率的函数表达式如式(4)所示；所述母线电量不平衡率计算单元建立电能量与母线电量不平衡率的映射模型具体是指：将电能量数据集合W得到对应的母线电量不平衡率集合ε＝[εT1,εT2,...,εTm]T构成关联，形成电能量与母线电量不平衡率的映射模型；
式(4)中，ε表示母线电量不平衡率，N表示待评估变电站指定电压区域内线路的数量，Wn表示第n条线路传输电量，Wn值为正表示电量送出母线、负表示电量送入母线；en表示第n条线路对应的电量计量装置的整体误差；Wn′是电量计量装置显示带误差信息的电能量，Wn′来源于电能量数据组WTm。
本发明基于大数据推演的电能计量装置误差检测方法具有下述优点：
1)本发明通过在线监测获得电能量信息，由电能量数据计算母线电量平衡率并由大量的电能量数据、母线电量不平衡率建立映射模型，从而评估电能计量装置的整体计量误差情况，不必对计量装置进行现场检定或检测，也不需要对设备停电检测，使用便捷、高效且安全；随着采集的电能量数据不同，误差判断结果也将相应的改变，从而实时反映电能计量装置整体计量误差的变化，以及时发现计量装置隐性故障或劣化的发展趋势，能够有效保障计量装置的健康运行。
2)本发明采用牛顿—高斯改进算法训练人工神经网络，牛顿—高斯改进算法具有兼顾全局特性，训练收敛块，一定程度上避免训练过程易陷入跳出局部的问题，使得推演结果精度更高，反应的计量装置整体误差更准确。
3)本发明将电能量数据和虚拟负荷模型进行比较，利用贴近度算法和模糊隶属函数实现典型特征电能量数据的模糊强化，增加人工神经网络在该特征下的训练次数，从而使人工神经网络在推演域附近具有更高的诊断精度和泛化性，使推演结果更加准确。
4)本发明将人工神经网络推演得到的结果加入零值误差，形成进化初值集，利用计量装置综合误差服从正态分布这一特点，将进化初值集重构，揭示了母线电量不平衡率与计量装置整体误差的映射关系，实现了对计量装置整体误差的评估。
本发明基于大数据推演的电能计量装置误差检测系统为本发明基于大数据推演的电能计量装置误差检测方法完全对应的装置，因此同样也具有本发明基于大数据推演的电能计量装置误差检测方法的前述优点，故在此不再赘述。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例步骤4)的流程示意图。
图3为本发明中BP人工神经网络的推演和训练原理示意图。
图4是本实施例步骤6)牛顿—高斯改进算法训练流程示意图。
图5是本实施例步骤7)中误差重构的流程示意图。
具体实施方式
如图1所示，本实施例基于大数据推演的电能计量装置误差检测方法的步骤包括：
1)获取待评估变电站指定电压区域内各条线路的多组电能量数据；
2)根据每组电能量数据计算得到对应的母线电量不平衡率，根据多组电能量数据以及对应的母线电量不平衡率建立电能量与母线电量不平衡率的映射模型；
3)创建N条虚拟线路，N为待评估变电站指定电压区域内线路数，取任意两条虚拟线路构成线路对，将其中一个线路对定为当前线路对，设定其中一条虚拟线路的计量电量值为计量基准、另一条虚拟线路为比较对象；将当前线路对的虚拟线路的电能量值分别设为1和-1，其中计量基准对应虚拟线路的电能量值为1，比较对象对应虚拟线路的电能量值为-1，其他虚拟线路的电能量值设为0，形成虚拟负荷模型，共得到N×(N-1)个虚拟负荷模型集合；每个虚拟负荷模型中虚拟电能量值的排列按相同顺序，该顺序为各条虚拟线路编号数字的升序，定义为“线路排列顺序”；
