基于深度神经网络的电能计量异常筛选方法
金 晨
（杭州供电公司，浙江 杭州 310000）
在智能用电中，电能计量采集系统主要负责统计智能用电中的电能需求预测情况与电能消耗情况，对不同用户的电能使用习惯实施分类管理，使用户能够合理用电，电力部门能够顺利制定相关决策，为我国阶梯电价政策的执行提供一定的技术手段[1]。目前该系统已经得到了广泛的推广，但在其应用中，由于设备故障、窃电等原因会产生大量异常的非结构化数据，需要将其筛选出来进行进一步分析。本文基于该背景对电能计量异常筛选方法进行研究。在该问题的研究中，已经有多名学者参与进来，并取得了大量研究成果。其中文献[2]提出一种基于RELS-TSVM的电能表电压异常数据识别方法，经验证该识别方法具有可行性并且识别准确率较高。文献[3]提出一种异常数据动态辨识及处理系统，该系统对于计量异常的发现与辨析能力较强。由于以上方法存在筛选分类精度较低等问题，因而笔者设计一种基于深度神经网络的电能计量异常筛选方法。
1.1 电能计量数据丢帧处理
通过拉格朗日插值方法对电能计量数据实施丢帧处理[4]。具体处理步骤如下。
（3）在获取的多项式中直接代入丢帧处的位置，得到该缺失值的对应近似值。
1.2 筛选异常特征数据
（1）首先实施日数据分析。对于系统中的专变用户，当前一天的日正向有功示值或日反向有功示值比当天的值大，以及前一天的一象限无功电能或四象限无功电能比当天的值大，表明存在电能表倒走的问题；
对于低压用户，当日正向、日反向总有功电能示值比前一天的示值小说明出现电能表倒走现象；
对于缺失前一天示度的情况，将其与7天内最后一次示值进行比较，当其值比前一天的示值小，说明出现电能表倒走现象。
（2）接着实施小时数据分析。当日分析无异常，需要实施小时数据分析。当正向有功电能总示值比上一小时示值小，继续判断是否比两个小时的示值小，如果成立，说明出现电能表倒走现象。
分别收集以上相关数据作为筛选出来的电量异常特征数据。
用电异常特征的表现为三相电电能表开盖与单相电能表开盖，其特征计算方法具体如下。
（1）当电能表实际开盖时间相比其安装时间或维修时间晚24小时以上时，需要继续召测前几次的电能表开盖事件，直到追溯到系统已经存在的记录；
对于所有开盖记录，对其逻辑时间是否正确进行判断，并判断电能表开盖情况，具体判断依据为开盖时间小于3天，大于1分钟。
（2）此时对于系统中的低压单相用户，实施A相电流与零线电流的召测。在召测中，首先确定零线电流的值是否为0.1 A，当大于0.1 A时，继续对是否满足下式条件进行判断。
如果满足，则相关数据为用电异常特征数据。
（3）对于系统中的低压三相用户，实施最近10次的开端钮盒事件的召测，观察事件日期是否与开表盖事件的日期一致，若一致则生成异常，即相关数据为用电异常特征数据[6]。
接线异常特征的表现为潮流反向、反向电量，分别对二者进行判断，如果判断结果为发生潮流反向、反向电量，则收集相关数据作为筛选出来的接线异常特征数据。
1.3 电能计量异常筛选模型构建
（1）确定BP神经网络的实际拓扑结构，其中输入层数为3，隐层数为5，输出层数为2。
（2）对神经网络的阈值与权值实施编码，获取初始种群。
（3）解码获取阈值与权值。
（4）向BP神经网络实施阈值的赋值，并继续实施权值的赋值。
（5）通过训练样本对网络进行训练。其中训练样本的确定方式具体如下：网络训练内容包括期望输出数据与输入数据。其中期望输出数据的样本以二进制的形式来表示，以区分各类别的异常数据；
输入数据样本包括正常数据与筛选出的异常特征数据。
（6）通过测试样本对网络进行测试。
（7）根据测试误差对适应度进行计算，具体公式为
