CN107340492A - 基于大数据挖掘和场景预判的电能计量装置故障分析方法 - Google Patents

Abstract

一种基于大数据挖掘和场景预判的电能计量装置故障分析方法，属监测领域。首先统计出电度表二次回路故障类型；针对三相四线制和三相三线制两种接线方式的电度表，推导出各种类型故障后电度表显示电量与运行正常情况下电度表显示电量之间的关联系数；根据母线平衡日报表的电量数据，分别计算变电站各母线对应的电量不平衡率并进行判断，找出故障电度表对应的母线j；在去现场排查前进行故障预判，找出可能存在故障并进行优先级排序；根据故障预判结果进行现场排查，找出最终出现的故障。其通过开展大数据背景下电能计量装置故障的分析，有效解决了电能计量装置对线损统计影响的问题，提高了电能计量装置故障分析、排查工作效率和准确性。

Description

基于大数据挖掘和场景预判的电能计量装置故障分析方法

技术领域

本发明属于监测领域，尤其涉及一种用于电能计量装置故障的分析和识别方法。

背景技术

随着电力体制改革的推进，有效降低线损率已经成为电力企业提高企业经济效益的工作重点。

为了做好线损管理工作，相关人员需要从现场采集大量的数据，而这些数据的主要来源就是电能计量装置。

所有因电能计量装置故障引起的漏计电量、窃电电量等都会统计到配电网的线损率中，从而导致线损统计的异常，由此可见，电能计量装置测量结果的准确性直接影响线损率的统计指标。

因此，及时有效地排除电能计量装置故障对于线损管理工作至关重要。

在电能计量装置故障类型分析方面，目前已对电度表失压、失流、电流相序错误、电流极性接反等问题进行了研究，分析了相应的故障现象，并取了一定的成果。但上述研究主要针对一个或几个变电站、用户终端的典型案例进行分析，故障类型考虑不够全面、缺少量化分析，而且没有对故障后电度表显示电量的变化规律进行数据挖掘，也缺少全面的异常原因的归类分析。此外，常用的电度表有单相电度表、三相四线制电度表和三相三线制电度表等几种，目前分析中也较少全面考虑。因此，需要进一步系统地归纳梳理电能计量装置的故障类型，并对不同类型表计、不同类型故障进行特性分析。

随着变电站、用户终端等现场电能量采集技术的进步和智能电表的普及，电能计量装置的采集数据海量，接线方式复杂、故障类型繁多，仅依靠传统的现场排查会导致工作量骤增，因此如何运用大数据分析，快速准确的处理电能计量装置故障已经成为电力企业线损管理工作亟待解决的重要问题。

如何在用户电量海量数据的基础上，对数据和方法进行预处理和归类，分析出各种方法适用的情况，使其能够推广应用，辅助工作人员进行电能计量异常排查，还需要进一步的研究。

发明内容

本发明所要解决的技术问题是提供一种基于大数据挖掘和场景预判的电能计量装置故障分析方法。其通过开展大数据背景下电能计量装置故障的分析研究，能够有效解决电能计量装置对线损统计影响的问题，减少了不必要的电能损失，促进电力工业向低耗能、高效率的绿色发展模式转变，同时也是深化智能电网建设，推动电力大数据管理技术发展的有效途径。

本发明的技术方案是：提供一种基于大数据挖掘和场景预判的电能计量装置故障分析方法，其特征是所述的电能计量装置故障分析方法包括下述步骤：

步骤1、根据变电站实际运行数据，统计出电度表二次回路故障类型；

步骤2、分别针对三相四线制和三相三线制这两种接线方式的电度表，结合相量图推导出各种类型故障后电度表显示电量与运行正常情况下电度表显示电量之间的关联系数；

步骤3、根据母线平衡日报表的电量数据，分别计算变电站各母线对应的电量不平衡率并进行判断，找出故障电度表对应的母线j。；

步骤4、结合步骤2的推导结果，分析母线j对应的所有电度表电量数值，在去现场排查前进行故障预判，找出可能存在故障并进行优先级排序；

步骤5、根据故障预判的结果进行现场排查，找出最终出现的故障。

所述基于大数据挖掘和场景预判的电能计量装置故障分析方法，首先逐一将各种类型故障还原成对应的正常运行情况，然后计算还原后的母线不平衡率，若合格，则表示可能出现该种类型的故障；最后依据还原后的母线不平衡率绝对值从小到大排序，排在前面的故障在现场优先排查。

具体的，步骤1所述的故障类型包括单个电度表缺相电流、单个电度表缺相电压、单个电度表电流相序错误、单个电度表电压相序错误、单个电度表电流二次极性接反、单个电度表缺部分电流或者缺部分电压、两个及以上故障。

具体的，步骤2所述三相四线制电度表在各种类型故障后显示电量W_f与运行正常情况下显示电量W之间的关联系数采用如下方式确定：

1)当缺三相电流或缺三相电压或电流相序接成了ACB、BAC、CBA或电压相序接成了ACB、BAC、CBA时，关联系数λ₁为

2)当缺两相电流或缺两相电压或单相电流二次极性接反时，关联系数λ₂为

3)当缺单相电流或缺单相电压时，关联系数λ₃为

4)当两相电流二次极性接反时，关联系数λ₄为

5)当三相电流二次极性接反时，关联系数λ₅为

6)当电流相序接成了BCA或电压相序接成了CAB时，关联系数λ₆为

7)当电流相序接成了CAB或电压相序接成了BCA时，关联系数λ₇为

8)当缺部分电流或者缺部分电压时，关联系数λ₈为

9)当发生两个及以上故障时，此时情况比较复杂，关联系数的数值范围较大。。

具体的，步骤2所述三相三线制电度表在各种类型故障后显示电量W_f与运行正常情况下显示电量W之间的关联系数μ采用如下方式确定：

1)当缺AC相电流或缺三相电压或电流相序接成了CA或电压相序接成了ACB、BAC、CBA时，关联系数μ₁为

2)当缺两相电压时，关联系数μ₂为

3)当缺单相电压时，关联系数μ₃为

4)当电压相序接成了CAB时，关联系数μ₄为

5)当电压相序接成了BCA时，关联系数μ₅为

6)当缺A相电流时，关联系数μ₆为

7)当缺C相电流时，关联系数μ₇为

8)当A相电流二次极性接反时，关联系数μ₈为

9)当C相电流二次极性接反时，关联系数μ₉为

10)当A和C相电流二次极性接反时，关联系数μ₁₀为

11)当缺部分电流或者缺部分电压时，关联系数μ₁₁为

12)当发生两个及以上故障时，此时情况比较复杂，关联系数的数值范围较大。

具体的，步骤4所述的优先级排序包括下列步骤：首先逐一将各种类型故障还原成对应的正常运行情况，然后计算还原后的母线不平衡率，若合格，则表示可能出现该种类型的故障；最后依据还原后的母线不平衡率绝对值从小到大排序，排在前面的故障在现场优先排查。

