电能计量中异常电能表智能精准定位方法

薛晓慧 薛峪峰 张友璇 沈月婷 张 文

（1.国网青海省电力公司，青海 西宁 810001；2.北京中电普华信息技术有限公司，北京 100085）

作为能源工业的重要组成部分，电网受到国家的重点关注，而随着智能电网的飞速发展和电表的广泛铺设，用户用电数据规模增长较快。在利益的驱动下，用户电能计量中出现了较多窃电、漏电和计量误差大的异常电能表[1]，准确有效地定位电力系统中的异常电能表对发现恶意窃电用户、减少经济损失并维护国民经济平稳发展至关重要。然而，传统方法主要依赖使用人工提取电能计量中的电能表特征，导致定位效果较差。因此相关学者对电能计量中的异常电能表定位进行了深入研究，并且取得了一定成果。

文献[2]引入了失效物理，分析电能表的失效机理，进而根据分析结果定位故障电能表，进行异常电能表定位。但是该方法定位准确率较低。文献[3]以数据驱动为基础，研究了一种在线电能表监测方法。该系统通过分元器件对比方法定位失准电能表，但是该方法也存在定位准确率低的问题，并且定位耗时较长。文献[4]应用了隐马尔可夫模型，将该算法应用于智能电能表故障远程检定方法中，但是该方法的定位耗时较长。

为了解决上述文献方法中存在的异常电能表定位准确率低等问题，本文研究了一种电能计量中异常电能表智能精准定位的新方法。

1 异常电能表智能精准定位方法设计

1.1 电能表数据预处理

由于电能表数据在采集过程中缺乏频次和精度，导致电能表数据存在部分噪声值[5]，而该噪声值会干扰数据分析的过程，影响最终的异常电能表定位效果，因此，本文在研究电能计量中异常电能表智能精准定位的方法时，引入指数平滑法和归一化处理算法预处理电能表数据，处理带有噪声的时间序列电能表数据，电能计量中电能表数据预处理方法的具体步骤如图1所示。

图1 电能表数据预处理步骤

根据图1 可知，电能计量中电能表数据预处理主要分为5 步，依次为初始化、平滑处理、预测电能表数据、循环迭代和归一化处理。具体如下。

步骤一：初始化。选择初始平滑值和初始趋势值，通常可以将第一个数据点作为初始平滑值和初始趋势值。

步骤二：平滑处理，在每个时刻t，通过公式（1）、公式（2）计算电能表的平滑值和趋势值.

式中：A（t）是电能表平滑值；B（t）是电能表趋势值；α是平滑系数，取值为0～1，决定了最新数据对平滑值的影响程度；β是趋势系数，取值为0～1，决定了当前趋势对未来趋势的影响程度；x（t）是电能表当前数据值。

步骤三：预测。通过平滑值和趋势值预测未来电能表数据，即降噪处理后的电能表数据，如公式（3）所示。

式中：χ是预测的时间步长。

步骤四：循环迭代。根据实际需要，可以对平滑、预测过程进行多次迭代，以进一步提高平滑效果和预测准确性。

步骤五：归一化处理。不同的电能表数据指标之间会存在量纲上的差异，这些差异会干扰数据分析过程。为了避免这种量纲差异对最终异常电能表定位结果的影响，可以通过数据的规范化进行处理。因此，引入归一化处理算法，处理上述电能表数据C（t）。电能表数据归一化的方法主要有3类，本文对用电数据采用最小-最大规范化的方法进行归一化处理，即对原始的电能表数据进行线性变换，将其数值投射到[0，1]，归一化处理公式如公式（4）所示。

