摘 要：現(xiàn)行技術(shù)在智能電能表計(jì)量故障檢測(cè)中應(yīng)用存在錯(cuò)檢、漏檢問題，本文提出基于BP-AdaBoost的智能電能表計(jì)量故障檢測(cè)技術(shù)。利用工業(yè)相機(jī)感知電能表計(jì)量圖像數(shù)據(jù)，采用加權(quán)平均值法實(shí)現(xiàn)電能表圖像的灰度化，應(yīng)用頻域?yàn)V波技術(shù)對(duì)圖像進(jìn)行強(qiáng)化處理，利用BP-AdaBoost技術(shù)集成多個(gè)弱分類器并構(gòu)建強(qiáng)分類器函數(shù)，將計(jì)量圖像分類為故障類與非故障類，檢測(cè)基于BP-AdaBoost的智能電能表計(jì)量故障。試驗(yàn)證明，本文技術(shù)錯(cuò)檢比例與漏檢比例均不超過1%，可以對(duì)故障進(jìn)行精準(zhǔn)檢測(cè)。

關(guān)鍵詞：BP-AdaBoost；智能電能表；計(jì)量故障；加權(quán)平均值法；頻域?yàn)V波技術(shù)

中圖分類號(hào)：TD 421 " " " " " " " 文獻(xiàn)標(biāo)志碼：A

智能電能表是電力系統(tǒng)中不可或缺的關(guān)鍵設(shè)備，其準(zhǔn)確性和可靠性對(duì)保證電力供應(yīng)的穩(wěn)定性和用戶用電的公平性至關(guān)重要。智能電能表不僅具備自動(dòng)計(jì)量、數(shù)據(jù)處理和雙向通信等功能，而且具有實(shí)時(shí)數(shù)據(jù)交互、多種電價(jià)計(jì)費(fèi)、遠(yuǎn)程斷供電和電能質(zhì)量監(jiān)測(cè)等高級(jí)功能，可以提高電網(wǎng)的運(yùn)行效率和供電服務(wù)質(zhì)量[1]。然而，隨著智能電能表應(yīng)用范圍擴(kuò)大和數(shù)量增加，其計(jì)量故障問題也逐漸暴露出來，給供電公司和用電用戶帶來較多困擾和經(jīng)濟(jì)損失。智能電能表出現(xiàn)計(jì)量故障，不僅導(dǎo)致電量計(jì)量不準(zhǔn)確，而且引起電費(fèi)糾紛、用戶投訴等一系列問題。此外，計(jì)量故障還會(huì)影響電網(wǎng)的負(fù)荷預(yù)測(cè)、電力調(diào)度等高級(jí)應(yīng)用和電力系統(tǒng)的整體運(yùn)行。因此，及時(shí)、準(zhǔn)確地檢測(cè)智能電能表的計(jì)量故障是保障電網(wǎng)安全、穩(wěn)定運(yùn)行并提升用戶滿意度的關(guān)鍵。目前，智能電能表計(jì)量故障檢測(cè)受到了研究領(lǐng)域的關(guān)注與重視，相關(guān)學(xué)者與專家提出了一些技術(shù)與思路，但是現(xiàn)行技術(shù)具有一定的局限性，在實(shí)際應(yīng)用中經(jīng)常出現(xiàn)錯(cuò)檢、漏檢問題，因此本文提出基于反向傳播神經(jīng)網(wǎng)絡(luò)（Back Propagation Neural Network，BP-AdaBoost）的智能電能表計(jì)量故障檢測(cè)技術(shù)。

