CN112230083B - 一种关口计量装置异常事件识别方法和系统 - Google Patents

Abstract

本发明公开了一种关口计量装置异常事件识别方法和系统，涉及关口计量装置异常事件深度训练方法，解决了运行状态的评价大量依靠检修人员定期到现场对装置进行检修，造成人力和物力的严重浪费的问题。本发明包括采集关口计量装置用电数据，得到关口计量装置的异常事件数据，分析异常事件数据并对异常事件进行特征提取得到异常事件特征集数据，并同时对不同异常事件进行数据标签化处理；将训练集的数据作为SAE输入数据，训练得到异常事件识别模型；将测试集的数据输入到训练完成的异常事件识别模型，得到异常事件识别结果。本发明实现对不同异常事件类型的准确识别，提高计量的经济性和准确性。

Description

一种关口计量装置异常事件识别方法和系统

技术领域

本发明涉及关口计量装置异常事件深度训练方法，具体涉及一种关口计量装置异常事件识别方法和系统。

背景技术

目前对于关口计量装置运行状态的评价大量依靠检修人员定期到现场对装置进行检修，造成人力和物力的严重浪费。同时一些相关技术均以提取与计量装置运行状态有关的特征，并对提取的特征进行简单的赋权为主，评价的方法的适用性和有效性还需完善。

发明内容

本发明所要解决的技术问题是：关口计量装置运行状态的评价大量依靠检修人员定期到现场对装置进行检修，造成人力和物力的严重浪费，评价的方法的适用性和有效性不足，本发明解决上述问题的一种关口计量装置异常事件识别方法和系统。

由于异常事件的监测数据中含有大量与设备运行状态有关的信息，从监测数据中可提取反映计量装置状态的相关特征，为研究关口计量装置的状态评价方法提供了一个新的思路。

因此提出了利用深度学习方法来对异常事件的运行数据进行学习，获得识别性更强的深层特征，这些特征有利于准确从监测数据中识别出异常事件。所提方法相比传统方法的效率更高、鲁棒性更强。

本发明通过下述技术方案实现：

在讲述技术方案之前先进行本发明中提及的名词的解释：

关口计量装置是指安装各电网经营企业贸易结算电量及企业内部考核结算的电量计量分界点的装置，主要包括关口电能表、电压互感器、电流互感器和二次回路；

关口计量装置异常事件是指发生在装置故障时的一系列异常事件，主要包括电量异常、电压电流异常、时钟异常和接线异常等；

深度学习是含多隐层的多层感知器，能够通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示；

异常事件识别方法的构建主要是利用深度学习构建识别模型，用于准确从在线监测数据中识别出不同的异常事件类型；

本发明针对关口计量装置，提出基于多特征提取与深度学习的关口计量装置异常事件识别方法。

关口计量装置的异常事件主要分为：电量异常、电压电流异常、时钟异常和接线异常，并按照各个事件的发生原因和数据表现形式提取对应的特征，提取的特征如下：

电量异常主要包括电能表示值不平、电能表飞走、电能表倒走、电能表停走、电能表自动核抄异常。

电能表示值不平是指电能表的总电能示值与各费率电能示值之和不等。采用日正向有功总电量与日峰、平和谷段各个费率的总电能的差值来表征该异常事件的特征，计算公式如式(1)所示。

X₁＝P₁-(A₁+A₂+A₃) (1)

式中，P₁表示日正向有功总电量；A₁、A₂和A₃分别表示日峰、平和谷的费率段电量。

电能表飞走是指电能表示值出现快速增加的情况。采用日正向有功总电量与对应参考值的比值来判断电能表示值是否快速增加，计算公式如式(2)所示。

X₂＝P₁/P_{1_ref} (2)

式中，P_{1_ref}表示日正向有功总电量参考值。

电能表倒走是指电能表示值出现下降的情况。采用连续两日正向有功总电量的差值来判断电能表示值是否出现了下降，计算公式如式(3)所示。

X₃＝P₁-P_{1_bef} (3)