（11）获取新群体后，确认是否满足终止条件。如果满足，实施解码，获取BP神经网络的最佳阈值与权值。如果不满足，返回第（2）个步骤。
（12）完成电能计量异常筛选模型构建。
2.1 测试方法
对设计的基于深度神经网络的电能计量异常筛选方法进行性能测试。其中，实验数据来自电能计量采集系统，选择系统中某地区2019—2021年的电能计量采集数据进行实验。在测试中，首先通过拉格朗日插值方法对电能计量数据实施丢帧处理，接着筛选出3种异常的特征数据，最后在电能计量异常筛选模型中输入3种异常的特征数据，通过模型实现电能计量异常筛选。实验中遗传算法的参数设置情况具体如下。
⊙ 代沟：0.95；
⊙ 变异概率：0.011；
⊙ 交叉概率：0.768；
⊙ 个体长度：48521；
⊙ 最大遗传代数：100；
⊙ 种群大小：200；
⊙ 学习速率：0.2；
⊙ 训练目标：0.02；
⊙ 训练次数：2500。
根据采用该方法获得电能计量异常筛选结果对其性能进行测试，首先测试该方法筛选中的分类精度，其定义具体如下。
接着在实验数据中加入畸变数据，测试加入畸变数据后该方法的电能计量异常筛选误差。在测试中，为证明设计方法的优越性，将基于RELS-TSVM的电能表电压异常数据识别方法与异常数据动态辨识及处理系统作为对比方法共同进行测试，分别用方法1、方法2来表示。
2.2 分类精度测试结果
首先测试设计方法与两种对比方法筛选中的分类精度，测试结果具体如表1所示。
表1 分类精度测试结果
根据表1的分类精度测试结果可知，随着数据量的增长，3种方法的分类精度均有一定程度的下降，其中方法1、方法2分类精度的降幅较大，而设计方法的降幅则较小。同时，从整体测试结果来看，设计方法的分类精度也是高于方法1、方法2的分类精度的，因此可以证明设计方法有着良好的分类性能。
2.3 电能计量异常筛选误差测试结果
接着在实验数据中加入畸变数据，测试三种方法的电能计量异常筛选误差，测试结果具体如图1所示。
图1 电能计量异常筛选误差测试结果
根据图1的测试结果可知，随着加入畸变数据量的增长，3种方法的电能计量异常筛选误差也有一定增长。但整体来看，设计方法的增幅最小，同时整体来看，设计方法的电能计量异常筛选误差也远低于两种对比方法，因此可以证明设计方法的电能计量异常筛选性能更好。
电能计量采集系统中一直存在大量电能计量异常数据，本文中设计了一种基于深度神经网络的电能计量异常筛选方法，可实现对电能计量异常数据的高效筛选，便于后续直接应用电能计量采集系统中的数据，使电网运营实现更加安全、高效。由于研究时间和精力的限制，研究结果中还存在一些不足之处。今后将会针对以上问题进行更加深入的研究，以取得更加完美的研究成果。■
猜你喜欢示值电能表电能织物电阻测试仪校准中电阻示值测量不确定度评定纺织标准与质量(2022年4期)2022-09-05织物透气量仪透气率示值误差测量不确定度评定纺织标准与质量(2022年1期)2022-07-12巧数电能表数学小灵通(1-2年级)(2021年11期)2021-12-02苹果皮可以产生电能奥秘(创新大赛)(2020年1期)2020-05-22电能的生产和运输小学科学(学生版)(2019年10期)2019-11-16认识电能表中学生数理化·中考版(2019年12期)2019-09-23海风吹来的电能小哥白尼(趣味科学)(2019年12期)2019-06-15澎湃电能 助力“四大攻坚”人大建设(2018年2期)2018-04-18旋光仪示值误差测量结果的不确定度评定质量技术监督研究(2018年1期)2018-03-26为桥梁领域的示值准确性护航中国公路(2017年11期)2017-07-31