4)将所有的电能量数据按照“线路排列顺序”排列，并一一与所有虚拟负荷模型比较，得到电能量数据与虚拟负荷模型的贴近度；
5)选择贴近度超过指定阈值的若干组电能量数据作为典型样本进行复制，复制后的样本与原始样本形成训练样本集，对应的母线电量不平衡率作为教师样本集；
6)创建人工神经网络，用训练样本集、教师样本集训练人工神经网络，虚拟负荷模型经训练后的人工神经网络推演得到虚拟母线电量不平衡率；
7)整理推演得到的所有虚拟母线电量不平衡率，形成电能计量装置整体计量误差初值集，将整体计量误差初值集中的误差值重构，得到对应电能计量装置的整体误差。
本实施例中，步骤1)的详细步骤包括：
1.1)在电能量信息采集系统中获取待评估变电站指定电压区域内各条线路从时间点t(1)时刻开始间隔指定时间段ΔT的各个时间点的电能量信息；
1.2)根据式(1)计算相邻时刻点之间时间段内各条线路的电能量值ΔWTm(n)；
ΔWTm(n)＝Wt(m+1)(n)-Wt(m)(n) (1)
式(1)中，ΔWTm(n)表示第n条线路在t(m)到t(m+1)时间段Tm间的电能量值，Wt(m)(n)表示第n条线路在时间点t(m)时刻的电能量信息，Wt(m+1)(n)表示第n条线路在时间点t(m+1)时刻的电能量信息，ΔWTm(n)为正表示电能量送出母线、为负表示电能量送入母线；
1.3)将相邻时刻点之间时间段内各条线路的电能量值ΔWTm(n)构成待分析的电能量数据组WTm如式(2)所示，将电能量数据组WTm构成电能量数据集合W如式(3)所示；
WTm＝[ΔWTm(1),ΔWTm(2),...,ΔWTm(N)] (2)
W＝[WT1,WT2,...,WTm]T (3)。
在电能量信息采集系统中获取各条线路在时间点t(1)时刻的电能量信息Wt(1)(n)；获取在时间点t(2)时刻的电能量信息Wt(2)(n)，t(1)到t(2)时间段T1间相关线路的电能量值为ΔWT1(n)＝Wt(2)(n)-Wt(1)(n)。进一步，延伸到从t(m)到t(m+1)时间段Tm间相关线路的电能量值为ΔWTm(n)＝Wt(m+1)(n)-Wt(m)(n)，其中T1＝T2＝…＝Tm＝ΔT。ΔWTm(n)构成待分析的电能量数据组WTm＝[ΔWTm(1),ΔWTm(2),...,ΔWTm(n)]如式(2)所示，电能量数据组WTm构成电能量数据集合W＝[WT1,WT2,...,WTm]T如式(3)所示，由此得到待评估变电站指定电压区域内各条线路的多组电能量数据。
本实施例中，步骤2)中计算得到对应的母线电量不平衡率的函数表达式如式(4)所示；步骤2)中建立电能量与母线电量不平衡率的映射模型具体是指：将电能量数据集合W得到对应的母线电量不平衡率集合ε＝[εT1,εT2,...,εTm]T构成关联，形成电能量与母线电量不平衡率的映射模型；
式(4)中，ε表示母线电量不平衡率，N表示待评估变电站指定电压区域内线路的数量，Wn表示第n条线路传输电量，Wn值为正表示电量送出母线、负表示电量送入母线(Wn＞0时表示一次侧电能量送出母线，Wn＜0时表示一次侧电能量送入母线)；en表示第n条线路对应的电量计量装置的整体误差；Wn′是电量计量装置显示带误差信息的电能量，Wn′来源于电能量数据组WTm。针对变电站相同电压等级区域，同一时间窗口进入、送出母线的电量和母线电量不平衡率的关联可以用如式(4)所示函数表达式表示，Wn′是计量装置显示的电能量，带有计量装置的误差信息；即来源于电能量数据组WTm；由电能量数据集合W＝[WT1,WT2,...,WTm]T进一步得到对应的母线电量不平衡率集合ε＝[εT1,εT2,...,εTm]T，并构成关联，形成WTm与ε的映射模型。
