CN114297920A - 基于数据预测填充及全局动态模型的线损计算方法 - Google Patents

Abstract

本发明公开一种基于数据预测填充及全局动态模型的线损计算方法，属于线损检测技术领域，包括以下步骤：步骤1：异常数据确定，列举线损数据类型，排查数据异常的主要原因作为聚类数目输入；步骤2：聚类分组，利用近邻传播算法对异常数据进行数据分组，重复迭代增强准确性；步骤3：缺失数据预测填充，采用DNN算法，对每类数据分别进行训练学习，并利用包外数据进行预测；步骤4：理论线损计算，将电网中的运行设备和线损关联，建立全局网络动态模型，可增强线损计算的准确性，辅助实现异常线损缺陷的准确定位。

Description

基于数据预测填充及全局动态模型的线损计算方法

技术领域

本发明属于线损检测技术领域，尤其涉及一种基于数据预测填充及全局动态模型的线损计算方法。

背景技术

随着我国基础建设速度的加快，电网中的基础设施建设规模也愈发庞大。为了实现对配网线损的精准管理和质量把控，国家电网提出了保证规划和指导的科学目标，要求提高电网设备和资源的使用率。然而，在国家电网的配网中，电能损耗情况越来越严重，造成了社会资源的大量浪费，导致整个社会的经济发展遭受了巨大影响。造成电能损耗情况愈发严峻的原因，主要是线损管理不合理造成的。

为了降低线路损耗，提高社会的能源利用效率，势必要对目前线损管理方案进行优化。开展配电网理论线损计算，不仅可以优化电网结构、调度运行方式和降损分析，更重要的是可以显著提高经济效益。因此计算速度快、计算结果精度高的配电网线损计算方法是众多供电企业共同追求的目标。

在实际计算过程中，实际线损的精确计算往往很难实现，主要的问题是各种计算结果的精度主要取决于原始数据是否齐全和准确。由于人为差错、采用的测量仪表故障和计算设备的计算精确性等因素也都会对配电网的理论线损计算精度产生影响，此外，在数据传输过程中由于每日数据上传量十分巨大，难免会产生数据丢失、错误等数据异常情况。目前对线损预测的实现多是根据负荷种类对数据进行聚类，然后利用LSTM或随机森林等算法对实际线损进行预测，忽视了虚假线损和缺失线损的影响，导致预测结果不是很理想。针对线损数据缺失异常台区的处理关键在于如何准确预测填充缺失的数据。所以需要一种排查异常线损数据，并将缺失数据智能填充的方法，以更加精确的计算实际线损。

另外异常线损的实质是理论线损与实际线损不匹配，在目前的管理***中，常用门限法对线损率进行管理。需要较为精确的理论线损才能设定，而目前的理论线损通常是通过静态模型来计算的，其中负荷情况和设备状态不足，且忽略了较多小负荷产生的线损，导致以往的理论线损计算模型精确度不足。所以需要一种能够考虑设备状态和各种负荷的理论线损计算方法，以提高准确性。

发明内容

针对现有技术存在的不足，本发明的目的是提供一种可以实现异常线损缺陷的准确定位的数据预测填充及全局动态模型的线损计算方法。

本发明的目的是这样实现的：一种基于数据预测填充及全局动态模型的线损计算方法，包括以下步骤：

步骤1：异常数据确定，列举线损数据类型，排查数据异常的主要原因作为聚类数目输入；

步骤2：聚类分组，利用近邻传播算法对异常数据进行数据分组，重复迭代增强准确性；

步骤3：缺失数据预测填充，采用DNN算法，对每类数据分别进行训练学习，并利用包外数据进行预测；

步骤4：理论线损计算，将电网中的运行设备和线损关联，建立全局网络动态模型。

进一步地，所述步骤1中，所述异常数据包括电表停走、电表飞走、电表倒走和数据缺失。

进一步地，所述步骤2的聚类分组包括：

在给定归属度的条件下，更新相似度矩阵中的每个点的吸引度信息：

其中r(i，k)为吸引度，从点i发送至候选聚类中心点k，s(i，k)表示点i和点k之间的相似性，s(k，k)为参考度；

在给定吸引度的条件下，更新每个点的归属度信息：

其中a(i，k)为归属度，信息从候选聚类中心点k发送至点i，a(i，k)等于自我吸引度r(k，k)加上从其他点获得的积极的吸引度；

自我归属度a(k，k)等于从其他点获得的积极吸引度之和：

对每个点的吸引度信息和归属度信息进行求和，进行决策，判断迭代是否停止，之后重复上述步骤实现迭代过程。

进一步地，所述步骤3中，对每类数据分别训练学习，并利用包外数据进行预测包括：

获取步骤2中的异常数据，对数据进行统一量纲处理，并进行归一化处理，公式如下：

式中，n表示需要归一化处理的数据总数，x_i为要处理的第i个数据，y_i为经过归一化处理的第i个数据，max_1＜i＜n(x_i)和min_1＜i＜n(x_i)分别为所有数据中最大、最小数据；

