近幾年來，由于通信技術和信息技術的長足進步，以及政府對環境保護方面條例的推行，高級量測體系（AMI）因其在系統運行、資產管理，特別是通過負荷響應實現節能減排方面的顯著效果而得到了廣泛的應用。大量智能電表的部署和應用，使得電力公司能獲取高頻率、廣覆蓋且時標一致的配電網末端的實測數據。同以往配電網量測具有的稀疏特點相比，高級量測體系除了能向電力公司提供用戶結費所需的電能消費數據外，還能實時或準實時地獲取各測量點的功率、電壓、電流及功率因數等重要運行參數。通過近幾年來智能電表的大規模安裝和推廣，目前各省電力公司的數據中心都累積了海量智能電表量測數據，如何運用這一寶貴的基礎性數據資源，挖掘其潛在價值，為配電網的網絡優化、優質運行及資產管理等業務提供有力支撐，是學術界和產業界共同關注的焦點，目前在美國、加拿大、法國等國家對智能電表數據分析的相關研究和實踐工作正如火如荼地開展。本文將在分析我國智能電表數據應用現狀的基礎上，深入探討國內外行業內常用的智能電表數據分析方法及典型應用場景，并給出基于智能電表數據對配電網拓撲進行校驗的分析實例。

1 我國智能電表數據應用現狀

由于高級量測體系能為實施各方帶來顯著效益，2009年以來，國家電網公司全面推動了智能電表的安裝和應用，截至2014年7月，已累計安裝智能電表2.2 億只，用電信息采集系統覆蓋2.3 億戶。南方電網公司也在加快計量自動化系統的建設，截至2014年8月，南方電網公司下屬的廣東電網公司、深圳電網公司和廣西電網公司已建成省級計量自動化系統，廣西電網公司已實現廠站、專用變壓器、配電變壓器3類終端全覆蓋，低壓集抄客戶覆蓋率44.1%，智能電表在我國得到空前的發展和應用。

從目前情況來看，我國的智能電表量測數據及采集系統呈現出規模大、采集頻率高、數據存儲時間長、數據多樣化及測量點分布密集5個主要特征。

①系統規模大：當前我國的采集系統一般以省為中心進行集中式部署。以浙江省電力公司為例，已在省公司數據中心建設覆蓋全省十幾個地市的超大規模采集系統，預計2016年將超過2000萬用戶。一個以省為中心部署的采集系統，將包含數百萬采集終端及幾千萬只智能電表，其系統規模無疑是巨大的。

②采集頻率高：與傳統抄表系統相比，智能電表數據采集間隔一般為15min，對于重點用戶，采集頻率可能還要更高，當前智能電表“生產數據”的速度比傳統電表高出十倍甚至是百倍。

③數據存儲時間長：從數據分析的視角來說，原始累積數據越豐富、數據的時間尺度越長，對分析結果越有利；目前基于各種因素的綜合考量，歷史數據一般需要保存7～10年。對于如此長時間尺度的海量數據，如何管理、分類、歸檔及保證其檢索的性能，都是非常困難的事情。

④數據種類多樣化：當前智能電表要求采集的數據類型是非常繁多的，其中包含電量類數據：總電能示值、各費率電能示值、最大需量等；負荷類數據：電壓、電流、有功功率、無功功率、功率因數等；事件類數據：終端和電表的各種事件和報警；工況數據：采集終端及計量設備的工況信息；電能質量類數據：功率、電壓、諧波等；另外還有費控信息等其他數據。

⑤測量點分布密集：無論是國家電網公司還是南方電網公司都對測量點提出了全覆蓋要求，即測量點需覆蓋變電站饋線出口、專用變壓器、公用變壓器和低壓用戶，業務范圍從原來單一的居民集抄擴大到廠站計量、大用戶負荷管理及變壓器監測等。