本实施例中，首先确认待评估变电站某一电压等级区域的线路组成部分，即此电压区域内母线所连接的N条线路，然后通过电能量信息采集平台在电能量信息数据库内获取N条线路等时间段内电能量信息Wn′，由每组电能量数据以及对应的母线电量不平衡率建立计量电能量Wn′与母线电量不平衡率ε的映射模型。本实施例取最近30天的电能量数据并取时段为3小时，即获取得到240组数据，每组数据均包括所有N条线路的电能量数据，240组电能量数据对应计算得到240个母线电量不平衡率ε。
如图2所示，本实施例步骤4)的详细步骤包括：
4.1)将所有电能量数据组按照“线路排列顺序”排列；
4.2)在所有虚拟负荷模型中选取其中一组，以数组方式表示虚拟负荷模型的模型特征，模型特征的数组中，计量基准对应虚拟线路的电能量值为1，比较对象对应虚拟线路的电能量值为-1，其他虚拟线路的电能量值设为0，例如一组模型特征范例为Μ＝[1,-1,0,...,0]；
4.3)在所有组电能量数据中遍历选取一组电能量数据作为比较主体Wreal，电能量数据组的格式为Wreal＝[W1,W2,W3,...,WN]，其中Wi表示第i条线路传输电量，i∈[1,N]，N为待评估变电站指定电压区域内线路数；
4.4)比较选取的虚拟负荷模型和选取的电能量数据组，按照如式(5)所示距离偏差贴近度算法计算其贴近度；
式(5)中，σ(T′,W)表示贴近度，T′表示一组虚拟负荷模型数组，W表示一组经过了归一化处理的电能量数据组，W中的元素W(n)＝Wreal(n)/max(W)，n为该组电能量数据的个数，贴近度越大说明该组电能量数据越具有虚拟负荷模型的典型特征；
4.5)判断是否所有电能量数据已经遍历完毕，如果已经遍历完毕，则跳转执行步骤5)；否则，跳转执行步骤4.3)。
本实施例中，取任意两条线路构成线路对，将其中一个线路对定为当前线路对，设定其中一条线路的计量电量值为计量基准，另一条为比较对象；将当前线路对的电能量值分别设为1和-1，其中计量基准对应的电能量值为1，比较对象为-1，其他线路的电能量值设为0，形成虚拟负荷模型；类似的虚拟负荷模型组成模型集合，该模型集合中包含了N×(N-1)个虚拟负荷模型，N为线路数量；每个模型中各条线路虚拟电能量值的排列按相同顺序，该顺序定义为“线路排列顺序”；将步骤1)中获取的多组电能量数据按照“线路排列顺序”排列，与虚拟负荷模型比较，按照如式(5)所示距离偏差贴近度算法计算其贴近度。
本实施例中，步骤5)的详细步骤包括：
5.1)在一组虚拟负荷模型参与的比较中，选择贴近度最大的五组电能量数据，对该批电能量数据组和对应的母线电量不平衡率进行复制，复制次数与贴近度按照式(6)进行关联；
式(6)中，l取整为复制次数，σ为贴近度，a、b、c为变换系数；本实施例中，将贴近度较大的若干组电能量数据作为典型样本进行复制，样本复制遵循贴近度越高复制越多的原则，使用式(6)所示柯西分布模糊隶属函数的变换式，将处理后的贴近度与复制次数关联，实现典型样本的模糊强化：
5.2)将复制的电能量数据组和对应的母线电量不平衡率加入到初始的电能量数据组集合和母线电量不平衡率数据集合，N×(N-1)个虚拟负荷模型被复制的电能量数据则有5×N×(N-1)组，电能量数据组集合成为训练样本集，母线电量不平衡率数据集合成为教师样本集。