式中P_{1_bef}表示前一天记录的日用户正向有功总电量。

电能表停走是指非电厂用户出现了电能表示值不变化的情况。此时可能是由于人为窃电引起的，在人为窃电时会出现反向有功电量，且每日的反向有功电量和日线损率都会逐渐增加，因此采用连续两日反向有功电量的差值和连续两日线损率差值来综合表征该异常事件的特征，计算公式如式(4)所示。

X₄＝(P₂-P_{2_bef})&(ζ₁-ζ_bef) (4)

式中，P₂表示日反向有功总电量；P_{2_bef}表示前一天记录的日用户反向有功总电量；ζ₁和ζ_bef分别表示当日线损率和前一天的线损率的值。

电能表自动核抄异常是指电能表的示值与主站保存的值不一致。采用日冻结的正向有功总电量与主站保存值的差值来表征该异常事件的特征，计算公式如式(5)所示。

X₅＝P₁-P_{1_site} (5)

式中，P_{1_site}表示主站保存的日正向有功总电量。

电压电流异常是指在计量过程中，由于某些原因造成采集的电压和电流值出现异常。

电压失压是指出现某相电压降低及电流增加的情况。采用某相电压与正常运行时电压的差值，及该相电流与电能表启动电流的差值，综合表征该异常事件的特征，计算公式如式(6)所示。

X₆＝(u_j-u_normal)&(i_j-i_st) (6)

式中，u_j表示电压(j＝a，b，c)；i_j表示电流；i_st表示电能表的启动电流；u_normal表示正常运行时的电压值。

电压断相是指出现某相电压明显降低及电流下降的情况。由于电压断相与电压失压相比，电压下降更明显，因此采用某相电压与电压的下限阈值差值，及该相电流与电能表启动电流的差值，综合表征该异常事件的特征，计算公式如式(7)所示。

X₆＝(u_j-u_lower)&(i_j-i_st) (7)

式中，u_lower表示电压的下限阈值。

电压越限是指电压超过设置的上限或下限阈值。采用各相电压与正常运行时电压值的差值来表征该异常事件的特征，计算公式如式(8)所示。

X₈＝u_j-u_normal (8)

电压不平衡是指排除电压失压和断相情况下，三相电压中出现不平衡的情况。采用三相中最大电压和最小电压的差值来表征该异常事件的特征，计算公式如式(9)所示。

X₉＝u_jmax-u_jmin (9)

式中，u_jmax和u_jmin分别表示三相电压的最大值和最小值。

电流失流是指三相电流中任一相或两相小于启动电流。采用三相电流与电能表启动电流的差值来表征该异常事件的特征，计算公式如式(10)所示。

X₁₀＝i_j-i_st (10)

电流不平衡是指排除电流失流情况下，三相电流出现不平衡的情况。采用最大电流与最小电流的差值来表征该异常事件的特征，计算公式如式(11)所示。

X₁₁＝i_jmax-i_jmin (11)

式中，i_jmax和i_jmin分别表示三相电流的最大值和最小值。

时钟异常是指计量装置的时钟与标准时钟的误差过大。采用电能表时钟与标准时钟之间的差值来表征该异常事件的特征，如式(12)所示：

X₁₂＝t₁-t_normal (12)

式中，t₁和t_normal分别表示电能表的时钟和标准时钟的值。

计量回路接线异常也可能引起反向电量异常。与电能表停走中由于人为窃电引起的反向电量异常相比较，此时的日线损率不会增加，因此采用日反向电量和连续两日线损率差值来表征反向电量异常的特征，计算公式如式(13)所示。

X₁₃＝P₂&(ζ₁-ζ_bef) (13)

潮流反向是指在计量过程中线路反接，造成采集到的值与真实的值符号相反。采用三相电流来表征潮流反向的特征，计算公式如式(14)所示。

X₁₄＝i_j (14)

