基于功率的電量智能修復算法研究

梅 迪，蔣 蕾，于海洋，禹 加

（國網遼寧省電力有限公司發展策劃部，遼寧 沈陽 110000）

0 引 言

受數據采集終端和傳輸通道等影響，目前營銷部門用電信息采集系統的采集成功率僅為60%左右[1]。晚上24點開始采集數據，會導致數據的準確性和實時性較低，實時準確的電力數據才能真正滿足電力和經濟關系的分析需求，實現電力看經濟的目標[2]。本文通過運用異常電量智能修復算法，為行業、公司以及國家等提供真實可用的電量數據。

1 用戶電量異常

用戶電量通過表底和倍率計算，因此電量異常包含表底異常和倍率異常兩種。其中，表底異常包括表底缺失和表底突變。表底缺失是指營銷專業用電信息采集系統獲取到的表底數值為空[3]。表底突變是指營銷專業用電信息采集系統獲取到的表底數值較大，計算得出的用戶電量超過該用戶電量閾值。倍率異常指電能表本身的綜合倍率數值異常。綜合倍率是電壓互感器倍率和電流互感器倍率的乘積[4]。如果營銷專業用電信息采集系統獲取到的電表倍率為空，那么計算的用戶電量為空，則為電量缺失，如果計算的用戶電量超過該用戶電量閾值，則為電量突變。

2 數據補全方法

對用戶的異常電量需要進行數據補全。本文介紹的數據補全方法包含平均值法、基于電量的周期均值法以及功率預測法[5]。

2.1 平均值法

平均值法是一種相對簡單快速的計算方法。若某一天的電量診斷為異常，則采取前一段時間電量的平均值作為當天的電量。公式如下：

式中，Ei+1為用戶第i+1天的電量，Ei為用戶每天的電量，電量的單位為kW·h。n為參與平均電量計算的天數，本文取10天。由式（1）可看出，若用戶某天電量異常，則采用該日期往前推10天的電量求和取平均值作為該天電量。該算法簡單易懂，但由于沒有考慮周末對電量的影響因素，因此數據的準確度不高。若前幾天的電量均為修正值，則會大大降低當天數據準確度。

2.2 周期均值法

周期均值法是指在缺失電量的當天向前推1周、2周、3周等，然后取平均值。公式如下：

式中，Et為當天修正后的電量，Ei當天往前推整周的電量，i=t-7、t-14、t-21…，n為參與平均電量計算的個數，本文取3。即i=t-7、t-14、t-21。

由式（2）可以看出，周期均值法在計算缺失日電量時，避免了周末因素，算法簡單易懂，缺點是周期較長和樣本較少。當樣本選取較多時，周期較長，用戶用電規律可能發生變化，導致預測電量準確度降低。

2.3 功率預測法

電量的定義為功率數據在時間軸上的積分，也就是說電量是由功率計算出來的。通過歷史功率數據和電量數據預測當日電量值，使得預測電量數據準確度更高，更可靠。利用這種方法預測時，需要獲取每天0:00～16:00的功率數據曲線，然后計算每天的平均功率，剔除功率不可用數據。平均功率的計算公式如下：

式中，P平均為每天0:00～16:00的平均功率，Pi為每天0:00～16:00每個時刻的功率數據，1小時代表1個點，，功率的單位為kW。n為實際參與計算平均功率的點數。

2.3.1 計算電量增長系數k

（1）若T-0和T-2日有功率和電量數據，則采用下列公式計算電量增長系數：

式中，P平均T-0為預測當日T-0日平均功率數據，P平均T-2為預測當日往前推兩日T-2的平均功率數據功率單位為kW。

（2）若T-0和T-2日無功率或電量數據，則往前推1周、2周、3周等查找既有功率又有電量的日期，采用前幾周的數據求取電量增長系數。計算公式如下：

式中，P平均T-i為預測當日往前推1周、2周、3周直至有負荷和電量周的平均功率數據，P平均T-i-1為預測當日往前推1周、2周、3周直至有負荷及電量周的前一日的平均功率數據，i=7、14、21等，平均功率的單位為kW。

2.3.2 預測當天電量數據

（1）若T-0和T-2日有功率和電量數據，則用下列公式計算當日電量：

式中，ET-0為當日預測電量，ET-2為T-2日已計算出的電量，k為電量增長系數。

（2）若T-0和T-2日無功率或電量數據，則用下列公式計算當日電量：

式中，ET-0為當日預測電量，ET-i-1為T-i-1日已計算出的電量。

功率預測法同時考慮了功率、電量以及周期因素。若存在功率和電量，則可直接進行預測，若功率或電量不全，則按周期（剔除周末影響）尋找功率和電量較全的日期，算出電量增長系數，再進行電量預測。這樣既避免了平均值法的反復修正，又消納了周末影響，且數據周期不長，避免用戶用電性質發生變化，從而提高用戶電量預測的準確性。

3 算例分析

以遼寧省3個典型用戶為例，用戶1是沈陽桃李面包有限公司，用戶2是沈陽渾南礦業有限責任公司，用戶3是沈陽禮拜天食品有限責任公司，預測電量時間為2020年7月31日。為驗證功率預測法的優越性，選取的3個典型用戶該日的電量齊全，未發生異常。如果當天用戶電量異常，則分別采用平均值法、周期均值法以及功率預測法修正用戶電量，并將修正后的電量與用戶真實電量進行偏差比較，驗證功率預測法的合理性和準確性。典型用戶在7月份10號到31號的日電量如表1所示，7月29日典型用戶功率數據如表2所示，7月31日典型用戶功率數據如表3所示。

表1 典型用戶7月份日電量

續表1

表2 7月29日典型用戶功率數據

表3 7月31日典型用戶功率數據

根據以上3種數據補全方法分別進行數據修正，得到修正結果如表4所示。根據表4的修正結果可以看出，平均值法和周期均值法的偏差率有高有低，波動較大，最大偏差率達15%左右，準確度較低。而功率預測法是基于功率和實采電量數據進行的預測修復，不受氣溫和時間等外部因素的影響，偏差率穩定于2%左右，波動較小，準確度較高。驗證了功率預測法的合理性和準確性。

表4 修正結果比對

4 結 論

針對用電信息系統表底數據一次采集成功率較低，售電量分析對電量數據實時性要求較高的現狀，本文提出了一種基于功率和電量數據相結合的算法修復異常數據。該算法不受季節、時間以及周期等影響，準確度較高，通過算例計算分析，驗證了功率預測法的優越性，促使電量數據歸真。