具体的，所述的现场排查利用相量图和钳形电流表进行。

具体的，所述的电能计量装置故障分析方法，首先按照时间尺度，对系统采集的数据进行分类，将系统采集的数据分为短期数据和中长期数据；

短期数据分为每时刻电流电压集合和每日24小时电流电压集合；

中长期数据分为月度每日用电量集合和年度每月用电量集合；

针对短期数据，采用电流电压判定算法进行异常辨识；

针对中长期数据，采用聚类算法和相关系数法进行异常辨识，从而从不同的时间尺度角度搜索到异常用电嫌疑用户。

具体的，所述的电能计量装置故障分析方法，按照不同的时间尺度，划分成了短期时间尺度的用电异常分析方法和中长期时间尺度的异常用电分析方法，其中：

(1)针对短期时间尺度，采用电流、电压等电气数据作为判别用电异常的特征，并分别采用基于实时用电数据和日用电数据的分析方法；

(2)针对中长期时间尺度，采用用电量这一电气数据作为判别用电异常的特征，采用三次样条插值结合线性插值的方法、归一化方法进行数据预处理，利用聚类算法和相关系数法作为模型评估方法，进而给出基于中长期时间用电数据的分析方法。

具体的，所述的电能计量装置故障分析方法，利用相关系数法计算台区线损和用户电表显示电量之间的相关系数，若相关性高，则该用户存在异常嫌疑。

具体的，所述的电能计量装置故障分析方法，针对中长期时间尺度用电数据，采用基于月度用电数据和基于年度数据的用电异常排查分析方法，其中，基于月度用电数据的用电异常排查分析方法包括下列步骤：

步骤1：选取台区线损合理的用户最近的一个月30天日用电量数据最为样本数据，选取台区线损较大的用户最近一个月30天日用电量数据最为分析对象；

步骤2：对样本数据进行数据预处理，首先利用线性插值和三次样条插值法对缺失值进行补充，然后利用归一化方法对数据进行标准化操作；

步骤3：对归一化后的样本数据按照用电性质进行分类，并利用K-means聚类算法进行聚类分析，得出典型用电负荷曲线；

步骤4：将分析对象与典型用电负荷曲线进行对比，利用欧式距离查找出用电异常嫌疑用户；

步骤5：根据台区线损较大的关口总表数据和用户日用电量数据，计算出台区日线损量；

步骤6：利用相关系数法计算台区日线损量和用户日用电量之间的皮尔逊相关系数，并按照相关系数从大到小排序，查找出用电异常嫌疑用户；

步骤7：对步骤4和步骤6中发现的用电异常嫌疑用户进行现场核查，找出用电异常用户。

所述的电能计量装置故障分析方法，基于大数据挖掘的用户侧异常分析方法针对短期用电数据和中长期用电数据特征的不同，采用了不同的用户侧计量异常甄别方法，能够快速判别出的电能计量异常用户的嫌疑程度。

与现有技术比较，本发明的优点是：

1.本发明的技术方案，总结了变电站电度表二次回路故障的类型，并分别针对三相四线制和三相三线制电度表，分析了各种类型故障下显示电量的变化情况，进而基于母线不平衡率和电度表检测的电量数据提出了变电站电度表二次回路故障辨识方法；

2.准确可靠。本发明技术方案所考虑的变电站电度表二次回路故障类型是基于多年实际运行数据得到，能够准确可靠的反映出实际故障，便于现场工作人员开展工作。

3.适用范围广。本发明分别针对目前变电站最主要的两种电度表接线模式进行了分析，一种是三相四线制，一种是三相三线制，考虑全面，应用范围广。

4.应用价值高。本发明所提出的电度表二次回路故障辨识方法能够根据监测数据直接预判出可能发生的故障，与传统的现场排查相比，大大提高了工作效率，节约了人力成本。

附图说明

图1是本发明的场景预判方法方框示意图；

图2是三相四线制电度表常用接线方式的示意图；

图3是三相四线制电度表常用接线方式对应的相量图；

图4是三相三线制电度表常用接线方式的示意图；

图5是三相三线制电度表常用接线方式对应的相量图；

图6是本发明多时间尺度用电异常分析流程框图。；

图7是本发明基于月度用电数据得到居民用户30日典型负荷曲线示意图；

图8是本发明基于月度用电数据得到居民用户30日典型负荷曲线示意图。

具体实施方式

下面结合附图和实施例对本发明做进一步说明。

目前电力系统中的用电信息采集系统实现了对配电变压器和终端用户的在线监测和用户负荷、电量、电压等重要信息的大数据采集。为此，亟需基于大数据挖掘技术对采集的数据进行及时、完整、准确地分析，为用电异常分析提供决策支撑，提升企业管理的智能化水平。

故障场景集合：

目前常用的电度表主要有单相电度表和三相电度表。其中，单相电度表主要的故障场景有：

1)缺相电流；

2)缺相电压；

2)二次极性接反；

4)缺部分电流或者缺部分电压。

三相电度表二次回路主要故障场景如下：

1)单个电度表缺相电流，包括缺单相电流、缺两相电流、缺三相电流；

2)单个电度表缺相电压，包括缺单相电压、缺两相电压、缺三相电压；

3)单个电度表电流相序错误，如接成了ACB，即电流线圈B相流出接到了电度表C相流入，而电流线圈C相流出接到了电度表B相流入；

4)单个电度表电压相序错误；

5)单个电度表电流二次极性接反；

6)缺部分电流或者缺部分电压；

7)两个及以上故障，即两个及以上电度表发生故障或者单个电度表发生两种及以上类型故障。

单相电度表故障场景较为简单，故障排查时，若电流为0，则缺相电流；电压为0，则缺相电压，若表计为负值，则二次极性接反；若计量不准，则缺部分电流或者缺部分电压。

三相电度表故障场景较为复杂，不仅有相序的区别，而且接线方式还有三相四线制和三相三线制两种方式，为此亟需针对每一类故障场景，提炼相应的数据特征；结合相量图推导出故障场景下电量的表达式；运用比较分析法建立故障后显示电量与正常显示电量的相关性，进而构建故障类型与故障场景特征的关联关系。

对于三相四线制电度表，常用的一种接线方式和对应的相量图分别如图2、图3中所示。

在三相电路对称的情况下，其正常显示的有功功率数值为：

式中：P为电度表正常显示的有功功率；I_a、I_b、I_c分别为A、B、C相电流；U_a、U_b、U_c分别为A、B、C相电压；分别为A、B、C相的相位角。

出现二次回路故障后，电度表显示有功功率P_f会与正常情况下的P有所不同，下面进行具体分析。

1)当缺单相电流或电压时，如缺A相：

当缺两相电流或电压时，如缺A、B相：

当缺三相电流或电压时：

P_f＝0 (2-4)

