CN115146727A - 一种智能用电系统故障检测方法及系统 - Google Patents

Abstract

本发明提供一种智能用电系统故障检测方法，包括获取用电设备数据，该用电设备数据是由指定的用电特征变量和设备参数组合而成的数据；基于用电设备数据，划分出训练集和测试集，并对训练集和测试集进行标准化处理；利用处理后的训练集，建立所有设备统一的PCA主元模型，并使用PCA主元模型对处理后的测试集进行故障检测，以得到故障数据；对每一故障数据均进行PCA故障检测，并根据检测结果，计算每一故障数据中各用电特征变量的贡献率，以分别判断出每一故障数据的故障类型。实施本发明，不仅考虑了数据和多工况的问题，还考虑了多设备、故障分类及人机交互中至少一个的问题，实现了更加准确的故障检测。

Description

一种智能用电系统故障检测方法及系统

技术领域

本发明涉及人工智能技术领域和电力系统技术领域，尤其涉及一种智能用 电系统故障检测方法及系统。

背景技术

电力系统尤其是用电系统的安全尤其重要。电气原因引发火灾占 比最高，近三成的火灾是电气设备故障、电气线路短路、使用加热电 器产品不慎等原因引发，尤其是有57％的重特大火灾是电气原因引起 的。因此用电系统的故障检测方法研究，已经受到全球各国政府的重 视和扶植。

传统的故障诊断方法比如人工排查等，存在数据难以获取，故障排查效率 低以及准确率低等问题，难以满足日益复杂的用电系统。传统的用电网通常采 用计划性的定期维修来采集用电信息并安排维修。由于计划性的信息采集和维 修是以检修人员的工作经验来对设备进行巡检，无法做到及时准确的故障处理， 这对用电系统的可靠性而言是一个亟待解决的问题。因此，用电信息的在线监 测与故障检测是必要的，有利于用户用电管理，提高用户用电质量。近年来， 随着智能电网的快速发展，智能用电设备得到了广泛的运用，比如智能配电柜， 智能断路器等，这为用电信息在线监测的实现提供了方向。智能用电设备能够 实时采集用电数据，并通过物联网上传到数据库，通过对数据库中用电数据的 分析与处理即可实现在线监测与故障检测，这标志着用电系统在不断朝着智能 化的方向发展。而如何实现更加准确的故障检测是目前智能用电系统推广和应 用的关键共性问题。

随着人工智能的发展，故障检测技术得到了国内外专家的深入研究，人工 智能为用电系统的故障检测提供了技术方向。人工智能在用电系统故障诊断、 用电负荷和分布式发电预测、用电系统运行优化、负荷特性分析等方面都得到 了广泛的运用。在用电系统故障诊断中，通常采用建模的方法来处理，但是用 电系统的模型日益复杂，用传统的数学建模方法难以计算得到。国内外专家对 人工智能在该问题上进行了研究，并运用了各种人工智能算法，有贝叶斯网络、 支持向量机、多层感知器和卷积神经网络等算法。贝叶斯网络可以根据故障表 征的先验概率和条件概率计算各对应故障成因的后验概率。支持向量机是一类 二分类的监督学习算法，对数据进行二元广义线性分类，其决策边界是对学习 样本求解的最大边距超平面。支持向量机可以扩展成多分类和支持向量回归。 多层感知机是简单的神经网络，而卷积神经网络则是复杂的深度神经网络，其 可以抽象地提取数据的特征，通过大量数据训练不同的模型，以实现模型预测 与故障检测。

以上这些人工智能算法，往往需要事先得到固定格式的数据，这些数据需 要是已标记的，但是对大量数据进行标记的效率很低。此外，不仅需要正常数 据更需要大量故障的数据，现实的用电系统一般是正常运行的，缺少故障数据。 而且以上算法通常只能建立单一模型，即只能表示同一设备同一种情况下的模 型，而现实运行中的用电系统的运行情况往往十分复杂。因此，用电系统的故 障检测的关键问题可以归纳为五个方面：数据问题、多工况、多设备、故障分 类和人机交互。