之后分配样本集和测试集，训练回归模型。

进一步地，所述步骤4中，对电网中运行设备的状态模型进行测量，所述状态模型包括电能状态模型和用户行为模型，所述电能状态模型包括电能计量装置、变压器和二次侧回路。

进一步地，所述计量装置计量误差-时间公式如下：

式中，E₀为基本误差，其值为上一时刻校准的平均误差，退化因子c表示方差，E_i为上一时刻校准误差。

进一步地，所述于二次侧回路中，二次侧线路阻值为：

式中，R₀为每次检修后线路阻值，L为负荷系数，所述L的计算公式为：

L＝k_∑p·∑P_c+k_∑q·∑Q_c

式中，系数k为需用系数，k_∑p和k_∑q分别为有功功率和无功功率的同时系数，∑P_c为各用电设备组有功计算负荷之和，∑Q_c为各用电设备组无功计算负荷之和。

进一步地，所述变压器的电压压降模型为：

式中，U_T为变压器电压，R_M为电能表电阻，U_T和R_M均为常数。

进一步地，所述用户行为模型中，建立传输线阻值公式：

R_t＝R*(1+e^-at)

将上式带入***模型中，得到理论线损公式：

其中Q为电网无功，U为线路电压。

本发明相比现有技术突出且有益的技术效果是：本发明提供了一种基于数据预测填充及全局动态模型的线损计算方法，首先采用近邻传播算法对数据进行聚类分析，将异常数据划分为不同类型，针对不同类型数据异常，采取不同数据填充修改方案。最后根据获得的较为完整的线损数据，通过建立一种将电网中各种运行设备与线损连接起来的全局动态模型，增强线损计算的准确性，辅助实现异常线损缺陷的准确定位。

附图说明

图1为本发明实施例数据预测填充流程图；

图2为全连接神经网络图；

图3为加入Dropout层的神经网络图；

图4为DNN算法具体训练流程；

图5为全局动态模型结构。

具体实施方式

为了使本技术领域的人员更好的理解本发明中的技术方案，下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

本实施例以计算低压台区实际线损与理论线损为例，所述低压台区是指低压变压器供电区域，实际线损可以称为统计线损，是经过计量装置采集后计算得出的，理论线损是经过算法，如潮流计算法、电量法等，计算出的理论值。

本实施例提供一种基于数据预测填充及全局动态模型的线损计算方法，所述计算方法包括实际线损数据完善和理论线损的计算优化方法，具体步骤如下：

步骤1：异常数据确定，列举线损数据类型，排查数据异常的主要原因作为聚类数目输入；

具体表述为：线损异常数据分类，正常来说用户用电量是逐渐增加的，即电表采集数据是与时间成正相关的，由此可以大致将数据粗分为以下五类，即：正常数据，电表停走，电表飞走，电表倒走，以及数据缺失。其中，所述异常数据包括电表停走、电表飞走、电表倒走和数据缺失，而电表停走、飞走和倒走包含两种情况，分别为电表因素导致和数据传输出错导致。故细分为8种数据类型。对于电表故障类型，应尽快派出业内人员及时修复，数据传输故障属于偶然情况，除非改进算法和硬件条件，无法在短时间内解决。

步骤2：聚类分组，利用近邻传播算法对异常数据进行数据分组，重复迭代增强准确性，具体步骤如下：

步骤2.1：在给定归属度的条件下，更新相似度矩阵中的每个点的吸引度信息；

算法开始时，所有归属度都被初始化为0；

其中r(i，k)为吸引度，从点i发送至候选聚类中心点k，反映了在考虑其他潜在聚类中心k′后，点k适合作为点i的聚类中心程度。s(i，k)表示点i和点k之间的相似性，表示点k适合作为点i的聚类中心的程度，越大越适合。s(k，k)称为参考度，是相似度矩阵中横轴和纵轴坐标相同的点，表示点k作为聚类中心的可能程度，通常参考度越大则最终的聚类中心的数目越多。