2)当电流相序错误，接成了ACB时：

当接成了BAC时：

当接成了CBA时：

当接成了BCA时

当接成了CAB时：

同理，可以得到当电压相序错误，接成了ACB或BAC或CBA时：

P_f＝0 (2-10)

当电压相序接成了BCA时：

当电压相序接成了CAB时：

3)当单相电流二次极性接反时，如A相：

当两相电流二次极性接反时，如A、B相：

当三相电流二次极性接反时：

4)当缺部分电流或者缺部分电压时：

0<P_f<P (2-16)

5)当发生两个及以上故障时，此时情况比较复杂，P_f数值的范围较大。

电量等于有功功率乘以时间，由于计量时间相同，因此电度表故障后显示电量W_f和正常显示电量W的关系与对应的有功功率的关系相同。结合上述分析结果，可以得到不同故障情况下三相四线

2)当缺两相电流或缺两相电压或单相电流二次极性接反时，关联系数λ₂为

3)当缺单相电流或缺单相电压时，关联0<P_f<P系数λ₃为

4)当两相电流二次极性接反时，关联系数λ₄为

5)当三相电流二次极性接反时，关联系数λ₅为

6)当电流相序接成了BCA或电压相序接成了CAB时，关联系数λ₆为

7)当电流相序接成了CAB或电压相序接成了BCA时，关联系数λ₇为

8)当缺部分电流或者缺部分电压时，关联系数λ₈为

9)当发生两个及以上故障时，此时情况比较复杂，关联系数的数值范围较大。

为了验证所推导出的不同故障类型下电度表故障后显示电量的公式是否正确，在实际电度表上模拟相应故障。电度表选用DTSD719三相四线制电子式多功能电能表。

输入的电压为57.75V，电流为2A。当相位角分别为0°、10°、-10°时，不同场景下三相四线制电度表的有功功率显示值(从表上直接读取)和计算值(根据所推导的公式计算)如表2-1所示。

表2-1 不同场景下三相四线制电度表的有功功率值

从表2-1中可以看出：1)电度表二次回路故障后的显示电量与正常显示电量差别很大，需要进行排查；2)在不同场景下的有功功率显示值和计算值基本吻合，从而证明了所推导的电度表故障后显示电量的计算公式是正确的，能够直观的反映不同类型故障后显示电量和正常情况下显示电量之间的关系。

对于三相三线制电度表，其常用的一种接线方式和对应的相量图分别如图4和图5中所示。

在三相电路对称的情况下，其正常显示的有功功率数值为：

由于电压接线方式与三相四线制相同，因此当出现缺相电压或者电压相序错误时，P_f结果与三相四线制相同。

1)当缺A相电流时：

当缺C相电流时：

当缺A、C相电流时：

P_f＝0 (2-28)

2)当电流相序错误时，即将AC接成了CA时：

3)当A相电流二次极性接反时：

当C相电流二次极性接反时：

当A、C相电流二次极性都接反时：

4)当缺部分电流或者缺部分电压时：

0<P_f<P (2-33)

5)当发生两个及以上故障时，此时情况比较复杂，P_f数值的范围较大。

结合上述分析结果，可以得到不同故障情况下三相三线制电度表故障后显示电量W_f与正常显示电量W的关系式如下：

1)当缺AC相电流或缺三相电压或电流相序接成了CA或电压相序接成了ACB、BAC、CBA时，关联系数μ₁为

2)当缺两相电压时，关联系数μ₂为

3)当缺单相电压时，关联系数μ₃为

4)当电压相序接成了CAB时，关联系数μ₄为

5)当电压相序接成了BCA时，关联系数μ₅为

6)当缺A相电流时，关联系数μ₆为

7)当缺C相电流时，关联系数μ₇为

8)当A相电流二次极性接反时，关联系数μ₈为

9)当C相电流二次极性接反时，关联系数μ₉为

10)当A和C相电流二次极性接反时，关联系数μ₁₀为

11)当缺部分电流或者缺部分电压时，关联系数μ₁₁为

12)当发生两个及以上故障时，此时情况比较复杂，关联系数的数值范围较大。

为了验证所推导出的不同故障类型下电度表故障后显示电量的公式是否正确，在实际电度表上模拟相应故障。电度表选用DSZ71三相三线智能电度表。

输入的电压为57.75V，电流为2A。当相位角分别为0°、10°、-10°时，不同场景下三相三线制电度表的有功功率显示值(从表上直接读取)和计算值(根据所推导的公式计算)和表2-4所示。

表4 不同场景下三相三线制电度表的有功功率值

从表2-4中可以看出：在不同场景下的有功功率显示值和计算值基本吻合，从而证明了所推导的电度表故障后显示电量的计算公式是正确的。

母线电量不平衡率异常的典型问题分析

母线不平衡率的计算公式如下:

式中：N_IN表示进线数量；W_IN,i和分别表示第i条进线对应的电度表电量和倍率；N_OUT表示出线数量；W_OUT,i和分别表示第j条出线对应的电度表电量和倍率。

从上式中可以看出，造成母线电量不平衡率异常的主要原因包括：倍率错误和电度表二次回路故障导致的电量计量错误。下面逐一分析各种问题条件下，故障后显示电量W_f与正常显示电量W的区别。

当发生倍率错误时，故障后显示电量W_f与正常显示电量W的关系如下：

式中：为正确的倍率；为错误的倍率。

当电度表二次回路故障时，根据第二章的分析结果，可以统计出不同故障情况下三相四线制电度表和三相三线制电度表故障后显示电量W_f与正常显示电量W的关系系数分别如表3-1和表3-2所示。

表3-1 三相四线制电度表分析结果

表3-2 三相三线制电度表分析结果

电度表二次回路故障分析中，有一种特殊情况，就是电容器的电度表。对于电容器而言，一般电压电流相位角为90度，因此正常情况下电量为0。

从表3-1中可以看出，电容器的三相四线制电度表故障后显示电量W_f的计算结果如下：

(1)当发生表3-1中故障一、二、三、四、五或八时

W_f＝0 (3-3)

(2)当发生表3-1中故障六时，即电流相序接成了BCA或电压相序接成了CAB

(3)当发生表3-1中故障七时，即电流相序接成了CAB或电压相序接成了BCA

由此可见，对于三相四线制电度表，若电容器显示电量为负值，则表示电流相序接成了BCA或电压相序接成了CAB；若电容器显示电量为正值，则表示电流相序接成了CAB或电压相序接成了BCA；若电度表二次回路出现其它故障，电量也会显示为0，对母线不平衡率计算无影响。

从表3-2中可以看出，电容器的三相三线制电度表故障后显示电量W_f的计算结果如下：

(1)当发生表3-2中故障一、二、三、十或十一时

W_f＝0 (3-6)

