基于HHT算法的智能电网电压闪变分量运算分析
邵凡+++陈辰+++葛淼佳+++杭银丽+++陈吴昊
摘 要：线损偏高一个重要因素是用户电能表异常，尤其是负误差超差。可以选择皮尔逊相关系数算法进行计算，该算法速度快、定位准、效率高，能够准确定位异常电能表用户。文章从线损电量与用户电量关系出发，阐述了皮尔逊相关系数算法的原理，介绍了供电公司运用皮尔逊相关系数算法查找异常电能表用户的实例。
关键词：线损；电能表；皮尔逊相关系数
1 研究背景
电力网电能损耗率简称线损，是电网经营企业在电能传输和营销过程中自发电厂的出线到客户电度表止所产生的电能消耗和损失。它反映了一个电力网的规划设计、生产技术和运行管理水平，是电力企业的一项重要经济技术指标。随着电力行业不断进行改革，为使电网的运行成本达到最少，要求更大程度的减少电网线损。在计算线损过程中，主要考虑用户电能表发生负误差超差这个重要因因素，如何准确定位异常电能表用户是各供电公司面临的实际问题。
近年来，历经城网改造、农网改造、降损项目等技术改造的实施，目前影响低压线损最主要的问题已经由配网布局不合理和设备老化等原因导致的技术损耗转变为管理上的损耗。继续依靠低压配网的各种设备改造投入来达到降损目标，势必陷入“投资大、回报小”窘境。新形势下，开展更为高效的营销低压线损降损研究，以便使用较少的资源和管理控制要素取得明显成效，可以为企业创造巨大的经济价值、管理效益和社会效益。
同时，智能电表的推广应用，用电信息采集系统建设的有力推进，以及配用电信息融合集成技术、互动技术、大数据技术的日益成熟，为低压线损管理向智能化、精益化、互动化方向发展提供了坚强支撑。
而大数据技术的日趋成熟，提供了保存和挖掘海量数据宝藏的手段，有力支撑供电公司开展低压线损智能分析业务监测、业务洞察、业务优化、业务重塑工作，最终完成客户导向的业务流程设计和塑造工作，构建精益、智能、互动为特征的新型营销管理体系。
因此，开展营销低压线损智能分析洞察研究工作，以低压线损智能分析为手段，全面、深刻洞察和管控全业务管理过程中存在的问题，规避风险和把握机遇，协助实现公司相关业务的持续优化，推动供电公司管理水平快速提升，实现公司经营效益最大化，对公司经营发展具有重要的现实意义。
2 线损电量和用户电量
发电机发出来的电能输送到用户，需要经过输、变、配电等各级设备，由于这些设备存在着电阻，因此电能通过时就会产生损耗，以热能的形式散失在周围的介质中；另外在加上一部分客观存在的管理损耗，这两部分电能损耗就构成了电网的所有线损电量，简称为电网线损。
线损率是在一定时期内电能损耗占供电量的比率，是反映电网设计规划、生产运行和经营管理水平的综合性经济技术指标。线损管理是供电企业自身经营管理中的一项工作量大、技术性强、基础性广的系统工程。
由线损电量的定义可知：线损电量=供电量-售电量。由线损电量的分类可知：实际线损：理论线损、管理线损。其中管理线损主要与不明损耗有关。当用户电能表负误差、用户窃电、电网原件漏电或抄核差错过大时，都会导致不明损耗明显增大，从而导致该地区线损电量明显增大，线损率明显异常增大。由此可见，用户的能表计量误差与用户抄表电量线性相关。
3 皮尔逊相关系数算法
皮尔逊相关系数又称皮尔逊积矩相关系数、简单相关系数，它描述了2个定距变量间联系的紧密程度，用于度量2个变量X和Y之间的相关（线性相关）其值介于-1与1之间，一般用r表示Corr（X，Y），
其中n為样本量，X、Y 分别为2 个变量的观测值。
若r>0，表明2个变量是正相关，即一个变量的值越大，另一个变量的值也会越大；若r<0，表明2个变量是负相关，即一个变量的值越大，另一个变量的值反而会越小。r 的绝对值越大表明相关性越强，其关联程度如表1所示。
4 采集数据线损诊断分析的数学模型
线损智能诊断软件从用系统获取了每户的几天历史日电量数据，以7天为例：（x1，x2，x3，x4，x5，x6，x7）。
前后做差：
