基于特征向量的電力計量儀表誤差校正方法

摘要：為了提升電力計量儀表數據可靠性，提出了基于特征向量的電力計量儀表誤差校正方法。對電力計量儀表運行數據預處理，采用信息聚類方法合并預處理多個運行數據群集；利用BP神經網絡結合比例、積分與微分系數的非線性特征，通過BP神經網絡來獲得誤差的權重，加入慣性項并對學習率的步長調節，獲得電力計量特征向量。采用智能EM算法計算二進制變量的誤差數據，并將權重集成，通過對似然函數處理最大化概率，替換儀表誤差數據，完成誤差校正。實驗結果表明，所提方法誤差校正效果佳，與實際值基本一致，準確性較高。

關鍵詞：特征向量；電力計量儀表；誤差校正；數據預處理；學習速率

中圖分類號：TM933文獻標識碼：A文章編號：1001-5922（2025）02-0146-04

Error correction method of power metering instrument based on eigenvector

CHEN Ruolan

（Foshan Power Supply Bureau of Guangdong Power Grid Co.，Ltd.，Foshan 528000，Guangdong China）

Abstract：In order to improve the reliability of power metering instrument data，an error correction method of power metering instrument based on eigenvector was proposed.For the preprocessing of power metering meter operation data，the information clustering method was used to merge and preprocess multiple operation data clusters.The BP neural network was used to combine the nonlinear features of proportion，integration and differential coefficients，the error weight was obtained through the BP neural network，and the step size of the learning rate was adjusted to obtain the power metering feature vector.The intelligent EM algorithm was used to calculate the error data of binary variables，and the weights were integrated，and the error correction was completed by maximizing the probability by processing the likelihood function and replacing the instrument error data.Experimental results showed that the pro?posed method had a good error correction effect，which was basically consistent with the actual value and had a highaccuracy.

Key words：feature vector；power metering instruments；error correction；data preprocessing；learning rate

電力計量儀表是一種專門用于測量和記錄供電量、發電量和用電量的計量器具[1]，能夠實時監測電壓、電流、功率等參數，從而實現對供電量和用電量的準確記錄[2]。此外，還可以幫助電力企業更好地掌握電力消耗情況，從而提高能源使用效率[3]。因此，在電力企業的生產、經營和管理中，電力計量儀表發揮了至關重要的作用[4]。基于信號處理技術的補償算法很難同時滿足補償精度與計算效率的要求[5]。采用匹配濾波模式實現距離壓縮，從而避免誤差空變補償，完成非線性調頻誤差的補償校正，對含有儲能器的電壓互感器進行大范圍的電壓暫降監測，需要對其產生的負面影響加以考慮[6]。上述文獻方法在實際應用中對數據預處理和校正效果不佳，與實際值存在較大的誤差，因此，提出了基于特征向量的電力計量儀表誤差校正方法。

1電力計量儀表運行數據預處理

由于數據集上存在著大量的歷史數據，需要添加時間延遲系數α描述歷史數據對電力計量儀表影響程度。其中，α= 1代表了新的數據與歷史數據的影響力相同，而α= 0代表了對歷史數據的忽視。根據前一個時間點或歷史數據群集情形βt來計算新群集βt+ 1。新的群集計算步驟為：

式中：βt+ 1為當前時間的分簇情形；it+ 1為目前群集內的數量；it為前一時間點群集內的數量；at為新加入群集的信息點，jt為新加入點的數量。

在新的電力計量儀表運行信息群集中，當新的信息積累到一定程度時，就會用新信息取代一些已有的信息，構成預處理后新的信息群集βt+ 1，由此完成了數據預處理，為后續校正奠定數據基礎。

2電力計量儀表誤差特征向量提取

從電能計量設備的比例系數[8-9]、積分系數及微分系數入手提取電力計量儀表異常特征。而比例系數、積分系數及微分系數這3個變量均是非線性參數，因此通過BP神經網絡訓練提取性能參數，保證提取的特征向量為最優。

電力計量儀表的第k次特征提取輸出表達式為：

式中：Kp為比例因子；KI為積分因子；KD為微分因子；e（k） 為k次取樣的輸入誤差值電流。利用激勵函數將上式轉化為：

式中：f為激勵函數[10]。

將BP神經網絡設置成3層結構，用m來表示輸入節點的數量，用xj j= 1 2…m來表示BP神經網絡輸出層的輸出。其中，輸出節點數量m在很大程度上取決于電力計量儀表的復雜情況。

