CN117554885B - 一种智能计量箱运行异常检测方法及系统 - Google Patents

Abstract

本发明提供了一种智能计量箱运行异常检测方法及系统，涉及数据处理技术领域，方法包括：测试采集电流互感器当前在多种工作电流下的泄露电流，获得多个泄露电流，获得多个误差参数，构建测量误差评价函数，获取综合误差参数，获得箱门角度差，对箱体图像信息进行卷积特征分析，获取箱体损坏参数，构建计量箱检测数据矩阵，并标准化处理获得计量箱标准值矩阵，计算获得多个时间窗口的多个历史检测性能评分、当前的检测性能评分、检测评分衰减系数进行计量箱性能决策分析，获得计量箱异常检测结果，本发明解决了现有技术中缺乏对计量箱的运行进行检测，导致运行效率低的技术问题，实现了对计量箱的运行进行检测，提高对电力设备的运行效率。

Description

一种智能计量箱运行异常检测方法及系统

技术领域

本发明涉及数据处理技术领域，具体涉及一种智能计量箱运行异常检测方法及系统。

背景技术

计量箱里有一般会有电能表、采集终端，电流互感器、电器开关、导线。计量箱的管理水平直接影响电能计量设备的安全、稳定和正常运行。而传统的计量箱状态无法感知、存在电流互感器漏电导致计量不准确的安全隐患、危及计量质量和用电安全。

同时现有技术中缺乏对计量箱的运行进行自动化检测的有效手段，导致计量箱存在故障检修效率低，异常检出率低，运行质量得不到保证的技术问题。

发明内容

本申请提供了一种智能计量箱运行异常检测方法及系统，用于针对解决现有技术中存在的缺乏对计量箱的运行进行检测，导致计量箱存在故障检修效率低，异常检出率低，运行质量得不到保证的技术问题。

鉴于上述问题，本申请提供了一种智能计量箱运行异常检测方法及系统。

第一方面，本申请提供了一种智能计量箱运行异常检测方法，所述方法包括：测试采集所述电流互感器当前在多种工作电流下的泄露电流，获得多个泄露电流；根据所述多个泄露电流，进行所述电流互感器在所述多种工作电流下进行测量的误差分析，获得多个误差参数；构建测量误差评价函数，对所述多个误差参数进行计算，获取综合误差参数；采集所述箱体的图像，获得箱体图像信息，采集所述箱门当前位置与初始位置的角度差，获得箱门角度差，对所述箱体图像信息进行卷积特征分析，获取箱体损坏参数；基于历史时间内多个时间窗口获取的多个历史综合误差参数、多个历史箱体损坏参数和多个历史偏移角度信息；基于初始综合误差参数、初始箱体损坏参数和初始角度差，结合所述多个历史综合误差参数、多个历史箱体损坏参数、多个历史偏移角度信息、综合误差参数、箱门角度差和箱体损坏参数，构建计量箱检测数据矩阵，并标准化处理获得计量箱标准值矩阵；根据所述计量箱标准值矩阵，计算获得所述多个时间窗口的多个历史检测性能评分和当前的检测性能评分，并根据所述多个历史检测性能评分和检测性能评分，计算获得检测评分衰减系数；根据所述检测性能评分和检测评分衰减系数进行计量箱性能决策分析，获得计量箱异常检测结果，所述计量箱异常检测结果包括是否异常以及是异常时的异常级别。

第二方面，本申请提供了一种智能计量箱运行异常检测系统，所述系统包括：测试采集模块，所述测试采集模块用于测试采集所述电流互感器当前在多种工作电流下的泄露电流，获得多个泄露电流；误差分析模块，所述误差分析模块用于根据所述多个泄露电流，进行所述电流互感器在所述多种工作电流下进行测量的误差分析，获得多个误差参数；第一计算模块，所述第一计算模块用于构建测量误差评价函数，对所述多个误差参数进行计算，获取综合误差参数；卷积特征分析模块，所述卷积特征分析模块用于采集所述箱体的图像，获得箱体图像信息，采集所述箱门当前位置与初始位置的角度差，获得箱门角度差，对所述箱体图像信息进行卷积特征分析，获取箱体损坏参数；历史数据模块，所述历史数据模块用于基于历史时间内多个时间窗口获取的多个历史综合误差参数、多个历史箱体损坏参数和多个历史偏移角度信息；矩阵构建模块，所述矩阵构建模块用于基于初始综合误差参数、初始箱体损坏参数和初始角度差，结合所述多个历史综合误差参数、多个历史箱体损坏参数、多个历史偏移角度信息、综合误差参数、箱门角度差和箱体损坏参数，构建计量箱检测数据矩阵，并标准化处理获得计量箱标准值矩阵；第二计算模块，所述第二计算模块用于根据所述计量箱标准值矩阵，计算获得所述多个时间窗口的多个历史检测性能评分和当前的检测性能评分，并根据所述多个历史检测性能评分和检测性能评分，计算获得检测评分衰减系数；决策分析模块，所述决策分析模块用于根据所述检测性能评分和检测评分衰减系数进行计量箱性能决策分析，获得计量箱异常检测结果，所述计量箱异常检测结果包括是否异常以及是异常时的异常级别。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

