一种基于负荷特性预估的电网计量预警系统及方法

摘要

本发明公开了一种基于负荷特性预估的电网计量预警系统及方法，采集电力负荷历史数据，绘制负荷曲线，构建样本集合，利用K?MEDOIDS算法确定用电用户的典型负荷曲线；将样本数据按照时间间隔统一分段，以多目标为特征向量，从典型日负荷曲线中选取特性指标；根据聚类结果结合马尔可夫链构建预测模型，进行预测，将预测结果和计量装置检测的实测数据进行比较，确认是否存在非法用电情况，并判断计量装置是否正常工作，如果确认有非法用电或计量装置不正常，予以标记进行预警。

说明书

技术领域

本发明涉及一种基于负荷特性预估的电网计量预警系统及方法。

背景技术

近年来随着经济的发展，用电需求量越来越大。在许多高峰时段，会出现电力供需紧张的问题。不管是个人用户还是大型企业用户，都需对用电量、电费进行计量和计算，能够正确计量、计算是非常重要的，也是能够对电网的安全、高效运行有重大的帮助。

因此，在计量时能够精确统计出用户的用电量，又能判断该值是否在正常范围内，没有漏电、窃电或偷电的行为，是非常重要的。

但是当前的用电监控主要依赖人工或者计量箱(或表)，无论是人工还是计量箱(或表)都存在监控策略不明确、监控实施不到位、执行效果展示不直观的问题，缺乏成体系的电网用电计量监控方法，导致了监控工作随机性较强，使得提升有序用电、负荷特性分析等有助于提升电网运行效率和电能质量的进一步分析无法有正确的数据支持。因此，需要对用电用户的用电量进行预测，以判断实测用电量是否正确。

目前，电力负荷预测特别是用电量负荷预测的方法包括：卡尔曼滤波、灰色预测法、指数平滑法、BP神经网络等。其中BP神经网络收敛速度比较慢，容易出现局部最小值，这些局限导致预测精度不高。灰色预测法要求历史用电量是光滑离散数据，所以仅仅适用于短期的预测。卡尔曼滤波可以通过状态空间模型，预测下一个时刻的预测值，缺点是噪声统计特性完全未知或部分已知的情况下，会造成滤波效能过低，甚至失效。指数平滑法简单易行，采用加权移动平均的方式，消除历史用电负荷的波动数据，可以找出用电负荷的发展趋势，适用于数据的预处理，缺点是会产生滞后效应，严重影响预测精度。

同时，目前的预测方法，在数据预处理过程中的建立负荷的优化特性指标时，目前都太过单一，无法实现多目标的负荷特性分析，缺少对不确定性和多目标属性的综合考虑，所聚类的结果无法在多目标框架下消除不确定因素的影响，难以满足实际运行需求。

发明内容

本发明为了解决上述问题，提出了一种基于负荷特性预估的电网计量预警系统及方法，本发明通过对各类型用户的负荷特性分析、预估，结合采集的用户历史数据，判断该用户使用的电能数据是否正常，是否存在偷电漏电的情况，有助于提高电网运行效率和计量准确度。

为了实现上述目的，本发明采用如下技术方案：

一种基于负荷特性预估的电网计量预警方法，包括以下步骤：

(1)采集电力负荷历史数据，绘制负荷曲线，构建样本集合，利用K-MEDOIDS算法确定用电用户的典型负荷曲线；

(2)将样本数据按照时间间隔统一分段，以时段序列内各最小时间长度的波动强度、时段序列的数字特征、保安负荷、可限负荷、峰值时差率、峰谷差率和月不均衡系数为特性指标构造聚类特征向量，从典型日负荷曲线中选取特性指标；

(3)赋予样本数据偏向参数，基于AP聚类算法，以特征向量为指标进行聚类，确定聚类数和聚类中心，若样本点的聚类中心满足以日时段特征向量为聚类指标的判定条件，则输出聚类结果；

(4)根据聚类结果结合马尔可夫链构建预测模型，进行预测，将预测结果和计量装置检测的实测数据进行比较，确认是否存在非法用电情况，并判断计量装置是否正常工作，如果确认有非法用电或计量装置不正常，予以标记进行预警。