通过前面的分析可以得到关口计量装置的初始特征集X：

X＝[X₁,X₂,…,X₁₄] (15)

由于初始特征集中的数据可能出现量纲不统一的问题，会影响后续识别的准确性，因此需要对初始特征集中的数据进行归一化处理。本发明采用的方法是最大-最小值法。对应的公式如下：

式中，X_{i_nor}为特征X_i经过归一化的数据；X_{i_max}和X_{i_min}分别为特征X_i的最大值和最小值。

2)堆叠自动编码器

深度学习方法是一种包含一个输入层、多个隐藏层和一个输出层的多层网络，它能够自动学习得到输入数据中的非线性特征表达，建立输出层与输入层的映射关系，从而实现对数据的准确识别。

本发明采用堆叠自动编码器(Stacked Auto-encoder，SAE)作为深度学习模型，提取输入数据的深层特征。

SAE是由多个自动编码器(Auto-encoder，AE)堆叠形成的网络。AE的训练目标是使经过解码后的数据Z近可能与输入数据X相近，实现对输入数据的隐藏特征(Y)提取。因此，SAE将第一个AE的隐藏层作为整个网络的第一个隐藏层，第二个AE的隐藏层作为第二个隐藏层，依次类推，最后获得整个SAE模型。

SAE首先通过无监督学习来预训练整个网络，然后通过有监督学习来微调网络参数，实现对深层特征的提取。对应的网络参数更新公式如下所示：

式中：β表示参数更新时的学习率；W_ij ^(l+1)和W_ij ^(l)分别为第l+1层和第l层的权重参数；b_ij ^(l+1)和b_ij ^(l)分别为第l+1层和第l层的偏置参数；L(W,b)表示训练过程中的损失函数。

将经过归一化后的最优特征作为堆叠自动编码器的输入数据，利用堆叠自动编码器强大的特征提取能力，对关口计量装置不同异常事件的数据进行学习，得到能够准确识别不同的异常事件的网络模型。

3)评估指标

评估指标包括：准确率(Acc)、F₁值和马修斯相关系数(MCC)，对应的计算公式如下所示。

式中：以异常事件为正类，正常情况为负类。则TP表示将正类检测为正类的样本总数量，TN表示将负类检测为负类的样本总数量，FP表示将负类检测为正类的样本总数量，FN表示将正类检测为负类的样本总数量。

进一步地，还包括一种关口计量装置异常事件识别系统，应用上述方法的系统包括：采集模块和计算模块；

所述采集模块连通计算模块；

所述采集模块采集关口计量装置用电数据，并将数据发送至计算模块；

所述计算模块用于分析关口计量装置用电数据，分析关口计量装置用电数据包括数据标签化处理关口计量装置用电数据，所述计算模块还用于对关口计量装置用电数据进行特征提取得到异常事件特征集数据，还用于训练得到异常事件识别模型，还用于基于得到的异常事件识别模型得到标签化异常事件识别结果，还用于基于评估指标对得到的标签化异常事件识别结果进行评估。

本发明具有如下的优点和有益效果：

本发明基于在线监测数据，提出了一种多特征提取与深度学习相结合的关口计量装置异常事件识别方法。充分利用监测数据中含有的设备运行状态信息，通过深度学习方法构建异常事件特征与设备状态的映射关系，实现对不同异常事件类型的准确识别，以便检修人员对有故障的计量装置进行准确的校验，提高计量的经济性和准确性。

附图说明

此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：

图1为本发明的流程图。

图2为本发明的SAE的网络结构图。

具体实施方式

在对本发明的任意实施例进行详细的描述之前，应该理解本发明的应用不局限于下面的说明或附图中所示的结构的细节。本发明可采用其它的实施例，并且可以以各种方式被实施或被执行。基于本发明中的实施例，本领域普通技术人员在没有做出创造性改进前提下所获得的所有其它实施例，均属于本发明保护的范围。