基于以上问题，主成分分析技术在故障诊断方面的得到了发展。主成分分 析技术本身是旨在利用降维的思想，把多指标转化为少数几个综合指标，在统 计学上，其通过线性变换将数据变换到一个新的坐标系统。基于主成分分析技 术的故障监测方法适合处理多变量统计问题，而且完全基于正常测量数据。而 多工况问题是工业上普遍面临的问题，得到了国内外专家的广泛研究，提出了 基于高斯混合模型的主成分分析过程监测方法，主元空间利用高斯混合模型对 过程数据进行聚类，自动获取工况和相关分布特性。然后对每个工况建立主成 分分析模型来检测故障。基于混合模型的多工况过程监控方法，将高斯混合模 型和主成分分析模型相结合，用改进的最大期望算法估计模型的工况数及各工 况的分布参数和主元数，并构建归一化的统计量实现时多工况过程的监控。基 于局部近邻标准化和主成分分析的故障检测方法，先对每个样本使用其局部近 邻集进行标准化，将训练集分成多个集合，分别进行主成分分析。这些研究成 果，为智能用电系统中的人工智能故障检测技术提供了很好的理论支撑。

上述方法中，虽然都考虑了数据和多工况的问题，但是都忽略了多设备、 故障类型和人机交互的问题。

发明内容

本发明实施例所要解决的技术问题在于，提供一种智能用电系统故障检测 方法及系统，不仅考虑了数据和多工况的问题，还考虑了多设备、故障分类及 人机交互中至少一个的问题，不断提高了实时性和准确性，实现了更加准确的 故障检测。

为了解决上述技术问题，本发明实施例提供了一种智能用电系统故障检测 方法，所述方法包括以下步骤：

获取用电设备数据，所述用电设备数据是由指定的用电特征变量和设备参 数组合而成的数据；

基于所述用电设备数据，划分出训练集和测试集，并对所述训练集和所述 测试集进行标准化处理；

利用所述处理后的训练集，建立所有设备统一的PCA主元模型，并使用所 述PCA主元模型对所述处理后的测试集进行故障检测，以得到故障数据；

对每一故障数据均进行PCA故障检测，并根据检测结果，计算每一故障数 据中各用电特征变量的贡献率，以分别判断出每一故障数据的故障类型。

其中，所述用电特征变量包括漏电流、ABC三相电流、ABC三相电压、ABC 三相温度、ABC三相有功功率和ABC三相无功功率；所述设备参数包括设备 ID、网关ID、设备名称和时间。

其中，所述PCA主元模型为

其中，

x∈R^N×m代表所述处理后的训练集中的数据；N代表数据数量；m代表数据 变量个数；T∈R^N×k和P∈R^m×k分别代表主元得分及其载荷矩阵；

和

分别代表残差得分及其载荷矩阵；E∈R^N×m代表残差矩阵；k≤m代表主 元个数。

其中，所述使用所述PCA主元模型对所述处理后的测试集进行故障检测， 以得到故障数据的具体步骤包括：

首先，根据所述PCA主元模型，计算所述处理后的测试集的霍特林统计量 T²和平方预测误差SPE，公式如下：

式中，Λ代表由主元所对应的特征值构成的对角阵；

代表T²的控制限值， δ²代表SPE的控制限值；

其次，采用混合指标，以混合限来检测故障；其中，混合限计算公式如下：

式中，Φ代表对称的和正定矩阵；此时，SPE和T²共同定义的混合控制区 域定义了一个符合数据多正态性假设的椭圆区域。

其中，所述每一故障数据中各用电特征变量的贡献率均包括霍特林统计量 T²和平方预测误差SPE的贡献率，并通过如下公式来实现；

式中，ξ_i代表第i个特征值的特征向量；D代表特征值从大到小排列的特征 矩阵。

其中，所述方法进一步包括：

基于预设的专家系统判别规则，对每一故障数据的故障类型进行误检过滤。

其中，所述方法进一步包括：

对每一故障数据均进行PCA故障检测时，对每一故障数据中各用电特征变 量进行阈值检测。

其中，所述方法进一步包括：

周期性进行人机信息交互，排查故障数据，判断反馈的预测结果的正确与 否，并根据信息交互结果，将误判的数据加入训练集以更新训练集，以此更新 所述PCA主元模型，且进一步根据反馈的误判数据，以及结合实际用电系统的 变化，修正所述专家系统判别规则。