所述步骤(1)中，采集电力用户的一段时间内的历史负荷数据，然后绘制成多条日负荷曲线，利用K-MEDOIDS算法对各用户所有的日负荷曲线分别进行聚类，将各用户的用电情况分为若干类，选择分类天数最多的那一类对应的中心负荷曲线作为用户的典型日负荷曲线。

所述步骤(2)中，负荷样本数据按聚类时间间隔统一分段，聚类时间间隔由多个设定的最小时间长度组成，利用聚类时间间隔时间段中每个最小时间长度内样本的变化波动序列表征数据波动趋势，以及实际有功功率的聚类时间间隔内的最大有功功率、最小有功功率和有功功率的均值，依次构成关于时段序列内各最小时间长度的波动强度的特征向量。

所述步骤(2)中，波动强度序列的幅值大小充分反映广义负荷节点功率波动的幅度，幅值的正负反映广义负荷节点功率的流向。

所述步骤(2)中，负荷的波动率是指用户用电负荷的变化起伏大小，反映负荷的波动幅度，大小为负荷有功功率的标准差与负荷有功功率的算术平均值之比。

所述步骤(2)中，保安负荷的计算方式为，选取一段时间内的实际负荷数据，计算多个负荷点的算术平均值。计算公式如下：

$>P_b=\frac{{\Sigma }_{i=1}^N{P}_{\min i}}{N}$>

其中，P_b为保安负荷，P_mini为第i个最小的负荷点，N为常数，优选的，N大于等于300。

所述步骤(2)中，用户的可限负荷为峰值的高峰典型负荷与保安负荷的差值再乘以同时率，高峰典型负荷为电网供电高峰时段内出现最大供电负荷的对应时刻用户负荷的平均值。

所述步骤(2)中，峰值时差率是指电网负荷高峰与用户负荷高峰的时间差异程度，其大小为电网负荷高峰与用户负荷高峰的时间差异总和除以设定时间长度与M的乘积，其中M为电网负荷高峰个数与用户负荷高峰个数中较小的数值。

所述步骤(2)中，峰谷差指的是电力系统某一时间周期内最大负荷与最小负荷之差，通常以日为单位，峰谷差够反映出用户负荷的波动情况，峰谷差率的大小为日最大负荷与日最小负荷的差值与日最大负荷的比值。