1 電能表計(jì)量圖像感知

為了實(shí)時(shí)監(jiān)測(cè)電能表的運(yùn)行狀態(tài)、及時(shí)發(fā)現(xiàn)并處理潛在的故障問題，避免故障進(jìn)一步擴(kuò)大，對(duì)電網(wǎng)運(yùn)行造成影響，本文利用電能表進(jìn)行圖像感知。電能表計(jì)量圖像感知是指利用圖像傳感器實(shí)時(shí)捕捉電能表上的讀數(shù)，并將其轉(zhuǎn)換為計(jì)算機(jī)可以處理的數(shù)字圖像。該過程涉及圖像的采集、傳輸和預(yù)處理等步驟，可以為后續(xù)的圖像識(shí)別與故障檢測(cè)奠定基礎(chǔ)。本文選擇工業(yè)相機(jī)作為智能電能表計(jì)量圖像感知器，將其安裝在電能表的正前方，利用專業(yè)的螺栓固定裝置穩(wěn)固其位置。為了使相機(jī)與電能表的工作狀態(tài)保持高度同步，采用串并聯(lián)結(jié)合的方式，將工業(yè)相機(jī)集成到電能表的電路總線上，以實(shí)現(xiàn)兩者間的緊密聯(lián)動(dòng)。由于外界環(huán)境因素（例如光照變化、灰塵遮擋等）可能影響相機(jī)圖像采集質(zhì)量，因此在工業(yè)相機(jī)鏡頭上方安裝高亮度、可以調(diào)節(jié)的LED照明裝置。該裝置能夠根據(jù)環(huán)境光照條件自動(dòng)調(diào)節(jié)亮度，為相機(jī)提供穩(wěn)定、均勻的光照環(huán)境，有效消除光照變化對(duì)圖像采集質(zhì)量的干擾。同時(shí)，該系統(tǒng)還具有防塵、防水功能，在惡劣天氣條件下仍能正常工作，環(huán)境適應(yīng)性較好。此外，本文針對(duì)工業(yè)相機(jī)在光學(xué)成像過程中可能存在的畸變問題，采取科學(xué)嚴(yán)謹(jǐn)?shù)臉?biāo)定方法——張氏標(biāo)定法，對(duì)工業(yè)相機(jī)進(jìn)行精確標(biāo)定[2]。該方法可以拍攝特定標(biāo)定板的多角度圖像，利用數(shù)學(xué)算法計(jì)算相機(jī)的內(nèi)部參數(shù)（例如焦距、光心等）和外部參數(shù)（相機(jī)相對(duì)于標(biāo)定板的位置和姿態(tài)），從而建立圖像坐標(biāo)系與世界坐標(biāo)系間的精確映射關(guān)系[3]。在此基礎(chǔ)上，針對(duì)相機(jī)鏡頭產(chǎn)生的徑向畸變和切向畸變，本文設(shè)定了相應(yīng)的校正參數(shù)，并應(yīng)用如公式（1）所示的畸變校正公式對(duì)圖像坐標(biāo)進(jìn)行精確修正，以保證圖像信息的準(zhǔn)確性和可靠性。

Z（x，y）=（x0+re，y0+pe） （1）

式中：Z（x，y）為校正后徑向畸變的相機(jī)圖像坐標(biāo)系中的坐標(biāo)；x0、y0分別為徑向畸變的相機(jī)圖像坐標(biāo)系的橫坐標(biāo)和縱坐標(biāo)；r為工業(yè)相機(jī)圖像坐標(biāo)系徑向畸變參數(shù)；e為回歸校正系數(shù)；p為工業(yè)相機(jī)圖像坐標(biāo)系切向畸變參數(shù)[4]。

根據(jù)實(shí)際應(yīng)用場(chǎng)景的需求，對(duì)相機(jī)的各項(xiàng)參數(shù)進(jìn)行設(shè)定與標(biāo)定，并利用局域網(wǎng)絡(luò)，將感知到的電能表計(jì)量圖像數(shù)據(jù)實(shí)時(shí)傳輸至計(jì)算機(jī)，用于后續(xù)處理和分析。環(huán)境適應(yīng)性優(yōu)化和畸變校正可以減少圖像中的噪聲和畸變，降低后續(xù)圖像處理的難度和復(fù)雜度，提高處理效率和準(zhǔn)確性。并且高質(zhì)量的圖像數(shù)據(jù)有助于更準(zhǔn)確地識(shí)別電能表的讀數(shù)和潛在故障，為后續(xù)的圖像識(shí)別與故障檢測(cè)提供有力支持。

