一种电能表异常检测方法与系统与流程

本发明涉及电力系统领域，具体涉及一种电能表异常检测方法与系统。

背景技术：

1、随着电力系统的智能化程度不断提升，电能表在电力监测和管理领域的作用日益显著。电能表的职责不仅包括测量电力参数、计量双向电能、实现实时数据交互、监测电能质量以及支持远程监控等多方面功能，而且其准确性和稳定性直接影响着发电公司、电网公司、售电公司以及用电用户之间的贸易结算和公平交易。

2、然而，电力设备由于长时间运行，容易受到各种不可预知的因素的影响，可能导致设备故障、通信中断、电能偷窃等问题。传统的电能表异常分析通常依赖工作人员现场排查，存在排查难度高、时效低等问题。随着智能电网的进展，电网数据呈现快速增长，但与之相关的状态监测技术仍然初具雏形。

3、国家能源局在《dlt 448-2016电能计量装置技术管理规程》中提出了对电能计量装置运行与管理的新要求，鼓励推动现代检测技术等新技术的发展。在这一背景下，电能表异常监测凸显为至关重要的任务，需要采取智能化的方法来确保电表的可靠运行，进一步提升电力系统的安全性和稳定性。在当前的研究趋势下，加强对电能表异常监测方法的研究和改进，尤其注重结合先进的状态监测技术，将有望为电力系统的智能化发展提供更为可靠和高效的解决方案。

技术实现思路

1、本发明要解决的技术问题：针对现有技术的上述问题，提供一种电能表异常检测方法与系统，通过构建基于残差优化的最优差分间隔的卷积神经网络异常监测模型，准确捕捉电能表特性数据的变化趋势，为电能表异常检测提供更加准确可靠的结果。

2、为了解决上述技术问题，本发明采用的技术方案为：

3、一种电能表异常检测方法，包括以下步骤：

4、采集电能表的三相电压并将所述三相电压的均方根作为原始特征数据；

5、建立残差优化模型，并通过最小化残差优化模型的残差求解最优差分间隔；

6、计算每个最优差分间隔内原始特征数据的平均差分值，并作为电能表特征数据；

7、使用电能表特征数据作为样本训练卷积神经网络模型，使用训练好的卷积神经网络模型对电能表实时采集的数据进行检测。

8、进一步的，建立残差优化模型时，包括：

9、对电能表三相电压的均方根值进行傅里叶变换，得到对应的频谱x(f)；

10、对频谱x(f)进行幅度平均，然后提取峰值作为初始估计的目标频率值；

11、根据输入特征的时域序列x(n)中每个脉冲的信息构建模型信号s(t)，根据目标频率值计算差分间隔t并为模型信号s(t)中的变量赋值，得到模型信号s(nt)；

12、计算输入特征的时域序列x(n)与模型信号s(nt)的残差r，得到残差优化模型。

13、进一步的，所述模型信号s(t)表达式如下：

14、

15、上式中，ai是第i个脉冲的幅度，ti是第i个脉冲的位置，δt是脉冲的宽度，fi是第i个脉冲的频率，g()为门信号。

16、进一步的，所述残差优化模型的表达式如下：

17、

18、其中，r表示残差，x(n)是输入特征的时域序列，s(nt)为模型信号，fi是第i个脉冲的频率。

19、进一步的，通过最小化残差优化模型的残差求解最优差分间隔时，包括：

20、迭代调整模型信号参数，利用梯度下降法不断优化残差r，直至达到梯度下降法的收敛条件后，输出对应的差分间隔t作为最优差分间隔。

21、进一步的，使用电能表特征数据作为样本训练卷积神经网络模型时，包括：使用电能表特征数据作为输入，且对应的标签作为输出训练卷积神经网络。

22、进一步的，所述卷积神经网络的损失函数为：

23、

24、其中，j表示损失函数，m是样本数量，y(i)是实际标签，是模型的预测值。

25、进一步的，使用训练好的卷积神经网络模型对电能表实时采集的数据进行检测之后，包括：若检测到异常，则生成报警信息并通知相关人员。

26、本发明还提出一种电能表异常检测系统，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行任意一项所述的电能表异常检测方法。

27、本发明还提出一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序用于被微处理器编程或配置以执行任意一项所述的电能表异常检测方法。

28、与现有技术相比，本发明的优点在于：

29、1.本发明采集电能表的三相电压并计算其均方根值，将三相电压的综合特征提取出来，有助于全面地反映电能表的电压情况，而不仅仅是单一相电压值。电能表的正常工作应该保持稳定的三相电压。通过计算均方根值，可以更好地反映电能表电压的稳定性，提升系统的异常检测效果。

30、2.由于异常数据往往表现为周期性的变化或突发的波动，相较于传统的差分计算方法，本发明利用基于残差优化的最优差分间隔估算方法，确保每个差分窗口内都包含完整的周期性变化信息。这样可以有效地捕捉到数据的周期性变化特征，提高了数据分析的准确性。

31、3.本发明提出基于残差优化的最优差分间隔估算方法，根据不同数据的周期性特点自适应调整差分间隔，更具通用性和适应性。不同的电能表数据可能具有不同的周期性特征，通过调整差分间隔，可以适应各种数据的特点，提高了算法的适用范围和稳健性。

技术特征：

1.一种电能表异常检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的电能表异常检测方法，其特征在于，建立残差优化模型时，包括：

3.根据权利要求2所述的电能表异常检测方法，其特征在于，所述模型信号s(t)表达式如下：

4.根据权利要求2所述的电能表异常检测方法，其特征在于，所述残差优化模型的表达式如下：

5.根据权利要求2所述的电能表异常检测方法，其特征在于，通过最小化残差优化模型的残差求解最优差分间隔时，包括：

6.根据权利要求1所述的电能表异常检测方法，其特征在于，使用电能表特征数据作为样本训练卷积神经网络模型时，包括：使用电能表特征数据作为输入，且对应的标签作为输出训练卷积神经网络。

7.根据权利要求6所述的电能表异常检测方法，其特征在于，所述卷积神经网络的损失函数为：

8.根据权利要求1所述的电能表异常检测方法，其特征在于，使用训练好的卷积神经网络模型对电能表实时采集的数据进行检测之后，包括：若检测到异常，则生成报警信息并通知相关人员。

9.一种电能表异常检测系统，包括相互连接的微处理器和存储器，其特征在于，所述微处理器被编程或配置以执行权利要求1～8中任意一项所述的电能表异常检测方法。

10.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序用于被微处理器编程或配置以执行权利要求1～8中任意一项所述的电能表异常检测方法。

技术总结本发明公开了一种电能表异常检测方法与系统，方法包括以下步骤：采集电能表的三相电压并将所述三相电压的均方根作为原始特征数据；建立残差优化模型，并通过最小化残差优化模型的残差求解最优差分间隔；计算每个最优差分间隔内原始特征数据的平均差分值，并作为电能表特征数据；使用电能表特征数据作为样本训练卷积神经网络模型，使用训练好的卷积神经网络模型对电能表实时采集的数据进行检测。本发明通过构建基于残差优化的最优差分间隔的卷积神经网络异常监测模型，准确捕捉电能表特性数据的变化趋势，为电能表异常检测提供更加准确可靠的结果。技术研发人员：解玉满,谈丛,黄红桥,骆冰祥,王海元,尹东阳,胡婷,严向前,谈晓妍受保护的技术使用者：国网湖南省电力有限公司技术研发日：技术公布日：2024/9/29