一种用户用电负荷辨识智能电能表检测方法与流程

本发明涉及电能表检测，尤其涉及一种用户用电负荷辨识智能电能表检测方法。

背景技术：

1、电能表作为用电结算的计量器具，其准确与否将直接影响电力结算的公平、准确、可靠，直接关系到供电公司和用户的切身利益。电能表一旦发生计量故障，将导致电能结算失准，极易发生用电纠纷。为了实现计量故障自检，目前常规计量自检方法为在电能表内部采用两套独立的计量电路(计量模块1、计量模块2)进行分别计量并对比两个计量模块的计量结果，如果两者不一致说明计量存在故障，需对计量模块进行复位等操作进行故障排除。上述通过双路计量自检的方法中需要额外增加一路对比计量模块，此方法的成本高，且通常受结构空间大小的限制

2、专利申请号为202010475853.6的发明专利，公开了一种电能表计量故障自检方法及系统，通过待自检电能表的mcu截获连接在同一电力线上的多个电能表的用电负荷参数-电压数据与同一电力线上的电压数据进行多次对比，从而能对待自检电能表的计量故障进行在线自检，该自检方法通过纯软件的方法实现，无需额外的硬件即可实现自检，成本低、操作简单。

3、但是，在实际的电力管理区域内，电能表的数量众多，通过上述的自检方法对于整个电力管理区域的所有电力线上的电能表进行计量异常的挖掘工作量过大，并没有针对性地筛选自检，由于自检过程中区域内的所有电能表需要同时进行自检，需要传输大量的数据信息，可能会造成网络负担的加重、采集资源的浪费，并且，不仅仅在不同电力线上的电能表的用电负荷特征存在差异性，同一条电力线上的不同电能表也会由于用户的用电规律而产生差异。

技术实现思路

1、本技术通过提供一种用户用电负荷辨识智能电能表检测方法，能够在电力管理区域实现对电能表更加高效、精准的检测，节省电力资源。

2、本技术提供了一种用户用电负荷辨识智能电能表检测方法，包括：

3、s101，根据预设的用电行为特征相似算法，将电力管理区域内所有电力线划分为若干电力线组；

4、s102，基于每个电力线组，得到其中每个电力线在近一天内k个时间节段内的用电负荷极值，形成该电力线的用电负荷波动序列，并生成该电力线分别与所在电力线组内其他电力线的用电负荷偏离序列；

5、s103，基于电力线组中每个电力线的所有用电负荷偏离序列中，若存在某个用电负荷偏离序列中达到偏离阈值的时间节段的数量大于，则将对应电力线确定为目标电力线；

6、s104，基于每个目标电力线，每隔预设周期获得每个电能表的电压偏离集合及其对应的异常概率值，直至达到预设的监测时长，生成每个电能表的异常概率值序列；监测时长大于预设周期，且监测时长为预设周期的整倍数；

7、s105，判断目标电力线中每个电能表的异常概率值序列是否满足预设条件，得到目标电力线中每个电能表的检测结果。

8、优选地，所述预设的用电行为特征相似算法，具体包括：

9、a1、基于每个电力线，获得其在预设历史时间段及其每个时间单元内的用电量，根据以下公式计算得到电力线的用电特征值：

10、。

11、其中，f为对应电力线在预设历史时间段内的用电特征值，为电力线上第i个电能表在预设历史时间段内的总用电量，n为电能表的数量，m为预设历史时间段内时间单元的总数量，为电力线上第j个时间单元内的总用电量，为所有时间单元的平均用电量，和分别为预先设置的权重系数值；

12、a2、根据相邻时间单元之间的用电量变化率，t=1,2,...,m-1，得到对应电力线在预设历史时间段内的用电量变化时间序列，生成用电量变化时间序列的第一统计值和第二统计值；

13、a3、根据用电特征值、第一统计值和第二统计值，构建每条电力线的用电行为特征向量v=；

14、a4、对所有电力线进行两两之间用电行为特征向量的相似度计算，构建电力线相似度矩阵，根据预设的相似阈值，得到若干电力线组。

15、优选地，所述s104中，每隔预设周期获得每个电能表的电压偏离集合及其对应的异常概率值，包括：

16、b1、基于每个电能表，每隔预设周期采样当前时刻的电压值以及所在电力线上其他电能表的有效电压值集；其中，有效电压值集具体为：所在电力线中除该电能表以外的所有电能表当前时刻采样的电压值中，删除最大值和最小值，将剩下的电压值组成有效电压值集；b2、分别计算该电能表与有效电压值集中每个电压值的差值，组成该电能表的电压偏离集合，集合中每个元素对应一个差值，将电压偏离集合中大于预设基准差值阈值的元素的数量与元素总数量的比值确定为异常概率值；

17、其中，当进行下一个预设周期的电压值采样之前，若上一个周期的异常概率值大于第一阈值时，复位待检测电能表的计量芯片并且刷新计量参数。

18、优选地，所述s105具体包括：

19、c1、当电能表的异常概率值序列中每个异常概率值均小于第一阈值时，则判定该电能表计量正常；

20、c2、当电能表的异常概率值序列中每个异常概率值均大于第一阈值时，则判定该电能表计量故障，置位计量故障信息标志并上报至电力管理区域；

21、c3、否则，获得该电能表与该电力线上其他被判定为计量正常的电能表的监测时长内用电量的差值作为计量误差值，输入至对应的预先训练完成的计量故障识别模型中，输出该电能表的检测结果，检测结果包括计量正常和计量故障。