本发明实施例还提供了一种智能用电系统故障检测系统，包括；

原始数据获取单元，用于获取用电设备数据，所述用电设备数据是由指定 的用电特征变量和设备参数组合而成的数据；

原始数据划分及处理单元，用于基于所述用电设备数据，划分出训练集和 测试集，并对所述训练集和所述测试集进行标准化处理；

故障数据检测单元，用于利用所述处理后的训练集，建立所有设备统一的 PCA主元模型，并使用所述PCA主元模型对所述处理后的测试集进行故障检测， 以得到故障数据；

故障类型获取单元，用于对每一故障数据均进行PCA故障检测，并根据检 测结果，计算每一故障数据中各用电特征变量的贡献率，以分别判断出每一故 障数据的故障类型。

其中，所述用电特征变量包括漏电流、ABC三相电流、ABC三相电压、ABC 三相温度、ABC三相有功功率和ABC三相无功功率；所述设备参数包括设备 ID、网关ID、设备名称和时间。

实施本发明实施例，具有如下有益效果：

1、本发明基于PCA主元模型，对由指定的用电特征变量和设备参数组合 而成的用电设备数据进行分析，以判断出故障数据及其对应的故障类型，不仅 考虑了数据和多工况的问题，还考虑了多设备、故障分类及人机交互中至少一 个的问题，不断提高了实时性和准确性；

2、本发明进行周期性人机信息交互，根据信息交互结果，更新PCA主元 模型，从而适应用电系统的实时变化，不断提高PCA模型的实时性和准确性， 实现更加准确的故障检测。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述 中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付 出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明实施例提供的一种智能用电系统故障检测方法的流程图；

图2为本发明实施例提供的一种智能用电系统故障检测方法中用电设备数 据读取的流程图；

图3为本发明实施例提供的一种智能用电系统故障检测方法中用电设备数 据标准化处理的流程图；

图4为本发明实施例提供的一种智能用电系统故障检测方法中专家系统判 别规则图；

图5为本发明实施例提供的一种智能用电系统故障检测方法的应用场景中 统计量变化图；

图6为本发明实施例提供的一种智能用电系统故障检测方法的应用场景中 统计量混合指标变化图；

图7为本发明实施例提供的一种智能用电系统故障检测方法的应用场景中 用电特征变量贡献率统计图；

图8为本发明实施例提供的一种智能用电系统故障检测系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明 作进一步地详细描述。

发明人发现，用电系统的数据来自每一台用电设备，不同的设备的数据分 布不同，虽然与多工况问题类似，但不能一概而论。对于不同设备的数据采用 同一个故障检测模型将会严重影响故障检测的准确性。此外，仅基于人工智能 模型的故障检测是脱离现实的，而现实中的用电系统是会变化的，故障检测的 结果不可能百分之百准确，可能会存在漏检和误检，模型长期脱离现实的话， 准确性会不断降低。如果无法准确检测出用电设备的每个故障的故障位置和故 障类型将会影响用户的用电安全和用电质量，甚至会严重影响用电系统的正常 运行，产生巨大的损失，因此还需要人工信息交互来沟通模型和现实，使得模 型适应现实的变化，保持一定的准确性。

如图1所示，为本发明实施例中，发明人提出的一种智能用电系统故障检 测方法，所述方法包括以下步骤：

步骤S1、获取用电设备数据，所述用电设备数据是由指定的用电特征变量 和设备参数组合而成的数据；

步骤S2、基于所述用电设备数据，划分出训练集和测试集，并对所述训练 集和所述测试集进行标准化处理；

步骤S3、利用所述处理后的训练集，建立所有设备统一的PCA主元模型， 并使用所述PCA主元模型对所述处理后的测试集进行故障检测，以得到故障数 据；

步骤S4、对每一故障数据均进行PCA故障检测，并根据检测结果，计算每 一故障数据中各用电特征变量的贡献率，以分别判断出每一故障数据的故障类 型。

具体过程为，在步骤S1中，用电设备数据通过Kafka接口获取，Kafka是 一种高吞吐量的分布式发布订阅消息系统，在系统或应用程序之间构建可靠的 用于传输实时数据的队列。