本实施例中例取贴近度最大的5组数据；对该批电能量数据组进行复制，复制次数与贴近度按照式(6)进行关联：虚拟负荷模型有N×(N-1)个，被复制的电能量数据则有5×N×(N-1)组，5×N×(N-1)组电能量数据中存在重复复制的可能。
将特征强化型电能量数据组作为训练样本，与之对应的母线电量不平衡率组作为教师样本，将所述训练样本和教师样本输入至预设的BP人工神经网络中，使用牛顿—高斯改进型算法训练所述BP人工神经网络各层的权值和阀值，得到基于BP人工神经网络的电能量与母线电量不平衡率的映射模型。
如图3所示，本实施例中BP人工神经网络训练和推演时，从虚拟负荷模型中提取典型特征，将电能量数据与该典型特征辨识，得到辨识结果。根据辨识结果将各组电能量数据分成典型样本和普通样本两类，其中典型样本是特征与虚拟负荷模型贴近的若干组电能量数据，本例取贴近度最大的5组电能量数据为典型样本，其余为普通样本。复制典型样本，遵循贴近度越高复制越多的原则，使用柯西分布模糊隶属函数的变换式将贴近度与复制次数关联。复制的样本与原始样本形成训练样本集，对应的母线电量不平衡率作为教师样本集，得到训练样本和教师样本集，将训练样本和教师样本集送入BP人工神经网络进行训练。将虚拟负荷模型输入训练好的BP人工神经网络进行推演，得到推演结果。本实施例中，具体是指将的N×(N-1)个虚拟负荷模型送入完成训练的BP人工神经网络中推演，得到N×(N-1)个虚拟母线电量不平衡率，转化为电能计量装置整体计量误差初值。本实施例中，N×(N-1)个虚拟母线电量不平衡率转化电能计量装置整体计量误差初值处理，转化的具体实施方法为：N×(N-1)个虚拟母线电量不平衡率对应了N×(N-1)个条件；该条件为评估对象为N条线路，每条线路作为计量基准和比较对象均出现了N-1次；选定一条线路为计量基准，将满足该条件的N-1个虚拟母线电量不平衡率进行排列，按照“线路排列顺序”进行，计量基准对应的位置为置空，得到一个电能计量装置整体计量误差初值集，类似的初值集有N个。
如图4所示，本实施例步骤6)的详细步骤包括：
6.1)初始化BP人工神经网络，按随机原则赋予网络各层的权值和阀值；
6.2)从训练样本集中取一组电能量数据，从教师样本集中取对应的母线电量不平衡率作为输入信号送入BP人工神经网络；
6.3)电能量数据在BP人工神经网络中正向演算得到结果，与教师样本进行比较，按照式(7)计算出神经网络输出层输出信号误差；
δl＝-(Tl-Yl)Yl(1-Yl) (7)
式(7)中，δl为输出层的节点误差，Tl为输出层的教师样本数据，Yl为输出层的节点输出信号；
6.4)按照式(8)计算各隐含层的节点误差；
式(8)中，为第k层隐含层中第n个神经元的节点误差，为第k层隐含层中第n个神经元的节点输出信号，为第l层中第a个神经元的节点误差，第l层为隐含层或输出层，p为第l层的神经元总数，为第k层隐含层中第a个连接第l层中各神经元的权值；
6.5)采用牛顿-高斯改进算法训练BP人工神经网络，按照式(9)更新隐含层和输出层间的权值，按式(11)计算各隐含层的节点误差，按照式(12)更新输出层的阀值；
式(9)中，ω(k+1)为新权值，ω(k)为原权值，Δω(k)为权值更新量，Hk和gk为中间变量矩阵，JT(ω)为雅可比矩阵，e(ω)为单个神经元节点误差组成的向量集，单个神经元节点误差组成的集合取值为输出层输出信号误差Yl，μ为控制因子，I为单位矩阵；其中雅可比矩阵JT(ω)的函数表达式如式(10)所示；