本申请提供的一种智能计量箱运行异常检测方法及系统，弥补了现有技术中对计量箱的运行进行自动化检测的有效手段，解决了计量箱存在的故障检修效率低，异常检出效率低，运行质量得不到保证的技术问题，实现了对计量箱的运行进行检测，提升故障检修效率，提升计量质量，提升计量箱的异常检出效率和运行质量的技术效果。

附图说明

图1为本申请提供了一种智能计量箱运行异常检测方法流程示意图；

图2为本申请提供了一种智能计量箱运行异常检测方法中获取多个误差参数流程示意图；

图3为本申请提供了一种智能计量箱运行异常检测方法中获得箱体损坏函数流程示意图；

图4为本申请提供了一种智能计量箱运行异常检测方法中获得计量箱异常检测结果流程示意图；

图5为本申请提供了一种智能计量箱运行异常检测系统结构示意图。

附图标记说明：测试采集模块1，误差分析模块2，第一计算模块3，卷积特征分析模块4，历史数据模块5，矩阵构建模块6，第二计算模块7，决策分析模块8。

具体实施方式

本申请通过提供一种智能计量箱运行异常检测方法及系统，用于解决现有技术中缺乏对计量箱的运行进行自动化检测的有效手段，导致计量箱存在故障检修效率低，异常检出率低，运行质量得不到保证的技术问题。

实施例一

如图1所示，本申请实施例提供了一种智能计量箱运行异常检测方法，所述方法应用于计量箱，所述计量箱包括箱体、箱门和电流互感器，该方法包括：

步骤S100：测试采集所述电流互感器当前在多种工作电流下的泄露电流，获得多个泄露电流；

具体而言，本申请实施例提供的一种智能计量箱运行异常检测方法应用于一种智能计量箱运行异常检测系统，为保证后期检测智能计量箱电流互感器的泄漏电流所导致的误差的准确性，因此需要对电流互感器在多种工作电流下进行测试，是指将电流互感器在不同工作电流进行运行时所产生的泄露电流进行采集，在电流互感器中所包含的工作电流可以是1A或5A，在不同工作电流进行运行时所产生的泄露电流是指电流互感器在没有故障和施加电压的作用下，流经绝缘部分的电流，进一步的，将电流互感器在每个工作电流下所造成的泄露电流进行记录，根据记录结果获得与多种工作电流所对应的多个泄露电流，为后期实现对智能计量箱运行时进行异常检测作为重要参考依据。

