基于递归神经网络的智能电表运行误差远程估计方法

陈叶，杨正宇，朱梦梦，程富勇，魏龄

（云南电网有限责任公司电力科学研究院，云南 昆明 650217）

在智能化电网中，智能电表是一项重要的基础设备，其为电力系统的运行控制和电力交易结算提供了依据[1]。智能电表运行的准确性和稳定性直接关系到交易双方的公平合理以及电网的安全[2]。因此，需要对智能电表的运行状态进行检测和评估，以降低错误状态对整个电网的影响。

为了解决当前智能电表现场维修、更换困难的问题，必须实现由常规状态到误差状态的转换，并采用高效、准确的误差估计方法判断智能电表的运行误差，从而保证智能电表的稳定运行[3]。

当前所使用的智能抄表误差计算方法主要根据用户的用电量是否超过了电表的使用范围来判断，但由于主电表和用户电表之间有很大的损耗，其难以准确地估计电表误差。

利用广义能量守恒定律求解智能仪器的误差时，求解过程比较复杂，需要对读数矩阵进行分解计算。因数据规模、质量等限制，往往会产生不适应性，而且任何时间的数据都不能满足其独立性和正交性的要求，而且该方法缺乏实时性。总之，尽管在智能仪表测量数据的应用和远距离估计操作误差方面取得了一定的研究成果，但是准确性和实时性不佳。

针对上述问题，该研究提出了一种基于递归神经网络的智能仪表误差估计方法。

1 构建误差估计模型

递归神经网络的反馈链接结构是由一组连接单元组成的。该单元负责隐藏输入层的状态，并在下一时刻连同网络一起将数据输入到隐藏层单元。因此，递归神经网络是一种具有动态记忆属性的网络，其结构如图1 所示。

图1 递归神经网络结构

由图1 可知，在连接单元中引入连接权作为固定增益，可以模拟高阶系统[4]。递归神经网络连接权学习过程如下：

1）将网络连接权编码成二进制位串，使每个进制位串都能表示网络连接权，形成一个集合；

2）结合递归神经网络结构，计算连接神经元的各个连接权值ηs：

式（1）中，fil表示二进制码个体的适配值，该值越大，说明实际输出精度就越高。重复上述过程，直到获取最优个体解码为止[5]。

在传统的控制过程中，信号转换和控制量计算都需要耗费大量的时间，因此其难以快速有效地输出被控对象的状态信息[6-7]。该研究利用递归神经网络改善了控制器的控制性能，并通过对被控对象的预建模，由控制信息输出者对其输出值进行评估计算。

基于递归神经网络的误差估计模型如图2所示。

图2 基于递归神经网络误差估计模型

由图2 可知，误差估计具体步骤如下：计算t+1时刻的期望输出结果yd(t+1)，利用递归神经网络估计模型，获取这个时刻的估计结果y′(t+1)。在此基础上，估计时刻的误差，计算公式为：

利用t+1 时刻的误差获取该时刻的估计输出结果，同理，也利用上述方法获取t+2 时刻的估计输出结果[8-9]。

在设计过程中，采用了模糊控制和递推神经网络两种并行结构控制方式。该方法的优点是两种控制过程可以同时运行。

模糊控制器参数整定等是模型设计的主要环节之一。若神经网络的实际输出误差超过标准要求，则停止控制，并在后台运行学习控制[10-11]。该控制过程可重复执行，能满足模型自适应控制要求。

2 智能电表运行误差远程估计

2.1 智能电表运行误差远程检测模块设计

在变电所的计量系统中，智能仪表由接收不同采集设备数据的远程监控系统控制。误差计算模块从智能仪表中提取相应的功率脉冲，测量仪表的误差[12]。发生错误时，将异常报告给远程检测主机。智能电表运行误差远程检测模块框图如图3 所示。

图3 智能电表运行误差远程检测模块框图

在电表运行过程中，智能电表误差远程检测模块通过网络交换，使被检测电能表接收的数据包与数字标准电能表接收的数据完全一致，再对两个电能表进行能量采集交换，确定电能表的误差，通过网络将误差传输到远程监测模块。