式(10)中，J表示雅可比矩阵JT(ω)，ei表示该隐含层中第i个神经元的节点误差，i∈[1,M]，M为该层隐含层神经元的数量，ωij表示该隐含层第i个神经元连接下一层输出层第j个神经元的权值，j∈[1,O]，O表示下一层输出层的神经元数量；隐含层中神经元的节点误差与对应输出层神经元的权值用式(11)表示：
式(11)中，ei为该隐含层中第i个神经元的节点误差，Yi为该隐含层中第i个神经元的节点输出信号δj为下一层输出层中第j个神经元的节点误差，ωij为该隐含层中第i个连接下一层输出层第j个神经元的权值；
式(12)中，为输出层第m个神经元在t+1时刻的阀值，为输出层第m个神经元在t时刻的阀值，β为修正系数，为第l层隐含层中第m个神经元的节点误差；
6.6)判断是否所有的训练样本集和教师样本集都已经训练完毕，如果尚未训练完毕，则跳转执行步骤6.2)，否则跳转执行步骤6.7)；
6.7)检查BP人工神经网络的误差和学习次数，如果人工神经网络的误差大于等于设定值并且学习次数没有达到预定次数时，跳转执行步骤6.2)；否则，结束训练并存储当前BP人工神经网络的网络参数；
6.8)将N×(N-1)个虚拟负荷模型送入训练好的BP人工神经网络进行推演，得到虚拟负荷模型对应的N×(N-1)个虚拟母线电量不平衡率；将N×(N-1)个虚拟母线电量不平衡率进行归类，归类原则是对应的N×(N-1)个虚拟负荷模型有N个计量基准，每个计量基准对应有有N-1个比较对象，将相同计量基准的模型对应的母线电量不平衡率归入同一个集合，形成N个集合，每个集合N-1个元素，每个集合中的元素按照“线路排列顺序”排列，计量基准对应的位置置空，将得到的集合作为对应计量基准的电能计量装置整体计量误差初值集。
如图5所示，本实施例步骤7)的详细步骤包括：
7.1)在N个电能计量装置整体计量误差初值集中均加入零值误差，填补计量基准对应的置空位置，形成如式(13)所示的进化初值集；
式(13)中，ε表示进化初值集，εi,j表示表示以第i套计量装置为基准，第j套计量装置的误差初值，εi,x表示以第i套计量装置为基准，所有计量装置的误差初值(包括第一套计量装置)向量，i∈[1,N]，j∈[1,N-1]，N表示计量装置数量；
7.2)遍历选取其中一个进化初值集，取其集合中各个元素数值的中位值；
7.3)将该进化初值集按照中位值为平移距离进行平移得到移位进化初值集，按照“线路排列顺序”获取移位进化初值集中与各计量装置相关联的数据，作为整体计量误差；
7.4)判断是否所有进化初值集已经遍历选取完毕，如果尚未遍历选取完毕，则跳转执行步骤7.2)；否则，判定所有进化初值集均进行了平移，且每套电量计量装置均得到N个整体计量误差式(14)所示；
式(14)中，ε′表示误差重构集，median(εi,x)表示εi,x的中位值，ε′i,j表示误差初值，εi,j经过平移后的重构值，平移量为median(εi,x)，i∈[1,N]，j∈[1,N]，N表示计量装置数量；
7.5)按照式(15)所示函数表达式求取每套计量装置N个整体计量误差的平均值作为该套计量装置最终推演得到的整体计量误差；
εn＝[avg(ε′x,1),avg(ε′x,2),…avg(ε′x,N)] (15)
式(14)中，εn表示第n套计量装置最终推演得到的整体计量误差，avg(ε′x,i)表示集合ε′x,i中所有元素的平均值。
由于本实施例中式(4)考虑特别情况，以第1条线路和第2条线路为例，设只有两条线路在传输负荷，分别为电能量送入母线和送出母线，那么这两套计量装置的误差之差即为电量不平衡率，如式(16)所示。
