朱錚,俞磊,許堉坤,蔣超,張加海,韓冬軍
(1.國網(wǎng)上海市電力公司電力科學(xué)研究院,上海 200051; 2.煙臺東方威思頓電氣有限公司,山東 煙臺 264003)
用電信息采集工作是電力企業(yè)營銷工作的重要環(huán)節(jié)[1-2],2010年,國家電網(wǎng)公司大力開展用戶用電信息采集系統(tǒng)建設(shè),截止目前,對于低壓用戶,我國已基本實現(xiàn)集中抄表(簡稱集抄)全覆蓋[3-4]。但由于采集設(shè)備故障、采集通信故障、通信無碼、檔案臨時差錯、天氣影響、用戶竊電、數(shù)據(jù)失真等問題的存在[5-6],導(dǎo)致一些集抄數(shù)據(jù)存在缺失、信息忽大忽小、有毛刺點(diǎn)等現(xiàn)象[7],若處理不當(dāng),直接影響用戶及供電企業(yè)的切身利益。為了解決這一問題,目前供電公司多采用人工核抄的辦法。由于我國智能電能表安裝數(shù)量巨大,導(dǎo)致集抄數(shù)據(jù)量巨大,即使僅有少量集抄數(shù)據(jù)異常,人工核抄成本也相當(dāng)巨大,其結(jié)果導(dǎo)致企業(yè)的人力成本增加,減員增益的目的難以達(dá)成。因此,如何充分利用集抄數(shù)據(jù)信息進(jìn)行出賬,減少人工核抄,降低企業(yè)運(yùn)行成本,是值得深入探討與研究的問題。
目前,針對集抄失敗,更多文獻(xiàn)探討集抄數(shù)據(jù)異常的原因[8],文獻(xiàn)[9]在分析低壓集抄失敗原因的基礎(chǔ)上,提出了低壓集抄系統(tǒng)異常處理策略;針對集抄系統(tǒng)故障種類繁多,文獻(xiàn)[10]提出了一種基于拓?fù)浣馕雠c深度學(xué)習(xí)的低壓集抄系統(tǒng)故障診斷方法;為了提高集抄能力,有文獻(xiàn)從硬件方面進(jìn)行優(yōu)化[11],文獻(xiàn)[12]對集抄系統(tǒng)硬件進(jìn)行了改進(jìn),設(shè)計了一種基于灰色分析的電力數(shù)據(jù)智能集抄系統(tǒng),該系統(tǒng)具有更好的數(shù)據(jù)信息融合能力;也有文獻(xiàn)對集抄數(shù)據(jù)缺陷進(jìn)行判斷[13],文獻(xiàn)[14]結(jié)合失真分析與缺陷分析,提出集抄數(shù)據(jù)異常的判定方法,提高了出賬率;但以上文獻(xiàn)均未對首次出賬失敗的集抄數(shù)據(jù)如何二次出賬進(jìn)行探討。
基于以上,本文從工程應(yīng)用角度出發(fā),結(jié)合專家經(jīng)驗,采用改進(jìn)GM(1,1)模型對首次出賬失敗的集抄數(shù)據(jù)進(jìn)行二次研判,在保證用戶及供電公司雙方利益基礎(chǔ)上,實現(xiàn)集抄數(shù)據(jù)二次出賬,減少人工核抄,增加企業(yè)經(jīng)濟(jì)效益。
傳統(tǒng)GM(l,1)模型以x(0)(1)作為初值,因此在坐標(biāo)平面內(nèi),GM(1,1)模型的擬合曲線必通過點(diǎn)(1,x(0)(1)),這與變形過程不符[15-16],勢必導(dǎo)致預(yù)測結(jié)果偏差較大。因此,需對GM(1,1)模型進(jìn)行改進(jìn),具體如下。
記原始數(shù)據(jù)序列為X(0),X(0)=[x(0)(1),x(0)(2),…,x(0)(n)],x(0)(i)≥0(i=1,2,…,n),且等間隔。X(0)的級比λ(i)為:
(1)
記X(0)的光滑比ρ(i)為:
(2)
準(zhǔn)光滑比為:
若0≤ρ(i)≤0.5,且0≤zρ(i)≤1,則X(0)通過光滑比檢驗[17-18]。
級比檢驗與光滑比檢驗均通過,則判定通過檢驗;否則,將X(0)進(jìn)行平移變換[19]。
因改進(jìn)GM(l,1)模型是基于傳統(tǒng)GM(l,1)模型,因此,需首先明確建立傳統(tǒng)GM(l,1)模型的建模思想。
