薛曉慧 薛峪峰 張友璇 沈月婷 張 文

（1.國網(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)受到國家的重點關注，而隨著智能電網(wǎng)的飛速發(fā)展和電表的廣泛鋪設，用戶用電數(shù)據(jù)規(guī)模增長較快。在利益的驅動下，用戶電能計量中出現(xiàn)了較多竊電、漏電和計量誤差大的異常電能表[1]，準確有效地定位電力系統(tǒng)中的異常電能表對發(fā)現(xiàn)惡意竊電用戶、減少經(jīng)濟損失并維護國民經(jīng)濟平穩(wěn)發(fā)展至關重要。然而，傳統(tǒng)方法主要依賴使用人工提取電能計量中的電能表特征，導致定位效果較差。因此相關學者對電能計量中的異常電能表定位進行了深入研究，并且取得了一定成果。

文獻[2]引入了失效物理，分析電能表的失效機理，進而根據(jù)分析結果定位故障電能表，進行異常電能表定位。但是該方法定位準確率較低。文獻[3]以數(shù)據(jù)驅動為基礎，研究了一種在線電能表監(jiān)測方法。該系統(tǒng)通過分元器件對比方法定位失準電能表，但是該方法也存在定位準確率低的問題，并且定位耗時較長。文獻[4]應用了隱馬爾可夫模型，將該算法應用于智能電能表故障遠程檢定方法中，但是該方法的定位耗時較長。

為了解決上述文獻方法中存在的異常電能表定位準確率低等問題，本文研究了一種電能計量中異常電能表智能精準定位的新方法。

1 異常電能表智能精準定位方法設計

1.1 電能表數(shù)據(jù)預處理

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

圖1 電能表數(shù)據(jù)預處理步驟

根據(jù)圖1 可知，電能計量中電能表數(shù)據(jù)預處理主要分為5 步，依次為初始化、平滑處理、預測電能表數(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值，通?？梢詫⒌谝粋€數(shù)據(jù)點作為初始平滑值和初始趨勢值。

步驟二：平滑處理，在每個時刻t，通過公式（1）、公式（2）計算電能表的平滑值和趨勢值.

式中：A（t）是電能表平滑值；B（t）是電能表趨勢值；α是平滑系數(shù)，取值為0～1，決定了最新數(shù)據(jù)對平滑值的影響程度；β是趨勢系數(shù)，取值為0～1，決定了當前趨勢對未來趨勢的影響程度；x（t）是電能表當前數(shù)據(jù)值。

步驟三：預測。通過平滑值和趨勢值預測未來電能表數(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是預測的時間步長。

步驟四：循環(huán)迭代。根據(jù)實際需要，可以對平滑、預測過程進行多次迭代，以進一步提高平滑效果和預測準確性。

步驟五：歸一化處理。不同的電能表數(shù)據(jù)指標之間會存在量綱上的差異，這些差異會干擾數(shù)據(jù)分析過程。為了避免這種量綱差異對最終異常電能表定位結果的影響，可以通過數(shù)據(jù)的規(guī)范化進行處理。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，本文對用電數(shù)據(jù)采用最小-最大規(guī)范化的方法進行歸一化處理，即對原始的電能表數(shù)據(jù)進行線性變換，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

通過指數(shù)平滑法和歸一化處理算法預處理電能表數(shù)據(jù)時引入匹配度，初步智能篩選電能計量異常電能表。而引入匹配度的原因是電能表數(shù)據(jù)由一組與時間序列相關的負荷值構成，因此，需要以典型負荷特征曲線來判別電能表是否處于正常用電的范圍，可通過匹配度將待定位的目標電能表的日負荷特征曲線與典型日負荷特征曲線進行相似性匹配，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，縮小了電能計量時的異常電能表定位范圍，進一步提高了定位準確性和智能性?；谄ヅ涠鹊漠惓ｋ娔鼙沓鹾Y選采用相似系數(shù)與歐式距離結合的方式度量電能表數(shù)據(jù)的相似性，從而達到初步篩選的目的。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個電能表。

相似系數(shù)的計算如公式（6）所示。

由于相關系數(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，因此對相關系數(shù)求絕對值，對歐氏距離求e-d值，使其改變形式后的值為0～1，同時也滿足了歐式距離越大，相關系數(shù)和歐氏距離加權求和后的匹配度越小的關系，基于此，由公式（5）和公式（6）可得加權相加后的匹配度公式，如公式（7）所示。

式中：δ1、δ2均為權值。

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。

至此通過匹配度的計算，完成異常電能表初篩選，即通過公式（8）確定第i個電能表在電能計量中存在的異常。

1.3 基于深度注意力神經(jīng)網(wǎng)絡的異常電能表定位實現(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，通過神經(jīng)網(wǎng)絡定位上文初步篩選的異常電能表。設計的深度注意力神經(jīng)網(wǎng)絡的異常電能表定位結構如圖2所示。

圖2 深度注意力神經(jīng)網(wǎng)絡的異常電能表定位結構

根據(jù)圖2 可知，深度注意力神經(jīng)網(wǎng)絡的異常電能表定位主要由數(shù)據(jù)預處理、異常電能表初帥選、深度注意力網(wǎng)絡和分類器組成，其中，上文已經(jīng)完整設計了數(shù)據(jù)預處理、異常電能表初篩選，而深度注意力網(wǎng)絡主要由多個相同的層堆疊組成，每層都包括2 個部分，一個是神經(jīng)網(wǎng)絡子層，后接一個自注意力機制層。其中神經(jīng)網(wǎng)絡子層為雙向子層，包括前向層和后向層，這兩層的輸出如公式（9）所示。