该式说明任意一个候选聚类中心都可以对其他候选聚类中心产生的影响，允许所有的候选聚类中心参与到争夺点的归属权中；

步骤2.2：在给定吸引度的条件下，更新每个点的归属度信息。

其中a(i，k)称为归属度，信息从候选聚类中心点k发送至点i。反映了在考虑其他点i′对点k成为聚类中心的支持后，点i选择点k作为聚类中心的合适程度。

a(i，k)等于自我吸引度r(k，k)加上从其他点获得的积极的吸引度即r(i′，k)＞0。这里只是加上积极的吸引度，因为只有积极的吸引度才会支持点k作为聚类中心。

如果r(k，k)是负值，也就意味着相较于作为聚类中心，点k更适合归属于其他聚类中心。

自我归属度a(k，k)等于从其他点获得的积极吸引度之和：

步骤2.3：对每个点的吸引度信息和归属度信息进行求和，进行决策，判断迭代是否停止；

如果达到预定的迭代次数，或者聚类中心不再变化、或者在一个子区域内对样本点的决策经过数次迭代后不再改变，迭代就可以终止了。

决策是指判断使a(i，k)+r(i，k)取得最大值时的k值与点i是否相同。假设当a(i，k)+r(i，k)取得最大值时的k值为k′，有以下结论：

若i＝k′，则点i为聚类中心。

若i≠k′，则点i属于聚类中心k′；

步骤2.4：重复步骤2.1-2.3，实现迭代过程。在算法实现过程中，需要使用阻尼系数λ(λ∈[0，1])来衰减吸引度信息和归属度信息，以免在更新的过程中出现数值振荡。所以实际更新过程是当前迭代过程与上一次迭代过程的加权和：

r_t+1(i，k)＝λr_t(i，k)+(1-λ)r_t+1(i，k)

a_t+1(i，k)＝λa_t(i，k)+(1-λ)a_t+1(i，k)

步骤3：缺失数据预测填充，采用DNN算法，对每类数据分别进行训练学习，并利用包外数据进行预测；

利用DNN算法对每个聚类类别的数据分别对缺失数据进行预测填充并利用包外数据计算均方根误差。

考虑到每种异常数据类型内数据量较小，容易在复杂的前馈神经网络中进行训练时出现过拟合的问题，本方法加入Dropout层来对前馈神经网络简化，使某些神经元在一定概率下停止工作，以增强模型的泛化能力，优化神经网络性能。

所述步骤3具体包括如下步骤：

步骤3.1：获取异常线损数据，使用的数据来源于步骤二AP算法产生的多个单一类型异常数据，对于正常数据不采取任何操作；

步骤3.2：数据预处理，首先对数据进行统一量纲处理，进行归一化处理，采用规范化处理方法使处理后数据均值为0，方差为1。公式如下：

n为需要归一化处理的数据总数，x_i为要处理的第i个数据，y_i为经过归一化处理的第i个数据，max_1＜i＜n(x_i)和min_1＜i＜n(x_i)分别为所有数据中最大、最小数据；

步骤3.3：分配样本集和测试集，统计聚类并归一化处理后数据个数，在其中任意选取70％数据作为训练集进行训练，剩余30％样本作为测试集进行测试；

步骤3.4：训练回归模型，首先建立DNN模型参数配置信息表，确定全连接层和Dropout层层数及输出格式。利用PyTorch框架建立DNN模型，多次迭代后得到缺失或替代数据，并利用均方误差作为衡量模型准确性的评价指标。

步骤4：理论线损计算，将电网中的运行设备和线损关联，建立全局网络动态模型，具体内容如下：

建立全局动态模型，将电网中各种运行设备和线损联系起来。相比于电网，负载和电力用户的操作模式对线损的影响更大。因此建立全局动态模型动态分析线损是很有必要的。

步骤4.1：测量设备状态模型，测量设备的状态模型包括电能状态模型和用户行为模型两个方面。电能状态模型包含电能计量装置、变压器和二次侧回路。

计量装置最重要的是计量误差。计量误差-时间公式如下：

式中E₀为基本误差，其值为上一时刻校准的平均误差。退化因子c表示方差，E_i为上一时刻校准误差。通过大量数据带入对式中参数a，b做调整，直到得到拟合最好的一组参数，利用误差时间函数使计量装置数据更加精确。