1.2.1 傳統(tǒng)GM(l,1)模型的建模思想
X(0)的1-AGO序列記為X(1):
X(1)=[x(1)(1),x(1)(2),…,x(1)(n)]
(3)
X(1)的緊鄰均值生成序列記為Z(1):
Z(1)=[z(1)(2),z(1)(3),…,z(1)(n)]
(4)
以X(1)建立GM(l,1)模型,相應(yīng)的白化方程為:
(5)
式中a為發(fā)展系數(shù);b為灰色變量;可由式(6)求得t為時間。
(6)
Y=[x(0)(2),x(0)(3),…,x(0)(n)]T
(7)
(8)
初始條件x(1)(1)=x(0)(1),灰色微分方程的時間響應(yīng)序列為:
(9)
(10)
1.2.2 改進(jìn)GM(1,1)模型的建模思想
改進(jìn)GM(1,1)模型的建模思想如下:
(1)對于X(0),若想預(yù)測x(0)(n+1),首先預(yù)測x(0)(n);
(3)分別以x(0)(i)作為序列的初值預(yù)測x(0)(n-1),獲得一系列殘差;
(6)重復(fù)1.2.1節(jié)計算過程,預(yù)測x(0)(n+1)。
對改進(jìn)GM(l,1)模型的預(yù)測結(jié)果進(jìn)精度檢驗。
(1)殘差檢驗
記殘差為ε(i),可由式(11)計算:
(11)
若ε(k)≤2,視為殘差合格,否則,殘差不合格。
(2)后驗差檢驗
后驗差檢驗是根據(jù)均方差比值C和小誤差概率P來檢驗?zāi)P途萚20]:
(12)
式中S2為殘差方差,可由式(13)計算;S1為原始數(shù)據(jù)方差,可由式(15)計算:
(13)
(14)
(15)
小誤差頻率P:
(16)
預(yù)測精度的等級取決于C和P的值,一般P越大越好,C越小越好[21]。預(yù)測精度等級如表1所示。若該模型檢驗精度等級較差,為提高檢測精度,需利用殘差進(jìn)行修正。
表1 預(yù)測精度等級表
根據(jù)《國家電網(wǎng)公司電費(fèi)抄核工作規(guī)范》,在用電信息采集系統(tǒng)中,智能電能表每日過零點(diǎn)自動轉(zhuǎn)存當(dāng)日電能量數(shù)據(jù),采集終端將智能電能表的日凍結(jié)數(shù)據(jù)上傳至主站[22],這類抄回的用戶電能量使用值數(shù)據(jù)即為集抄數(shù)據(jù)。
對于首次出賬失敗的集抄數(shù)據(jù),經(jīng)過數(shù)據(jù)清洗、數(shù)據(jù)判別,剔除必須人工出賬的用戶信息;再依據(jù)第1節(jié),進(jìn)行二次出賬研判。
按每月30天計算,集抄數(shù)據(jù)記為x1,x2,…,x29,x30,依據(jù)第1節(jié),若想預(yù)測x30,需首先預(yù)測x29。
分別以x1,x2,…,x25作為初值構(gòu)成序列,預(yù)測x29,求得每次預(yù)測的殘差,殘差最小時所對應(yīng)的序列初值即為x(k0);刪除x(k0),以x(k0+1)作為初值、集抄數(shù)據(jù)x29作為終值,構(gòu)成新的預(yù)測序列,再用該新序列預(yù)測x30,獲得殘差,當(dāng)殘差小于1時,即可實現(xiàn)集抄數(shù)據(jù)二次出賬研判;否則,需人工出賬。
文中原始數(shù)據(jù)來源于國家電網(wǎng)公司電力信息采集系統(tǒng),選取上海市長寧區(qū)某區(qū)域2019年5月出賬數(shù)據(jù)(4月集抄數(shù)據(jù)),該區(qū)域4月集抄數(shù)據(jù)20 451條,一次研判后,11 546條集抄數(shù)據(jù)符合出賬規(guī)則,可直接出賬;余下8 905條集抄數(shù)據(jù),其中新裝智能電能表為109臺,當(dāng)月全部日集抄數(shù)據(jù)缺失的94臺,未出現(xiàn)飛走、倒走等情況;采樣本文1節(jié)方法對其余8 702條集抄數(shù)據(jù)進(jìn)行二次出賬研判。因篇幅有限,以20個用戶集抄數(shù)據(jù)為例進(jìn)行二次出賬研判。
