Page 145 - 电力与能源2021年第一期
P. 145

杨   悦, 等: 用于电费结算的用户电量数据清洗与拟合方法                                 1 9
                                                                                                      3
              进行拟合。                                           4  数据校验
                   该方法对大多数高压用户的用电量测算较为
              准确, 然而对于部分用电量波动较大或处于垄断                               在得到拟合数值后, 要使用格拉布斯准则, 并
              行业的高压用户, 由于个体特异性较强, 所以无法                         根据营销业务应用系统中前一月份的结算电量,
              使用该方法进行计算。因此, 尝试使用自回归、 平                         以及去年同期的结算电量对当月电量进行校验。
              均移动、 随机游走等时间序列模型               [ 5 ] , 结合最小二     若判断该月电量为离群值, 应分析具体原因。若

              乘法等理论方法对用户个体用电量进行估算。                             由拟合值造成, 说明拟合值可能有误, 可直接使用
                   在对福州市 1306 个样本进行拟合后发现,                      缺失值前三天的平均值对原拟合结果进行替换。
              通过自回归模型和移动平均法获得的模型可以得                            若拟合出的当月总电量及日电量均无异常, 则可
              出缺失数据前 3 日内的数据对估算缺失电量值有                          以将该拟合值纳入样本对该用户的用电行为进行
              着显著影响的结论。同时, 用户用电量普遍随季                           预测。
              节、 工作日等变量周期性波动, 单纯地采用 3 日数
              据构建自回归模型和平均移动模型, 不足以体现                          5  结语
              用户的用电特征。因此, 可通过采集失败前三日                               基于时间序列模型、 最小二乘法等理论知识
              的数据作为变量, 结合季节性变量及是否为工作                           以及结合计量业务实际经验, 本文对售电量异常
              日的逻辑变量, 对缺失值进行拟合。针对周期性                           值剔除、 缺失值拟合等数据清理过程展开了分析
              变量, 分别选用每季度、 每月、 每旬作为自变量对                        和研究, 为更加精确地核算用户用电量、 可靠地预
              电量数据进行建模。总体而言月度、 季度变化趋                           测用户用电行为以及精准地做出经营决策提供了
              势较为明显, 而每月上、 中、 下旬 变 化 差 异 不 大。                  可靠的数据支撑。
              值得注意的是, 由于月份变化涵盖了季节变化的                           参考文献:
              波动趋势, 因此大多数行业的用电量随月份变化                           [ 1 ]  谷斌 . 电能 信 息 采 集 系 统 在 电 力 需 求 侧 管 理 中 的 应 用
              产生的差异比随季度变化产生的差异更为显著。                                [ J ] . 企业改革与管理, 2015 ( 23 ): 60-61.
              但部分行业如学校、 游乐场等, 由于寒暑假等因                          [ 2 ]  冷华,陈鸿琳,李欣然,等 . 基于功率或电量预测的智能
                                                                   配电网统计线损同期化方法[ J ] .电力系 统 保 护 与 控 制,
              素, 季节性趋势更加明显。因此, 应根据用户个体
                                                                   2016 , 44 ( 18 ): 108-114.
              特征进行具体分析。
                                                                   LENG Hua , CHEN Hon g lin , LIXinran , etal.Amethod
              3.3  低压用户用电量拟合方法                                     fors y nchronouslinelossstatisticsofdistributionnetwork
                   由于样本总量较大, 样本中每个个体用电习                            basedonloadorelectricit yconsum p tionforecastin g [ J ] .
              惯迥异, 无法通过与同类用户平均值的对比进行                               PowerS y stem Protection and Control , 2016 , 44 ( 18 ):
              估算, 因此可以参照高压用户自回归的方法进行                               108-114.
                                                               [ 3 ]  吴梦维 . 山区自动抄表系统存在的问题及解决措施[ J ] .
              测算。在数据样本量小的情况下, 可以采用数据
                                                                   农村电气化, 2019 ( 12 ): 78-79.
              缺失日期( T 1 之前 6 天内的最后一次抄表成功                            WU Men g wei.Problemsandsolutionsofautomaticmeter
                          )
              示数 X ( 日期为 T 0 作为测算起始值, 并使用缺失                        readin gin mountainousarea [ J ] .RuralElectrification ,
                               )
              日期之前 3 天的平均电量进行拟合, 则拟合示数                             2019 ( 12 ): 78-79.
                                        )。若近一个月内存              [ 4 ]  蔺海涛,贺清宇,李常,等 . 集中器常见故障产生原因及
              =X+ 平均电量 × ( T 1-T 0
                                                                   处理[ J ] . 农村电工, 2018 , 26 ( 11 ): 51.
              在倒走、 飞走异常或仍有异常工单未处理的情况,
                                                               [ 5 ]  李笋,王超,张桂林,等 . 基于支持向量回归的短期负荷
              则使用上一次结算电量的日均电量作为拟合值。
                                                                   预测[ J ] . 山东大学学报( 工学版), 2017 , 47 ( 6 ): 52-56.
              为确保数据质量, 近五日内新装的电表一般不进                               LISun , WANGChao , ZHANGGuilin , etal.Short-term
              行缺失数据的拟合。                                            p owerloadforecastin gbasedonsu pp ortvectorre g ression
              3.4  最大需量拟合方法                                        [ J ] .JournalofShandon gUniversit y ofTechnolo gy , 2017 ,
                                                                   47 ( 6 ): 52-56.
                   为确保基本电费计算尽可能精确, 保障用户
                                                                                          收稿日期: 2020-10-23
              利益, 采用最大需量进行结算的大工业用户, 如有
                                                                                           ( 本文编辑: 赵艳粉)
              数据缺失, 一般取当月最后一次采集成功的最大
              需量值进行补全。
   140   141   142   143   144   145   146   147   148   149   150