对于二次侧回路，由于每次检修后二次回路的电阻老化情况都有所改善，且高负载也会增强老化对电阻的影响。所以必须考虑到老化和负载大小的影响。二次侧线路阻值为：

R₀为每次检修后线路阻值，L为负荷系数，与负荷大小成正相关。进行负荷计算时，应按下列原则计算设备功率：对于不同工作制的用电设备的额定功率应换算为统一的设备功率，且不包括备用设备，L的计算公式可以表示为：

L＝k_∑p·∑P_c+k_∑q·∑Q_c

式中系数k一般被称作需用系数，是在一定条件下根据统计方法得出的。它与用电设备的工作性质、设备效率、设备数量、线路效率等诸多因素相关。上式中k_∑p和k_∑q分别为有功功率和无功功率的同时系数，一般取为0.8～0.9和0.93～0.97。∑P_c为各用电设备组有功计算负荷之和，∑Q_c为各用电设备组无功计算负荷之和。

根据变压器电压获得电压压降模型：

U_T为变压器电压，R_M为电能表电阻，U_T和R_M均为常数。在电压压降模型的基础上根据校准数据和检修计划对模型参数调整。

用户行为模型通过时域分析和聚类算法来描述用户的用电行为，由于用户行为模型具有高专一性的特点，因此只能得到定性的量。

通过提取的状态信息，采用最小二乘法对状态信息进行拟合，最终得到客户行为模型，通过比较理论负荷模型的差异，根据误差设定不同线损的权重因子；

步骤4.2：用户侧设备的状态模型与设备类型、容量、运行时间等有关。一次设备的状态需要用计量装置体现，误差较大。因此模型大多是通过理论模型得到的。以输电线路为例，首先，绝缘性能和电导率会随着时间的推移而下降，然后输电线路在很长一段时间内处于良好稳定的状态。最后，输电线路状态迅速下降。然而我们通常在输电线路状态下降阶段检修电路。为了避免这种影响，建立传输线阻值公式如下：

R_t＝R*(1+e^-at)

将上式带入整个***模型，即可得到理论线损公式：

其中Q为电网无功，U为线路电压。

使用经过步骤四的全局动态模型优化后的参数再对理论线损进行计算，很明显会取得比以往静态模型更精确的结果。

当线损计算完成后就可以根据线损率对异常线损精确定位，展开针对性处理。

该技术方案中，通过对各种线损数据类型进行列举，以此为依据对各故障类型采用AP算法分类，对不同分类分别进行DNN预测，把异常数据替换和填充，通过多次迭代和包外数据增强其准确性；并通过建立全局动态模型，考虑电网中各种运行设备，如计量装置、变压器、二次回路等，和线损联系起来，避免了以往计算方法中忽视小负荷的缺陷。前述有益效果的理论基础分析如下：

由于台区数据上传流程复杂，在任一环节出错，都会对最终计算造成影响，在数据上传中易出错的环节有：

电能表故障：电能表故障并不完全代表电能表的计量模块有问题，这是电表故障的范围，而是指与电能表通讯相关的模块或参数异常，导致数据无法正常传输。例如电能表通讯模块失灵，可以发现载波通讯模块通讯灯不亮，或电能表通讯地址错误，此时载波模块运行指示灯正常但无通讯收发灯闪烁等，表示由于通讯端故障导致的采集失败。此外，时钟问题使得无法冻结零点数据，这也是电能表采集中的常见问题。

采集终端故障：采集终端故障分为软件和硬件两种。当采集终端的载波模块出现故障或SIM卡出现故障时，可以根据采集***是否显示采集终端是否在线以及通信收发器指示灯是否闪烁来确定原因。同样，当采集终端的通信地址不正确时，也会导致与电能表故障类似的结果。如果以上这些都为正常，则可能是由于用户类型选择错误造成的。

接线错误：接线错误通常会产生较大的影响。如果RS485接线不正确，普通变压器和专用变压器主表缺失，将导致线损率为负或线损率异常高，甚至无法计算。采集终端接线错误主要表现为载波通信电能表读数不足或部分用户电能表长期采集失败。

信号问题：当4G/5G信号弱或无信号时，采集终端长时间不在线或频繁断开连接等，或存在多个服务基站信号，或采集终端位于移动信号在多个区域的交叉位置时，可能会导致此类问题。