式(16)中，ε1,2表示第1条线路和第2条线路之间的电量不平衡率，W1表示第1条线路传输电量，W2表示第2条线路传输电量，e1表示第1条线路对应的电量计量装置的整体误差，e2表示第2条线路对应的电量计量装置的整体误差。式(4-1)将单输入输出状态的母线电量不平衡率与计量装置误差直接联系起来。人为设置一个比较基准，即令e2为0，则e1＝ε1,2，进一步推广到获取母线其他线路的计量装置误差，形成误差集，就可以得到所有待评估计量装置的整体误差。但是该方法会面对如下问题：①变电站实际运行时很难出现仅两条线路带负荷的情况，不能直接利用电量数据集建立式(2)对应的模型。②计量装置误差受环境、负荷等随机因素影响不断变化，电量不平衡率模型的边界条件不稳定。③人为设定了一套计量装置误差为0，而实际情况肯定不同，使整个误差集往某一方向偏移，且偏移量不定。
为解决问题①，本实施例步骤3)中采用如下方法：创建N条虚拟线路，N为待评估变电站指定电压区域内线路数，取任意两条虚拟线路构成线路对，将其中一个线路对定为当前线路对，设定其中一条虚拟线路的计量电量值为计量基准、另一条虚拟线路为比较对象；将当前线路对的虚拟线路的电能量值分别设为1和-1，其中计量基准对应虚拟线路的电能量T′值为1，比较对象对应虚拟线路的电能量值为-1，其他虚拟线路的电能量值设为0，形成虚拟负荷模型，共得到N×(N-1)个虚拟负荷模型集合；每个虚拟负荷模型中虚拟电能量值的排列按相同顺序，该顺序为各条虚拟线路编号数字的升序，定义为“线路排列顺序”。
为解决问题②，本实施例步骤6)中采用如下方法：创建BP人工神经网络，利用神经网络的兼容性和纠错性解决边界条件不稳问题；利用步骤5)中得到的训练样本集和教师样本集通过牛顿—高斯改进算法训练神经网络。
为解决问题③，本实施例步骤7)中将整理推演得到的所有虚拟母线电量不平衡率，形成电能计量装置整体计量误差初值集，将整体计量误差初值集中的误差值重构，得到对应电能计量装置的整体误差。每个电能计量装置整体计量误差初值集与一个零值误差结合，形成进化初值集，零值误差填补计量基准的置空位置。取进化初值集的中位值median[ε]，该中位值所对应的计量装置实际整体误差最可能接近于零。这是因为计量装置的综合误差服从正态分布ε～N(μ,σ)，即误差分布以期望μ为中心，另一方面，变电站同一电压区域计量装置的配置一致，即每套计量装置有一致的期望，该期望对应的实际误差非常接近于零，可视为零值误差。进化初值集的中位值在概率上与期望最接近，即使偶然偏移，其偏移量也较小，因此认为进化初值集的中位值对应的实际误差为零。以中位值为距离，按照式(17)对进化初值集平移，得到计量装置的整体误差；
式(17)中，ε表示进化初值集，ε′表示误差重构集，误差重构集ε′中的各元素就是对应计量装置的整体推演误差。由于有N个进化初值集，所以每一套计量装置均可求出N个整体推演误差，将N个结果均值化得到最终的整体计量误差推演结果。
本实施例基于大数据推演的电能计量装置误差检测方法具体是通过计算机程序来实现的，通过该计算机程序来实现的基于大数据推演的电能计量装置误差检测系统包括：
电能量数据数据获取单元，用于获取待评估变电站指定电压区域内各条线路的多组电能量数据；
母线电量不平衡率计算单元，用于根据每组电能量数据计算得到对应的母线电量不平衡率，根据多组电能量数据以及对应的母线电量不平衡率建立电能量与母线电量不平衡率的映射模型；