一种关口计量装置异常事件识别方法，如图1所示，包括如下步骤：

步骤1，采集关口计量装置用电数据，得到关口计量装置的异常事件数据，分析异常事件数据并对异常事件进行特征提取得到异常事件特征集数据，并同时对不同异常事件进行数据标签化处理；

步骤2，将异常事件特征集数据划分为训练集和测试集，将训练集的数据作为堆叠自动编码器的输入数据，训练得到异常事件识别模型；

步骤3，将测试集的数据输入到训练完成的异常事件识别模型，得到异常事件识别结果，得到的识别结果给予步骤1异常事件的数据标签化划分为数据标签化的异常事件识别结果。

进一步地，所述关口计量装置用电数据包括三相电压、电流和功率监测数据，数据标签化处理为依据异常事件的种类进行分类处理。

进一步地，在步骤1中，所述分析异常事件数据对异常事件进行特征提取得到异常事件特征集数据包括基于关口计量装置用电数据中的三相电压、电流和功率监测数据进行并程的特征计算与提取过程，过程如下：

并行分析并计算异常事件特征，异常事件包括电量异常、电压电流异常、时钟异常和接线异常，并行分析并计算的方式采用包括基于所述异常事件的发生原因和数据表现形式提取对应的特征的方式。

进一步地，在步骤1中，还包括并行分析并计算电量异常、电压电流异常、时钟异常和接线异常事件特征得到初始特征集的过程，其中，并行分析并计算电量异常、电压电流异常、时钟异常和接线异常事件特征包括：

电量异常事件包括：

电能表示值不平、电能表飞走、电能表倒走、电能表停走、电能表自动核抄异常事件；

分析并计算电能表示值不平的方法：

采用日正向有功总电量与日峰、平和谷段各个费率的总电能的差值表征电能表示值不平事件的特征，计算公式如式(1)所示：

X₁＝P₁-(A₁+A₂+A₃) (1)

式中，P₁表示日正向有功总电量；A₁、A₂和A₃分别表示日峰、平和谷的费率段电量；

分析并计算电能表飞走的方法：

采用日正向有功总电量与对应参考值的比值来判断电能表示值是否快速增加，计算公式如式(2)所示：

X₂＝P₁/P_{1_ref} (2)

式中，P_{1_ref}表示日正向有功总电量参考值；

分析并计算电能表倒走的方法：

采用连续两日正向有功总电量的差值来判断电能表示值是否出现了下降，计算公式如式(3)所示：

X₃＝P₁-P_{1_bef} (3)

式中P_{1_bef}表示前一天记录的日用户正向有功总电量；

分析并计算电能表停走的方法：

采用连续两日反向有功电量的差值和连续两日线损率差值来综合表征该异常事件的特征，计算公式如式(4)所示：

X₄＝(P₂-P_{2_bef})&(ζ₁-ζ_bef) (4)

式中，P₂表示日反向有功总电量；P_{2_bef}表示前一天记录的日用户反向有功总电量；ζ₁和ζ_bef分别表示当日线损率和前一天的线损率的值；

分析并计算电能表自动核抄的方法：

用日冻结的正向有功总电量与主站保存值的差值来表征该异常事件的特征，计算公式如式(5)所示：

X₅＝P₁-P_{1_site} (5)

式中，P_{1_site}表示主站保存的日正向有功总电量；

电压电流异常事件包括：

电压失压、电压断相、电压越限、电压不平衡、电流失流和电流不平衡事件；

分析并计算电压失压的方法：

采用某相电压与正常运行时电压的差值，及该相电流与电能表启动电流的差值，综合表征该异常事件的特征，计算公式如式(6)所示：

X₆＝(u_j-u_normal)&(i_j-i_st) (6)