所述步骤(4)中，具体步骤包括：

(4-1)设定预测时间间隔，根据聚类结果，确定样本集合中各个日负荷值的数据集中概率，进行归一化操作，确定各个离散型初步状态概率向量，构建初始马尔可夫模型；

(4-2)利用切普曼－柯尔莫哥洛夫方程进行概率转移，将样本数据变换成为N层日负荷样本数据和1层日负荷样本数据，进行数据整合，形成最终的马尔可夫模型；

(4-3)划分时间段，将所有日负荷值根据它们的时间戳映射到这些时间段中，计算各对象落入各个时间段的概率，预测任意时间段后的日负荷值。

所述步骤(4)中，将预测结果和实测数据进行比较，具体步骤包括：

(4-a)将若干时间段的预测结果进行相加，确定该时间段中的实测数据大小，对两者进行做差处理，用数值大的数据减去数值小的数据；

(4-b)利用差值除以数值小的数据，若比值超过预先设定的比值阈值上限或下限，则认为存在非法用电或计量装置处于非正常工作状态，对该用户进行标记。

一种基于负荷特性预估的电网计量预警系统，包括：

数据预处理模块，采集电力负荷历史数据、绘制负荷曲线，构建样本集合；

聚类确定模块，利用K-MEDOIDS算法确定用电用户的典型负荷曲线；

时间模块，将样本数据按照时间间隔统一分段；

计算模块，计算以时间模块记录的时段序列内各最小时间长度的波动强度、时段序列的数字特征、保安负荷、可限负荷、峰值时差率、峰谷差率和月不均衡系数；

特征向量构建模块，将计算模块中的所有计算结果为特性指标构造聚类特征向量，从典型日负荷曲线中选取特性指标；

特性向量聚类模块，赋予样本数据偏向参数，基于AP聚类算法，以特征向量为指标进行聚类，确定聚类数和聚类中心；

判定模块，判定样本点的聚类中心是否满足以日时段特征向量为聚类指标的判定条件，若满足，则输出聚类结果；

预测模块，根据聚类结果结合马尔可夫链算法构建预测模型，进行预测；

比较模块，将预测模块中的预测结果和用电用户的计量装置检测的实测数据进行比较，确认是否存在非法用电情况，并判断计量装置是否正常工作。

本发明的有益效果为：

(1)能够正确判断各类用电用户的用电值是否在正常范围内，是否存在漏电、窃电或偷电的行为，有助于提高电网市场的有序性；

(2)提出多目标特征向量的聚类方法，能够反映样本数据的日时段特性规律；

(3)本发明可以实现具体到对某行业、某客户的负荷预测，为负荷特性变化的原因分析提供数据支持；

(4)利用马尔可夫链进行日负荷值预测，有效提高非平稳的负荷数据的准确性，同时将时间因素考虑在内，极大提高了预测准确率。

附图说明

图1为本发明的流程示意图；

图2为本发明的为某地区电网2015年7月的典型日负荷曲线示意图；

图3为本发明的预测结果对比图。

具体实施方式：

下面结合附图与实施例对本发明作进一步说明。

如图1所示，一种基于负荷特性预估的电网计量预警方法，包括以下步骤：

(1)采集电力负荷历史数据，绘制负荷曲线，构建样本集合，利用K-MEDOIDS算法确定用电用户的典型负荷曲线；

(2)将样本数据按照时间间隔统一分段，以时段序列内各最小时间长度的波动强度、时段序列的数字特征、保安负荷、可限负荷、峰值时差率、峰谷差率和月不均衡系数为特性指标构造聚类特征向量，从典型日负荷曲线中选取特性指标；

(3)赋予样本数据偏向参数，基于AP聚类算法，以特征向量为指标进行聚类，确定聚类数和聚类中心，若样本点的聚类中心满足以日时段特征向量为聚类指标的判定条件，则输出聚类结果；

(4)根据聚类结果结合马尔可夫链构建预测模型，进行预测，将预测结果和计量装置检测的实测数据进行比较，确认是否存在非法用电情况，并判断计量装置是否正常工作，如果确认有非法用电或计量装置不正常，予以标记进行预警。

步骤(1)中，采集电力用户的一段时间内的历史负荷数据，然后绘制成多条日负荷曲线，利用K-MEDOIDS算法对各用户所有的日负荷曲线分别进行聚类，将各用户的用电情况分为若干类，选择分类天数最多的那一类对应的中心负荷曲线作为用户的典型日负荷曲线。

当然，根据本领域技术人员的公知常识，K-MEDOIDS算法可替换为K-Means聚类算法或CLARANS算法。

电网的负荷特性主要反映在负荷曲线上，分析电网的负荷曲线可以寻找电网负荷的变化规律。通过年负荷特性，可以看出电网各月的供电情况，找出供电压力最大的月份；通过月负荷特性，可以看出电网每月负荷变化规律，掌握电网负荷是否受周六、周日影响；通过日负荷特性，可以得到电网一天的峰、平、谷时段，掌握电网一天中哪个时段是用电高峰。

如图2所示，电网日负荷曲线描述的是电网一天24小时的供电负荷随时间变化的情况，根据数据量测系统可以得到多条日负荷曲线，所以进行日负荷特性分析时需要找出电网的典型日负荷曲线。并且对电网的典型日负荷曲线进行分析时，关键要得到电网一天的峰、平、谷时段，也就是需要对电网典型日负荷曲线进行峰谷时段的划分。

一般早、中、晚的高峰时段分别为8：00-12:00，12:00-17:00，17:00-22:00。

步骤(2)中，负荷样本数据按聚类时间间隔T_J统一分段，聚类时间间隔由多个设定的最小时间长度T组成，利用聚类时间间隔时间段中每个最小时间长度内样本的变化波动序列表征数据波动趋势，以及实际有功功率的聚类时间间隔内的最大有功功率、最小有功功率和有功功率的均值，依次构成关于时段序列内各最小时间长度的波动强度的特征向量。

