電能計(jì)量中異常電能表智能精準(zhǔn)定位方法

薛曉慧 薛峪峰 張友璇 沈月婷 張 文

（1.國(guó)網(wǎng)青海省電力公司，青海 西寧 810001；2.北京中電普華信息技術(shù)有限公司，北京 100085）

作為能源工業(yè)的重要組成部分，電網(wǎng)受到國(guó)家的重點(diǎn)關(guān)注，而隨著智能電網(wǎng)的飛速發(fā)展和電表的廣泛鋪設(shè)，用戶(hù)用電數(shù)據(jù)規(guī)模增長(zhǎng)較快。在利益的驅(qū)動(dòng)下，用戶(hù)電能計(jì)量中出現(xiàn)了較多竊電、漏電和計(jì)量誤差大的異常電能表[1]，準(zhǔn)確有效地定位電力系統(tǒng)中的異常電能表對(duì)發(fā)現(xiàn)惡意竊電用戶(hù)、減少經(jīng)濟(jì)損失并維護(hù)國(guó)民經(jīng)濟(jì)平穩(wěn)發(fā)展至關(guān)重要。然而，傳統(tǒng)方法主要依賴(lài)使用人工提取電能計(jì)量中的電能表特征，導(dǎo)致定位效果較差。因此相關(guān)學(xué)者對(duì)電能計(jì)量中的異常電能表定位進(jìn)行了深入研究，并且取得了一定成果。

文獻(xiàn)[2]引入了失效物理，分析電能表的失效機(jī)理，進(jìn)而根據(jù)分析結(jié)果定位故障電能表，進(jìn)行異常電能表定位。但是該方法定位準(zhǔn)確率較低。文獻(xiàn)[3]以數(shù)據(jù)驅(qū)動(dòng)為基礎(chǔ)，研究了一種在線(xiàn)電能表監(jiān)測(cè)方法。該系統(tǒng)通過(guò)分元器件對(duì)比方法定位失準(zhǔn)電能表，但是該方法也存在定位準(zhǔn)確率低的問(wèn)題，并且定位耗時(shí)較長(zhǎng)。文獻(xiàn)[4]應(yīng)用了隱馬爾可夫模型，將該算法應(yīng)用于智能電能表故障遠(yuǎn)程檢定方法中，但是該方法的定位耗時(shí)較長(zhǎng)。

為了解決上述文獻(xiàn)方法中存在的異常電能表定位準(zhǔn)確率低等問(wèn)題，本文研究了一種電能計(jì)量中異常電能表智能精準(zhǔn)定位的新方法。

1 異常電能表智能精準(zhǔn)定位方法設(shè)計(jì)

1.1 電能表數(shù)據(jù)預(yù)處理

由于電能表數(shù)據(jù)在采集過(guò)程中缺乏頻次和精度，導(dǎo)致電能表數(shù)據(jù)存在部分噪聲值[5]，而該噪聲值會(huì)干擾數(shù)據(jù)分析的過(guò)程，影響最終的異常電能表定位效果，因此，本文在研究電能計(jì)量中異常電能表智能精準(zhǔn)定位的方法時(shí)，引入指數(shù)平滑法和歸一化處理算法預(yù)處理電能表數(shù)據(jù)，處理帶有噪聲的時(shí)間序列電能表數(shù)據(jù)，電能計(jì)量中電能表數(shù)據(jù)預(yù)處理方法的具體步驟如圖1所示。

圖1 電能表數(shù)據(jù)預(yù)處理步驟

根據(jù)圖1 可知，電能計(jì)量中電能表數(shù)據(jù)預(yù)處理主要分為5 步，依次為初始化、平滑處理、預(yù)測(cè)電能表數(shù)據(jù)、循環(huán)迭代和歸一化處理。具體如下。

步驟一：初始化。選擇初始平滑值和初始趨勢(shì)值，通常可以將第一個(gè)數(shù)據(jù)點(diǎn)作為初始平滑值和初始趨勢(shì)值。

步驟二：平滑處理，在每個(gè)時(shí)刻t，通過(guò)公式（1）、公式（2）計(jì)算電能表的平滑值和趨勢(shì)值.