首先，智能用电设备周期性采样(如每四分钟采样一次)用电设备数据， 将采样的数据上传到Kafka队列，待需要时从Kafka队列读取即可。但是，由于 智能用电设备上传的不同数据变量的价值不同，根据变量对故障检测的价值， 统一选取漏电流、三相电流、三相电压、三相温度、三相有功功率和三相无功 功率作为用电特征变量(即故障检测变量)。应当说明的是，不同的智能用电设 备，变量选取存在差异。因此，在读取数据后需先对数据进行预处理，流程如 图2所示。

其次，过滤不完整的数据，然后去除数据中多余的变量，只留下选取的变 量，再加上设备ID、网关ID、设备名称和时间这四个设备参数，得到用电设备 数据的格式如下表1所示：

表1

最后，根据设备ID和网关ID，将数据按每个设备数据分类保存。

在步骤S2中，主动从Kafka队列获取部分数据作为训练集以及部分数据作 为测试集。由于不同设备共用同一个队列，因此得到的数据混合了多设备的数 据。根据不同变量的大小不同，分布不同，不同设备的数据分布也不同等问题， 因此，需要对训练集和测试集的数据进行归一化处理，归一化采用z-score标准 化方法，保存归一化处理后的训练集和归一化标准μ和σ，以便后续模型训练和 对测试进行处理，如图3所示。

在步骤S3中，使用步骤S2中处理后的训练集，建立所有设备统一的主成 分分析PCA的主元模型为

其中，

x∈R^N×m代表所述处理后的训练集中的数据；N代表数据数量；m代表数据 变量个数；T∈R^N×k和P∈R^m×k分别代表主元得分及其载荷矩阵；

和

分别代表残差得分及其载荷矩阵；E∈R^N×m代表残差矩阵；k≤m代表主 元个数。

同时，使用PCA主元模型对处理后的测试集进行故障检测，以得到故障数 据，具体步骤如下：

首先，根据PCA主元模型，计算述处理后的测试集的霍特林统计量T²和平 方预测误差SPE，公式如下：

式中，Λ代表由主元所对应的特征值构成的对角阵；

代表T²的控制限值， δ²代表SPE的控制限值；

其次，当故障发生时，故障会使T²大于

或者，SPE大于δ²，从而检测到 故障。在实践中，有时最好使用一个指标而不是两个指标来监控流程，因此采 用混合指标，以混合限来检测故障，即得到故障数据；其中，混合限计算公式 如下：

式中，Φ代表对称的和正定矩阵；此时，SPE和T²共同定义的混合控制区 域定义了一个符合数据多正态性假设的椭圆区域。

在步骤S4中，首先，由于多工况和多设备对故障检测的影响，在故障检测 后，对故障数据再进行一次PCA故障检测，重复步骤S3对该设备单独建立主 元模型，计算混合限，得到检测结果。

其次，对故障数据，判断故障发生的变量，计算其每一个用电特征变量的 霍特林统计量T²和平方预测误差SPE的；其中，霍特林统计量T²和平方预测误 差SPE的贡献率，通过如下公式来实现；

式中，ξ_i代表第i个特征值的特征向量；D代表特征值从大到小排列的特征 矩阵。

因此，可以根据排序的特征值，选择最大特征值所对应的用电特征变量对 应为故障类型。

在本发明实施例中，根据判断的故障类型，参考预先定义专家系统中的专 家系统判别规则进行误检过滤。因此，该方法进一步包括：基于预设的专家系 统判别规则，对每一故障数据的故障类型进行误检过滤。

在一个例子中，如图4所示，专家系统判别规则根据铜线的线径，判断电 流是否大于规定值，若大于则报警；分别判断漏电流的变化趋势和阈值，若漏 电流从低到高或者不等于零则报警，若漏电流从高到低降到零，但是其他三相 电流不等于零，则报警；电压和温度分别根据各自的阈值进行判别。

在本发明实施例中，在PCA故障检测的同时，并行的进行每个用电特征变 量的阈值检测，因此该方法进一步包括：对每一故障数据均进行PCA故障检测 时，对每一故障数据中各用电特征变量进行阈值检测，以防止数据分布变化不 大。应当说明的是，所有阈值可以是行业标准、经验取值或者用户设定。