即

式中，p为聚类时间间隔序列号；b为T_J中包含最小时间长度T的序列数；W_maxp和W_minp分别为第p个聚类时间间隔内的最大有功功率和最小有功功率；为第p个聚类时间间隔内有功功率的均值，φ_p1，φ_p2，…，φ_pb分别为T_J内b个最小时间长度波动强度序列。

步骤(2)中，波动强度序列的幅值大小充分反映广义负荷节点功率波动的幅度，幅值的正负反映广义负荷节点功率的流向。

步骤(2)中，负荷的波动率是指用户用电负荷的变化起伏大小，反映负荷的波动幅度，大小为负荷有功功率的标准差与负荷有功功率的算术平均值之比。

负荷波动率的计算公式为：

$>A=\frac{\sqrt{\frac{{\Sigma }_{i=1}^N-{(x_i-\frac{1}{N}{\Sigma }_{i=1}^N{x}_i)}^2}{N}}}{\frac{1}{N}{\Sigma }_{i=1}^N{x}_i}$>

其中，x_i(i＝1,2,…,N)表示一组负荷有功功率值；N为一天内测量负荷点的个数。

步骤(2)中，保安负荷的计算方式为，选取一段时间内的实际负荷数据，计算多个负荷点的算术平均值。计算公式如下：

$>P_b=\frac{{\Sigma }_{i=1}^N{P}_{\min i}}{N}$>

其中，P_b为保安负荷，P_mini为第i个最小的负荷点，N为常数，优选的，N大于等于300。

步骤(2)中，用户的可限负荷为峰值的高峰典型负荷与保安负荷的差值再乘以同时率，高峰典型负荷为电网供电高峰时段内出现最大供电负荷的对应时刻用户负荷的平均值。

步骤(2)中，峰值时差率是指电网负荷高峰与用户负荷高峰的时间差异程度，其大小为电网负荷高峰与用户负荷高峰的时间差异总和除以设定时间长度与M的乘积，其中M为电网负荷高峰个数与用户负荷高峰个数中较小的数值。

步骤(2)中，峰谷差指的是电力系统某一时间周期内最大负荷与最小负荷之差，通常以日为单位，峰谷差够反映出用户负荷的波动情况，峰谷差率的大小为日最大负荷与日最小负荷的差值与日最大负荷的比值。

峰谷差指的是电力系统某一时间周期内最大负荷与最小负荷之差，通常以日为单位。峰谷差的大小直接反映了电网所需要的调峰能力。

由于峰谷差反映的是日内负荷波动的绝对值，并不能很好地反应波动的相对大小。但是峰谷差率能较好的反映出日内波动的相对情况。

步骤(3)中，AP聚类算法不需要事先指定聚类数目，相反它将所有的数据点都作为潜在的聚类中心，称之为exemplar。以S矩阵的对角线上的数值s(k，k)作为k点能否成为聚类中心的评判标准，这意味着该值越大，这个点成为聚类中心的可能性也就越大，这个值又称作参考度p(preference)。聚类的数量受到参考度p的影响，如果认为每个数据点都有可能作为聚类中心，那么p就应取相同的值。如果取输入的相似度的均值作为p的值，得到聚类数量是中等的。如果取最小值，得到类数较少的聚类。

AP聚类算法中传递两种类型的消息，(responsiility)和(availability)。r(i,k)表示从点i发送到候选聚类中心k的数值消息，反映k点是否适合作为i点的聚类中心。a(i，k)则从候选聚类中心k发送到i的数值消息，反映i点是否选择k作为其聚类中心。r(i，k)与a(i，k)越强，则k点作为聚类中心的可能性就越大，并且i点隶属于以k点为聚类中心的聚类的可能性也越大。AP算法通过迭代过程不断更新每一个点的吸引度和归属度值，直到产生m个高质量的exemplar，同时将其余的数据点分配到相应的聚类中。