為充分挖掘智能電表數據的潛在價值，國家電網公司啟動了一批基于智能電表數據應用的研究項目。例如基于營配數據融合的配電網資源優化及服務關鍵技術研究項目，就是充分應用智能電表量測數據，對用戶用電消費行為、配電網規劃設計模式、短期負荷預測等方面開展研究。另外為了消除配電和用電營銷業務之間的數據孤島，國家電網公司正在實施營配調數據貫通工作，為智能電表數據的分析準備基礎條件。目前中國電力科學研究院正在開展電力大數據相關研究，開發電力大數據平臺，開展面向大數據的能效分析等關鍵技術研究，可以預見智能電表數據的深層價值將在未來幾年有所體現。不過目前我國對智能電表數據的分析和應用也存在數據碎片化、缺乏系統性，以及超大規模數據集計算效率不高等問題。

智能電表數據分析是指運用統計分析方法對收集來的大量原始智能電表量測數據進行處理、建模和計算，提取有用信息并形成結論，挖掘其內在關聯和深層價值，為電力公司的商業運營、電網規劃和運行維護等提供決策支持，使其更具有洞察力的過程與科學。與智能電表數據相關的數學統計分析方法可以歸結為以下主要4類：相關（correlation）分析、聚類（cluster）分析、異常（exception）分析以及趨勢分析。

1）相關分析。相關分析是研究現象之間是否存在某種關聯關系的一種統計方法。相關分析分為線性相關分析和偏相關分析等，在智能電表數據分析中，線性相關分析最為常用，它研究兩個變量間線性關系的程度，用相關系數R來描述。可以利用負荷與溫度的相關關系，結合天氣情況來預測負荷高峰。也可以利用連接在同一配電變壓器二次側的智能電表電壓測量值來對某一組電表的相關性進行分析。

2）聚類分析。聚類分析就是以一定的標準來匯集某一類數據。例如，連接同一個變壓器的電表可以通過聚類分析來確定變壓器的負荷。虛擬電表是人為定義的聚類，能夠聚類具有同一屬性的電表的數據，一種典型的虛擬電表是聚類具有線性關系的電表來進行區域規劃和分析（如某一饋線或變壓器的負荷）。

3）異常分析。異常分析是指對偏離一般規律的異常事件或現象進行原因追溯的分析方法。異常分析在設備故障和用電異常（如竊電）診斷等方面能發揮重大作用。如統計變壓器故障前的一系列歷史異常數據，對其進行抽樣和建模，就可以預測變壓器的故障，從而及時檢修或更換。

4）趨勢分析。趨勢分析是將兩期或多期連續的同一指標進行對比，得出它們的增減變動方向、數額和幅度，以揭示事物變化趨勢和變化規律的一種分析方法。趨勢分析是智能電表數據分析的常用方法，最簡單直接的分析就是利用多條趨勢曲線同時展示某一用戶用電量的同比或環比數據。設備故障前的趨勢模型也能夠用于辨別零件的毀壞或操作故障。

智能電表數據是配電系統某一時刻運行狀態的真實反映，它必然滿足或是符合電氣工程基本原理和內在規律，如從電源向負荷方向，配電饋線的電壓分布呈下降趨勢；同一電源點下的各測量點的電壓值相近且波動率相似；某一區域供入供出的電量必然守恒等等。基于電氣工程的基本原理，采用智能電表量測數據為主要輸入，結合上述數學統計分析方法，以信息技術為實現手段，求解某一配電系統特定問題的過程，稱為智能電表數據分析法或數據分析元（smart meter data analytics），它是基于多學科的綜合分析方法，為我們系統地求解某一問題提供理論指導，目前已成為電力公司數據分析的熱點。美國電力科學研究院的T.A.Short，基于同一配電變壓器二次側的用戶智能電表電壓測量值具有強烈相關性的電氣原理，采用線性回歸的數學方法，以智能電表的電壓值和電量值作為樣本數據，實現了對變壓器相位的識別，以及變壓器與智能電表的電氣連接關系和阻抗模型的自動創建。加拿大BC Hydro公司通過類似的原理，利用相關分析，對配電網GIS的拓撲正確性進行校驗。該方法的優勢是不需要現場人工排查或是額外安裝測量裝置，只需利用電表數據進行分析就能得出準確的結論。從以上研究成果看出，智能電表數據分析元在實際的工程應用中已經取得了非常明顯的效果。