步骤S200：根据所述多个泄露电流，进行所述电流互感器在所述多种工作电流下进行测量的误差分析，获得多个误差参数；

进一步而言，如图2所示，本申请步骤S200还包括：

步骤S210：对所述电流互感器的历史检测数据进行数据检索，获取样本工作电流集合、样本泄露电流集合和样本测试误差集合；

步骤S220：基于所述样本工作电流集合、样本泄露电流集合和样本测试误差集合，采用BP神经网络，构建测量误差分析通道；

步骤S230：将所述多种工作电流结合多个泄露电流输入所述测量误差分析通道，获取所述多个误差参数。

具体而言，以测试采集的电流互感器在多种工作电流下的多个泄露电流作为基础分析数据，对电流互感器在多种工作电流下进行测量的误差分析，是指对电流互感器的历史检测数据进行数据检索，其历史检测数据可以包含电流互感器的额定变比、误差和准确度级次、容量和饱和电压、10％误差电流倍数以及热稳定电流和动稳定电流，进一步的，通过数据检索把历史检测数据中存储的历史数据根据误差分析的需求进行提取，所提取的数据可以包含电流互感器的样本工作电流集合、样本泄露电流集合和样本测试误差集合，样本工作电流集合是指随机在电流互感器在运行时的历史电流进行提取的多个工作电流，样本泄露电流集合是指电流互感器在样本工作电流集合下所造成的泄露电流，样本测试误差集合是指在对电流互感器在样本工作电流集合下运行时进行测量的结果与实际值之间的差值，进一步的，以样本工作电流集合、样本泄露电流集合和样本测试误差集合作为基础数据，采用BP神经网络，对测量误差分析通道进行构建，是指在BP神经网络的基础上，其BP神经网络是指一种按照误差逆向传播算法训练的多层前馈神经网络，进一步对测量误差分析通道进行构建，其中，测量误差分析通道的输入数据包括样本工作电流集合、样本泄露电流集合和样本测试误差集合，且在测量误差分析通道中包含输入层、隐含层、输出层。

进一步的，测量误差分析通道构建过程为：将训练数据集中每一组训练数据输入测量误差分析通道，通过这组训练数据对应的监督数据进行测量误差分析通道的输出监督调整，监督数据集为与训练数据集一一对应的监督数据当测量误差分析通道的输出结果与监督数据一致，则当前组训练结束，将训练数据集中全部的训练数据均训练结束，则测量误差分析通道训练完成。

为了保证测量误差分析通道的收敛以及准确性，其收敛过程可以是测量误差分析通道中的输出数据会聚于一点时，向某一个值靠近则为收敛，其准确性可以通过测试数据集进行测量误差分析通道的测试处理，举例而言，测试准确率可以设定为80％，当测试数据集的测试准确率满足80％时，则测量误差分析通道构建完成。

最终将电流互感器的多种工作电流结合多个泄露电流一同输入至测量误差分析通道中进行误差分析，在测量误差分析通道中对电流互感器与电流的相位进行判断，当电流的相位和电流互感器以此端施加的电压的相位相同时，可以直接通过电流互感器校验仪测出高压漏电流对电流互感器在1％额定电流点的误差影响量，从而对电流互感器在多种工作电流下所对应的误差参数进行记录后，获取电流互感器的多个误差参数，进而为实现对智能计量箱运行时进行异常检测做保障。

步骤S300：构建测量误差评价函数，对所述多个误差参数进行计算，获取综合误差参数；

进一步而言，本申请步骤S300还包括：

步骤S310：构建所述误差评价函数，如下式：

其中，P_Z为综合误差参数，T所述多种工作电流的数量，ω_i为根据第i种工作电流测量重要程度分配的权重，C_i为第i种工作电流在预设时间范围内的测量次数，C_z为多种工作电流在预设时间范围内的测量总次数，P_i为第i个误差参数；

步骤S320：根据所述误差评价函数，对所述多个误差参数进行计算，获得所述综合误差参数。

具体而言，为确保所获电流互感器所产生误差的精准度，因此需要对测量误差评价函数进行构建，所构建的误差评价函数，如下式：

其中，P_Z为综合误差参数，T所述多种工作电流的数量，ω_i为根据第i种工作电流测量重要程度分配的权重，C_i为第i种工作电流在预设时间范围内的测量次数，C_z为多种工作电流在预设时间范围内的测量总次数，P_i为第i个误差参数；ω_i是指通过根据第i种工作电流测量重要程度分配的权重，例如，根据多种工作电流的测量时间进行权重分配。

权重分配需要基于大量的数据汇总以及精确确定权重后再进行针对性计算，示例性的，多种工作电流的测量时间权重占比可以包括第一影响系数：第二影响系数为4:6，其中，第一影响系数：第二影响系数是在多种工作电流的测量时间任意选取的测量时间所对应的系数，则权重分配过程后的影响参数分别为第一影响参数*0.4，第二影响参数*0.6，获取权重分配结果，即在多种工作电流中任意选取一个工作电流测量重要程度分配的权重乘以第i种工作电流在预设时间范围内的测量次数与多种工作电流在预设时间范围内的测量总次数的商，最终再与第i个误差参数进行相乘，当完成提取所有工作电流数量后的值，作为综合误差参数，