正常情况下，每个用户的日电量数据大致相差不大，即（y1，y2，…y6）基本上都为0。如果yi与yi+1的值与0偏差较大，则此用户有可能在第i天时出现过异常，有可能影响线损。
标准差：
其中，μ为平均值（算术平均值）。
正常情况下，每个用户的日电量数据大致相差不大，标准差σ应该非常接近为0，假如与0偏差较大，则此用户存在用电不稳定，有可能出现异常，影响线损。
线损智能诊断软件通过日电量数据分析后，检测出有可能存在异常的用户如果是重点用户，则再结合用采集系统获取的曲线数据进一步分析。观测每个时间段的电压电流以及电量数据之间的关联：
（UIT）2=E有功2+E无功2
检查是否存在不符合物理定理的数据关联，进一步确认出现故障的可能性。
5 运用皮尔逊相关系数算法查找用户问题表计
根据以上分析，用户用电量与用户电量误差存在着线性关系，在排除其他因素或用户用电误差远大于其他因素产生的电量损失的情况下，地区线损与用户用电量也存在着线性关系，而皮尔逊相关系数正好是用来衡量2个变量之间线性关系的度量值，可以考虑应用皮尔逊算法进行查找问题表计。
将一段时间以来地区线损电量与地区下各个用户的数据进行皮尔逊相关系数计算后，其中相关系数特别大的用户作为疑似问题进行重点检查，往往可以快速查找出该地区下的问题表计。将每日台区线损电量作为X，各用户每日用电量作为Y，分别计算每个用户用电量与台区线损统计的皮尔逊相关系数。如表2。
由计算结果可以知道用户003的用电量与台区线损相关程度最大，其皮尔逊相关系数高达0.92，其他用户的相关系数较小，不参与考虑。单独考虑用户003，同时利用线损量和用电量的折线图来验证两者的相关情况，具体如图1所示。
由图1知道用户003的用电量与台区的线损的变化情况是大体一致的，其与皮尔逊相关系数较为符合。因此可以初步判断该用户表计异常，在查找出该台区的问题表计以后，供电公司的工作人员去现场查看了该表计并将其带回实验室进行查验，结果发现该电能表的误差达到-93.3%，可以说表计77存在严重误差。工作人员更换表计后，进过一段时间的检查，发现该台区线损降至5%以下。综上可以认定正是该用户问题表计提高了区域线损率。
在应用皮尔逊算法之前，查找问题表计的方法都比较繁琐。一般都是将某一区域的线损电量曲线与各个用户的电量曲线比较，先找出疑似有问题的表计，再一一进行人为排查。这种查找方式不仅过程复杂、工作量大，而且结果也不是很准确。而应用皮尔逊算法查找问题表计就相对简单多了，它具有效率高、结果准确、经济等优点，在实际中应用性较强。不过该方法是采用人工查看折线图的方式进行，属定性分析，对用户电量与线损电量的相关程度缺少定量分析。
6 结束语
本文主要通过介绍线损研究意义，提出了基于皮尔逊相关系数算法查找异常电能表的研究方法。首先介绍了电网线损的相关概念，阐述了电网线损产生的原因。其次是介绍了皮尔逊相关系数算法及其应用范围，皮尔逊相关系数算法主要是用来分析两个随机变量之间相关关系。随后重点介绍了利用皮尔逊相关系数建立线损电量和用户采集电量的之间的相关系数模型。最后结合具体事例验证了此算法的可能性。不过此算法也有一定的缺陷，其需要查找的數据量需要足够大，这样计算结果才会有效。若遇到多个用户有问题，还要考虑他们之间的关联，进行组合分析。总之，应用皮尔逊算法查找问题表计是一种比较改好的方法。
参考文献
[1]王涓，吴旭鸣，王爱凤.应用皮尔逊相关系数算法查找异常电能表用户[J].电力需求侧管理，2014（02）：52-54.
[2]余卫国，熊幼京，周新风，等.电力网技术线损分析及降损对策[J].电网技术，2006（18）：54-57+63.
[3]牛聪.基于实时数据的电力大客户线损计算与决策分析管理[D].华北电力大学，2015.
[4]李亚，刘丽平，李柏青，等.基于改进K-Means聚类和BP神经网络的台区线损率计算方法[J].中国电机工程学报，2016（17）：4543-4552.
[5]孙祥武.浅谈智能电表在线损智能化管理中的功用[J].中国新技术新产品，2013（15）：90-91.