在智能電表數據分析的實際應用中，我們通常需要從超大規模的數據集中提取、處理和運算數據，因此大數據處理是智能電表數據分析過程中需要解決的重大問題。以加拿大BC Hydro公司為例，一個普通居民用戶的智能電表，每天會產生3KB以上的數據，每月是100KB左右。當安裝智能電表數目達到160萬時，計量數據庫里每天增加11GB的數據。我國由于人口眾多、地域遼闊，主要省份的電力用戶數量都在千萬以上，其數據規模可以想象將會更加巨大。

在此情景下，顯然單機或通常意義上集群系統已無法在指定的時間內完成在對智能電表數據的運算，應用并行計算模式已成為必然。并行計算（parallel computing）是指同時使用多個計算資源解決計算問題的過程，它的基本思想是用多個處理器來協同求解同一問題，即將被求解的問題分解成若干個部分，各部分均由一個獨立的處理機來并行計算。并行計算系統既可以是專門設計的、含有多個處理器的超級計算機，也可以是以某種方式互聯的若干臺獨立計算機構成的集群。目前開源的并行計算機集群系統主要有Hadoop、Spark等，這些系統已經被廣泛使用在互聯網和電信等領域，相信在智能電表數據分析方面也會得到良好應用。

3.1 客戶行為分析

負荷曲線是客戶消費行為的直觀顯示，智能電表數據能詳細的記錄客戶消費細節，如間隔為15min的電量、功率、電壓等參數。由于具有相似消費習慣的客戶具有相似的負荷分布形狀，因此可以根據其負荷分布的相似度來對客戶加以分類，從而更加方便企業對客戶的分類和精細化管理，并針對某類用戶制定更加有針對性的運營策略。

把用戶實際的負荷曲線疊加到電網峰谷時段上，可以展現出用戶更多的用電細節，計算其峰值時段的電能費用，估算用戶錯峰的潛力。因此利用智能電表數據對客戶行為進行分析，能更有效地促進需求側管理，合理抑制負荷峰值，提高電網資產的利用率。

3.2 資產管理

利用智能電表數據來輔助配電網資產管理是智能電表數據應用的一個重要方向。通過對電表數據的分析，可以監測設備的運行狀態，提前識別設備故障，從而合理優化資產的維護和更換計劃。美國的弗羅里達電力電燈公司（Florida Power & Light，FPL）利用智能電表量測數據，對故障配電變壓器的二次側電壓數據進行回溯分析，結果發現故障變壓器的二次側電壓在故障發生前2～3個月的時間內存在明顯的偏高現象。通過對變壓器故障機理深入分析得出，這類故障是由于高壓側繞組損壞，變壓器變比發生變化而導致。利用這一規律，FPL實施了全系統變壓器的故障預警監測，主動更換將要故障的變壓器，實現防患于未然。在AMI項目啟動的第1個月（2012年11月），就發現了372臺符合此條件的變壓器（FPL變壓器總數在879 000臺左右）。在2014年1～6月也已更換452臺配電變壓器（以電壓高于252 V為判據，240 V為額定電壓），它們大都是服務年限高于15年的老變壓器。通過對智能電表數據的應用，FPL在系統運營方面得到了顯著的收益，包括變被動故障為主動的計劃停運維護，變壓器更新開支平均節省25%，縮短了用戶停電時間（比故障停運情形減少93 min）。

從以上案例可以看出，智能電表數據能很好地幫助電力公司提高其資產的管理和運維水平，減少非必要的事故停電，提高用戶滿意度。

3.3 故障定位與響應

通常電力公司一般依據客戶電話來確定電網故障的位置，在派遣工作人員去現場處理之前，需要幾個或是更多的故障電話來大致確認故障范圍和影響區域，然而這樣就會大大增加故障的處理時間。派遣現場工作人員處理故障前，利用電表數據和線路故障指示器聯合判斷故障地點，將極大地減少故障影響時間。