(2)当发生表3-2中故障四时，即电压相序接成了CAB

(3)当发生表3-2中故障五时，即电压相序接成了BCA

(4)当发生表3-2中故障六时，即缺A相电流

(5)当发生表3-2中故障七时，即缺C相电流

(6)当发生表3-2中故障八时，即A相电流二次极性接反

(7)当发生表3-2中故障九时，即C相电流二次极性接反

由此可见，对于三相三线制电度表，若电容器显示电量为负值，则表示出现了表3-2中故障四、七或九；若电容器显示电量为正值，则表示出现了表3-2中故障五、六或八；若电度表二次回路出现其它故障，电量也会显示为0，对母线不平衡率计算无影响。

场景预判方法

首先逐一将各种类型故障还原成对应的正常运行情况，然后计算还原后的母线不平衡率，若合格，则表示可能出现该种类型的故障；最后依据还原后的母线不平衡率绝对值从小到大排序，排在前面的故障在现场优先排查。

母线电量不平衡率异常辨识方法

步骤1、根据变电站运行拓扑结构，将进出线进行归类，并计算每类进出线对应的母线不平衡率，找出母线不平衡率异常的电度表集合R＝{R₁,R₂,…,R_i,…,R_N}，此类电度表上传的电量为W＝{W₁,W₂,…,W_i,…,W_N}。

步骤2、判断电度表集合R的接线方式，若为三相四线制，转到步骤3，若为三相三线制，转到步骤10。

步骤3：对电度表集合R的电量数值进行逐一分析，若W_i为0，且电度表R_i对应的出线是带负荷，则R_i可能出现表3-1中故障一；若W_i为负值，且电度表R_i对应的出线是电容器，则R_i可能出现表3-1中故障六；若W_i为正值，且电度表R_i对应的出线是电容器，则R_i可能出现表3-1中故障七。

步骤4：设i＝1；

步骤5：若W_i＜0,转步骤6,若W_i>0,转步骤7；

步骤6：将电度表R_i的电量用(1/λ₄)W_i代替，然后计算调整后的母线不平衡率α_o，若α_o≤β，则R_i可能出现表3-1中故障四；

将电度表R_i的电量用(1/λ₅)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-1中故障五；

若λ₆<0，则将电度表R_i的电量用(1/λ₆)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-1中故障六；

若λ₇<0，则将电度表R_i的电量用(1/λ₇)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-1中故障七；

转步骤8。

步骤7：将电度表R_i的电量用(1/λ₂)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-1中故障二；

将电度表R_i的电量用(1/λ₃)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-1中故障三；

若λ₆>0，则将电度表R_i的电量用(1/λ₆)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-1中故障六；

若λ₇>0，则将电度表R_i的电量用(1/λ₇)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-1中故障七；

转步骤8。

步骤8：令i＝i+1，若i≤N，则继续步骤7，若i>N，则转到步骤9。

步骤9：进行故障排序，首先排列步骤5发现的故障，然后将步骤6到步骤10发现的故障按照α_o的绝对值从小到大排序，排在前面的故障在现场优先排查。如果步骤6到步骤10都没有发现故障，则可能出现的是缺部分电流或者缺部分电压或发生两个及以上故障，结束运算。

步骤10：对电度表集合R的电量数值进行逐一分析，若W_i为0，且电度表R_i对应的出线是带负荷，则R_i可能出现表3-2中故障一；若W_i为负值，且电度表R_i对应的出线是电容器，则R_i可能出现表2中故障四、七或九；若W_i为正值，且电度表R_i对应的出线是电容器，则R_i可能出现表3-2中故障五、六或八。。

步骤11：设i＝1；

步骤12：若W_i＜0,转步骤13,若W_i>0,转步骤14；

步骤13：若μ₄<0，将电度表R_i的电量用(1/μ₄)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-2中故障四；

若μ₅<0，将电度表R_i的电量用(1/μ₅)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-2中故障五；

若μ₆<0，将电度表R_i的电量用(1/μ₆)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-2中故障六；

若μ₇<0，将电度表R_i的电量用(1/μ₇)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-2中故障七；

若μ₈<0，将电度表R_i的电量用(1/μ₈)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-2中故障八；

若μ₉<0，将电度表R_i的电量用(1/μ₉)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-2中故障九；

将电度表R_i的电量用(1/μ₁₀)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-2中故障十；

转步骤15。

步骤14：将电度表R_i的电量用(1/μ₂)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-2中故障二；

将电度表R_i的电量用(1/μ₃)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-2中故障三；

若μ₄>0，将电度表R_i的电量用(1/μ₄)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-2中故障四；

若μ₅>0，将电度表R_i的电量用(1/μ₅)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-2中故障五；

若μ₆>0，将电度表R_i的电量用(1/μ₆)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-2中故障六；

若μ₇>0，将电度表R_i的电量用(1/μ₇)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-2中故障七；

若μ₈>0，将电度表R_i的电量用(1/μ₈)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-2中故障八；

若μ₉>0，将电度表R_i的电量用(1/μ₉)W_i代替，然后计算α_o，若α_o≤β，则R_i可能出现表3-2中故障九；

转步骤15。

步骤15：令i＝i+1，若i≤N，则继续步骤12，若i>N，则转到步骤16。

步骤16：进行故障排序，首先排列步骤10发现的故障，然后将步骤11到步骤15发现的故障按照α_o的绝对值从小到大排序，排在前面的故障在现场优先排查。如果步骤11到步骤15都没有发现故障，则可能出现的是缺部分电流或者缺部分电压或发生两个及以上故障，结束运算。

现场排查方法可利用相量图和钳形电流表进行。

为了验证本文所提出的故障辨识方法的有效性，对两个变电站电量不平衡原因进行分析。变电站I装设的是三相四线制电度表，变电站II装设的是三相三线制电度表。按照变电站运行拓扑结构，对进出线进行归类，两个变电站的每类进出线电量数据分别见表3-3和表3-4。根据经验，除电容器外所有出线都是带感性负载，相位角在8°左右。母线电量不平衡率要求控制在±1％内。

表3-3 变电站I电量数据

表3-4 变电站II电量数据

根据表3-3中的数据，计算变电站I的电量不平衡率是2.97％，超过了1％，电量不平衡率不合格，需要进行消缺。在故障预判时，首先分别计算第一类和第二类母线不平衡率α₁和α₂，得出α₁＝5.33％、α₂＝0.12％，因此电度表二次回路故障发生在第一类电度表中。然后对第一类电度表电量数据进行分析发现，2号电容器出线电量虽然为0kWh，但这是由于该出线不带负荷所出现的，属于正常情况，故障发生在其它出线。最后利用所提出的故障辨识方法进行处理，得到可能发生的故障排序如表3-5所示。