式中：A（t）是電能表平滑值；B（t）是電能表趨勢(shì)值；α是平滑系數(shù)，取值為0～1，決定了最新數(shù)據(jù)對(duì)平滑值的影響程度；β是趨勢(shì)系數(shù)，取值為0～1，決定了當(dāng)前趨勢(shì)對(duì)未來(lái)趨勢(shì)的影響程度；x（t）是電能表當(dāng)前數(shù)據(jù)值。

步驟三：預(yù)測(cè)。通過(guò)平滑值和趨勢(shì)值預(yù)測(cè)未來(lái)電能表數(shù)據(jù)，即降噪處理后的電能表數(shù)據(jù)，如公式（3）所示。

式中：χ是預(yù)測(cè)的時(shí)間步長(zhǎng)。

步驟四：循環(huán)迭代。根據(jù)實(shí)際需要，可以對(duì)平滑、預(yù)測(cè)過(guò)程進(jìn)行多次迭代，以進(jìn)一步提高平滑效果和預(yù)測(cè)準(zhǔn)確性。

步驟五：歸一化處理。不同的電能表數(shù)據(jù)指標(biāo)之間會(huì)存在量綱上的差異，這些差異會(huì)干擾數(shù)據(jù)分析過(guò)程。為了避免這種量綱差異對(duì)最終異常電能表定位結(jié)果的影響，可以通過(guò)數(shù)據(jù)的規(guī)范化進(jìn)行處理。因此，引入歸一化處理算法，處理上述電能表數(shù)據(jù)C（t）。電能表數(shù)據(jù)歸一化的方法主要有3類(lèi)，本文對(duì)用電數(shù)據(jù)采用最小-最大規(guī)范化的方法進(jìn)行歸一化處理，即對(duì)原始的電能表數(shù)據(jù)進(jìn)行線(xiàn)性變換，將其數(shù)值投射到[0，1]，歸一化處理公式如公式（4）所示。

式中：Cmax（t）、Cmin（t）分別是電能表數(shù)據(jù)最大值和最小值。

1.2 基于匹配度的異常電能表初篩選

通過(guò)指數(shù)平滑法和歸一化處理算法預(yù)處理電能表數(shù)據(jù)時(shí)引入匹配度，初步智能篩選電能計(jì)量異常電能表。而引入匹配度的原因是電能表數(shù)據(jù)由一組與時(shí)間序列相關(guān)的負(fù)荷值構(gòu)成，因此，需要以典型負(fù)荷特征曲線(xiàn)來(lái)判別電能表是否處于正常用電的范圍，可通過(guò)匹配度將待定位的目標(biāo)電能表的日負(fù)荷特征曲線(xiàn)與典型日負(fù)荷特征曲線(xiàn)進(jìn)行相似性匹配，以此判別該電能表是否存在異常情況，并篩選出具有異常的電能表，縮小了電能計(jì)量時(shí)的異常電能表定位范圍，進(jìn)一步提高了定位準(zhǔn)確性和智能性。基于匹配度的異常電能表初篩選采用相似系數(shù)與歐式距離結(jié)合的方式度量電能表數(shù)據(jù)的相似性，從而達(dá)到初步篩選的目的。其中歐式距離如公式（5）所示。

式中：n表示電能表數(shù)量，i表示第i個(gè)電能表。

相似系數(shù)的計(jì)算如公式（6）所示。

由于相關(guān)系數(shù)為-1～1，其值越大，相似性越高，而歐氏距離越大，相似性越小，因此對(duì)相關(guān)系數(shù)求絕對(duì)值，對(duì)歐氏距離求e-d值，使其改變形式后的值為0～1，同時(shí)也滿(mǎn)足了歐式距離越大，相關(guān)系數(shù)和歐氏距離加權(quán)求和后的匹配度越小的關(guān)系，基于此，由公式（5）和公式（6）可得加權(quán)相加后的匹配度公式，如公式（7）所示。

式中：δ1、δ2均為權(quán)值。

利用匹配度值判定電能表是否存在異常，如果匹配度值低于匹配度閾值，則說(shuō)明該電能表存在異常，如公式（8）所示。

式中：ε表示匹配度閾值。

至此通過(guò)匹配度的計(jì)算，完成異常電能表初篩選，即通過(guò)公式（8）確定第i個(gè)電能表在電能計(jì)量中存在的異常。

1.3 基于深度注意力神經(jīng)網(wǎng)絡(luò)的異常電能表定位實(shí)現(xiàn)

為了更好地表征異常電能表序列深層特性，提高方法處理大規(guī)模序列數(shù)據(jù)的能力和智能化程度，本文引入深度注意力神經(jīng)網(wǎng)絡(luò)，通過(guò)神經(jīng)網(wǎng)絡(luò)定位上文初步篩選的異常電能表。設(shè)計(jì)的深度注意力神經(jīng)網(wǎng)絡(luò)的異常電能表定位結(jié)構(gòu)如圖2所示。

圖2 深度注意力神經(jīng)網(wǎng)絡(luò)的異常電能表定位結(jié)構(gòu)