2.1.1 远程在线采样模块

远程在线采样模块是一个高可靠性、多功能的遥测数据收发模块。在对一块电能表进行长程误差测试时，首先要将被测电能表和标准表的采样值转换成标准值，然后再接收，使两块电能表得到相同的数据形式[13]。多播电能表的IP 地址、数据报文标识、采样值通道等通信参数由远程后台发送给标准电能表[14]。使用标准表将所测电能表值的广播信息发送给交换机，以便应用程序能够添加信息。在收到请求后，开关向多播组添加一个端口来接收消息。然后交换机将应用信息发送给虚拟局域网中的所有主机，主机中的一个主机作为组播源，负责收集外部组播的数字信息[15-16]。该转换器通过前面接入多播组的端口发送样本值信息，通过标准表格接收样本值信息。然后根据配置参数和采样值通道的对应信息，标准电表可以计算测试路径的功率值，并将其与被测电表的电能进行比较，从而计算被测电表的误差。

2.1.2 脉冲采集与误差统计模块

在切换测试器时，切换到相应脉冲功率输出通道，比较脉冲误差。以AD7501 为核心，采用多路模拟开关，其具有体积小、成本低、接点可靠、脉冲采集导通电阻满足要求等优点。AD7501 具有三个输入信道，分别是一个输出信道、三个地址线和一个使能端，芯片可以根据地址选择任何输出信道。

2.2 运行误差远程估计流程

智能电表运行误差远程估计流程如图4 所示。

由图4 可知，采用递归神经网络进行远距离运行误差估计，可以对测量数据进行不断更新，实时监测仪器误差的变化，通过校核误差参数，分析估算精度。

图4 运行误差远程估计流程

为了准确估计智能电表误差参数，必须对电表误差参数进行测试。在研究站区进行分层现场采样，可获得智能仪器的误差估计值。各用户用电智能表按用户用电等级抽样，先确定每站用电智能表的总数与样品数的比率，再根据用户用电容量分层确定每站用电所需样品数，每层用电智能表的数量应等于样本容量，最后计算非舍入式数据的近似值，得到精准误差值。

根据上述获取的智能电表误差数值，使用平均绝对百分误差eM和均方根误差eR作为评判误差估计结果精准度的依据，计算公式为：

式（3）和式（4）中，n表示现场抽取样本的数量；gi、g′分别表示智能电表误差估计值和校验值。在智能电表运行误差远程估计过程中，两个指标的比值越小，说明估计误差结果就越精准。

3 实验与分析

3.1 实验设计

为了验证基于递归神经网络的智能电表运行误差远程估计方法的有效性，以某市2021 年2 月到5月份的实际智能电表数据为对象进行实验分析。

在配电网拓扑结构中，每个台区配电变压器都会安装一块校验表，为了获得智能电表运行误差，需在每个台区内安装至少一块电能表来检验误差。

3.2 试验结果与分析

统计2021 年2 月到5 月份智能电表误差率，如图5 所示。

图5 智能电表运行误差分布值

由图5 可知，在2 月到3 月份期间，智能电表运行误差率在2%以上，最高误差率为2.8%；在3 月到4月份期间，智能电表运行误差率在2%以上，最高误差率为6%；在4 月到5 月份期间，智能电表运行误差率变化较大，其中在4 月上旬，误差率低于2%，最低误差率为-6%。

将上述数据作为试验验证指标，分别使用智能电表系统、基于广义能量守恒定律和基于递归神经网络的智能电表运行误差远程估计方法对比分析误差率，对比结果如图6 所示。

图6 三种方法误差率对比分析

由图6 可知，在2 月到3 月份期间，使用智能电表系统运行误差率在0%以上，最高误差率为2%；在3 月到4 月份期间，智能电表运行误差率在0%以上，最高误差率为2.8%；在4 月到5 月份期间，智能电表运行误差率变化较大，其中在4 月上旬，误差率低于0%，最低误差率为-2.2%。使用广义能量守恒定律方法在2 月到3 月份期间，智能电表运行误差率在0%以上，最高误差率为2%；在3 月到4 月份期间，智能电表运行误差率在2%以上，最高误差率为2.8%；在4 月到5 月份期间，智能电表运行误差率变化较大，其中在4 月下旬，误差率低于0%，最低误差率为-2.3%。而使用递归神经网络方法在4 月到5 月份智能电表运行误差率变化较大，最低误差率为-6%，这与实际智能电表统计结果一致，从而证明了该文方法的可靠性。

4 结束语

该文提出了基于递归神经网络的智能电表运行误差远程估计方法。该方法使得远距离智能电表误差估计更加准确，有利于实现从常规更换电表到状态更换的转变。采用这种方法可以在技术手段上及时发现可疑的异常计量点，从而为高效验电提供技术支持。