基于遞歸神經網絡的智能電表運行誤差遠程估計方法

陳葉，楊正宇，朱夢夢，程富勇，魏齡

（云南電網有限責任公司電力科學研究院，云南 昆明 650217）

在智能化電網中，智能電表是一項重要的基礎設備，其為電力系統的運行控制和電力交易結算提供了依據[1]。智能電表運行的準確性和穩定性直接關系到交易雙方的公平合理以及電網的安全[2]。因此，需要對智能電表的運行狀態進行檢測和評估，以降低錯誤狀態對整個電網的影響。

為了解決當前智能電表現場維修、更換困難的問題，必須實現由常規狀態到誤差狀態的轉換，并采用高效、準確的誤差估計方法判斷智能電表的運行誤差，從而保證智能電表的穩定運行[3]。

當前所使用的智能抄表誤差計算方法主要根據用戶的用電量是否超過了電表的使用范圍來判斷，但由于主電表和用戶電表之間有很大的損耗，其難以準確地估計電表誤差。

利用廣義能量守恒定律求解智能儀器的誤差時，求解過程比較復雜，需要對讀數矩陣進行分解計算。因數據規模、質量等限制，往往會產生不適應性，而且任何時間的數據都不能滿足其獨立性和正交性的要求，而且該方法缺乏實時性。總之，盡管在智能儀表測量數據的應用和遠距離估計操作誤差方面取得了一定的研究成果，但是準確性和實時性不佳。

針對上述問題，該研究提出了一種基于遞歸神經網絡的智能儀表誤差估計方法。

1 構建誤差估計模型

遞歸神經網絡的反饋鏈接結構是由一組連接單元組成的。該單元負責隱藏輸入層的狀態，并在下一時刻連同網絡一起將數據輸入到隱藏層單元。因此，遞歸神經網絡是一種具有動態記憶屬性的網絡，其結構如圖1 所示。

圖1 遞歸神經網絡結構

由圖1 可知，在連接單元中引入連接權作為固定增益，可以模擬高階系統[4]。遞歸神經網絡連接權學習過程如下：

1）將網絡連接權編碼成二進制位串，使每個進制位串都能表示網絡連接權，形成一個集合；

2）結合遞歸神經網絡結構，計算連接神經元的各個連接權值ηs：

式（1）中，fil表示二進制碼個體的適配值，該值越大，說明實際輸出精度就越高。重復上述過程，直到獲取最優個體解碼為止[5]。

在傳統的控制過程中，信號轉換和控制量計算都需要耗費大量的時間，因此其難以快速有效地輸出被控對象的狀態信息[6-7]。該研究利用遞歸神經網絡改善了控制器的控制性能，并通過對被控對象的預建模，由控制信息輸出者對其輸出值進行評估計算。

基于遞歸神經網絡的誤差估計模型如圖2所示。

圖2 基于遞歸神經網絡誤差估計模型

由圖2 可知，誤差估計具體步驟如下：計算t+1時刻的期望輸出結果yd(t+1)，利用遞歸神經網絡估計模型，獲取這個時刻的估計結果y′(t+1)。在此基礎上，估計時刻的誤差，計算公式為：

利用t+1 時刻的誤差獲取該時刻的估計輸出結果，同理，也利用上述方法獲取t+2 時刻的估計輸出結果[8-9]。

在設計過程中，采用了模糊控制和遞推神經網絡兩種并行結構控制方式。該方法的優點是兩種控制過程可以同時運行。

模糊控制器參數整定等是模型設計的主要環節之一。若神經網絡的實際輸出誤差超過標準要求，則停止控制，并在后臺運行學習控制[10-11]。該控制過程可重復執行，能滿足模型自適應控制要求。

2 智能電表運行誤差遠程估計

2.1 智能電表運行誤差遠程檢測模塊設計

在變電所的計量系統中，智能儀表由接收不同采集設備數據的遠程監控系統控制。誤差計算模塊從智能儀表中提取相應的功率脈沖，測量儀表的誤差[12]。發生錯誤時，將異常報告給遠程檢測主機。智能電表運行誤差遠程檢測模塊框圖如圖3 所示。

圖3 智能電表運行誤差遠程檢測模塊框圖

在電表運行過程中，智能電表誤差遠程檢測模塊通過網絡交換，使被檢測電能表接收的數據包與數字標準電能表接收的數據完全一致，再對兩個電能表進行能量采集交換，確定電能表的誤差，通過網絡將誤差傳輸到遠程監測模塊。