人为原因：当人为剪断电能表通信线或者故意利用专用设备屏蔽网络信号时也有可能造成采集数据缺失。

以上常见问题导致的故障类型可以归结为以下几类：电表停走，电表飞走，电表倒走，以及数据缺失。对于电表停走、电表倒走这两种电表故障类型相对较为容易判断，即数据不变和数据值减小。而电表飞走则很容易误判，因为大功率用电器的使用和用电高峰同样会导致电表飞走，对于电表飞走的判断目前有两种方案，一种是对采样区间更加细分，即针对电表飞走情况在更小的采样区间进行采样，若发现电量仍为瞬时增加，则可以认定为故障。然后根据故障前后的电量值判断为数据传输故障或电表故障，进而做出相应处理。对于数据缺失类型，多为单一缺失类型，如缺少供电量或缺少售电量，多数据类型缺失十分少见。本方法对单一数据类型缺失适应性较好。

异常线损特性主要有短时低异常线损、增强型线损和突变型线损，短时线损通常与计量装置的误差状态有关，还包括诸如数据传输错误导致的线损等。增强型线损表示随着时间的推移，如果不加处理，线损会越来越严重，增强型线损通常与一次侧设备状态正相关。突变型线损表示线损突然发生，且不会主动消失，但往往会导致较大损耗，一次装置和计量装置均可导致突变型线损的发生。但如果是计量装置导致的线路损耗异常，通常不会影响到其他计量装置的正常工作。

由于神经网络算法对相似类型数据处理较好，所以在利用全连接神经网络预测前利用AP聚类对数据预处理。AP聚类的优点在于不需要指定最终聚类族的个数，已有的数据点作为最终的聚类中心，而不是新生成一个族中心。模型对数据的初始值不敏感。对初始相似度矩阵数据的对称性没有要求。相比于K-centers聚类算法，其结果的平方误差较小。

全连接神经网络算法的结构不固定，只有一个输入层，一个输出层，输入层和输出层之间全是隐藏层。每一层神经网有若干神经元，层与层之间神经元相互连接，层内神经网络不互相连接，而且下一层神经元连接上一层所有神经元。当隐藏层较多时的神经网络较多深度神经网络，深度神经网络的表达能力比浅层神经网络更强，一个仅有一个隐含层的神经网络就能拟合任何一个函数，非线性拟合能力非常强，但是需要很多神经元，这导致DNN不容易训练，需要大量数据，很长时间才能训练好一个深层网络。针对上述优缺点，可以发现，DNN算法十分适用于线损预测，首先线损数据异常种类较多，且关联性不大，是典型的非线性数据预测。而且虽然需要预测的数据量较少，但却可以比较容易的获得大量数据进行训练，针对训练时间长，处理复杂的问题，本方法加入了Dropout层，在解决了神经网络容易在复杂的前馈神经网络中进行训练时出现过拟合的问题的同时，还简化了前馈神经网络，使某些神经元在一定概率下停止工作，以增强模型的泛化能力，优化神经网络性能。

随着社会发展，供电网规模不断扩大，用电负荷种类和数量不断增加，理论线损的计算的难度也随之加大。但由于理论线损关系着线损异常台区的有效判定，对理论线损的精确计算是十分迫切和必要的。

因此本方法建立一种全局动态模型以解决上述问题，以下是动态模型的建立过程：

该模型是电网结构的数学表示，每个测量节点充当一个数据节点。通过对测量节点的遍历，建立该网络结构模型。同时建立测量节点间的连接矩阵，为后续电网状态评估建立基础。

网络模型中的每个节点都是测量节点，并分布在节点树上。将树上最长链的尾节点作为网络最底层，根据不同网络层数动态调整测量节点的权重因子，为更好的优化测量节点的线损，同一层数的权重因子需要根据负载和状态经过深度学习后自动调整。

用户侧设备位于两个网络节点之间或位于数据节点的末尾。在该动态模型中，考虑测量装置对用户侧设备的影响，用户侧装置的权重因子与测量装置之间存在一定的相关性。在该模型中，以比用户侧设备高一级的数据节点的权重因子作为他自己的权重因子。

在建立模型的过程中，本方法着重考虑了计量误差和因时间导致的线路状态改变造成的计算失准。

计量装置的误差是广泛存在且不易消除的，因此首先本方法建立了带参数误差校准公式，利用大量计量装置数据拟合的方式修正式中参数，从而计算计量装置和变压器误差，可以发现，考虑误差的计量数据会提高最终理论线损计算的准确性。