22、优选地，每一个电力线组对应一个计量故障识别模型，根据电能表所在电力线确定其对应的计量故障识别模型，预先训练完成的计量故障识别模型具体获得过程为：

23、在某个电力线组中，获得所有电能表的大量的历史监测时长内的用电量，选择该电力线组中每条电力线上稳定计量正常的电能表作为模拟对象，获得所有历史监测时长内各个电能表的用电量与对应模拟对象的用电量的差值作为训练数据集，并对每个训练数据进行标签标注。

24、优选地，所述计量故障识别模型包括若干个子模型，步骤c3还包括：

25、s201，基于预设的异常比例程度值区间[0，)、[，)、[，1]，分别对应一个子模型；其中，异常比例程度值具体为：异常概率值序列中大于第一阈值的数量与异常概率值序列中异常概率值的总数量的比值；

26、s202，获得该电能表的异常概率值序列对应的异常比例程度值，根据其异常比例程度值所处异常比例程度值区间，定位至对应的子模型；

27、s203，将该电能表的计量误差值输入至对应的子模型中，输出该电能表的检测结果；

28、其中，每个异常比例程度值区间对应的子模型的训练方式，具体包括：

29、d1、在获取的训练数据集中，获得每个训练数据对应的电能表在所处电力线上得到的异常概率值序列对应的异常比例程度值；

30、d2、根据每个训练数据的异常比例程度值，划分至对应的异常比例程度值区间，得到每个异常比例程度值区间对应的子训练集；

31、d3、利用子训练集对预设的网络模型进行训练和参数优化，得到每个异常比例程度值区间对应的子模型。

32、优选地，在所述b1中，每个电能表的有效电压值集的确定方法，还包括：

33、s301，分别计算该电能表与所处电力线上剩下的电能表之间的用电状态相似指标；

34、s302，将用电状态相似指标大于预设状态相似阈值的电能表作为参照电能表；

35、s303，将所有参照电能表当前时刻采样的电压值中除去最大值和最小值，得到该电能表的有效电压值集。

36、优选地，两个电能表之间的用电状态相似指标的计算方式具体为：

37、e1、获得每个电能表在历史时间窗口内每个采样时刻的电压值，历史时间窗口设置为近6小时，得到若干按照时间顺序排列的数据点（采样时刻，电压值）；

38、e2、利用预设的拟合算法将电能表的所有数据点进行拟合，分别得到每个电能表的采样时刻-电压值曲线；

39、e3、基于每个电能表的采样时刻-电压值曲线，根据以下公式计算得到两个电能表之间的用电状态相似指标：

40、。

41、其中，和分别为电能表a和b在采样时刻t的电压值，[t1，t2]为基于历史时间窗口内预先设置的时间区间，在历史时间窗口内选择一个时间区间进行用电状态相似指标的计算。

42、优选地，在所述b2中，将电压偏离集合中大于预设差值阈值的元素的数量与元素总数量的比值确定为异常概率值，还包括：

43、s401，基于该电能表的电压偏离集合中的每一个元素对应的参照电能表，分别得到该电能表与每个参照电能表之间的用电状态相似指标；

44、s402，根据该电能表与每个参照电能表之间的用电状态相似指标，适应性调整每个参照电能表的预设差值阈值。

45、优选地，所述s402具体包括：

46、根据预设的用电状态相似指标区间-调整因子，确定每个参照电能表所属用电状态相似指标区间对应的调整因子，将预设差值阈值与对应的调整因子相乘，得到参照电能表调整后的差值阈值，替换原来的预设差值阈值；

47、预设的用电状态相似指标区间-调整因子具体为：[a1，a2)-1.2、[a2，a3)-1、[a3，1]-0.8，a1为预设状态相似阈值，a2、a3根据预设状态相似阈值进行适应性设置，满足a2小于a3、a2大于a1、a3小于1。

48、本技术中提供的一个或多个技术方案，至少具有如下技术效果或优点：

49、通过用电行为特征相似算法对电力管理区域内所有电力线进行划分得到若干电力线组，根据每个电力线组中每个电力线的用电负荷偏离序列确定可能存在故障的目标电力线，在目标电力线上进行电能表之间的互相自检工作，减少了全面自检的工作量，提高了检测效率，避免了所有电能表同时自检造成的数据传输高峰，减轻了电力管理区域内的网络负担和采集资源浪费；结合用电负荷分析和电能表的异常概率值监测，能够更精确地定位存在计量异常的电能表，并且依据不同的异常概率值序列分布情况，进行差异化的检测方法，实现了对电能表的高效、精准的检测。

50、通过将计量故障识别模型进一步细分为若干子模型，针对监测时长内不同异常比例程度值的电能表进行更精细化的检测，使用不同的子模型进行检测，避免了使用统一模型可能带来的训练误差和泛化能力弱的问题，提高了检测的准确性和模型的泛化能力；子模型的训练考虑了历史上异常电能表与同一条电力线上其他电能表之间的异常概率值序列的差异性，使得模型对不同类型的计量误差值具有更好的判断能力和适应性。

51、通过计算一条电力线上电能表之间的用电状态相似指标，选择用电状态相似的电能表作为参照，使得自检过程中的比较更加标准，提高了异常检测的准确性和可靠性；弥补了电力线总体用电行为聚类可能带来的局部误差。

52、通过适应性调整每个参照电能表的差值阈值，能够更准确地反映电能表之间的实际差异，减少了因固定差值阈值导致的误判和漏判；每个参照电能表对应一个个性化的差值阈值，使得异常概率值的计算更加精细化，有助于发现更隐蔽的异常问题；能够根据电能表之间的用电状态相似指标自动调整差值阈值，提高了系统的自适应性和智能化水平。