式中，u_j表示电压(j＝a，b，c)；i_j表示电流；i_st表示电能表的启动电流；u_normal表示正常运行时的电压值；

分析并计算电压断相的方法：

采用某相电压与电压的下限阈值差值，及该相电流与电能表启动电流的差值，综合表征该异常事件的特征，计算公式如式(7)所示：

X₆＝(u_j-u_lower)&(i_j-i_st) (7)

式中，u_lower表示电压的下限阈值；

分析并计算电压越限的方法：

采用各相电压与正常运行时电压值的差值来表征该异常事件的特征，计算公式如式(8)所示：

X₈＝u_j-u_normal (8)

分析并计算电压不平衡的方法：

采用三相中最大电压和最小电压的差值来表征该异常事件的特征，计算公式如式(9)所示：

X₉＝u_jmax-u_jmin (9)

式中，u_jmax和u_jmin分别表示三相电压的最大值和最小值；

分析并计算电流失流的方法：

采用三相电流与电能表启动电流的差值来表征该异常事件的特征，计算公式如式(10)所示：

X₁₀＝i_j-i_st (10)

分析并计算电流不平衡的方法：

采用最大电流与最小电流的差值来表征该异常事件的特征，计算公式如式(11)所示：

X₁₁＝i_jmax-i_jmin (11)

式中，i_jmax和i_jmin分别表示三相电流的最大值和最小值；

分析并计算时钟异常事件的方法：

采用电能表时钟与标准时钟之间的差值来表征该异常事件的特征，如式(12)所示：

X₁₂＝t₁-t_normal (12)

式中，t₁和t_normal分别表示电能表的时钟和标准时钟的值；

接线异常事件包括：

计量回路接线异常和潮流反向事件；

分析并计算计量回路接线异常事件的方法：

采用日反向电量和连续两日线损率差值来表征反向电量异常的特征，计算公式如式(13)所示：

X₁₃＝P₂&(ζ₁-ζ_bef) (13)

分析并计算潮流反向事件的方法：

采用三相电流来表征潮流反向的特征，计算公式如式(14)所示：

X₁₄＝i_j (14)

通过公式(1)-(14)得到关口计量装置的初始特征集X：

X＝[X₁,X₂,…,X₁₄] (15)

初始特征集X为关口计量装置的异常事件初始特征集X。

进一步地，还包括对所述初始特征集X的归一化处理，进行归一化处理的计算方法为：基于最大-最小值法如下：

式中，X_{i_nor}为特征X_i经过归一化的数据；X_{i_max}和X_{i_min}分别为特征X_i的最大值和最小值；X_i为初始特征集X的项，其中X_i的下标i取值范围为1-14。

进一步地，步骤2中，包括将归一化后的特征集数据载入堆叠自动编码器作为输入数据，利用堆叠自动编码器进行特征分析，训练学习关口计量装置的标签化异常事件数据，得到识别不同的异常事件的网络模型；

输入数据包括训练集的数据；

通过堆叠多个自动编码器得到的SAE网络，无监督训练得到异常事件识别模型的详细过程如下：

深度特征分析的过程包括训练自动编码器使得自动编码器的解码数据接近输入数据，所述输入数据为输入自动编码器的数据，得到的解码数据为输入数据的隐藏特征，隐藏特征构成隐藏层；

无监督训练SAE网络的过程为：分析多个自动编码器，得到多个隐藏层，构建SAE网络模型，包括SAE通过将第一个自动编码器的隐藏层作为整个SAE网络的第一个隐藏层，第二个自动编码器的隐藏层作为整个SAE网络的第二个隐藏层，依次进行，最后获得整个SAE网络模型。

进一步地，训练得到异常事件识别模型的详细方法还包括有监督学习来微调网络参数，微调网络参数的更新公式如下：

式中：β表示参数更新时的学习率；W_ij ^(l+1)和W_ij ^(l)分别为第l+1层和第l层的权重参数；b_ij ^(l+1)和b_ij ^(l)分别为第l+1层和第l层的偏置参数；L(W,b)表示训练过程中的损失函数。

