【关键词】供电企业；电量电费；数据监控；数据统计
0.引言
电量数据的异常检测是电力系统中状态估计和电力调度安排的重要功能之一，及时有效的检测出异常数据能够确保电力系统运行的稳定性和安全性。电力系统中的测量数据通常是由有效测量数据和测量误差构成，其中测量误差一般是服从正态分布的噪声数据，对误差经过一定的处理基本上可以消除对电力系统状态估计的影响。异常数据是指那些远远偏离测量数据变化正常范围的数据，其产生原因有很多种，可能是数据测量异常或数据传输异常等。
1.异常电量数据检测模型概述
依据电力系统状态估计中异常检测辨识所处的时间段，传统电量数据异常检测方法可以分为两类：估计计算后的异常检测，估计计算前的异常检测。前者是在状态估计完成后计算预测值和真实值的残差，通过检验残差项是否超出人为设定的阈值。主要有加权残差检测法、标准残差检测法，利用递归测量误差检测异常方法等，但存在着残差淹没和检测灵敏度低的问题。后者是通过对测量值进行预测获得测量残差，依据测量误差间的相关关系来检测电量数据中的异常点。相关文献给出了一种通过对测量数据的相关性分析来检测异常数据的方法。该方法结合了统计学相关理论与电力系统实际运行方式，同时利用数据相关性关系对测量数据集进行检测辨识，但对测量数据中的冗余信息利用明显不足。这些传统的简单的基于统计分析的处理手段，会存在残差污染、残差淹没的问题，难以利用电量数据中隐藏的深层次特征，对历史信息的利用也明显不足。
对此，国内外学者尝试将基于数据挖掘的新方法引入到电量数据异常检测辨识领域来挖掘提取出电量数据中隐含的深层次序列特征。基于神经网络、基于随机森林、基于模糊理论与聚类分析及基于间歇统计等方法已经较为成功地应用到电量数据异常检测中。DBSCAN以及基于DBSCAN改进的INNER-DBSCAN等算法在大规模用电数据流和风电机组上也实现了快速有效的异常检测。相关文献基于模糊数学理论给出了一种使用动态聚类来检测异常数据的方法，解决了残差污染的问题。虽然在某些电量数据上，基于数据挖掘的方法已经取得了比较好的效果，但这些方法仍然没有对电量数据中的时序关系进行建模，无法充分利用电量数据间的时序相关性信息。
为了对电量数据中的时序关系进行更好地建模，充分利用历史信息，本文提出了一种基于三次指数平滑与DBSCAN聚类的电量数据异常检测方法。该方法通过三次指数平滑模型对电量数据中的时序关系进行建模，充分挖掘电量数据中的趋势性，周期性和季节性特征，进而预测出区域当前时刻的用电量。利用预测的区域当前用电量和区域当前真实用电量做差产生一个残差项，对每一个历史数据都可以得到对应的残差项，最后利用DBSCAN聚类算法对残差项进行聚类，从而高效的识别出异常数据这种非正态分布的离群点。通过对某电网10个区域用电量数据的异常检测验证，并与其它3种异常检测方法对比，结果表明本方法在检测率和误报率指标上均取得了比较好的结果。
传统的异常检测方法只针对特定的电力系统特性，且存在计算量较大、准确率较低的问题。针对传统电量数据异常检测方法的不足，本文提出一种基于三次指数平滑模型和DBSCAN聚类的电量数据异常检测方法。三次指数平滑模型利用历史数据预测当前时刻区域用电量，然后对预测值和真实值相减得到残差项，最后利用DBSCAN密度聚类算法来对残差项进行聚类，实现电量异常数据的识别。对某电网的区域用电量数据进行实证分析并与三种常用异常检测模型进行实验对比。
期刊文章分类查询,尽在期刊图书馆三次指数平滑模型与DBSCAN聚类结合，在电量异常数据检测中检测率和误报率指标均取得了比较好的结果。
2.Excel在电量数据统计中的应用实践
2.1核对电能抄表数