根據(jù)圖2 可知，深度注意力神經(jīng)網(wǎng)絡(luò)的異常電能表定位主要由數(shù)據(jù)預(yù)處理、異常電能表初帥選、深度注意力網(wǎng)絡(luò)和分類(lèi)器組成，其中，上文已經(jīng)完整設(shè)計(jì)了數(shù)據(jù)預(yù)處理、異常電能表初篩選，而深度注意力網(wǎng)絡(luò)主要由多個(gè)相同的層堆疊組成，每層都包括2 個(gè)部分，一個(gè)是神經(jīng)網(wǎng)絡(luò)子層，后接一個(gè)自注意力機(jī)制層。其中神經(jīng)網(wǎng)絡(luò)子層為雙向子層，包括前向?qū)雍秃笙驅(qū)樱@兩層的輸出如公式（9）所示。

式中：h（t）表示前向?qū)虞敵觯籬'（t）表示后向?qū)虞敵觥?/p>

在完成神經(jīng)網(wǎng)絡(luò)子層輸出獲取，計(jì)算自注意力機(jī)制層輸出，如公式（11）所示。

根據(jù)圖2 可知，在深度注意力網(wǎng)絡(luò)后連接分類(lèi)器，分類(lèi)器也是輸出層，使用帶有非線(xiàn)性激活層的多層感知器獲取電能計(jì)量中電能表的異常概率，因此，完成深度注意力神經(jīng)網(wǎng)絡(luò)處理電能表數(shù)據(jù)后，通過(guò)以sigmoid 函數(shù)為激活函數(shù)的多層感知器進(jìn)一步將電能表進(jìn)行分類(lèi)，從而定位異常電能表，提高智能化程度和精準(zhǔn)性，則電能計(jì)量中電能表的異常概率如公式（12）所示。

式中：L（·）表示層的堆疊策略；Ki表示輸出層權(quán)重；K0表示初始權(quán)重。

引入閾值項(xiàng)，通過(guò)對(duì)比電能計(jì)量中電能表的異常概率與閾值定位異常電能表，如公式（13）所示。

式中：η表示電能計(jì)量中電能表的異常概率閾值。

通過(guò)上述公式可以定位電能計(jì)量中的異常電能表，當(dāng)電能表的異常概率大于閾值時(shí)，表明該電能表存在異常，輸出該電能表編號(hào)，即第i個(gè)電能表。當(dāng)電能表的異常概率小于等于閾值時(shí)，表明該電能表無(wú)異常情況，輸出0，即表示電能表無(wú)異常，不對(duì)其進(jìn)行異常定位。

2 試驗(yàn)

設(shè)計(jì)電能計(jì)量中異常電能表智能精準(zhǔn)定位方法性能對(duì)比試驗(yàn)時(shí)，本文以美國(guó)得克薩斯州奧斯汀市的公開(kāi)電能數(shù)據(jù)集PecanStreet 為研究對(duì)象，隨機(jī)選取數(shù)據(jù)集中每個(gè)電能表的1000 個(gè)數(shù)據(jù)，將60 個(gè)電能表的數(shù)據(jù)設(shè)置為訓(xùn)練樣本，對(duì)定位方法進(jìn)行訓(xùn)練，以電能計(jì)量中異常電能表智能精準(zhǔn)定位的準(zhǔn)確率和召回率為性能評(píng)估指標(biāo)。

2.1 試驗(yàn)準(zhǔn)備

為了驗(yàn)證電能計(jì)量中異常電能表智能精準(zhǔn)定位方法的性能，設(shè)計(jì)對(duì)比分析試驗(yàn)。試驗(yàn)以美國(guó)得克薩斯州奧斯汀市的公開(kāi)電能數(shù)據(jù)集PecanStreet 為研究對(duì)象，該數(shù)據(jù)集包括約120 個(gè)電能表的高時(shí)空分辨率的電能數(shù)據(jù)和每分鐘或每秒的功率測(cè)量值。這對(duì)分析用電行為的細(xì)節(jié)和變化模式非常有用，并且除了電能表數(shù)據(jù)外，PecanStreet 數(shù)據(jù)集還提供了其他多個(gè)傳感器收集的數(shù)據(jù)，如溫度、濕度和太陽(yáng)輻射等數(shù)據(jù)，使研究人員可以進(jìn)行更全面的能源管理和用電行為研究。隨機(jī)選取數(shù)據(jù)集中每個(gè)電能表的1000 個(gè)數(shù)據(jù)，將60 個(gè)電能表的數(shù)據(jù)設(shè)置為訓(xùn)練樣本，對(duì)定位方法進(jìn)行訓(xùn)練，另外60 個(gè)電能表數(shù)據(jù)為測(cè)試樣本，其中每個(gè)電能表數(shù)據(jù)包括10 個(gè)短時(shí)間內(nèi)的異常數(shù)據(jù)，確定此時(shí)的電能表為異常電能表。將深度注意力神經(jīng)網(wǎng)絡(luò)的深度設(shè)置為4 層，自注意力機(jī)制層設(shè)置為8 個(gè)。