2 計(jì)量圖像灰度化和濾波

在工業(yè)相機(jī)捕捉到的原始圖像中，原始圖像通常是彩色的，即每個(gè)像素點(diǎn)都包括紅、綠和藍(lán)（RGB）3個(gè)顏色通道的信息。但是在許多圖像處理和分析任務(wù)中，圖像是彩色的，因?yàn)樯市畔⒇S富可能會(huì)干擾目標(biāo)物體的辨識(shí)，所以直接區(qū)分圖像的背景與前景比較困難。此外，由于需要處理的數(shù)據(jù)更多，與處理灰度圖像相比，處理彩色圖像更復(fù)雜、耗時(shí)，因此，為了更有效地處理這些圖像，本文采用加權(quán)平均值法來實(shí)現(xiàn)電能表圖像的灰度化?；叶然侵笇⒉噬珗D像轉(zhuǎn)換為灰度圖像，即每個(gè)像素點(diǎn)只有1個(gè)灰度值，能夠簡(jiǎn)化圖像信息，減少后續(xù)處理的計(jì)算量和復(fù)雜度。該方法可以為圖像中的不同顏色分量分配特定的權(quán)重，進(jìn)而融合成一個(gè)單一的灰度值，以較好地保留圖像的亮度信息，并去除顏色信息，如公式（1）所示。

f（Z）=aR+bG+cB （2）

式中：f（Z）為灰度化后的計(jì)量圖像灰度值；a、b和c分別為計(jì)量圖像彩色空間中3個(gè)分量紅R、黃G和綠B的權(quán)重系數(shù)[5]。

由于計(jì)量圖像感知過程中不可避免地會(huì)受外界因素（例如電磁波、光照變化等）的干擾，導(dǎo)致圖像中混入噪聲，因此采用頻域?yàn)V波技術(shù)對(duì)圖像進(jìn)行強(qiáng)化處理。濾波是圖像處理中的常用技術(shù)，用于去除圖像中的噪聲或不必要的特征，同時(shí)保留圖像的重要特征。

首先，利用一個(gè)濾波器對(duì)圖像中的每個(gè)像素點(diǎn)及其鄰域進(jìn)行某種數(shù)學(xué)運(yùn)算，從而得到新的像素值。這需要將灰度化后的電能表圖像經(jīng)DFT（離散傅里葉變換）轉(zhuǎn)換到頻域，即將圖像從像素點(diǎn)組成的二維矩陣轉(zhuǎn)換到頻率成分組成的二維矩陣，在頻域中區(qū)分圖像中的噪聲和有用信息，如公式（2）所示。

S（Z）=K[f（Z）] （3）

式中：S（Z）為離散傅里葉變換后的計(jì)量圖像在頻域中的表示；K為虛數(shù)單位[6]。

其次，利用濾波函數(shù)調(diào)整圖像頻譜，以抑制噪聲并保留或增強(qiáng)有用信息。將濾波函數(shù)與圖像頻譜相乘，乘積結(jié)果即為調(diào)整后的頻域圖像。濾波函數(shù)的選擇取決于噪聲類型和圖像特征，對(duì)調(diào)整后的頻域圖像進(jìn)行IDFT（離散傅里葉逆變換），使其恢復(fù)到空間域，得到去噪并增強(qiáng)的電能表計(jì)量圖像，如公式（4）所示。

P（Z）=[H⊕S（Z）]C （4）

式中：P（Z）為逆變換后的電能表計(jì)量圖像；H為濾波函數(shù)；C為IDFT離散傅立葉逆變換函數(shù)。

頻域?yàn)V波技術(shù)能夠有效去除圖像中的噪聲，提高圖像的清晰度和對(duì)比度，為后續(xù)的電能表計(jì)量故障檢測(cè)提供更準(zhǔn)確、可靠的圖像數(shù)據(jù)。同時(shí)，頻域?yàn)V波技術(shù)還具有靈活性高、適應(yīng)性強(qiáng)的優(yōu)點(diǎn)，可以根據(jù)不同的應(yīng)用場(chǎng)景和需求設(shè)計(jì)不同的濾波函數(shù)。