在本发明实施例中，定期进行人机信息交互，更新PCA模型，使PCA模型 更加准确，因此该方法进一步包括：周期性进行人机信息交互，排查故障数据， 判断反馈的预测结果的正确与否，并根据信息交互结果，将误判的数据加入训 练集以更新训练集，以此更新PCA主元模型，且进一步根据反馈的误判数据， 以及结合实际用电系统的变化，修正专家系统判别规则，从而适应用电系统的 实时变化，不断提高模型的实时性和准确性，实现更加准确的故障检测。

如图5至图7所示，对本发明实施例中的一种智能用电系统故障检测方法 的应用场景做进一步说明，具体如下：

某公司智慧用电系统含有多种智能用电器、智能配电柜，可实现用电信息 的实时采集与监测，用电信息每四分钟上报一次，信息包含设备ID、网关ID、 设备名称、上报时间、漏电流、三相电流、三相电压、三相温度、三相有功功 率、三相无功功率、三相有功总电能和三相无功总电能。

由于电能变量为累计电能，对故障监测意义不大，因此去除。根据设备ID、 网关ID、设备名称、上报时间可定位故障设备和故障发生时间。漏电流、三相 电流、三相电压、三相温度、三相有功功率和三相无功功率作为用电特征变量， 可检测故障，并判断故障类型。用电系统的运行情况复杂未知，其工况复杂多 变。

本实施例用电数据每四分钟采样一次，训练集选取为2021-03-01 00:01:36—03-03 18:37:35之间，共1000条数据，测试集选取为2021-03-03 18:41:35—03-05 03:57:34之间共500条数据。

从图5中，可以明显看到200-400的采样数据中出现了故障，T²统计量的结 果更加明显，综合考虑T²统计量和SPE统计量的综合指标，如图6所示，200-400 的采样数据判断为故障。

检测出故障之后，判断故障的类型，根据图7中，T²的贡献率明确表明该 故障为变量号为0的变量发生故障，即漏电流故障。对于该故障，T²统计量更 准确，因此T²贡献率也更准确。

如图8所示，为本发明实施例中，提供的一种智能用电系统故障检测系统， 包括；

原始数据获取单元110，用于获取用电设备数据，所述用电设备数据是由指 定的用电特征变量和设备参数组合而成的数据；

原始数据划分及处理单元120，用于基于所述用电设备数据，划分出训练集 和测试集，并对所述训练集和所述测试集进行标准化处理；

故障数据检测单元130，用于利用所述处理后的训练集，建立所有设备统一 的PCA主元模型，并使用所述PCA主元模型对所述处理后的测试集进行故障检 测，以得到故障数据；

故障类型获取单元140，用于对每一故障数据均进行PCA故障检测，并根 据检测结果，计算每一故障数据中各用电特征变量的贡献率，以分别判断出每 一故障数据的故障类型。

其中，所述用电特征变量包括漏电流、ABC三相电流、ABC三相电压、ABC 三相温度、ABC三相有功功率和ABC三相无功功率；所述设备参数包括设备 ID、网关ID、设备名称和时间。

实施本发明实施例，具有如下有益效果：

1、本发明基于PCA主元模型，对由指定的用电特征变量和设备参数组合 而成的用电设备数据进行分析，以判断出故障数据及其对应的故障类型，不仅 考虑了数据和多工况的问题，还考虑了多设备、故障分类及人机交互中至少一 个的问题，不断提高了实时性和准确性；

2、本发明进行周期性人机信息交互，根据信息交互结果，更新PCA主元 模型，从而适应用电系统的实时变化，不断提高PCA模型的实时性和准确性， 实现更加准确的故障检测。

值得注意的是，上述系统实施例中，所包括的各个单元只是按照功能逻辑 进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外， 各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护 范围。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是 可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读 取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上所揭露的仅为本发明一种较佳实施例而已，应当说明的是不能以此来 限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明 所涵盖的范围。

Claims (10)

