團隊介紹

福州大學配電網(wǎng)及其自動化研究中心長期致力于電力配電網(wǎng)監(jiān)測、控制與保護新技術的研究與應用；結合人工智能技術、大數(shù)據(jù)分析技術、電力電子功率變換技術和智能優(yōu)化調(diào)控技術，在電力配電網(wǎng)及其主設備故障診斷與抑制領域開展了基礎研究以及工程應用。主要涉及配電網(wǎng)單相接地故障選線及區(qū)段定位、配電網(wǎng)單相接地故障柔性消弧、配電變壓器故障診斷、光伏發(fā)電系統(tǒng)故障診斷、可再生能源發(fā)電與并網(wǎng)等研究方向。近年來，該團隊完成了多個國家，省和電網(wǎng)企業(yè)的研究項目。

研究背景

21世紀以來，隨著智能電表的大量投運，電網(wǎng)進入大數(shù)據(jù)時代。當前，我國在運智能電表規(guī)模已經(jīng)突破5億，通過人工巡檢已經(jīng)難以滿足大量智能電表的誤差監(jiān)測需求。為保證電力計量的公平，實現(xiàn)電表誤差監(jiān)測全覆蓋，各專家學者紛紛開展相關研究。

論文所解決的問題及意義

現(xiàn)階段雖然可以實現(xiàn)電表誤差在線估計，但難以同時滿足電表誤差檢測的實時性、精確性和可靠性。本文對動態(tài)線損模型進行改進，使其獲取的誤差估計值更接近實際值，通過帶遺忘因子的遞推最小二乘法求解電表誤差，在保證快速、精確檢測電表誤差的同時提高了結果的可靠性。

論文方法及創(chuàng)新點

1 改進動態(tài)線損估計模型

圖1 臺區(qū)拓撲電氣簡化模型

經(jīng)典配電臺區(qū)電氣簡化模型如圖1所示，U為配變低壓側出口電壓，Z=R+jX為線路阻抗，假定上述U和Z為定值。UL為負荷電壓，ZL=RL+jXL為負荷阻抗，隨負荷的波動而變化。

那么，第i個計量周期內(nèi)的線損Qlossi和總用電量QZi可以表示為

式中：

為第i個計量周期的平均功率因數(shù)；T為單位計量周期。

那么，第i個計量周期的線損Qlossi和總用電量QZi與第j個周期的Qlossj和QZj的比值分別為

經(jīng)過系列推導可得出基于改進動態(tài)線損估計的電表誤差估計模型為

2 智能電表誤差估計方法

圖2 智能電表誤差估計流程

圖2所示為智能電表誤差估計流程。首先，進行數(shù)據(jù)采集，獲取臺區(qū)類別、用戶編號、電表編號、電表日電量以及平均功率因數(shù)數(shù)據(jù)。接著，對獲取的數(shù)據(jù)進行處理，剔除缺失、異常等用電數(shù)據(jù)，并根據(jù)改進線損模型計算出線損。然后，采用聚類算法對輕載、空載電表進行標記。最后，采用帶遺忘因子的遞推最小二乘法對電表誤差進行在線估計。

3 帶遺忘因子的遞推最小二乘法

隨著運行年限的增長，在運電表內(nèi)部元器件將逐漸老化。因此，在運電表誤差會隨時間的變化而緩慢增長，即電表誤差參數(shù)具有緩時變特征。為了準確跟蹤在運電表誤差的變化，本文采用帶遺忘因子的遞推最小二乘法（Forgetting Factor Recursive Least-squares, FFRLS）進行電表誤差參數(shù)估計。

通過帶遺忘因子的遞推最小二乘法求解式（3）所述模型。首先，設定算法初始值；接著，進行數(shù)據(jù)處理及標記；然后，獲取滿足式（3）模型的電量數(shù)據(jù)。當獲取的電量數(shù)據(jù)大于分電表數(shù)時（方程組數(shù)大于參數(shù)數(shù)量）即可進行電表誤差估計。隨著新數(shù)據(jù)的加入，可以不斷地對電表誤差估計值進行修正，從而實現(xiàn)電表誤差在線估計。

4 算例驗證

使用1個數(shù)據(jù)質(zhì)量較好的居民配電臺區(qū)數(shù)據(jù)來驗證所提方法的估計效果。該臺區(qū)共有85塊分表，均為正常電表，每臺電表包含283天測量數(shù)據(jù)，電表超差閾值設置為±2%。為方便分析，定義誤差率=誤差系數(shù)×100%。

人為調(diào)整某些電表誤差系數(shù)使之超差進行算法驗證。將1號和3號電表設置為超差表。其中1號電表的初始誤差率設置為3%，3號電表初始誤差率設置為-5%，并在計算周期內(nèi)微增上述超差電表誤差率，模擬電表誤差緩時變的特性。計算時以首日用電數(shù)據(jù)作為基準，設置算法初始值：初始固定損耗為0.01kW·h，初始線損率為1.5%，平均功率因數(shù)可由每日計量的有功電量和無功電量計算得出。

圖3 電表誤差估計結果

圖3所示為最后一天誤差估計結果。1號電表的估計誤差率為3.30%，實際誤差率為3.03%；3號電表的估計誤差率-4.94%，實際誤差率為-5.02%。結果表明，本文所提方法對于正向和反向超差電表均能成功識別，可以實現(xiàn)電表誤差在線估計。

為了驗證本文所提模型的有效性，分別運用固定線損模型、動態(tài)線損模型、所提線損模型進行電表誤差計算，結果如表1所示。

表1 三種模型誤差估計結果對比

表1中，三種模型都能精確定位超差電表1號和3號，無漏判現(xiàn)象；對于超差電表的估計精度，從低到高的排列順序依次是：固定線損模型、動態(tài)線損模型和所提線損模型，并逼近真實值；除了所提方法，固定線損模型、動態(tài)線損模型均將電表13誤判為超差表。

結論

本文通過考慮負荷類型對線損估計的影響，提出一種新的智能電表誤差估計模型。經(jīng)過仿真驗證以及實例驗證，證明了所提方法的有效性。相比于固定損耗和動態(tài)線損估計模型，本文所提方法精度更高。但是，在實際運行臺區(qū)電表誤差估計中，上述模型存在誤檢的情況。針對上述存在的缺陷，后續(xù)將對模型進一步優(yōu)化，使模型更加貼近電表實際運行狀況，從而提升算法準確率。

引用本文

韋先燦, 高偉, 楊耿杰. 基于改進動態(tài)線損估計的智能電表誤差估計方法[J]. 電氣技術, 2022, 23(2): 7-12. WEI Xiancan, GAO Wei, YANG Gengjie. Error estimation method of smart meter based on improved dynamic line loss estimation. Electrical Engineering, 2022, 23(2): 7-12.