2.1.1 遠程在線采樣模塊

遠程在線采樣模塊是一個高可靠性、多功能的遙測數據收發模塊。在對一塊電能表進行長程誤差測試時，首先要將被測電能表和標準表的采樣值轉換成標準值，然后再接收，使兩塊電能表得到相同的數據形式[13]。多播電能表的IP 地址、數據報文標識、采樣值通道等通信參數由遠程后臺發送給標準電能表[14]。使用標準表將所測電能表值的廣播信息發送給交換機，以便應用程序能夠添加信息。在收到請求后，開關向多播組添加一個端口來接收消息。然后交換機將應用信息發送給虛擬局域網中的所有主機，主機中的一個主機作為組播源，負責收集外部組播的數字信息[15-16]。該轉換器通過前面接入多播組的端口發送樣本值信息，通過標準表格接收樣本值信息。然后根據配置參數和采樣值通道的對應信息，標準電表可以計算測試路徑的功率值，并將其與被測電表的電能進行比較，從而計算被測電表的誤差。

2.1.2 脈沖采集與誤差統計模塊

在切換測試器時，切換到相應脈沖功率輸出通道，比較脈沖誤差。以AD7501 為核心，采用多路模擬開關，其具有體積小、成本低、接點可靠、脈沖采集導通電阻滿足要求等優點。AD7501 具有三個輸入信道，分別是一個輸出信道、三個地址線和一個使能端，芯片可以根據地址選擇任何輸出信道。

2.2 運行誤差遠程估計流程

智能電表運行誤差遠程估計流程如圖4 所示。

由圖4 可知，采用遞歸神經網絡進行遠距離運行誤差估計，可以對測量數據進行不斷更新，實時監測儀器誤差的變化，通過校核誤差參數，分析估算精度。

圖4 運行誤差遠程估計流程

為了準確估計智能電表誤差參數，必須對電表誤差參數進行測試。在研究站區進行分層現場采樣，可獲得智能儀器的誤差估計值。各用戶用電智能表按用戶用電等級抽樣，先確定每站用電智能表的總數與樣品數的比率，再根據用戶用電容量分層確定每站用電所需樣品數，每層用電智能表的數量應等于樣本容量，最后計算非舍入式數據的近似值，得到精準誤差值。

根據上述獲取的智能電表誤差數值，使用平均絕對百分誤差eM和均方根誤差eR作為評判誤差估計結果精準度的依據，計算公式為：

式（3）和式（4）中，n表示現場抽取樣本的數量；gi、g′分別表示智能電表誤差估計值和校驗值。在智能電表運行誤差遠程估計過程中，兩個指標的比值越小，說明估計誤差結果就越精準。

3 實驗與分析

3.1 實驗設計

為了驗證基于遞歸神經網絡的智能電表運行誤差遠程估計方法的有效性，以某市2021 年2 月到5月份的實際智能電表數據為對象進行實驗分析。

在配電網拓撲結構中，每個臺區配電變壓器都會安裝一塊校驗表，為了獲得智能電表運行誤差，需在每個臺區內安裝至少一塊電能表來檢驗誤差。

3.2 試驗結果與分析

統計2021 年2 月到5 月份智能電表誤差率，如圖5 所示。

圖5 智能電表運行誤差分布值

由圖5 可知，在2 月到3 月份期間，智能電表運行誤差率在2%以上，最高誤差率為2.8%；在3 月到4月份期間，智能電表運行誤差率在2%以上，最高誤差率為6%；在4 月到5 月份期間，智能電表運行誤差率變化較大，其中在4 月上旬，誤差率低于2%，最低誤差率為-6%。

將上述數據作為試驗驗證指標，分別使用智能電表系統、基于廣義能量守恒定律和基于遞歸神經網絡的智能電表運行誤差遠程估計方法對比分析誤差率，對比結果如圖6 所示。

圖6 三種方法誤差率對比分析

由圖6 可知，在2 月到3 月份期間，使用智能電表系統運行誤差率在0%以上，最高誤差率為2%；在3 月到4 月份期間，智能電表運行誤差率在0%以上，最高誤差率為2.8%；在4 月到5 月份期間，智能電表運行誤差率變化較大，其中在4 月上旬，誤差率低于0%，最低誤差率為-2.2%。使用廣義能量守恒定律方法在2 月到3 月份期間，智能電表運行誤差率在0%以上，最高誤差率為2%；在3 月到4 月份期間，智能電表運行誤差率在2%以上，最高誤差率為2.8%；在4 月到5 月份期間，智能電表運行誤差率變化較大，其中在4 月下旬，誤差率低于0%，最低誤差率為-2.3%。而使用遞歸神經網絡方法在4 月到5 月份智能電表運行誤差率變化較大，最低誤差率為-6%，這與實際智能電表統計結果一致，從而證明了該文方法的可靠性。

4 結束語

該文提出了基于遞歸神經網絡的智能電表運行誤差遠程估計方法。該方法使得遠距離智能電表誤差估計更加準確，有利于實現從常規更換電表到狀態更換的轉變。采用這種方法可以在技術手段上及時發現可疑的異常計量點，從而為高效驗電提供技術支持。