許多智能電表都是內置電容供電的智能傳感器，在線路停電后仍然能夠上報“失電”故障信息（last gasp）至故障管理系統。從各智能電表接收到的故障信息能夠清楚地判斷故障范圍，如果把智能電表和地理信息系統結合在一起，通過故障點的分布和拓撲關系可進一步顯示各故障點的相關性。另外派遣現場作業人員處理故障前，調度中心的操作人員能夠下發指令到相關的電表判斷是否斷電，這能夠極大地減少故障誤報。智能電表在恢復供電后也會上報“上電”信息（first breath）。智能電表和操作人員之間的這種互動過程能幫助確認故障修復并檢測是否有多重電網故障同時存在。

3.4 網損分析

目前配電網網損計算中存在的最突出問題就是供售電數據不同期，產生此問題的根本原因是不同電壓等級的售電量抄表日期不一致，且與供電量的結算日期不同。而智能電表的大量應用，使電力公司可獲得變壓器、饋線和大量用戶的同期（準同期）數據，依據這些數據可得到同期線損，較過去通過手工抄表數據所計算的結果要精確很多。

除了網損的同期問題外，網損計算的周期也是值得關注的問題。傳統網損分析一般每月進行一次，屬于事后折算定性分析，存在明顯的滯后性和盲目性，往往不能正確評價損耗率是否合理，也不能及時做出補救措施。電力是一種特殊的商品，每時每刻都隨著工農業生產、居民生活、天氣等發生變化，線損率也隨之變化。怎樣來實時地跟蹤這些變化，或者將發生變化的監測時間壓縮到最小是亟待解決的問題。智能電表采集間隔一般為15min，可以把原來一個月進行一次的網損分析縮短至15分鐘級，甚至可以對重點關注的某個或一組用戶，設置到5min或更小的間隔，這樣可以為網損分析提供實時（或準實時）的測量數據，對電網運行過程中的用電異常、竊電行為提供及時主動預警。

3.5 配電網狀態估計

傳統意義上，電力公司通過位于變電站內或配電線路沿線的SCADA設備來監測配電系統，例如線路重合閘設備、電壓調節器和電容控制器等。SCADA測量能夠提供電流、電壓等信息，再結合配電管理系統DMS中的先進軟件應用，可以有效地提升對配電線路分析、檢測的清晰度和性能，對配電線路所有測量點實時電氣信息做出狀態估計，但是SCADA無法顯示配電線路以外的電氣信息。

智能電表數據可以補償SCADA實時數據的不足，其提供的小時凍結數據甚至是分鐘凍結數據顯著提升了狀態估計精度。把智能電表系統收集的歷史數據與天氣信息和GIS模型結合起來，構建精度更高的用戶模型。用戶數據實現近實時收集，隨時掌握用戶點的精確功率流，為配電網狀態做出更精確的估計。

3.6 電壓和無功優化

集成的電壓/無功優化（volt/var optimization，VVO）與傳統未經協調的局部控制方法不同，VVO使用全網實時信息和在線模型對配電網絡進行全面評估，提供全網優化和協調控制策略，使各項調節控制措施產生的結果能與最佳控制目標一致。 當前應用的VVO系統采用準實時的配電網潮流模型，潮流模型建立在實時網絡拓撲模型、節點負荷模型和二次回路等效模型之上。負荷模型的調整依靠變電站自動化和饋線自動化SCADA系統的測量來實現，并采用下游配電線路的狀態估計電壓作為配電網潮流模型的參考電壓。因此客戶端電壓的精度取決于參考電壓的精度與配電線路、配電變壓器和二次回路等效模型的壓降。這些模型的誤差都給電壓無功優化帶來許多不確定性，降低了VVO的性能。利用覆蓋全網的智能電表（包含饋線、配電變壓器和居民電表）和通信網絡，智能電表的量測數據作為SCADA系統的冗余，能夠通過減少無功優化中的不確定性，提升電壓無功優化性能。

VVO的另一個目的是在不違反電力服務標準的情況下，使得任意用戶點的配電電壓盡可能低。大多數VVO方案依靠狀態估計所得到的低電壓限制和模型結果往往精度不夠，VVO應用傾向于采用保守方案來保持電壓不違反低電壓門限。智能電表的歷史數據和實時數據能顯著提升模型的精度，并保證無功控制行為不違反運行限制。另外在系統中的薄弱點，通過對智能電表進行特定的設置，使其能為VVO返回近實時測量數據，為其優化過程提供幫助。