目前,集抄數(shù)據(jù)二次出賬一般采用最小二乘法進(jìn)行二次出賬研判,結(jié)果如表2所示。
由表2可知,采用最小二乘法進(jìn)行預(yù)測時,殘差高達(dá)207.766 3 kW·h,以該種預(yù)測方法作為集抄數(shù)據(jù)二次出賬研判依據(jù)勢必存在較大誤差。
表2 最小二乘法的預(yù)測結(jié)果
依據(jù)1.2.1節(jié),采用傳統(tǒng)GM(l,1)模型對以上20個用戶數(shù)據(jù)進(jìn)行二次出賬研判。
4月有30天,要對月末一天進(jìn)行預(yù)測,故:
(17)
20個用戶數(shù)據(jù)的級比均在(0.9355,1.0689)區(qū)間,光滑比均在[0,0.5]區(qū)間,準(zhǔn)光滑比均在[0,1]區(qū)間,故可用傳統(tǒng)GM(l,1)模型進(jìn)行預(yù)測,結(jié)果如表3所示。
由表3可知,大部分殘差未能通過殘差檢驗;后驗差檢驗中,C=0.000 7,P=1,精度均為1級,但是殘差最大值達(dá)到168.384 5 kW·h,預(yù)測效果不理想。
k0從1到25依次取值,X(0)=[x(0)(k0),x(0)(k0+1),…,x(0)(n)]的級比如表4所示。
表3 傳統(tǒng)GM(l,1)的預(yù)測結(jié)果
表4 不同k0級比對應(yīng)表
20個用戶數(shù)據(jù)的級比、光滑比、準(zhǔn)光滑比均通過檢驗,故可用改進(jìn)GM(l,1)模型進(jìn)行預(yù)測,結(jié)果如表5所示。
表5 改進(jìn)GM(1,1)預(yù)測結(jié)果
由表5可知,所有殘差絕對值均小于1,說明改進(jìn)GM(1,1)模型擬合精度較高;后驗差檢驗中,C=0.000 1,P=1,精度均為1級。
3種方法的預(yù)測結(jié)果與營銷出賬數(shù)據(jù)對比見表6。
由表6可知,3種方法所獲得的預(yù)測結(jié)果在變化趨勢上一致,改進(jìn)GM(l,1)模型的預(yù)測結(jié)果與集抄數(shù)據(jù)最為接近,3種方法預(yù)測結(jié)果殘差如圖1所示。
顯然,最小二乘法的預(yù)測結(jié)果殘差最大,傳統(tǒng)GM(1,1)模型的預(yù)測效果雖有所提升,但是殘差依舊很大,而改進(jìn)GM(1,1)模型的預(yù)測結(jié)果殘差最小,且基本恒定,更滿足實際需求。
以上海市長寧區(qū)居民用戶(長寧區(qū)共有居民用戶23萬余戶)2019年7月、8月、9月集抄數(shù)據(jù)作為樣本進(jìn)行試驗,結(jié)果如表7所示。
表6 3種方法預(yù)測結(jié)果與營銷出賬數(shù)據(jù)表
圖1 三種方法預(yù)測結(jié)果殘差對比圖
表7 試用結(jié)果
由表7,改進(jìn)GM(1,1)模型試用結(jié)果的準(zhǔn)確率達(dá)到99%以上。
針對首次出賬失敗的集抄數(shù)據(jù),提出了一種基于改進(jìn)GM(1,1)的集抄數(shù)據(jù)二次出賬研判方法,改進(jìn)GM(1,1)模型的動態(tài)初值及“新陳代謝”思想均為動態(tài)過程,更符合變形系統(tǒng)的演化特征。
將改進(jìn)GM(1,1)的預(yù)測結(jié)果與傳統(tǒng)GM(1,1)模型及最小二乘法的預(yù)測結(jié)果進(jìn)行對比,結(jié)果顯示,改進(jìn)GM(1,1)預(yù)測結(jié)果的最大殘差最小,說明了改進(jìn)GM(1,1)的擬合精度更高、預(yù)測效果更好。
提出方法已在國網(wǎng)上海市電力公司進(jìn)行試用,且準(zhǔn)確率較高,驗證了改進(jìn)GM(1,1)預(yù)測精度的有效性,為智能電能表集抄數(shù)據(jù)二次出賬研判提供參考。