式中：Cmax（t）、Cmin（t）分别是电能表数据最大值和最小值。

1.2 基于匹配度的异常电能表初筛选

通过指数平滑法和归一化处理算法预处理电能表数据时引入匹配度，初步智能筛选电能计量异常电能表。而引入匹配度的原因是电能表数据由一组与时间序列相关的负荷值构成，因此，需要以典型负荷特征曲线来判别电能表是否处于正常用电的范围，可通过匹配度将待定位的目标电能表的日负荷特征曲线与典型日负荷特征曲线进行相似性匹配，以此判别该电能表是否存在异常情况，并筛选出具有异常的电能表，缩小了电能计量时的异常电能表定位范围，进一步提高了定位准确性和智能性。基于匹配度的异常电能表初筛选采用相似系数与欧式距离结合的方式度量电能表数据的相似性，从而达到初步筛选的目的。其中欧式距离如公式（5）所示。

式中：n表示电能表数量，i表示第i个电能表。

相似系数的计算如公式（6）所示。

由于相关系数为-1～1，其值越大，相似性越高，而欧氏距离越大，相似性越小，因此对相关系数求绝对值，对欧氏距离求e-d值，使其改变形式后的值为0～1，同时也满足了欧式距离越大，相关系数和欧氏距离加权求和后的匹配度越小的关系，基于此，由公式（5）和公式（6）可得加权相加后的匹配度公式，如公式（7）所示。

式中：δ1、δ2均为权值。

利用匹配度值判定电能表是否存在异常，如果匹配度值低于匹配度阈值，则说明该电能表存在异常，如公式（8）所示。

式中：ε表示匹配度阈值。

至此通过匹配度的计算，完成异常电能表初筛选，即通过公式（8）确定第i个电能表在电能计量中存在的异常。

1.3 基于深度注意力神经网络的异常电能表定位实现

为了更好地表征异常电能表序列深层特性，提高方法处理大规模序列数据的能力和智能化程度，本文引入深度注意力神经网络，通过神经网络定位上文初步筛选的异常电能表。设计的深度注意力神经网络的异常电能表定位结构如图2所示。

图2 深度注意力神经网络的异常电能表定位结构

根据图2 可知，深度注意力神经网络的异常电能表定位主要由数据预处理、异常电能表初帅选、深度注意力网络和分类器组成，其中，上文已经完整设计了数据预处理、异常电能表初筛选，而深度注意力网络主要由多个相同的层堆叠组成，每层都包括2 个部分，一个是神经网络子层，后接一个自注意力机制层。其中神经网络子层为双向子层，包括前向层和后向层，这两层的输出如公式（9）所示。

式中：h（t）表示前向层输出；h'（t）表示后向层输出。

在完成神经网络子层输出获取，计算自注意力机制层输出，如公式（11）所示。

根据图2 可知，在深度注意力网络后连接分类器，分类器也是输出层，使用带有非线性激活层的多层感知器获取电能计量中电能表的异常概率，因此，完成深度注意力神经网络处理电能表数据后，通过以sigmoid 函数为激活函数的多层感知器进一步将电能表进行分类，从而定位异常电能表，提高智能化程度和精准性，则电能计量中电能表的异常概率如公式（12）所示。

式中：L（·）表示层的堆叠策略；Ki表示输出层权重；K0表示初始权重。

引入阈值项，通过对比电能计量中电能表的异常概率与阈值定位异常电能表，如公式（13）所示。

式中：η表示电能计量中电能表的异常概率阈值。

通过上述公式可以定位电能计量中的异常电能表，当电能表的异常概率大于阈值时，表明该电能表存在异常，输出该电能表编号，即第i个电能表。当电能表的异常概率小于等于阈值时，表明该电能表无异常情况，输出0，即表示电能表无异常，不对其进行异常定位。

2 试验

设计电能计量中异常电能表智能精准定位方法性能对比试验时，本文以美国得克萨斯州奥斯汀市的公开电能数据集PecanStreet 为研究对象，随机选取数据集中每个电能表的1000 个数据，将60 个电能表的数据设置为训练样本，对定位方法进行训练，以电能计量中异常电能表智能精准定位的准确率和召回率为性能评估指标。