綜上所述，智能電表數據大量應用于配電網的規劃設計、運行維護及客戶服務等各個方面，除了上面列舉的方向外，智能電表數據還可以廣泛應用于負荷預測、可靠性評估、相位識別、三相不平衡分析等方面。

本應用實例將介紹如何采用智能電表數據分析方法，對配電網地理信息系統（GIS）中設備的電氣連接關系進行正確性校驗。電力公司通常使用GIS系統來描述和管理配電系統中各種電力設備以及它們的電氣連接關系，在已有的配電網GIS系統數據中，存在著大量的錯誤或者誤差，例如：

1）實際電氣拓撲關系與GIS系統數據不相符，如電力用戶與臺式變壓器的連接線路不相符、臺式變壓器與饋線的連接線路不相符等；

2）設備資產的地理位置錯誤、參數不一致等。

這些錯誤和誤差對配電系統的資產管理、系統運維、供電中斷響應以及維修人員的人身安全都有不良影響。目前，為了校驗和修正這些錯誤或者誤差，電力公司的通常做法是：當實際拓撲關系發生變更時，利用人工記錄這些變更并更新GIS中的相關數據，或者專門組織人力進行實地巡測來修正這些錯誤。這些方法均需要耗費大量的時間、人力和物質資源，而且準確性不夠，同時對于采用地下電纜鋪設的臺區、偏遠臺區等不具備良好的可操作性。

加拿大BC Hydro 公司基于智能電表數據分析方法，為解決上述問題提供了新的思路，其主要分析過程如下：

（1）按一般的電氣工程原理，配電網的電壓分布具有以下特性：

1）因為與不同饋線相連的負荷的分布是不同的，所以其電壓分布是不同的；

2）電壓值的大小在同一饋線上從上游至下游呈遞減趨勢；

3）負荷在系統中是變化和相互影響的，如果兩個負荷的電氣距離越近，它們的電壓曲線就越相似，相關度就越高，反之亦然。

（2）從GIS系統中選取某一配電變壓器，例如此臺區下共有13個電力用戶的智能電表，利用這些智能電表的小時電壓分布序列（一周的時間），按照樣本數據相關性分析算法，對其進行相關系數計算（見圖1），可得出一周內所有電表小時電壓曲線之間的相關系數矩陣。可以看出，除了電表11和電表13，其他所有該變壓器下的智能電表小時電壓之間的相關系數都大于0.97，這樣高的相關性可以表明這些電表確實都是接在該變壓器下。然而，電表11和13與其他電表之間的相關系數在比較低的0.67～0.78區間（在圖1中以灰色底色示出），這表明這兩個電表在實際的拓撲結構中可能是連接在其他變壓器下的。再把這兩個檢出的電表與其他相鄰的臺區內電表進行電壓特性相關分析和量值比較，可以推斷出其正確的接線位置。

BC Hydro公司基于智能電表數據對配電網拓撲進行正確性校驗，是電氣工程原理與其他分析方法相結合，用于解決電力系統實際生產運行問題的典型案例，具有很好的參考和借鑒意義。

　　圖1 電表1-13d 電壓相關系統矩陣

5 結語

智能電表數據是配電系統運行的基礎性數據，它為電力公司提供了規模巨大、時標一致、量測頻率更高、覆蓋范圍更廣的可信數據源。聚類、相關分析等統計學方法，以及信息技術都是進行智能電表數據分析的常用手段。當然綜合應用電氣工程、統計學和大數據等相關學科，尋找智能電表數據與電網運行的內在關聯，系統地求解某一配電系統的實際問題，已成為智能電表數據分析的重要方法。挖掘智能電表數據蘊含的深層價值，將作為未來電網的一個基本功能，廣泛服務于運營決策、配電網規劃、運行管理及客戶服務等各個方面，為配電系統邁向智能化提供更加有力的支撐。 來源： 供用電技術