表3-5 变电站I的故障分析结果

按照表3-5中显示的故障顺序，到现场进行排查，发现是里16电度表的B相电流二次极性接反，修正后电量不平衡率为0.07％，与表3-5中结果相一致，证明了所提出的故障辨识方法的有效性。另外，虽然通过故障辨识方法找出的可能出现的故障电度表为4个，但实际上仅检查了一个电度表(里16)就发现了故障，而不需要对所有电度表进行逐一排查，说明了所提出的方法能够大大提高工作效率。

同理，利用所提的方法对表3-4进行分析，发现故障存在于第一类电度表中，进而得到可能发生的故障排序如表3-6所示。到现场排查显示是远15电度表的A相流入和流出被短路，导致缺A相电流，与表3-6结果相一致，证明了所提出的方法无论是对三相四线制电度表还是三相三线制电度表都是有效的。

表3-6 变电站II的故障分析结果

数据挖掘，是指在大量的、不完整的、没有规律的信息中，挖掘出对人们有价值的知识或规律。数据挖掘的对象主要是针对大型的数据库中的数据。对业务数据进行数据的清洗与集成、数据的转换、数据分析、模型评估以及知识表示等过程，最终给用户提供有价值的信息，帮助用户对业务数据做出相应的决策。数据来源的存储可以是任意类型的：结构化、非结构化和半结构化数据。

在不同的应用场景和不同的挖掘技术中，数据挖掘的过程也会有所差异。但是，经过前人的总结，数据挖掘的基本过程一般有：数据准备、数据开采、评估与表示等过程。

1.数据准备

在数据准备阶段，是整个数据挖掘流程的开始阶段，非常重要。数据准备阶段的好坏直接影响后续步骤的可行性或者整个挖掘的质量和有效性。通常又可将数据准备阶段细分为数据集成、数据清洗以及数据预处理三个步骤：

1)数据集成：将来自不同数据源中的数据整合到一起，方便后续计算分析的统一存储和处理。

2)数据清洗：将数据源中的含有噪音或者与挖掘主题无关的数据除去，以免影响结果的精准度。

3)数据的预处理：对整合后的数据进行某种跟后续分析有关的处理，主要是为了将数据转换成容易被进行挖掘计算的存储格式，让数据能够适应挖掘算法的输入格式和模式。

2.数据开采

数据开采就是真正的挖掘分析过程，在数据准备好的基础之上，选择跟挖掘主题相关的算法，对数据进行挖掘分析。这个阶段是整个挖掘过程最关键的一环，算法的好坏直接影响结果的有效性和精准度。这个阶段重点是算法的设计和优化，技术含量和难度极大，往往也是重点的、热门的研究领域。

3.评估与表示

评估与表示阶段是对挖掘出来的模型进行评估，去掉那些不符合评估标准的模式，同时也将结果表示出来，使人更容易理解和接受，向用户展示挖掘出来的相关信息。

用户侧异常分析方法总体框架方案

考虑到用户信息采集系统获取的数据量较大，包含的信息量较多，因此提出了多时间尺度用户分析方法来识别计量异常的嫌疑用户。基于用户信息采集系统的多时间尺度用电分析方法总体框架如图4-1所示，具体过程如下：首先按照时间尺度，对系统采集的数据进行分类，短期数据可分为每时刻电流电压集合和每日24小时电流电压集合，中长期数据可分为月度每日用电量集合和年度每月用电量集合，针对短期数据可采用电流电压判定算法进行异常辨识，针对中长期数据可采用聚类算法和相关系数法进行异常辨识，从而从不同的时间尺度角度搜索到异常用电嫌疑用户。

上述方法针对不同用户，具体操作存在一定的差别。目前用来采集用电信息的装置主要有两种，一种是专变终端，另一种是集中器。其中专变终端能够获取用户的电流电压和用电量等信息，对于这部分用户，可采用短期和中长期时间尺度的异常用电分析方法进行综合判断；而集中器一般没有开通获取电流电压信息的通道，只能获取用户用电量信息，对于这部分用户可采用中长期时间尺度的异常用电分析方法进行异常辨识。

1、短期时间尺度的异常用电分析方法

1.1、电压电流判定算法

专变终端主要是对三相用户采集信息，正常情况下，对于三相用户而言，电压会维持在额定值附近，同时电流不平衡率也较小。当出现明显的电压偏移或存在较大的不平衡电流时，表明此用户可能用电异常，需要排查。因此可选用电压偏移系数β_U和三相电流不平衡率β_I作为用电异常的判断元素，具体计算公式如下：

式中：U为电压；U_e为额定电压；I^max为三相中最大的相电流；I_av为三相电流平均值。

4.3.2 基于实时用电数据的分析方法

专变终端可以实时获取用户的电压、电流数据，进而基于这些数据，根据式(4-1)和式(4-2)计算用户A相、B相和C相的电压偏移系数β_AU、β_BU、β_CU以及电流不平衡率β_I，并做以下判断：

式中：和分别为电压偏移系数和电流不平衡率的限值。当式(4-3)结果为布尔值TRUE时，则表示该用户存在用电异常嫌疑。

以某地区线损较高的5个台区119个专变终端用户为分析对象，计算电压偏移系数β_U和三相电流不平衡率β_U，设根据实时数据可以判断出异常嫌疑用户数量为6个，需现场排查，具体的表号(最后8位)和异常现象如表1所示。经现场排查发现，该6个表计全部存在异常。

表4-1 基于实时数据的分析结果

1.2、基于日用电数据的分析方法

专变终端会按照15min的时间间隔，对用户的电压和电流数据进行采样，绘制日电压和电流曲线。考虑到异常用电通常会维持几个小时以上，因此从中选取各整点时刻的电压、电流数据作为分析的依据即可说明问题。每日24小时的三相最大电压偏移系数欧式距离d_U和三相电流不平衡率欧式距离d_I计算公式分别如下：

若d_U值超过其限值或d_I值超过其限值则表示该用户存在用电异常嫌疑。

以4.3.1节的分析对象为例，设根据日用电数据可以判断出异常用电的用户为8个，除了表4-1中的6个用户外，还有2个用户存在异常用电嫌疑，具体如表4-2所示。经现场排查，确实存在计量问题。由此可见，基于电流电压判定算法的短期异常用电分析方法具有较高的准确性。

表4-2 基于日用电数据的分析结果

2、中长期时间尺度的异常用电分析方法

2.1 数据预处理

由于通讯等原因，用电信息采集系统中的用电量数据会存在一定的缺失，针对这一问题，需要进行数据预处理。本项目采用三次样条插值结合线性插值的方法补充缺失数据。其中满足三次样条插值条件的采用三次样条插值，不满足时，采用线性插值处理。具体方法介绍如下：