步骤(4)中，具体步骤包括：

(4-1)设定预测时间间隔，根据聚类结果，确定样本集合中各个日负荷值的数据集中概率，进行归一化操作，确定各个离散型初步状态概率向量，构建初始马尔可夫模型；

(4-2)利用切普曼－柯尔莫哥洛夫方程进行概率转移，将样本数据变换成为N层日负荷样本数据和1层日负荷样本数据，进行数据整合，形成最终的马尔可夫模型；

(4-3)划分时间段，将所有日负荷值根据它们的时间戳映射到这些时间段中，计算各对象落入各个时间段的概率，预测任意时间段后的日负荷值。

设系统有N个互不相容的状态，系统的初始状态概率向量其中，分别为处在状态1，2，…，n的初始概率，由切普曼-柯尔莫哥洛夫方程，可以得到在k+1状态时，马尔可夫链预测模型为：S^(k＋1)＝S^(k+1)*p_ij^(k+1)，其中，p_ij^(k+1)为k步转移概率。

步骤(4)中，将预测结果和实测数据进行比较，具体步骤包括：

(4-a)将若干时间段的预测结果进行相加，确定该时间段中的实测数据大小，对两者进行做差处理；

(4-b)利用差值除以预测值，若比值超过预先设定的比值阈值上限或下限，则认为存在非法用电或计量装置处于非正常工作状态，对该用户进行标记。

例如，比值阈值可以设置为[-50％，+80％]。若预测值为100kwh，实测值为150kwh，则用实测值减去预测值为50kwh，50/100＝50％，在比值阈值内，不存在潜在的偷电问题或计量装置损坏。

若预测值为100kwh，实测值为50kwh，则用预测值减去实测值为50kwh，50/50＝100％，超过比值阈值范围，存在潜在的偷电问题或者计量装置损坏的问题。对该用户进行标注。已提醒电力工作者予以核实、复查。

如图3所示，本发明的预测结果，可以看出，准确度较高。

另外，目前的计量装置自身存在的故障与漏洞，是其发生异常情况的主要原因之一。对于电力计量装置而言，电能表、计量回路以及互感器等是重要的组成部分，任何一个构件出现故障，都会使其的使用发生异常现象，使其对于用电数据的测量产生较大的误差，主要包括电能计量表误差、计量回路压降误差以及互感装置误差三个方面；同时，电力计量装置的生产工艺不合理、质量不达标等，也都会导致计量装置的制动磁通发生异常变化，进而无法实现正常运作。

可以采用电力计量电压检测方法对其进行检测，对断路器的安装位置、相电压变量以及三相不平衡变压变量等进行监测。当电力计量装置发生异常的现象的时候，通常伴随的是断路器没有出现相关的检修信息、三相不平衡电压变量并不在实际允许的范围之内、相电压小于额定电压的70％，且长时间之内并没有恢复到正常的状态等状况。当然也可以使用电力计量电流监测方法，当电力计量装置发生异常情况的时候，如果断路器没有出现分闸现象，或相电流的变量在一定时间段之内并没有回到正常状态，则工作人员需要对电力计量装置进行必要的维护工作。一般情况下，电力计量电流的监测方法也是主要包括了对断电器安装位置、相电流以及三相不平衡电流等方面的监测。

一种基于负荷特性预估的电网计量预警系统，包括：

数据预处理模块，采集电力负荷历史数据、绘制负荷曲线，构建样本集合；

聚类确定模块，利用K-MEDOIDS算法确定用电用户的典型负荷曲线；

时间模块，将样本数据按照时间间隔统一分段；

计算模块，计算以时间模块记录的时段序列内各最小时间长度的波动强度、时段序列的数字特征、保安负荷、可限负荷、峰值时差率、峰谷差率和月不均衡系数；

特征向量构建模块，将计算模块中的所有计算结果为特性指标构造聚类特征向量，从典型日负荷曲线中选取特性指标；

特性向量聚类模块，赋予样本数据偏向参数，基于AP聚类算法，以特征向量为指标进行聚类，确定聚类数和聚类中心；

判定模块，判定样本点的聚类中心是否满足以日时段特征向量为聚类指标的判定条件，若满足，则输出聚类结果；

预测模块，根据聚类结果结合马尔可夫链算法构建预测模型，进行预测；

比较模块，将预测模块中的预测结果和用电用户的计量装置检测的实测数据进行比较，确认是否存在非法用电情况，并判断计量装置是否正常工作。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。