2.2 結(jié)果分析

試驗(yàn)過(guò)程以電能計(jì)量中異常電能表智能精準(zhǔn)定位的準(zhǔn)確率和召回率為性能評(píng)估指標(biāo)，二者可以有效反映定位方法的精度，指標(biāo)值越高，說(shuō)明定位方法的定位精度越高，即越準(zhǔn)確，定位方法的性能越好。試驗(yàn)過(guò)程將失效物理的電能表定位方法（文獻(xiàn)[2]方法）、超狀態(tài)隱馬爾可夫模型的電能表定位方法（文獻(xiàn)[4]方法）與改進(jìn)深度注意力神經(jīng)網(wǎng)絡(luò)的電能表定位方法（本文方法）進(jìn)行對(duì)比，分析定位方法的準(zhǔn)確率。不同方法的定位準(zhǔn)確率結(jié)果見(jiàn)表1。

表1 不同定位方法的定位準(zhǔn)確率

根據(jù)表1 數(shù)據(jù)可知，不同定位方法的定位準(zhǔn)確率隨電能表數(shù)量的增加而變化，其中超狀態(tài)隱馬爾可夫模型的電能表定位方法的定位準(zhǔn)確率波動(dòng)最大，本文方法波動(dòng)最小。根據(jù)詳細(xì)分析可知，失效物理的電能表定位方法的定位準(zhǔn)確率在60 個(gè)電能表時(shí)僅為95.5%，超狀態(tài)隱馬爾可夫模型的電能表定位方法的定位準(zhǔn)確率為93.8%，而此時(shí)本文方法的定位準(zhǔn)確率可達(dá)99.6%。比較可知，本文方法的定位準(zhǔn)確率得到了提高，超過(guò)文獻(xiàn)方法4.0%以上，說(shuō)明本文方法的準(zhǔn)確性更好。

完成異常電能表定位準(zhǔn)確率試驗(yàn)分析后，分析定位召回率。不同方法的定位召回率結(jié)果如圖3所示。

圖3 不同定位方法的定位召回率

根據(jù)圖3 數(shù)據(jù)可知，3 種定位方法的定位召回率均較高，數(shù)值均達(dá)到94.0%以上。但是通過(guò)曲線(xiàn)可知，本文方法的定位召回率曲線(xiàn)整體高于文獻(xiàn)方法，并且波動(dòng)較小。根據(jù)詳細(xì)分析可知，電能表數(shù)量為60 個(gè)時(shí)，本文方法的定位召回率達(dá)99.8%，而此時(shí)文獻(xiàn)方法的定位召回率僅為95.0%和96.1%。比較可知，本文方法的定位召回率提高了3.7%，而且通過(guò)比較電能表數(shù)量和定位召回率在圖3 中的折線(xiàn)位置可得出，電能表數(shù)量為20 個(gè)時(shí)，失效物理的電能表定位方法召回率最低，為94.2%，電能表數(shù)量為40 個(gè)時(shí)，召回率最高，為96.2%。電能表數(shù)量為30 個(gè)時(shí)，超狀態(tài)隱馬爾可夫模型的電能表定位方法召回率最低，為94.1%，電能表數(shù)量為20 個(gè)時(shí)召回率最高，為96.1%。2 種方法在電能表數(shù)量逐漸遞增情況下召回率上下浮動(dòng)大，但本文的定位方法召回率一直穩(wěn)定在99.5%～100%。說(shuō)明本文方法具備更好的定位召回率，提高了定位性能。

3 結(jié)語(yǔ)

當(dāng)電能表存在異常時(shí)，統(tǒng)計(jì)的電能會(huì)不準(zhǔn)確，因此需要定位異常電能表，確保電能統(tǒng)計(jì)的準(zhǔn)確性，但是現(xiàn)階段異常電能表定位的準(zhǔn)確率較低。因此本文提出了一種新的電能計(jì)量中異常電能表智能精準(zhǔn)定位的方法。該方法通過(guò)指數(shù)平滑法和歸一化處理算法對(duì)電能表數(shù)據(jù)進(jìn)行預(yù)處理，采用匹配度算法初 步篩選異常電能表，引入注意力機(jī)制改進(jìn)的神經(jīng)網(wǎng)絡(luò)，完成異常電能表定位。采用對(duì)比試驗(yàn)驗(yàn)證該方法的性能。結(jié)果顯示，該方法的定位準(zhǔn)確率可達(dá)99.6%，召回率可達(dá)99.8%，定位性能較好，以期為電力的發(fā)展做出一定貢獻(xiàn)。