进一步地，还包括步骤4，步骤4在步骤3之后，步骤4为基于评估指标对得到的标签化异常事件识别结果进行评估。

进一步地，评估指标包括：准确率(Acc)、F₁值和马修斯相关系数(MCC)，对应的计算公式如下所示：

式中：以异常事件为正类，正常情况为负类；TP表示将正类检测为正类的样本总数量，TN表示将负类检测为负类的样本总数量，FP表示将负类检测为正类的样本总数量，FN表示将正类检测为负类的样本总数量。

一种关口计量装置异常事件识别系统，应用上述方法的系统包括：采集模块和计算模块；

所述采集模块连通计算模块；

所述采集模块采集关口计量装置用电数据，并将数据发送至计算模块；

所述计算模块用于分析关口计量装置用电数据，分析关口计量装置用电数据包括数据标签化处理关口计量装置用电数据，所述计算模块还用于对关口计量装置用电数据进行特征提取得到异常事件特征集数据，还用于训练得到异常事件识别模型，还用于基于得到的异常事件识别模型得到标签化异常事件识别结果，还用于基于评估指标对得到的标签化异常事件识别结果进行评估。

进一步地，实施方法其一如下：

步骤一：基于用电采集系统记录到的三相电压、电流和功率等数据，分析关口计量装置常见的异常事件，并对异常事件的特征进行提取。然后将提取到的特征集利用式(16)进行归一化处理，并将不同异常事件的数据标签化。

步骤二：将归一化的数据按照3:1的比例分为训练集和测试集。其中训练集作为SAE的输入，通过SAE强大的特征提取能力，挖掘输入数据中的隐藏特征，构建异常事件识别模型，从而提高异常事件识别的准确性。

步骤三：将测试数据输入到训练完成的异常事件识别模型中，得到异常事件识别结果，最后采用一系列评估指标对所提方法的识别性能进行评估。

进一步地，通过该方法，所识别的异常事件的识别指标为Acc、F₁值和MCC值，能够从多种正常运行情况和异常事件中准确识别出异常事件，为检修人员对关口计量装置的异常事件及时处理提供了决策支持，提高了计量的经济性与准确性。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种关口计量装置异常事件识别方法，其特征在于，包括如下步骤：

步骤1，采集关口计量装置用电数据，得到关口计量装置的异常事件数据，分析异常事件数据并对异常事件进行特征提取得到异常事件特征集数据，并同时对不同异常事件进行数据标签化处理；

步骤2，将异常事件特征集数据划分为训练集和测试集，将训练集的数据作为堆叠自动编码器的输入数据，训练得到异常事件识别模型；

步骤3，将测试集的数据输入到训练完成的异常事件识别模型，得到异常事件识别结果，得到的识别结果给予步骤1异常事件的数据标签化划分为数据标签化的异常事件识别结果；

所述关口计量装置用电数据包括三相电压、电流和功率监测数据，数据标签化处理为依据异常事件的种类进行分类处理；

在步骤1中，所述分析异常事件数据对异常事件进行特征提取得到异常事件特征集数据包括基于关口计量装置用电数据中的三相电压、电流和功率监测数据进行并程的特征计算与提取过程，过程如下：

并行分析并计算异常事件特征，异常事件包括电量异常、电压电流异常、时钟异常和接线异常，并行分析并计算的方式采用包括基于所述异常事件的发生原因和数据表现形式提取对应的特征的方式；

在步骤1中，还包括并行分析并计算电量异常、电压电流异常、时钟异常和接线异常事件特征得到初始特征集的过程，其中，并行分析并计算电量异常、电压电流异常、时钟异常和接线异常事件特征包括：