(1)三次样条插值

三次样条插值是通过三次平滑曲线进行插值的一种方法。

首先，给出三次样条函数的定义：

样条曲线S(x)是一个分段定义的公式。给定n+1个数据点，共有n个区间，三次样条方程满足以下条件：

a)在每个分段区间[x_i,x_i+1](i＝0,1,…,n-1，x递增)，S(x)＝S_i(x)都是一个三次多项式。

b)满足S(x_i)＝y_i(i＝0,1,…,n)

c)S(x)，导数S(x)，二阶导数S(x)在x取值区间都是连续的，即S(x)曲线是光滑的。

然后，对S(x)的表达式进行求解。

已知条件为：

a)n+1个数据点[x_i,y_i]，i＝0,1,…,n

b)每一分段都是三次多项式函数曲线

c)节点达到二阶连续

d)左右两端点处特性(自然边界，固定边界，非节点边界)

根据定点，求出每段样条曲线方程中的系数，即可得到每段曲线的具体表达式。

根据插值的连续性有：

S_i(x_i)＝y_i，S_i(x_i+1)＝y_i+1，其中i＝0,1,…,n-1 (4-6)

根据微分的连续性有：

S′_i(x_i+1)＝S′_i+1(x_i+1)，S″_i(x_i+1)＝S″_i+1(x_i+1)，其中i＝0,1,…,n-2 (4-7)

样条曲线的微分式为：

S_i(x_i)＝a_i+b_i(x-x_i)+c_i(x-x_i)²+d_i(x-x_i)³ (4-8)

S″_i(x_i)＝b_i+2c_i(x-x_i)+3d_i(x-x_i)² (4-9)

S″_i(x_i)＝2c_i+6d_i(x-x_i) (4-10)

其中，a_i，b_i，c_i，d_i均为系数。

将步长h_i＝x_i+1-x_i带入样条曲线的条件：

则由S_i(x_i)＝y_i(i＝0,1,…,n-1)，推出

a_i＝y_i (4-11)

由S_i(x_i+1)＝y_i+1(i＝0,1,…,n-1)，推出

由S′_i(x_i+1)＝S′_i+1(x_i+1)(i＝0,1,…,n-2)，得出

S′_i+1(x_i+1)＝b_i+1+2c_i+1(x_i+1-x_i+1)+3d_i+1(x_i+1-x_i+1)²＝b_i+1(4-14)

由此可得：

由S″_i(x_i+1)＝S″_i+1(x_i+1)(i＝0,1,…,n-2)，得出

2c_i+6d_ih_i-2c_i+1＝0 (4-16)

设m_i＝S″_i(x_i)＝2c_i，则上式可以改写为：

将c_i，d_i带入可得：

将b_i，c_i，d_i带入可得：

由i的取值范围可知，共有n-1个公式，但却有n+1个未知量m。要想求解该方程组，还需另外两个式子。所以需要对两端点x₀和x_n的微分加些限制。其中自由边界、固定边界、非节点边界比较常用的限制如下，下面结合自由边界具体分析。

自由边界是指首尾两端没有受到任何让它们弯曲的力，即S″＝0。具体表示为m₀＝0和m_n＝0。

则要求解的方程组可写为：

通过解方程求解出m₀,…,m_n求解，便可得出a_i，b_i，c_i，d_i，进而可以得到S_i(x)的方程。

(2)线性插值

线性插值方法是使用连接两个已知量的直线来确定在这两个已知量之间的一个未知量的值。

假设已知坐标(x₀,y₀)与(x₁,y₁)，要得到[x₀,x₁]区间内某一位置x在直线上的值。两已知点的直线方程为：

假设方程两边的值为α，那么这个值就是插值系数从x₀到x的距离与从x₀到x₁距离的比值。由于x值已知，所以可以从公式得到α的值

同样，

这样，线性插值在代数上就可以表示成为：

y＝(1-α)y₀+αy₁或者y＝y₀+α(y₁-y₀) (4-24)

这样通过α就可以直接得到y。实际上，即使x不在x₀到x₁之间并且α也不是介于0到1之间，这个公式也是成立的。

在补全所有用电量数据后，为了消除不同量纲的影响，更好的体现用电变化规律，需要对原始数据进行归一化处理，把数据压缩在区间[0,1]之间。具体处理公式如下：

式中：y、y′分别为电力用户在周期内用电量的原始数据和变换后的数据；y_min和y_max分别为电力用户在周期内的原始用电量最小值和最大值。

4.4.2聚类算法

对于相同用电类别的用户，相互之间的用电行为特征具有一定的相似性。基于这一特征，首先可以通过聚类分析得到该用电类别的典型用电负荷曲线，进而将需要排查的用户与典型用电负荷曲线进行比较，找出用电异常嫌疑用户。

在各种聚类方法中，K-means聚类算法具有收敛速度快、易于实现等优点，被广泛应用于用电负荷分析中。K-means聚类算法的基本思想如下:已知一个包含N_w个样本数据的数据集，以及给定聚类数目k，首先随机选取k个样本分别作为初始划分的簇类中心，然后根据相似性度量函数采用迭代的方法，计算未划分的样本数据到每个聚类中心点的距离，并将该样本数据划分到与之最近的那个聚类中心所在的簇类中，对分配完的每一个簇类，通过计算该簇类内所有数据平均值不断移动聚类中心，重新划分聚类，直到类内误差平方和最小且没有变化时为止。

将d维数据集X＝{x_j|x_j∈R^d,j＝1,2,...,N_w}聚集成k个簇γ₁,γ₂,…,γ_k,，它们的质心依次为c₁,c₂,…·,c_k，其中n_i是簇γ_i中数据点的个数。具体计算步骤如下：

步骤1：从X中随机选择k个初始参照点c₁,c₂,…·,c_k。

步骤2：以c₁,c₂,…,c_k为参照点，对X进行划分，划分的依据如下原则：若dist(x_i,c_j)<dist(x_i,c_m)，其中dist(·)为欧式距离函数；m＝1,2,…,k；j＝1,2,…,k；j≠m；i＝1,2,…,n，则将x_i划分到簇c_j中。

步骤3：根据公式重新计算簇的质心c′₁,c′₂,...,c′_k。

步骤4：若对任意i∈{1,2,...,k}，c′_i＝c_i，都成立，则算法结束，当前的c′₁,c′₂,...,c′_k代表了最终形成的簇，否则，令c_i＝c′_i，返回步骤2。为了防止由于终止条件不能满足而出现无限循环，通常在算法中设置一个最大的迭代次数。

基于K-means算法得到的典型用电负荷集合为C＝{c₁，c₂,…,c_k}。将需要排查的用电负荷数据q与C对比，计算最小欧式距离d_q:

d_q＝min[dist(q,c₁),dist(q,c₂),...,dist(q,c_k)] (4-25)

