基于深度神經網絡的電能計量異常篩選方法

金 晨

（杭州供電公司，浙江 杭州 310000）

在智能用電中，電能計量采集系統主要負責統計智能用電中的電能需求預測情況與電能消耗情況，對不同用戶的電能使用習慣實施分類管理，使用戶能夠合理用電，電力部門能夠順利制定相關決策，為我國階梯電價政策的執行提供一定的技術手段[1]。目前該系統已經得到了廣泛的推廣，但在其應用中，由于設備故障、竊電等原因會產生大量異常的非結構化數據，需要將其篩選出來進行進一步分析。本文基于該背景對電能計量異常篩選方法進行研究。在該問題的研究中，已經有多名學者參與進來，并取得了大量研究成果。其中文獻[2]提出一種基于RELS-TSVM的電能表電壓異常數據識別方法，經驗證該識別方法具有可行性并且識別準確率較高。文獻[3]提出一種異常數據動態辨識及處理系統，該系統對于計量異常的發現與辨析能力較強。由于以上方法存在篩選分類精度較低等問題，因而筆者設計一種基于深度神經網絡的電能計量異常篩選方法。

1 電能計量異常篩選

1.1 電能計量數據丟幀處理

通過拉格朗日插值方法對電能計量數據實施丟幀處理[4]。具體處理步驟如下。

（3）在獲取的多項式中直接代入丟幀處的位置，得到該缺失值的對應近似值。

1.2 篩選異常特征數據

（1）首先實施日數據分析。對于系統中的專變用戶，當前一天的日正向有功示值或日反向有功示值比當天的值大，以及前一天的一象限無功電能或四象限無功電能比當天的值大，表明存在電能表倒走的問題；對于低壓用戶，當日正向、日反向總有功電能示值比前一天的示值小說明出現電能表倒走現象；對于缺失前一天示度的情況，將其與7天內最后一次示值進行比較，當其值比前一天的示值小，說明出現電能表倒走現象。

（2）接著實施小時數據分析。當日分析無異常，需要實施小時數據分析。當正向有功電能總示值比上一小時示值小，繼續判斷是否比兩個小時的示值小，如果成立，說明出現電能表倒走現象。

分別收集以上相關數據作為篩選出來的電量異常特征數據。

用電異常特征的表現為三相電電能表開蓋與單相電能表開蓋，其特征計算方法具體如下。

（1）當電能表實際開蓋時間相比其安裝時間或維修時間晚24小時以上時，需要繼續召測前幾次的電能表開蓋事件，直到追溯到系統已經存在的記錄；對于所有開蓋記錄，對其邏輯時間是否正確進行判斷，并判斷電能表開蓋情況，具體判斷依據為開蓋時間小于3天，大于1分鐘。

（2）此時對于系統中的低壓單相用戶，實施A相電流與零線電流的召測。在召測中，首先確定零線電流的值是否為0.1 A，當大于0.1 A時，繼續對是否滿足下式條件進行判斷。

如果滿足，則相關數據為用電異常特征數據。

（3）對于系統中的低壓三相用戶，實施最近10次的開端鈕盒事件的召測，觀察事件日期是否與開表蓋事件的日期一致，若一致則生成異常，即相關數據為用電異常特征數據[6]。

接線異常特征的表現為潮流反向、反向電量，分別對二者進行判斷，如果判斷結果為發生潮流反向、反向電量，則收集相關數據作為篩選出來的接線異常特征數據。

1.3 電能計量異常篩選模型構建

（1）確定BP神經網絡的實際拓撲結構，其中輸入層數為3，隱層數為5，輸出層數為2。

（2）對神經網絡的閾值與權值實施編碼，獲取初始種群。

（3）解碼獲取閾值與權值。

（4）向BP神經網絡實施閾值的賦值，并繼續實施權值的賦值。

（5）通過訓練樣本對網絡進行訓練。其中訓練樣本的確定方式具體如下：網絡訓練內容包括期望輸出數據與輸入數據。其中期望輸出數據的樣本以二進制的形式來表示，以區分各類別的異常數據；輸入數據樣本包括正常數據與篩選出的異常特征數據。

（6）通過測試樣本對網絡進行測試。

（7）根據測試誤差對適應度進行計算，具體公式為

（11）獲取新群體后，確認是否滿足終止條件。如果滿足，實施解碼，獲取BP神經網絡的最佳閾值與權值。如果不滿足，返回第（2）個步驟。

（12）完成電能計量異常篩選模型構建。

2 實驗測試

2.1 測試方法

對設計的基于深度神經網絡的電能計量異常篩選方法進行性能測試。其中，實驗數據來自電能計量采集系統，選擇系統中某地區2019—2021年的電能計量采集數據進行實驗。在測試中，首先通過拉格朗日插值方法對電能計量數據實施丟幀處理，接著篩選出3種異常的特征數據，最后在電能計量異常篩選模型中輸入3種異常的特征數據，通過模型實現電能計量異常篩選。實驗中遺傳算法的參數設置情況具體如下。

⊙ 代溝：0.95；

⊙ 變異概率：0.011；

⊙ 交叉概率：0.768；

⊙ 個體長度：48521；

⊙ 最大遺傳代數：100；

⊙ 種群大小：200；

⊙ 學習速率：0.2；

⊙ 訓練目標：0.02；

⊙ 訓練次數：2500。

根據采用該方法獲得電能計量異常篩選結果對其性能進行測試，首先測試該方法篩選中的分類精度，其定義具體如下。

接著在實驗數據中加入畸變數據，測試加入畸變數據后該方法的電能計量異常篩選誤差。在測試中，為證明設計方法的優越性，將基于RELS-TSVM的電能表電壓異常數據識別方法與異常數據動態辨識及處理系統作為對比方法共同進行測試，分別用方法1、方法2來表示。

2.2 分類精度測試結果

首先測試設計方法與兩種對比方法篩選中的分類精度，測試結果具體如表1所示。

表1 分類精度測試結果

根據表1的分類精度測試結果可知，隨著數據量的增長，3種方法的分類精度均有一定程度的下降，其中方法1、方法2分類精度的降幅較大，而設計方法的降幅則較小。同時，從整體測試結果來看，設計方法的分類精度也是高于方法1、方法2的分類精度的，因此可以證明設計方法有著良好的分類性能。

2.3 電能計量異常篩選誤差測試結果

接著在實驗數據中加入畸變數據，測試三種方法的電能計量異常篩選誤差，測試結果具體如圖1所示。

圖1 電能計量異常篩選誤差測試結果

根據圖1的測試結果可知，隨著加入畸變數據量的增長，3種方法的電能計量異常篩選誤差也有一定增長。但整體來看，設計方法的增幅最小，同時整體來看，設計方法的電能計量異常篩選誤差也遠低于兩種對比方法，因此可以證明設計方法的電能計量異常篩選性能更好。

3 結束語

電能計量采集系統中一直存在大量電能計量異常數據，本文中設計了一種基于深度神經網絡的電能計量異常篩選方法，可實現對電能計量異常數據的高效篩選，便于后續直接應用電能計量采集系統中的數據，使電網運營實現更加安全、高效。由于研究時間和精力的限制，研究結果中還存在一些不足之處。今后將會針對以上問題進行更加深入的研究，以取得更加完美的研究成果。■