1.一种智能用电系统故障检测方法，其特征在于，所述方法包括以下步骤：

获取用电设备数据，所述用电设备数据是由指定的用电特征变量和设备参数组合而成的数据；

基于所述用电设备数据，划分出训练集和测试集，并对所述训练集和所述测试集进行标准化处理；

利用所述处理后的训练集，建立所有设备统一的PCA主元模型，并使用所述PCA主元模型对所述处理后的测试集进行故障检测，以得到故障数据；

对每一故障数据均进行PCA故障检测，并根据检测结果，计算每一故障数据中各用电特征变量的贡献率，以分别判断出每一故障数据的故障类型。

2.如权利要求1所述的智能用电系统故障检测方法，其特征在于，所述用电特征变量包括漏电流、ABC三相电流、ABC三相电压、ABC三相温度、ABC三相有功功率和ABC三相无功功率；所述设备参数包括设备ID、网关ID、设备名称和时间。

3.如权利要求2所述的智能用电系统故障检测方法，其特征在于，所述PCA主元模型为

其中，

x∈R^N×m代表所述处理后的训练集中的数据；N代表数据数量；m代表数据变量个数；T∈R^N×k和P∈R^m×k分别代表主元得分及其载荷矩阵；

和

分别代表残差得分及其载荷矩阵；E∈R^N×m代表残差矩阵；k≤m代表主元个数。

4.如权利要求3所述的智能用电系统故障检测方法，其特征在于，所述使用所述PCA主元模型对所述处理后的测试集进行故障检测，以得到故障数据的具体步骤包括：

首先，根据所述PCA主元模型，计算所述处理后的测试集的霍特林统计量T²和平方预测误差SPE，公式如下：

式中，Λ代表由主元所对应的特征值构成的对角阵；

代表T²的控制限值，δ²代表SPE的控制限值；

其次，采用混合指标，以混合限来检测故障；其中，混合限计算公式如下：

式中，Φ代表对称的和正定矩阵；此时，SPE和T²共同定义的混合控制区域定义了一个符合数据多正态性假设的椭圆区域。

5.如权利要求4所述的智能用电系统故障检测方法，其特征在于，所述每一故障数据中各用电特征变量的贡献率均包括霍特林统计量T²和平方预测误差SPE的贡献率，并通过如下公式来实现；

式中，ξ_i代表第i个特征值的特征向量；D代表特征值从大到小排列的特征矩阵。

6.如权利要求5所述的智能用电系统故障检测方法，其特征在于，所述方法进一步包括：

基于预设的专家系统判别规则，对每一故障数据的故障类型进行误检过滤。

7.如权利要求6所述的智能用电系统故障检测方法，其特征在于，所述方法进一步包括：

对每一故障数据均进行PCA故障检测时，对每一故障数据中各用电特征变量进行阈值检测。

8.如权利要求7所述的智能用电系统故障检测方法，其特征在于，所述方法进一步包括：

周期性进行人机信息交互，排查故障数据，判断反馈的预测结果的正确与否，并根据信息交互结果，将误判的数据加入训练集以更新训练集，以此更新所述PCA主元模型，且进一步根据反馈的误判数据，以及结合实际用电系统的变化，修正所述专家系统判别规则。

9.一种智能用电系统故障检测系统，其特征在于，包括；

原始数据获取单元，用于获取用电设备数据，所述用电设备数据是由指定的用电特征变量和设备参数组合而成的数据；

原始数据划分及处理单元，用于基于所述用电设备数据，划分出训练集和测试集，并对所述训练集和所述测试集进行标准化处理；

故障数据检测单元，用于利用所述处理后的训练集，建立所有设备统一的PCA主元模型，并使用所述PCA主元模型对所述处理后的测试集进行故障检测，以得到故障数据；

故障类型获取单元，用于对每一故障数据均进行PCA故障检测，并根据检测结果，计算每一故障数据中各用电特征变量的贡献率，以分别判断出每一故障数据的故障类型。

10.如权利要求9所述的智能用电系统故障检测系统，其特征在于，所述用电特征变量包括漏电流、ABC三相电流、ABC三相电压、ABC三相温度、ABC三相有功功率和ABC三相无功功率；所述设备参数包括设备ID、网关ID、设备名称和时间。

Images