式中：dist(·)为欧式距离函数。若d_q值超过其限值则表示该用户存在用电异常嫌疑。

2.2、相关系数法

台区线损电量的计算公式如下：

式中：W_I为关口总表显示电量；W_O为用户电表显示电量；N_O为用户数量。台区线损电量可以分为真实线损电量和不明线损电量，其中不明线损电量主要是由于表计回路接线错误造成。对于同一种表计回路接线错误，一般用户电表显示电量和真实电量是线性关系，如下所示：

式中：W′_O,i表示用户实际电量。不明线损计算公式如下：

由此可见，W_O,i越大，造成不明线损就越大，台区线损也就越大，W_O,i与台区线损之间具有明显的相关性。因此可以利用相关系数法计算台区线损和用户电表显示电量之间的相关系数，若相关性高，则该用户存在异常嫌疑。

常用的相关系数有Pearson(皮尔逊)相关系数、Spearman Rank(斯皮尔曼等级)相关系数、Kendall Rank(肯德尔等级)相关系数，其中皮尔逊相关系数能够有效的衡量两个变量之间线性相关程度，因此可选用该方法进行用电异常分析。对于变量X＝{x_i}和Y＝{y_i}，皮尔逊相关系数计算公式如下：

式中：n为样本量。若r＞0，表明2个变量是正相关，即一个变量的值越大，另一个变量的值也会越大；若r＜0，表明2个变量是负相关，即一个变量的值越大，另一个变量的值反而会越小。r的绝对值越大表明相关性越强。若出现计量异常，台区线损和用户异常电表显示电量之间是正相关。

2.3、基于中长期时间尺度用电数据的分析方法

基于月度用电数据的分析方法计算过程如下：

步骤1：选取台区线损合理的用户最近的一个月30天日用电量数据最为样本数据，选取台区线损较大的用户最近一个月30天日用电量数据最为分析对象；

步骤2：对样本数据进行数据预处理，首先利用线性插值和三次样条插值法对缺失值进行补充，然后利用归一化方法对数据进行标准化操作；

步骤3：对归一化后的样本数据按照用电性质进行分类，并利用4.4.2节中的K-means聚类算法进行聚类分析，得出典型用电负荷曲线；

步骤4：将分析对象与典型用电负荷曲线进行对比，利用欧式距离查找出用电异常嫌疑用户；

步骤5：根据台区线损较大的关口总表数据和用户日用电量数据，计算出台区日线损量；

步骤6：利用相关系数法计算台区日线损量和用户日用电量之间的皮尔逊相关系数，并按照相关系数从大到小排序，查找出用电异常嫌疑用户；

步骤7：对步骤4和步骤6中发现的用电异常嫌疑用户进行现场核查，找出用电异常用户。

为了验证聚类算法的有效性，首先选取台区线损合理的5789户居民用户和1951户商业用户作为样本数据进行聚类分析，得出典型负荷曲线，然后将某个包含62户居民用户和7户商业用户的台区作为分析对象，与典型负荷曲线进行对比，判断出嫌疑用户。

在聚类分析中，居民用户和商业用户的聚类数分别设置为15个和10个，基于月度用电数据得到30日的典型负荷曲线如图7、图8中所示。

将分析对象与典型负荷曲线进行对比，距离限值取1.1，共分析出7户居民用户有异常嫌疑，现场排查发现其中5户表计确实存在异常，准确率为71.43％，具体情况如表4-3所示，由此可见聚类算法能够有效的甄别出嫌疑用户。

表4-3 基于聚类算法的分析结果

为了验证相关系数法的有效性，计算62户居民用户和7户商业用户与台区线损的相关系数，并选取相关系数大于0.9的作为嫌疑用户，具体计算结果如表4所示，共包含4户居民和1户商业用户，经现场排查发现，2户居民用户和1户商业用户存在用电异常，准确率为60％。对比聚类算法和相关系数法可以发现：聚类算法查找到的居民用户异常数量和准确率都高于相关系数法，而相关系数法比聚类算法多查出了一户商业用户用电异常，由此可见两种算法具有不同的适用性。

表4-4 基于相关系数法的分析结果

2.4、基于年度用电数据的分析方法和基于月度用电数据的分析方法类似，只是将原始数据从一个月30日的日用电量数据变成一年12月的月用电量数据。

基于年度数据，利用聚类分析算法查出用电异常嫌疑用户7户，查实4户，准确率为57.14％；利用相关系数法查出用电异常嫌疑用户6户，查实3户，准确率为50％。相比于月度数据，基于年度数据的用电异常排查方法准确率都要略低一点，经分析，主要包括以下两个原因：(1)月度数据包括30个时段，而年度数据包含12个时段，月度数据样本量大，能够更好的反映用电变化的规律；(2)月度数据采样周期短，而年度数据采样周期长，月度数据能够更好的反映用电变化的实时性。但是由于采集通道问题，日用电量数据会存在一定程度缺失，即使利用插值方法弥补，也会存在部分失真现象，而对于月用电量数据，由于有人工补抄环节，所以数据较为完整，体现的信息更为真实，因此基于年度数据的用电异常排查方法也有一定的价值。

本发明的技术方案，建立了基于大数据挖掘的用户侧异常分析方法总体框架，按照不同的时间尺度，划分成了短期时间尺度的用电异常分析方法和中长期时间尺度的异常用电分析方法，其中：

(1)针对短期时间尺度，提炼了电流、电压等电气数据作为判别用电异常的特征，并分别给出了基于实时用电数据和日用电数据的分析方法；

(2)针对中长期时间尺度，提炼了用电量这一电气数据作为判别用电异常的特征，采用三次样条插值结合线性插值的方法、归一化方法进行数据预处理，利用聚类算法和相关系数法作为模型评估方法，进而给出了基于中长期时间用电数据的分析方法。

本发明的技术方案中，基于大数据挖掘的用户侧异常分析方法针对短期用电数据和中长期用电数据特征的不同，采用了不同的用户侧计量异常甄别方法，能够快速判别出的电能计量异常用户的嫌疑程度。

本发明可广泛用于供电公司用电管理和用户用电异常情况辨识领域。

Claims (10)

1.一种基于大数据挖掘和场景预判的电能计量装置故障分析方法，其特征是所述的电能计量装置故障分析方法包括下述步骤：

步骤1、根据变电站实际运行数据，统计出电度表二次回路故障类型；

步骤2、分别针对三相四线制和三相三线制这两种接线方式的电度表，结合相量图推导出各种类型故障后电度表显示电量与运行正常情况下电度表显示电量之间的关联系数；

步骤3、根据母线平衡日报表的电量数据，分别计算变电站各母线对应的电量不平衡率并进行判断，找出故障电度表对应的母线j。；

步骤4、结合步骤2的推导结果，分析母线j对应的所有电度表电量数值，在去现场排查前进行故障预判，找出可能存在故障并进行优先级排序；

步骤5、根据故障预判的结果进行现场排查，找出最终出现的故障。

所述基于大数据挖掘和场景预判的电能计量装置故障分析方法，首先逐一将各种类型故障还原成对应的正常运行情况，然后计算还原后的母线不平衡率，若合格，则表示可能出现该种类型的故障；最后依据还原后的母线不平衡率绝对值从小到大排序，排在前面的故障在现场优先排查。