3 基于BP-AdaBoost的故障識(shí)別檢測(cè)

在上文基礎(chǔ)上，采用BP-AdaBoost技術(shù)，將電能表計(jì)量圖像劃分為故障類和非故障類，以識(shí)別、檢測(cè)電能表計(jì)量故障。BP-AdaBoost技術(shù)即AdaBoost算法集成BP（反向傳播）神經(jīng)網(wǎng)絡(luò)，旨在提高模型的分類性能、魯棒性和泛化能力。利用AdaBoost的迭代加權(quán)機(jī)制集成多個(gè)弱學(xué)習(xí)器，以構(gòu)建一個(gè)更強(qiáng)大的分類器，增強(qiáng)BP（反向傳播）神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力。這種組合方式能夠充分利用BP神經(jīng)網(wǎng)絡(luò)的非線性映射能力和AdaBoost算法的有效集成策略，提高分類的準(zhǔn)確性和穩(wěn)定性。BP-AdaBoost具體流程如圖1所示。

從原始數(shù)據(jù)集中隨機(jī)抽取一定數(shù)量的樣本，構(gòu)成BP（反向傳播）神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練數(shù)據(jù)集，如公式（5）所示。

F={（P（Z）1，q1），（P（Z）2，q），...，（P（Z）m，qm）} （5）

式中：F為抽取的訓(xùn)練數(shù)據(jù)集；q1，q2，…，qm為分類器期望預(yù)測(cè)系數(shù)，其中q為分類器期望預(yù)測(cè)結(jié)果，m為樣本抽取數(shù)量[7]。

根據(jù)樣本的初始分布（通常是均勻分布，即每個(gè)樣本的權(quán)重均為1/m），配置并初始化基礎(chǔ)BP神經(jīng)網(wǎng)絡(luò)，包括網(wǎng)絡(luò)的基本架構(gòu)（例如層數(shù)、神經(jīng)元數(shù)量和輸入/輸出維度等）和隨機(jī)初始化網(wǎng)絡(luò)的權(quán)重/偏置項(xiàng)[8]。利用AdaBoost算法訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)。在每一次迭代中，根據(jù)當(dāng)前的樣本權(quán)重分布，對(duì)訓(xùn)練數(shù)據(jù)進(jìn)行歸一化處理，保證數(shù)據(jù)均勻分布在[0，1]，便于神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，如公式（6）所示。

（6）

式中：X為歸一化后的樣本；ω為弱分類器輸出權(quán)重；minP（Z）、maxP（Z）分別為樣本集中訓(xùn)練樣本的最小值與最大值。

基于當(dāng)前的樣本權(quán)重和已訓(xùn)練的網(wǎng)絡(luò)狀態(tài)，訓(xùn)練一個(gè)新的BP神經(jīng)網(wǎng)絡(luò)（記為Nt，其中t為迭代次數(shù)），該網(wǎng)絡(luò)嘗試從當(dāng)前的數(shù)據(jù)分布中學(xué)習(xí)到分類規(guī)則。完成網(wǎng)絡(luò)訓(xùn)練后，利用該網(wǎng)絡(luò)對(duì)訓(xùn)練樣本進(jìn)行預(yù)測(cè)，并根據(jù)預(yù)測(cè)結(jié)果計(jì)算樣本的預(yù)測(cè)誤差。根據(jù)誤差信息更新樣本的權(quán)重，即增加被錯(cuò)誤分類樣本的權(quán)重，減少被正確分類樣本的權(quán)重，從而使BP神經(jīng)網(wǎng)絡(luò)在下一次迭代中更關(guān)注難以分類的樣本。重復(fù)進(jìn)行上述步驟，直到達(dá)到預(yù)定的迭代次數(shù)。在每一次迭代中都會(huì)得到一個(gè)新的BP神經(jīng)網(wǎng)絡(luò)及其對(duì)應(yīng)的權(quán)重，這些網(wǎng)絡(luò)和權(quán)重將共同構(gòu)成最終的強(qiáng)分類器，如公式（7）所示。