為減少BP神經網絡訓練的復雜度，只有在訓練樣本能描述研究問題的本質特征情況下，才能利用適當的學習方式提高訓練樣本的質量，這樣就能得到BP網絡的最佳訓練樣本。

隱含層輸入公式為：

net（k） = vju（k）xj（5）

式中：vj為隱含層權重系數。

隱含層輸出公式為：

zi（k） =f[neti（k）] i= 1q（6）

式中：q為隱藏層節點的數量。

獲得電力計量儀表性能指數函數（誤差特征向量）表達式為：

E（k） = z k（et）r（k）（）k（2））"""""""""""""""""""""""" （7）

式中：r（k） 為性能指標負梯度方向的權重系數[11]。為了提高計算收斂速度，增加慣性項，求解r（k） 最優值：

r（k） = -ρ?（?）z i（E）k（k）+ γr（k- 1）""""""""""""" （8）

式中：ρ為學習速率；γ為慣性系數。通過不斷地調整由學習速率步長計算所引起的誤差情況，能夠得到BP神經網絡[12]最優輸出層w（k） 與隱含層v（k） 權重：

w（k） = -ρzi（k） + γr（k）"""""""""""""""" （9）

v（k） = -ρ+ γw（k）""""""""""" （10）

為了獲得電力計量儀表誤差校正的最佳權值，需要使用學習速率ρ和慣性系數γ來計算不同層的最優權值，將權值代回式（7）計算出這個時間點的誤差特征向量值E（k） ，作為神經網絡的輸出值，為后續電力計量儀表誤差校正提供依據。

3電力計量儀表誤差校正

基于第2節獲取的電力計量儀表誤差特征向量E（k） 和第1節獲取的預處理電能數據集βt+ 1，利用EM-KF原理完成電力計量儀表誤差校正。設置預處理電能數據集βt+ 1中的輸出數據為β，真實數據為y。當計量儀表數據中有明顯的異常時，假定該異常數據的出現概率為χ，則計量誤差值R為：

R= χ2（β-y）""""""" """"""""""""（11）

根據貝葉斯定理[13-15]消除高頻噪聲信號干擾，將R轉換為二進制變量誤差數據[16]：

R′= í?1（ì0）χ（χ）j（i）（12）

式中：χi為隨機誤差；χj為明顯誤差。根據二進制誤差變量和誤差特征權值，獲得校正后的電能輸出值為：

T（R′） = R′+ ω（E）（13）

式中：y（ˉ）為誤差最大化概率，其似然函數為ω（y（ˉ）） 。

ω（y（ˉ）） = max{lg（χR′| β）}""""""" （14）

用文獻[17]計算ω（y（ˉ）） 的值，以及修正后的誤差數據，輸出為電力計量結果。

4電力計量儀表誤差校正實驗

為了檢驗所提方法的有效性，采用EMTDC模擬電力計量儀表設備的內部結構，包含500 kV雙電源單回線系統和電容式電壓互感器模型，如圖1所示。

電力計量儀表的數據取樣頻率設置為2 kHz。利用Map（Mean Average）運算[18]來實現對各數據的記錄，并采取歸一化和分類選擇數據。基于Reduce運算實現電力計量儀表運行數據預處理，按用戶和時間間隔合并數據，并實時地提取出電力計量運行數據特征向量。在設定電壓為零時，A相金屬接地故障是在M母線的出口，也就是在F1點處。在M母線上，A相電壓互感器的一次電壓及二次電壓的波形，具體如圖2所示。

由圖2能夠觀察到，二次電壓在不到0.06 s時出現暫態誤差情況，持續時間達到0.027 s。

所提方法首先將采集的二次電壓進行權重系數計算，添加慣性項，根據其特征分成正常分量與異常分量，具體曲線波動形式如圖3所示。

對于正常分量，通過計算歷史數據方式獲得電容式電壓互感器采樣頻率；針對異常分量，要對異常數據的比例系數、積分系數以及微分系統進行調節，獲得最佳權重，確定采樣頻率。

通過對二次電壓的異常分量進行計算，提取一次電壓的異常分量，如圖4所示。

將圖4的一次電壓異常分量與正常分量相加，獲得校正一次電壓，如圖5所示。

由圖5可知，將校正后電壓與實際測得的一次電壓和二次電壓進行對比，能夠觀察到一次校正電壓與實際一次電壓基本保持一致形態，從而證明了所提校正方法的有效性，保證數據的精準性。A相金屬接地異常F2在離M母線30 km處出現，即為電壓過零點，A相一次電壓、二次電壓和校正電壓曲線如圖6。