电量异常事件包括：

电能表示值不平、电能表飞走、电能表倒走、电能表停走、电能表自动核抄异常事件；

分析并计算电能表示值不平的方法：

采用日正向有功总电量与日峰、平和谷段各个费率的总电能的差值表征电能表示值不平事件的特征，计算公式如式(1)所示：

X₁＝P₁-(A₁+A₂+A₃) (1)

式中，P₁表示日正向有功总电量；A₁、A₂和A₃分别表示日峰、平和谷的费率段电量；

分析并计算电能表飞走的方法：

采用日正向有功总电量与对应参考值的比值来判断电能表示值是否快速增加，计算公式如式(2)所示：

X₂＝P₁/P_{1_ref} (2)

式中，P_{1_ref}表示日正向有功总电量参考值；

分析并计算电能表倒走的方法：

采用连续两日正向有功总电量的差值来判断电能表示值是否出现了下降，计算公式如式(3)所示：

X₃＝P₁-P_{1_bef} (3)

式中P_{1_bef}表示前一天记录的日用户正向有功总电量；

分析并计算电能表停走的方法：

采用连续两日反向有功电量的差值和连续两日线损率差值来综合表征该异常事件的特征，计算公式如式(4)所示：

X₄＝(P₂-P_{2_bef})&(ζ₁-ζ_bef) (4)

式中，P₂表示日反向有功总电量；P_{2_bef}表示前一天记录的日用户反向有功总电量；ζ₁和ζ_bef分别表示当日线损率和前一天的线损率的值；

分析并计算电能表自动核抄的方法：

用日冻结的正向有功总电量与主站保存值的差值来表征该异常事件的特征，计算公式如式(5)所示：

X₅＝P₁-P_{1_site} (5)

式中，P_{1_site}表示主站保存的日正向有功总电量；

电压电流异常事件包括：

电压失压、电压断相、电压越限、电压不平衡、电流失流和电流不平衡事件；

分析并计算电压失压的方法：

采用某相电压与正常运行时电压的差值，及该相电流与电能表启动电流的差值，综合表征该异常事件的特征，计算公式如式(6)所示：

X₆＝(u_j-u_normal)&(i_j-i_st) (6)

式中，u_j表示电压j＝a，b，c；i_j表示电流；i_st表示电能表的启动电流；u_normal表示正常运行时的电压值；

分析并计算电压断相的方法：

采用某相电压与电压的下限阈值差值，及该相电流与电能表启动电流的差值，综合表征该异常事件的特征，计算公式如式(7)所示：

X₆＝(u_j-u_lower)&(i_j-i_st) (7)

式中，u_lower表示电压的下限阈值；

分析并计算电压越限的方法：

采用各相电压与正常运行时电压值的差值来表征该异常事件的特征，计算公式如式(8)所示：

X₈＝u_j-u_normal (8)

分析并计算电压不平衡的方法：

采用三相中最大电压和最小电压的差值来表征该异常事件的特征，计算公式如式(9)所示：

X₉＝u_jmax-u_jmin (9)

式中，u_jmax和u_jmin分别表示三相电压的最大值和最小值；

分析并计算电流失流的方法：

采用三相电流与电能表启动电流的差值来表征该异常事件的特征，计算公式如式(10)所示：

X₁₀＝i_j-i_st (10)

分析并计算电流不平衡的方法：

采用最大电流与最小电流的差值来表征该异常事件的特征，计算公式如式(11)所示：

X₁₁＝i_jmax-i_jmin (11)

式中，i_jmax和i_jmin分别表示三相电流的最大值和最小值；

分析并计算时钟异常事件的方法：

采用电能表时钟与标准时钟之间的差值来表征该异常事件的特征，如式(12)所示：

X₁₂＝t₁-t_normal (12)

式中，t₁和t_normal分别表示电能表的时钟和标准时钟的值；

接线异常事件包括：

计量回路接线异常和潮流反向事件；

分析并计算计量回路接线异常事件的方法：

采用日反向电量和连续两日线损率差值来表征反向电量异常的特征，计算公式如式(13)所示：

X₁₃＝P₂&(ζ₁-ζ_bef) (13)