（7）

式中：f（x）為由AdaBoost算法集成的強(qiáng)分類器函數(shù)；i為弱分類器數(shù)量；ki為第i個(gè)弱分類器在最終集成的強(qiáng)分類器中的權(quán)重系數(shù)；Z（X）為歸一化后樣本X的規(guī)范因子[9]。

將電能表計(jì)量圖像帶入強(qiáng)分類器函數(shù)中。當(dāng)條件為真時(shí)，強(qiáng)分類器函數(shù)輸出為1，電能表計(jì)量圖像被劃分為故障類；當(dāng)條件為假時(shí)，強(qiáng)分類器函數(shù)輸出為0，電能表計(jì)量圖像被劃分為非故障類。由此得到電能表計(jì)量故障識(shí)別檢測(cè)結(jié)果，實(shí)現(xiàn)基于BP-AdaBoost的智能電能表計(jì)量故障檢測(cè)。

4 試驗(yàn)論證

4.1 試驗(yàn)準(zhǔn)備與設(shè)計(jì)

完成上述技術(shù)設(shè)計(jì)后，本文采用對(duì)比試驗(yàn)，檢驗(yàn)所設(shè)計(jì)的基于BP-AdaBoost的智能電能表計(jì)量故障檢測(cè)技術(shù)的性能，并將本文技術(shù)與目前主流的基于BP神經(jīng)網(wǎng)絡(luò)的檢測(cè)技術(shù)、基于模糊聚類的檢測(cè)技術(shù)進(jìn)行比較。本文選取IYFAATGA數(shù)據(jù)包和KYHFASHS數(shù)據(jù)包為試驗(yàn)數(shù)據(jù)樣本，數(shù)據(jù)來源于某電力企業(yè)智能電能表檢修數(shù)據(jù)庫，包括3 000個(gè)樣本，其中2 000個(gè)為故障樣本，電能表計(jì)量故障樣本占80%，其余1 000個(gè)樣本為電能表正常樣本。試驗(yàn)中的BP神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)置如下：輸入層神經(jīng)元數(shù)量為20，隱藏層與輸出層神經(jīng)元數(shù)量為10，激活函數(shù)為Sigmoid函數(shù)，學(xué)習(xí)率為3.26，迭代次數(shù)為100。進(jìn)而對(duì)數(shù)據(jù)進(jìn)行處理和分析，提取故障特征并識(shí)別計(jì)量故障。檢測(cè)精度評(píng)價(jià)選用錯(cuò)檢比例和漏檢比例，錯(cuò)檢比例=錯(cuò)誤檢測(cè)樣本數(shù)量/總檢測(cè)樣本數(shù)量，漏檢比例=未檢測(cè)到的故障樣本數(shù)量/正確檢測(cè)樣本數(shù)量。錯(cuò)檢比例與漏檢比例值域均為0%～100%，錯(cuò)檢比例與漏檢比例值越小，說明技術(shù)精度越高，對(duì)智能電能表計(jì)量故障檢測(cè)的準(zhǔn)確度就越高。最后綜合比較3種技術(shù)的錯(cuò)檢比例與漏檢比例，評(píng)價(jià)本文設(shè)計(jì)技術(shù)的精度。

4.2 試驗(yàn)結(jié)果與討論

以故障樣本數(shù)量為變量，3種技術(shù)在不同故障樣本數(shù)量下的錯(cuò)檢比例見表1。對(duì)于電能表計(jì)量故障漏檢比例，本文設(shè)計(jì)10組試驗(yàn)，每組試驗(yàn)檢測(cè)200個(gè)樣本，3種技術(shù)在每組試驗(yàn)中的漏檢比例見表2。