由圖6可知，校正誤差后的電壓與實際一次電壓曲線波動基本吻合，說明所提方法在線路發生短路時依舊能準確校正，確保電力計量數據的精準。

在高頻干擾信號的影響下，校正效果出現明顯變化，但總體來說校正誤差效果較佳。高頻干擾下方法校正效果如圖7所示。

5結語

為了確保電力計量儀表的精度和效率，必須及時準確地掌握運行中的數據，以便及時發現問題并進行校正，避免發生嚴重的故障。因此，提出了基于特征向量的電力計量儀表誤差校正方法。對電力計量儀表運行數據預處理，通過BP神經網絡來獲得誤差的權重，加入慣性項并對學習率的步長調節，采用智能EM算法算出二進制變量的誤差數據，并將權重集成，從而實現誤差校正。測試結果表明該方法保障了數據校正的準確性，校正后數據與實際數據基本一致。

【參考文獻】

[1]鄧建南，王晗，姚洪輝，等.基于修正Levenberg-Marquardt算法的非球面面形誤差校正[J].光學學報，2022，42（5）：94-102.

[2]孫立鈞，顧雪平，劉彤，等.一種基于深度強化學習算法的電網有功安全校正方法[J].電力系統保護與控制，2022，50（10）：114-122.

[3]周風波，朱紅求，李長庚.面向微型光譜儀在線檢測的光學系統誤差校正方法[J].激光與光電子學進展，2022，59（3）：123-131.

[4]王鼎，高衛港，吳志東.基于稀疏貝葉斯的陣列幅相和互耦誤差聯合校正方法[J].通信學報，2022，43（9）：112-120.

[5]劉衍琦，金秋，王躍飛，等.基于頻譜恢復的LFMCW雷達非線性調頻誤差校正方法[J].信號處理，2021，37（5）：700-711.

[6]周文，梁紀峰，焦亞東，等.電容式電壓互感器電壓暫降測量誤差分析及校正[J].中國電力，2022，55（7）：49-58.

[7]袁成建，鄧玉敏，張雪桂，等.基于VMD-GA-BP和誤差校正的水電機組振動趨勢預測[J].中國農村水利水電，2023（1）：176-180.

[8]曹司磊，曾維貴，胥輝旗.基于特征向量空間聚焦的寬帶DOA估計方法[J].系統工程與電子技術，2021，43（2）：294-299.

[9]封官斌，黃嘉男，董澤，等.基于PSO-互信息的多變量時序校正方法研究[J].計算機仿真，2022，39（11）：76-79，152.

[10]王勃凡，趙海濤.基于徑向基激活函數的高光譜小目標檢測[J].光學學報，2021，41（23）：87-97.

[11]姚立強，孫可可，許繼軍，等.基于動態權重系數法的區域綜合干旱指標研究[J].長江科學院院報，2021，38（10）：40-47.

[12]ACEVEDO B P，SANTANDER T，MARHENKE R，et al.Sensory Processing Sensitivity Predicts Individual Dif?ferencesin Resting-State Functional Connectivity Associ?ated with Depth of Processing[J].Neuropsychobiology，2021，80（2）：185-199.

[13]王巍璋，王淳，尹發根.基于可達矩陣和貝葉斯定理的含分布式電源的配電網故障區段定位[J].中國電力，2021，54（7）：93-99124.

[14]王能.一種油色譜氣體泄露監測系統的設計與技術分析[J].粘接，2022，49（10）：161-165.

[15]王璐.融合多傳感器數據的空氣細顆粒物自動監測技術優化[J].粘接，2023，50（10）：189-192.

[16]王澤昆，賀毅朝，李煥哲，等.基于新穎S型轉換函數的二進制粒子群優化算法求解具有單連續變量的背包問題[J].計算機應用，2021，41（2）：461-469.

[17]余珊珊，張永進，張燕軍，等.基于LSE改進EM算法的屏蔽數據下并聯系統貯存可靠性分析[J].南京理工大學學報（自然科學版），2022，46（3）：313-320.

[18]李駿.基于MapReduce的大數據在線聚集優化設計[J].河北大學學報：自然科學版，2021，41（2）：212-217.

（責任編輯：平海，蘇幔）