其次，本方法考虑了线路老化等因素对二次侧回路状态和一次侧设备的影响，通过分析计量装置、变压器、二次回路的状态，优化了线损计量方案。在建立的***中，线损与电网所有设备相关，分析和优化均以整个***为基础，提高了理论线损计算的准确度。

本领域的技术人员容易理解的是，在不冲突的前提下，上述各有利方式可以自由地组合、叠加。

以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。以上仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (9)

1.一种基于数据预测填充及全局动态模型的线损计算方法，其特征在于，包括以下步骤：

步骤1：异常数据确定，列举线损数据类型，排查数据异常的主要原因作为聚类数目输入；

步骤2：聚类分组，利用近邻传播算法对异常数据进行数据分组，重复迭代增强准确性；

步骤3：缺失数据预测填充，采用DNN算法，对每类数据分别进行训练学习，并利用包外数据进行预测；

步骤4：理论线损计算，将电网中的运行设备和线损关联，建立全局网络动态模型。

2.根据权利要求1所述的基于数据预测填充及全局动态模型的线损计算方法，其特征在于，所述步骤1中，所述异常数据包括电表停走、电表飞走、电表倒走和数据缺失。

3.根据权利要求1所述的基于数据预测填充及全局动态模型的线损计算方法，其特征在于，所述步骤2的聚类分组包括：

在给定归属度的条件下，更新相似度矩阵中的每个点的吸引度信息：

其中r(i,k)为吸引度，从点i发送至候选聚类中心点k，s(i,k)表示点i和点k之间的相似性，s(k,k)为参考度；

在给定吸引度的条件下，更新每个点的归属度信息：

其中a(i,k)为归属度，信息从候选聚类中心点k发送至点i，a(i,k)等于自我吸引度r(k,k)加上从其他点获得的积极的吸引度；

自我归属度a(k,k)等于从其他点获得的积极吸引度之和：

对每个点的吸引度信息和归属度信息进行求和，进行决策，判断迭代是否停止，之后重复上述步骤实现迭代过程。

4.根据权利要求1所述的基于数据预测填充及全局动态模型的线损计算方法，其特征在于，所述步骤3中，对每类数据分别训练学习，并利用包外数据进行预测包括：

获取步骤2中的异常数据，对数据进行统一量纲处理，并进行归一化处理，公式如下：

式中，n表示需要归一化处理的数据总数，x_i为要处理的第i个数据，y_i为经过归一化处理的第i个数据，max_1<i<n(x_i)和min_1<i<n(x_i)分别为所有数据中最大、最小数据；

之后分配样本集和测试集，训练回归模型。

5.根据权利要求1所述的基于数据预测填充及全局动态模型的线损计算方法，其特征在于，所述步骤4中，对电网中运行设备的状态模型进行测量，所述状态模型包括电能状态模型和用户行为模型，所述电能状态模型包括电能计量装置、变压器和二次侧回路。

6.根据权利要求5所述的基于数据预测填充及全局动态模型的线损计算方法，其特征在于，所述计量装置计量误差-时间公式如下：

式中，E₀为基本误差，其值为上一时刻校准的平均误差，退化因子c表示方差，E_i为上一时刻校准误差。

7.根据权利要求5所述的基于数据预测填充及全局动态模型的线损计算方法，其特征在于，所述于二次侧回路中，二次侧线路阻值为：

式中，R₀为每次检修后线路阻值，L为负荷系数，所述L的计算公式为：

L＝k_∑p·∑P_c+k_∑q·∑Q_c

式中，系数k为需用系数，k_∑p和k_∑q分别为有功功率和无功功率的同时系数，∑P_c为各用电设备组有功计算负荷之和，∑Q_c为各用电设备组无功计算负荷之和。

8.根据权利要求5所述的基于数据预测填充及全局动态模型的线损计算方法，其特征在于，所述变压器的电压压降模型为：

式中，U_T为变压器电压，R_M为电能表电阻，U_T和R_M均为常数。

9.根据权利要求5所述的基于数据预测填充及全局动态模型的线损计算方法，其特征在于，所述用户行为模型中，建立传输线阻值公式：

R_t＝R*(1+e^-at)

将上式带入***模型中，得到理论线损公式：

其中Q为电网无功，U为线路电压。

Images