分析并计算潮流反向事件的方法：

采用三相电流来表征潮流反向的特征，计算公式如式(14)所示：

X₁₄＝i_j (14)

通过公式(1)-(14)得到关口计量装置的初始特征集X：

X＝[X₁,X₂,…,X₁₄] (15)

初始特征集X为关口计量装置的异常事件初始特征集X。

2.根据权利要求1所述的一种关口计量装置异常事件识别方法，其特征在于，还包括对所述初始特征集X的归一化处理，进行归一化处理的计算方法为：基于最大-最小值法如下：

式中，X_{i_nor}为特征X_i经过归一化的数据；X_{i_max}和X_{i_min}分别为特征X_i的最大值和最小值；X_i为初始特征集X的项，其中X_i的下标i取值范围为1-14。

3.根据权利要求2所述的一种关口计量装置异常事件识别方法，其特征在于，步骤2中，包括将归一化后的特征集数据载入堆叠自动编码器作为输入数据，利用堆叠自动编码器进行特征分析，训练学习关口计量装置的标签化异常事件数据，得到识别不同的异常事件的网络模型；

输入数据包括训练集的数据；

通过堆叠多个自动编码器得到的SAE网络，无监督训练得到异常事件识别模型的详细过程如下：

深度特征分析的过程包括训练自动编码器使得自动编码器的解码数据接近输入数据，所述输入数据为输入自动编码器的数据，得到的解码数据为输入数据的隐藏特征，隐藏特征构成隐藏层；

无监督训练SAE网络的过程为：分析多个自动编码器，得到多个隐藏层，构建SAE网络模型，包括SAE通过将第一个自动编码器的隐藏层作为整个SAE网络的第一个隐藏层，第二个自动编码器的隐藏层作为整个SAE网络的第二个隐藏层，依次进行，最后获得整个SAE网络模型。

4.根据权利要求3所述的一种关口计量装置异常事件识别方法，其特征在于，训练得到异常事件识别模型的详细方法还包括有监督学习来微调网络参数，微调网络参数的更新公式如下：

式中：β表示参数更新时的学习率；W_ij ^(l+1)和W_ij ^(l)分别为第l+1层和第l层的权重参数；b_ij ^(l+1)和b_ij ^(l)分别为第l+1层和第l层的偏置参数；L(W,b)表示训练过程中的损失函数。

5.根据权利要求4所述的一种关口计量装置异常事件识别方法，其特征在于，还包括步骤4，步骤4在步骤3之后，步骤4为基于评估指标对得到的标签化异常事件识别结果进行评估。

6.根据权利要求5所述的一种关口计量装置异常事件识别方法，其特征在于，评估指标包括：准确率Acc、F₁值和马修斯相关系数MCC，对应的计算公式如下所示：

式中：以异常事件为正类，正常情况为负类；TP表示将正类检测为正类的样本总数量，TN表示将负类检测为负类的样本总数量，FP表示将负类检测为正类的样本总数量，FN表示将正类检测为负类的样本总数量。

7.一种关口计量装置异常事件识别系统，其特征在于，应用权利要求1-6任意一项所述的一种关口计量装置异常事件识别方法的系统包括：采集模块和计算模块；

所述采集模块连通计算模块；

所述采集模块采集关口计量装置用电数据，并将数据发送至计算模块；

所述计算模块用于分析关口计量装置用电数据，分析关口计量装置用电数据包括数据标签化处理关口计量装置用电数据，所述计算模块还用于对关口计量装置用电数据进行特征提取得到异常事件特征集数据，还用于训练得到异常事件识别模型，还用于基于得到的异常事件识别模型得到标签化异常事件识别结果，还用于基于评估指标对得到的标签化异常事件识别结果进行评估。

Images