虚拟负荷模型建立单元，用于创建N条虚拟线路，N为待评估变电站指定电压区域内线路数，取任意两条虚拟线路构成线路对，将其中一个线路对定为当前线路对，设定其中一条虚拟线路的计量电量值为计量基准、另一条虚拟线路为比较对象；将当前线路对的虚拟线路的电能量值分别设为1和-1，其中计量基准对应虚拟线路的电能量值为1，比较对象对应虚拟线路的电能量值为-1，其他虚拟线路的电能量值设为0，形成虚拟负荷模型，共得到N×(N-1)个虚拟负荷模型集合；每个虚拟负荷模型中虚拟电能量值的排列按相同顺序，该顺序为各条虚拟线路编号数字的升序，定义为“线路排列顺序”；
贴近度计算单元，用于将所有的电能量数据按照“线路排列顺序”排列，并一一与所有虚拟负荷模型比较，得到电能量数据与虚拟负荷模型的贴近度；
样本集生成单元，用于选择贴近度超过指定阈值的若干组电能量数据作为典型样本进行复制，复制后的样本与原始样本形成训练样本集，对应的母线电量不平衡率作为教师样本集；
人工神经网络训练单元，用于创建人工神经网络，用训练样本集、教师样本集训练人工神经网络，虚拟负荷模型经训练后的人工神经网络推演得到虚拟母线电量不平衡率；
整体误差计算单元，用于整理推演得到的所有虚拟母线电量不平衡率，形成电能计量装置整体计量误差初值集，将整体计量误差初值集中的初值集重构，得到对应电能计量装置的整体误差。
本实施例中所述电能量数据数据获取单元包括：
电能量信息采集模块，用于在电能量信息采集系统中获取待评估变电站指定电压区域内各条线路从时间点t(1)时刻开始间隔指定时间段ΔT的各个时间点的电能量信息；
电能量值计算采集模块，用于根据式(1)计算相邻时刻点之间时间段内各条线路的电能量值ΔWTm(n)；
ΔWTm(n)＝Wt(m+1)(n)-Wt(m)(n) (1)
式(1)中，ΔWTm(n)表示第n条线路在t(m)到t(m+1)时间段Tm间的电能量值，Wt(m)(n)表示第n条线路在时间点t(m)时刻的电能量信息，Wt(m+1)(n)表示第n条线路在时间点t(m+1)时刻的电能量信息，ΔWTm(n)为正表示电能量送出母线、为负表示电能量送入母线；
电能量数据组构建模块，用于将相邻时刻点之间时间段内各条线路的电能量值ΔWTm(n)构成待分析的电能量数据组WTm如式(2)所示，将电能量数据组WTm构成电能量数据集合W如式(3)所示；
WTm＝[ΔWTm(1),ΔWTm(2),...,ΔWTm(N)] (2)
W＝[WT1,WT2,...,WTm]T (3)。
本实施例中，所述母线电量不平衡率计算单元计算得到对应的母线电量不平衡率的函数表达式如式(4)所示；所述母线电量不平衡率计算单元建立电能量与母线电量不平衡率的映射模型具体是指：将电能量数据集合W得到对应的母线电量不平衡率集合ε＝[εT1,εT2,...,εTm]T构成关联，形成电能量与母线电量不平衡率的映射模型；
式(4)中，ε表示母线电量不平衡率，N表示待评估变电站指定电压区域内线路的数量，Wn表示第n条线路传输电量，Wn值为正表示电量送出母线、负表示电量送入母线；en表示第n条线路对应的电量计量装置的整体误差；Wn′是电量计量装置显示带误差信息的电能量，Wn′来源于电能量数据组WTm。综上所述，本实施例基于大数据推演的电能计量装置误差检测方法及系统能够同时实时监控电能计量装置的整体计量误差，具有不需现场试验、实现方法简单、检测实时快速、高效安全的优点。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！