比較表1、表2數(shù)據(jù)，所得試驗(yàn)結(jié)論如下：在此次試驗(yàn)中，基于BP神經(jīng)網(wǎng)絡(luò)檢測(cè)技術(shù)的錯(cuò)檢比例最高，超過10%，基于模糊聚類檢測(cè)技術(shù)的漏檢比例最高，超過8%，本文技術(shù)的錯(cuò)檢比例和漏檢比例均表現(xiàn)最優(yōu)，2項(xiàng)指標(biāo)均未超過1%。上述試驗(yàn)證明，本文技術(shù)在智能電能表計(jì)量故障檢測(cè)方面具有顯著優(yōu)勢(shì)，可以有效保證故障的檢測(cè)精度。

5 結(jié)語

本文探討了基于BP-AdaBoost算法的智能電能表計(jì)量故障檢測(cè)技術(shù)。該技術(shù)是目前智能電能表故障檢測(cè)的一種新的手段，能夠保證智能電網(wǎng)的穩(wěn)定運(yùn)行，提升用戶用電體驗(yàn)。本文利用BP神經(jīng)網(wǎng)絡(luò)的強(qiáng)大非線性映射能力和AdaBoost算法的集成學(xué)習(xí)優(yōu)勢(shì)，成功構(gòu)建了一個(gè)高效、準(zhǔn)確的故障檢測(cè)模型。該模型能夠自動(dòng)從海量計(jì)量數(shù)據(jù)中提取關(guān)鍵特征，并對(duì)多種故障類型進(jìn)行智能化識(shí)別和分類，不僅顯著提高了故障檢測(cè)的效率和準(zhǔn)確性，而且降低了人工巡檢和定期校驗(yàn)成本，為電力行業(yè)的數(shù)字化轉(zhuǎn)型和智能化升級(jí)提供了有力支持。

參考文獻(xiàn)

[1]李佳瑩，楊嫻，王丕適，等.基于檢定數(shù)據(jù)自相關(guān)性的低壓智能電能表局部異常點(diǎn)檢測(cè)方法[J].機(jī)械與電子，2023，41（9）：22-26.

[2]夏武，黃聰，梁誠寧，等.計(jì)量自動(dòng)化系統(tǒng)中的電能計(jì)量裝置監(jiān)測(cè)研究[J].無線互聯(lián)科技，2023，20（7）：47-49，67.

[3]黃天富，吳志武，王春光，等.基于紅外測(cè)溫技術(shù)的電能表電流采樣回路失流故障分析[J].無線電工程，2024，54（6）：1536-1542.

[4]曾鳴鐘，葉玲，譚濤，等.復(fù)雜潮流工況下智能電能表計(jì)量異常的原因分析與防范策略[J].電工技術(shù)，2024（6）：147-150.

[5]代燕杰，荊臻，孫永全.基于多源信息融合的智能電能表質(zhì)量綜合評(píng)價(jià)方法[J].哈爾濱理工大學(xué)學(xué)報(bào)，2023，28（2）：34-42，2.

[6]劉海英，彭梅.環(huán)境因素對(duì)智能電能表計(jì)量的影響及誤差修正方法[J].中國(guó)質(zhì)量監(jiān)管，2023（5）：86-88.

[7]廖濤，張建飛，趙志磊，等.電壓波動(dòng)導(dǎo)致220kV線路電能表失壓的差錯(cuò)電量計(jì)算分析[J].電工技術(shù)，2023（20）：180-182.

[8]黃略.電能表檢定裝置標(biāo)準(zhǔn)表示值誤差異常的故障分析及處理[J].計(jì)量與測(cè)試技術(shù)，2022，49（12）：42-44.

[9]劉月驍，陸翔宇，李蕊，等.RBF神經(jīng)網(wǎng)絡(luò)的關(guān)口計(jì)量裝置故障診斷方法研究[J].電工技術(shù)，2022（20）：133-136，139.