式中：h（t）表示前向層輸出；h'（t）表示后向層輸出。

在完成神經(jīng)網(wǎng)絡子層輸出獲取，計算自注意力機制層輸出，如公式（11）所示。

根據(jù)圖2 可知，在深度注意力網(wǎng)絡后連接分類器，分類器也是輸出層，使用帶有非線性激活層的多層感知器獲取電能計量中電能表的異常概率，因此，完成深度注意力神經(jīng)網(wǎng)絡處理電能表數(shù)據(jù)后，通過以sigmoid 函數(shù)為激活函數(shù)的多層感知器進一步將電能表進行分類，從而定位異常電能表，提高智能化程度和精準性，則電能計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表示輸出層權重；K0表示初始權重。

引入閾值項，通過對比電能計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表示電能計量中電能表的異常概率閾值。

通過上述公式可以定位電能計量中的異常電能表，當電能表的異常概率大于閾值時，表明該電能表存在異常，輸出該電能表編號，即第i個電能表。當電能表的異常概率小于等于閾值時，表明該電能表無異常情況，輸出0，即表示電能表無異常，不對其進行異常定位。

2 試驗

設計電能計量中異常電能表智能精準定位方法性能對比試驗時，本文以美國得克薩斯州奧斯汀市的公開電能數(shù)據(jù)集PecanStreet 為研究對象，隨機選取數(shù)據(jù)集中每個電能表的1000 個數(shù)據(jù)，將60 個電能表的數(shù)據(jù)設置為訓練樣本，對定位方法進行訓練，以電能計量中異常電能表智能精準定位的準確率和召回率為性能評估指標。

2.1 試驗準備

為了驗證電能計量中異常電能表智能精準定位方法的性能，設計對比分析試驗。試驗以美國得克薩斯州奧斯汀市的公開電能數(shù)據(jù)集PecanStreet 為研究對象，該數(shù)據(jù)集包括約120 個電能表的高時空分辨率的電能數(shù)據(jù)和每分鐘或每秒的功率測量值。這對分析用電行為的細節(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傳感器收集的數(shù)據(jù)，如溫度、濕度和太陽輻射等數(shù)據(jù)，使研究人員可以進行更全面的能源管理和用電行為研究。隨機選取數(shù)據(jù)集中每個電能表的1000 個數(shù)據(jù)，將60 個電能表的數(shù)據(jù)設置為訓練樣本，對定位方法進行訓練，另外60 個電能表數(shù)據(jù)為測試樣本，其中每個電能表數(shù)據(jù)包括10 個短時間內的異常數(shù)據(jù)，確定此時的電能表為異常電能表。將深度注意力神經(jīng)網(wǎng)絡的深度設置為4 層，自注意力機制層設置為8 個。

2.2 結果分析

試驗過程以電能計量中異常電能表智能精準定位的準確率和召回率為性能評估指標，二者可以有效反映定位方法的精度，指標值越高，說明定位方法的定位精度越高，即越準確，定位方法的性能越好。試驗過程將失效物理的電能表定位方法（文獻[2]方法）、超狀態(tài)隱馬爾可夫模型的電能表定位方法（文獻[4]方法）與改進深度注意力神經(jīng)網(wǎng)絡的電能表定位方法（本文方法）進行對比，分析定位方法的準確率。不同方法的定位準確率結果見表1。

表1 不同定位方法的定位準確率

根據(jù)表1 數(shù)據(jù)可知，不同定位方法的定位準確率隨電能表數(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確率波動最大，本文方法波動最小。根據(jù)詳細分析可知，失效物理的電能表定位方法的定位準確率在60 個電能表時僅為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確率為93.8%，而此時本文方法的定位準確率可達99.6%。比較可知，本文方法的定位準確率得到了提高，超過文獻方法4.0%以上，說明本文方法的準確性更好。

完成異常電能表定位準確率試驗分析后，分析定位召回率。不同方法的定位召回率結果如圖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)值均達到94.0%以上。但是通過曲線可知，本文方法的定位召回率曲線整體高于文獻方法，并且波動較小。根據(jù)詳細分析可知，電能表數(shù)量為60 個時，本文方法的定位召回率達99.8%，而此時文獻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%，而且通過比較電能表數(shù)量和定位召回率在圖3 中的折線位置可得出，電能表數(shù)量為20 個時，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 個時，召回率最高，為96.2%。電能表數(shù)量為30 個時，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 個時召回率最高，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大，但本文的定位方法召回率一直穩(wěn)定在99.5%～100%。說明本文方法具備更好的定位召回率，提高了定位性能。

3 結語

當電能表存在異常時，統(tǒng)計的電能會不準確，因此需要定位異常電能表，確保電能統(tǒng)計的準確性，但是現(xiàn)階段異常電能表定位的準確率較低。因此本文提出了一種新的電能計量中異常電能表智能精準定位的方法。該方法通過指數(shù)平滑法和歸一化處理算法對電能表數(shù)據(jù)進行預處理，采用匹配度算法初 步篩選異常電能表，引入注意力機制改進的神經(jīng)網(wǎng)絡，完成異常電能表定位。采用對比試驗驗證該方法的性能。結果顯示，該方法的定位準確率可達99.6%，召回率可達99.8%，定位性能較好，以期為電力的發(fā)展做出一定貢獻。