智能电表可靠性技术研究进展（福州大学研究团队提出一种智能电表误差估计的新方法）

针对智能电表抽检方式存在效率低下、人力成本高、实时性差、难以全面覆盖的问题，福州大学配电网及其自动化研究中心的韦先灿、高伟、杨耿杰，在2022年第2期《电气技术》上撰文，提出一种基于改进动态线损估计的智能电表在线误差估计方法。首先，考虑负荷类型对线损估计的影响，对动态线损估计模型进行改进，使得模型获取的误差估计值更加接近真实值；然后，利用带遗忘因子的递推最小二乘法求解改进动态线损模型，获取智能电表误差估计结果；最后，通过仿真以及实际数据验证所提方法的有效性。结果表明，与固定线损模型、动态线损模型对比，本文所提方法的检测准确率均优于前两者。

福州大学配电网及其自动化研究中心长期致力于电力配电网监测、控制与保护新技术的研究与应用；结合人工智能技术、大数据分析技术、电力电子功率变换技术和智能优化调控技术，在电力配电网及其主设备故障诊断与抑制领域开展了基础研究以及工程应用。主要涉及配电网单相接地故障选线及区段定位、配电网单相接地故障柔性消弧、配电变压器故障诊断、光伏发电系统故障诊断、可再生能源发电与并网等研究方向。近年来，该团队完成了多个国家，省和电网企业的研究项目。

21世纪以来，随着智能电表的大量投运，电网进入大数据时代。当前，我国在运智能电表规模已经突破5亿，通过人工巡检已经难以满足大量智能电表的误差监测需求。为保证电力计量的公平，实现电表误差监测全覆盖，各专家学者纷纷开展相关研究。

现阶段虽然可以实现电表误差在线估计，但难以同时满足电表误差检测的实时性、精确性和可靠性。本文对动态线损模型进行改进，使其获取的误差估计值更接近实际值，通过带遗忘因子的递推最小二乘法求解电表误差，在保证快速、精确检测电表误差的同时提高了结果的可靠性。

1 改进动态线损估计模型

图1 台区拓扑电气简化模型

经典配电台区电气简化模型如图1所示，U为配变低压侧出口电压，Z=R jX为线路阻抗，假定上述U和Z为定值。UL为负荷电压，ZL=RL jXL为负荷阻抗，随负荷的波动而变化。

那么，第i个计量周期内的线损Qlossi和总用电量QZi可以表示为

式中：

为第i个计量周期的平均功率因数；T为单位计量周期。

那么，第i个计量周期的线损Qlossi和总用电量QZi与第j个周期的Qlossj和QZj的比值分别为

经过系列推导可得出基于改进动态线损估计的电表误差估计模型为

2 智能电表误差估计方法

图2 智能电表误差估计流程

图2所示为智能电表误差估计流程。首先，进行数据采集，获取台区类别、用户编号、电表编号、电表日电量以及平均功率因数数据。接着，对获取的数据进行处理，剔除缺失、异常等用电数据，并根据改进线损模型计算出线损。然后，采用聚类算法对轻载、空载电表进行标记。最后，采用带遗忘因子的递推最小二乘法对电表误差进行在线估计。

3 带遗忘因子的递推最小二乘法

随着运行年限的增长，在运电表内部元器件将逐渐老化。因此，在运电表误差会随时间的变化而缓慢增长，即电表误差参数具有缓时变特征。为了准确跟踪在运电表误差的变化，本文采用带遗忘因子的递推最小二乘法（Forgetting Factor Recursive Least-squares, FFRLS）进行电表误差参数估计。

通过带遗忘因子的递推最小二乘法求解式（3）所述模型。首先，设定算法初始值；接着，进行数据处理及标记；然后，获取满足式（3）模型的电量数据。当获取的电量数据大于分电表数时（方程组数大于参数数量）即可进行电表误差估计。随着新数据的加入，可以不断地对电表误差估计值进行修正，从而实现电表误差在线估计。

4 算例验证

使用1个数据质量较好的居民配电台区数据来验证所提方法的估计效果。该台区共有85块分表，均为正常电表，每台电表包含283天测量数据，电表超差阈值设置为±2%。为方便分析，定义误差率=误差系数×100%。

人为调整某些电表误差系数使之超差进行算法验证。将1号和3号电表设置为超差表。其中1号电表的初始误差率设置为3%，3号电表初始误差率设置为-5%，并在计算周期内微增上述超差电表误差率，模拟电表误差缓时变的特性。计算时以首日用电数据作为基准，设置算法初始值：初始固定损耗为0.01kW·h，初始线损率为1.5%，平均功率因数可由每日计量的有功电量和无功电量计算得出。

图3 电表误差估计结果

图3所示为最后一天误差估计结果。1号电表的估计误差率为3.30%，实际误差率为3.03%；3号电表的估计误差率-4.94%，实际误差率为-5.02%。结果表明，本文所提方法对于正向和反向超差电表均能成功识别，可以实现电表误差在线估计。

为了验证本文所提模型的有效性，分别运用固定线损模型、动态线损模型、所提线损模型进行电表误差计算，结果如表1所示。

表1 三种模型误差估计结果对比

表1中，三种模型都能精确定位超差电表1号和3号，无漏判现象；对于超差电表的估计精度，从低到高的排列顺序依次是：固定线损模型、动态线损模型和所提线损模型，并逼近真实值；除了所提方法，固定线损模型、动态线损模型均将电表13误判为超差表。

本文通过考虑负荷类型对线损估计的影响，提出一种新的智能电表误差估计模型。经过仿真验证以及实例验证，证明了所提方法的有效性。相比于固定损耗和动态线损估计模型，本文所提方法精度更高。但是，在实际运行台区电表误差估计中，上述模型存在误检的情况。针对上述存在的缺陷，后续将对模型进一步优化，使模型更加贴近电表实际运行状况，从而提升算法准确率。

韦先灿, 高伟, 杨耿杰. 基于改进动态线损估计的智能电表误差估计方法[J]. 电气技术, 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.