2.1 试验准备

为了验证电能计量中异常电能表智能精准定位方法的性能，设计对比分析试验。试验以美国得克萨斯州奥斯汀市的公开电能数据集PecanStreet 为研究对象，该数据集包括约120 个电能表的高时空分辨率的电能数据和每分钟或每秒的功率测量值。这对分析用电行为的细节和变化模式非常有用，并且除了电能表数据外，PecanStreet 数据集还提供了其他多个传感器收集的数据，如温度、湿度和太阳辐射等数据，使研究人员可以进行更全面的能源管理和用电行为研究。随机选取数据集中每个电能表的1000 个数据，将60 个电能表的数据设置为训练样本，对定位方法进行训练，另外60 个电能表数据为测试样本，其中每个电能表数据包括10 个短时间内的异常数据，确定此时的电能表为异常电能表。将深度注意力神经网络的深度设置为4 层，自注意力机制层设置为8 个。

2.2 结果分析

试验过程以电能计量中异常电能表智能精准定位的准确率和召回率为性能评估指标，二者可以有效反映定位方法的精度，指标值越高，说明定位方法的定位精度越高，即越准确，定位方法的性能越好。试验过程将失效物理的电能表定位方法（文献[2]方法）、超状态隐马尔可夫模型的电能表定位方法（文献[4]方法）与改进深度注意力神经网络的电能表定位方法（本文方法）进行对比，分析定位方法的准确率。不同方法的定位准确率结果见表1。

表1 不同定位方法的定位准确率

根据表1 数据可知，不同定位方法的定位准确率随电能表数量的增加而变化，其中超状态隐马尔可夫模型的电能表定位方法的定位准确率波动最大，本文方法波动最小。根据详细分析可知，失效物理的电能表定位方法的定位准确率在60 个电能表时仅为95.5%，超状态隐马尔可夫模型的电能表定位方法的定位准确率为93.8%，而此时本文方法的定位准确率可达99.6%。比较可知，本文方法的定位准确率得到了提高，超过文献方法4.0%以上，说明本文方法的准确性更好。

完成异常电能表定位准确率试验分析后，分析定位召回率。不同方法的定位召回率结果如图3所示。

图3 不同定位方法的定位召回率

根据图3 数据可知，3 种定位方法的定位召回率均较高，数值均达到94.0%以上。但是通过曲线可知，本文方法的定位召回率曲线整体高于文献方法，并且波动较小。根据详细分析可知，电能表数量为60 个时，本文方法的定位召回率达99.8%，而此时文献方法的定位召回率仅为95.0%和96.1%。比较可知，本文方法的定位召回率提高了3.7%，而且通过比较电能表数量和定位召回率在图3 中的折线位置可得出，电能表数量为20 个时，失效物理的电能表定位方法召回率最低，为94.2%，电能表数量为40 个时，召回率最高，为96.2%。电能表数量为30 个时，超状态隐马尔可夫模型的电能表定位方法召回率最低，为94.1%，电能表数量为20 个时召回率最高，为96.1%。2 种方法在电能表数量逐渐递增情况下召回率上下浮动大，但本文的定位方法召回率一直稳定在99.5%～100%。说明本文方法具备更好的定位召回率，提高了定位性能。

3 结语

当电能表存在异常时，统计的电能会不准确，因此需要定位异常电能表，确保电能统计的准确性，但是现阶段异常电能表定位的准确率较低。因此本文提出了一种新的电能计量中异常电能表智能精准定位的方法。该方法通过指数平滑法和归一化处理算法对电能表数据进行预处理，采用匹配度算法初 步筛选异常电能表，引入注意力机制改进的神经网络，完成异常电能表定位。采用对比试验验证该方法的性能。结果显示，该方法的定位准确率可达99.6%，召回率可达99.8%，定位性能较好，以期为电力的发展做出一定贡献。