2.按照权利要求1所述的基于大数据挖掘和场景预判的电能计量装置故障分析方法，其特征是步骤1所述的故障类型包括单个电度表缺相电流、单个电度表缺相电压、单个电度表电流相序错误、单个电度表电压相序错误、单个电度表电流二次极性接反、单个电度表缺部分电流或者缺部分电压、两个及以上故障。

3.按照权利要求1所述的基于大数据挖掘和场景预判的电能计量装置故障分析方法，其特征是步骤2所述三相四线制电度表在各种类型故障后显示电量W_f与运行正常情况下显示电量W之间的关联系数采用如下方式确定：

1)当缺三相电流或缺三相电压或电流相序接成了ACB、BAC、CBA或电压相序接成了ACB、BAC、CBA时，关联系数λ₁为

2)当缺两相电流或缺两相电压或单相电流二次极性接反时，关联系数λ₂为

3)当缺单相电流或缺单相电压时，关联系数λ₃为

4)当两相电流二次极性接反时，关联系数λ₄为

5)当三相电流二次极性接反时，关联系数λ₅为

6)当电流相序接成了BCA或电压相序接成了CAB时，关联系数λ₆为

7)当电流相序接成了CAB或电压相序接成了BCA时，关联系数λ₇为

8)当缺部分电流或者缺部分电压时，关联系数λ₈为

9)当发生两个及以上故障时，此时情况比较复杂，关联系数的数值范围较大。

4.按照权利要求1所述的基于大数据挖掘和场景预判的电能计量装置故障分析方法，其特征是步骤2所述三相三线制电度表在各种类型故障后显示电量W_f与运行正常情况下显示电量W之间的关联系数μ采用如下方式确定：

1)当缺AC相电流或缺三相电压或电流相序接成了CA或电压相序接成了ACB、BAC、CBA时，关联系数μ₁为

2)当缺两相电压时，关联系数μ₂为

3)当缺单相电压时，关联系数μ₃为

4)当电压相序接成了CAB时，关联系数μ₄为

5)当电压相序接成了BCA时，关联系数μ₅为

6)当缺A相电流时，关联系数μ₆为

7)当缺C相电流时，关联系数μ₇为

8)当A相电流二次极性接反时，关联系数μ₈为

9)当C相电流二次极性接反时，关联系数μ₉为

10)当A和C相电流二次极性接反时，关联系数μ₁₀为

11)当缺部分电流或者缺部分电压时，关联系数μ₁₁为

12)当发生两个及以上故障时，此时情况比较复杂，关联系数的数值范围较大。

5.按照权利要求1所述的基于大数据挖掘和场景预判的电能计量装置故障分析方法，其特征是步骤4所述的优先级排序包括下列步骤：首先逐一将各种类型故障还原成对应的正常运行情况，然后计算还原后的母线不平衡率，若合格，则表示可能出现该种类型的故障；最后依据还原后的母线不平衡率绝对值从小到大排序，排在前面的故障在现场优先排查。

6.按照权利要求1所述的基于大数据挖掘和场景预判的电能计量装置故障分析方法，其特征是所述的现场排查利用相量图和钳形电流表进行。

7.按照权利要求1所述的基于大数据挖掘和场景预判的电能计量装置故障分析方法，其特征是所述的电能计量装置故障分析方法，首先按照时间尺度，对系统采集的数据进行分类，将系统采集的数据分为短期数据和中长期数据；

短期数据分为每时刻电流电压集合和每日24小时电流电压集合；

中长期数据分为月度每日用电量集合和年度每月用电量集合；

针对短期数据，采用电流电压判定算法进行异常辨识；

针对中长期数据，采用聚类算法和相关系数法进行异常辨识，从而从不同的时间尺度角度搜索到异常用电嫌疑用户。

8.按照权利要求1所述的基于大数据挖掘和场景预判的电能计量装置故障分析方法，其特征是所述的电能计量装置故障分析方法，按照不同的时间尺度，划分成了短期时间尺度的用电异常分析方法和中长期时间尺度的异常用电分析方法，其中：

(1)针对短期时间尺度，采用电流、电压等电气数据作为判别用电异常的特征，并分别采用基于实时用电数据和日用电数据的分析方法；

(2)针对中长期时间尺度，采用用电量这一电气数据作为判别用电异常的特征，采用三次样条插值结合线性插值的方法、归一化方法进行数据预处理，利用聚类算法和相关系数法作为模型评估方法，进而给出基于中长期时间用电数据的分析方法。

9.按照权利要求按照权利要求8所述的基于大数据挖掘和场景预判的电能计量装置故障分析方法，其特征是所述的电能计量装置故障分析方法，利用相关系数法计算台区线损和用户电表显示电量之间的相关系数，若相关性高，则该用户存在异常嫌疑。

10.按照权利要求按照权利要求1所述的基于大数据挖掘和场景预判的电能计量装置故障分析方法，其特征是所述的电能计量装置故障分析方法，针对中长期时间尺度用电数据，采用基于月度用电数据和基于年度数据的用电异常排查分析方法，其中，基于月度用电数据的用电异常排查分析方法包括下列步骤：

步骤1：选取台区线损合理的用户最近的一个月30天日用电量数据最为样本数据，选取台区线损较大的用户最近一个月30天日用电量数据最为分析对象；

步骤2：对样本数据进行数据预处理，首先利用线性插值和三次样条插值法对缺失值进行补充，然后利用归一化方法对数据进行标准化操作；

步骤3：对归一化后的样本数据按照用电性质进行分类，并利用K-means聚类算法进行聚类分析，得出典型用电负荷曲线；

步骤4：将分析对象与典型用电负荷曲线进行对比，利用欧式距离查找出用电异常嫌疑用户；

步骤5：根据台区线损较大的关口总表数据和用户日用电量数据，计算出台区日线损量；

步骤6：利用相关系数法计算台区日线损量和用户日用电量之间的皮尔逊相关系数，并按照相关系数从大到小排序，查找出用电异常嫌疑用户；

步骤7：对步骤4和步骤6中发现的用电异常嫌疑用户进行现场核查，找出用电异常用户。

所述的电能计量装置故障分析方法，基于大数据挖掘的用户侧异常分析方法针对短期用电数据和中长期用电数据特征的不同，采用了不同的用户侧计量异常甄别方法，能够快速判别出的电能计量异常用户的嫌疑程度。