由于条件限制，柳钢目前尚有较多电气柜的电能表未能实现数据联网和自动采集，需要人工抄表并录入有功、无功表码数到电子表格中，然后报送给统计员计算电量。错误的抄表数会给后续的统计工作带来困扰，因此需要先核对数据的正确与否。由于核对数据量大，人工复核既费时又费力。考虑通常用户电表本月表码数不小于上月表码数的特性（电表走至最大量程归零或电表反走等情况除外），可利用Excel条件格式的设置将异常数据突出显示，以便统计员快速查找并进一步核实该抄表数。具体方法如下：在Excel中选中需要核查的数据区域（如F3:F106为2018-12的抄表参考值，则选中今年1至12月的数据区域G3:R106），依次点击“条件格式→新建规则→使用公式确定要设置格式的单元格”，在“为符合此公式的值设置格式”中填入公式“=G3-F3<0”，设置单元格格式为“红色加粗字体”。当在区域G3:R106中输入数据时，当同一行的后列单元格（如L3）小于前列单元格（K3）的数值时，后列单元格中的数字将被红色加粗突出显示。此外，结合各用户的历史用电情况，还可设置更多的判定规则以便核对，如：某点电表本月度差（本月抄表数-上月抄表数）偏离历史月平均度差较大时，或本月抄表数比上月抄表数大10倍以上时，则该异常数据将突出显示。
2.2核算用电量
比如，统计员将《1号35kV站电量表》等表格中的所有开关柜有功抄表数批量搜索引用至《能耗表》中，形成用电量数据汇总。在《能耗表》中，事先录入了各开关柜的倍率及用电量的计算公式（本月用电量=（本月表码-上月表码）·倍率），并采用SUM、ROUND等函数汇总整理出各生产系统的电能合计。同时，《能耗表》建立了各馈电柜和受电柜的对应关系，通过查看各系统受电侧与供电侧的电量比率及对比本月与往月各馈电柜和受电柜用电量，及时查找处理计量偏差过大的数据，将配电损失率控制在合理范围内，从而确保电量数据的真实、准确、有效。
2.3制作功率因数表
比如，统计员将《柳钢电能原始数据》等表格中相关开关柜电表的无功抄表数及《能耗表》中各系统的有功电量批量引用至《功率因数表》，并利用Excel函数和公式自动计算无功电量和功率因数，通过《功率因数表》可反映各用电系统每月功率因数情况。
2.4制作反送电统计表
公司各电网系统中自备发电设备的发电量大于该系统消耗的用电量时，会出现向电网输送电能的现象（反送电）。反送电量过大会给电网发供电负荷的平衡和调度造成一定的麻烦，需要动力调度及时调整，减少反送电。统计员可利用Excel制作反送电统计表，定期抄表统计并监视反送电情况，为电力生产调度提供数据参考。在反送电统计表中的“电量”一栏，预先输入各电量的计算公式，并将所有“电量”栏的单元格设置密码锁定保护（避免误录入修改模板）；当班调度只需填写抄表数（绿色填充部分）即可自动计算反送电量。
3.结论
本文针对电量数据异常检测问题进行了研究，利用Excel可以建立各种统计模型对电量数据进行统计分析，提出了一种基于三次指数平滑模型与DBSCAN聚类的电量数据异常检测方法。利用DBSCAN密度聚类算法对预测值和真实值的残差项进行聚类分析，可以高效检测出异常数据。相比与其它异常检测方法，对电量数据中的时序关系进行了更好的建模。全面反映和监测公司电能的生产和使用情况，为公司用电的安全保供、经济核算及电能结构优化等工作提供帮助。
【参考文献】
[1]范存全.基于电量备份机制的终端电量计算方法优化分析[J].机电信息,2019(09):18-19.
[2]谢旭泉,杨龙.调度电量自动统计方法介绍[J].电工电气,2019(03):75-76.
[3]史程. 国网营销稽查监控系统的设计与实现[D].东北大学,2014.
[4]韩孟娟. 公共建筑远程电量监控系统的设计与实现[D].大连理工大学,2009.
论文作者:段星如
论文发表刊物:《中国电业》2019年第14期
论文发表时间:2019/11/18
标签：电量论文; 数据论文; 异常论文; 用电量论文; 测量论文; 抄表论文; 电力系统论文; 《中国电业》2019年第14期论文;