最终将上述所获的多个误差参数代入所构建的误差评价函数进行计算，对电流互感器的综合误差参数进行输出，为后续实现对智能计量箱运行时进行异常检测夯实基础。

步骤S400：采集所述箱体的图像，获得箱体图像信息，采集所述箱门当前位置与初始位置的角度差，获得箱门角度差，对所述箱体图像信息进行卷积特征分析，获取箱体损坏参数；

进一步而言，如图3所示，本申请步骤S400还包括：

步骤S410：对计量箱历史时间内的箱体检测数据进行遍历提取，获取样本箱体图像信息集合；

步骤S420：根据所述样本箱体图像信息集合内多个样本箱体图像信息的锈蚀面积和损坏面积进行损坏等级聚类，获得样本箱体损坏参数集合；

步骤S430：采用卷积神经网络，根据所述样本箱体图像信息集合和样本箱体损坏参数集合，构建箱体损坏分析路径；

步骤S440：将所述箱体图像信息输入所述箱体损坏分析路径，进行卷积特征分析，获得所述箱体损坏参数。

具体而言，为了能够更好的分析计量箱的腐蚀面积以及损坏程度等方面，因此需要通过图像采集装置对计量箱的箱体图像进行采集，是指分别对计量箱外部、内部、顶部、侧部进行图像采集，根据所采集的图像对计量箱中箱门当前位置的角度与初始位置的角度进行作差，对计量箱的箱门角度差进行获取，进一步的，对计量箱历史时间内的箱体检测数据进行遍历提取，其箱体检测数据可以包含箱体锈蚀检测数据、箱体磕碰检测数据、箱体变形检测数据、箱体缺损检测数据等，在此基础上对样本箱体图像信息集合进行获取，同时根据样本箱体图像信息集合内多个样本箱体图像信息的锈蚀面积和损坏面积进行损坏等级聚类，其损坏等级与锈蚀面积、损坏面积成正比关系，若锈蚀面积、损坏面积越大则损坏等级就越高，损坏等级可以分为一级损坏、二级损坏、三级损坏、一级损坏可以是锈蚀面积、损坏面积小于等于30％、二级损坏可以是锈蚀面积、损坏面积大于30％小于70％、三级损坏可以是锈蚀面积、损坏面积大于等于70％，根据损坏等级对计量箱的样本箱体损坏参数集合进行获取，进一步的，采用卷积神经网络，根据样本箱体图像信息集合和样本箱体损坏参数集合，根据图像采集装置所获取的样本箱体图像信息集合，对每一个样本箱体图像进行等分，同时根据样本箱体图像等分中第一个区域设为起始点，即所获得的第一区域，标识为零点区域，再根据样本箱体损坏参数集合中的样本箱体损坏参数从样本箱体图像等分中第一区域开始进行遍历，将每一个区域中所得到的样本箱体图像信息与样本箱体损坏参数集合中的样本箱体损坏参数进行匹配，从而获得多个箱体损坏区域，依次将多个箱体损坏区域进行连接后完成对箱体损坏分析路径的构建，最终将箱体图像信息输入至箱体损坏分析路径中，进行锈蚀卷积特征与损坏卷积特征的分析，从而根据分析结果对获得箱体损坏参数进行获取，实现对智能计量箱运行时进行异常检测有着限定的作用。

步骤S500：基于历史时间内多个时间窗口获取的多个历史综合误差参数、多个历史箱体损坏参数和多个历史偏移角度信息；

具体而言，以上述对多个误差参数进行计算所获的综合误差参数、进行卷积特征分析所获的箱体损坏参数以及箱门角度差的时间节点作为判定节点，过对计量箱的历史时间段进行时间节点的划分，将与综合误差参数、箱门角度差、箱体损坏参数所对应的时间节点作为划分标准，根据划分结果获得计量箱历史时间内的多个时间窗口，进一步的，在历史时间内所划分的多个时间窗口对计量箱的综合误差参数、箱体损坏参数、箱门角度差进行提取，获得多个历史综合误差参数、多个历史箱体损坏参数以及多个历史偏移角度信息，多个历史综合误差参数是指计量箱在不同工作电流下所造成的历史误差参数，多个历史箱体损坏参数是指通过卷积特征比对后所获的箱体历史损坏特征，多个历史偏移角度信息是指不同时段箱门与初始位置的角度差值，以便为后期对智能计量箱运行时进行异常检测时作为参照数据。

步骤S600：基于初始综合误差参数、初始箱体损坏参数和初始角度差，结合所述多个历史综合误差参数、多个历史箱体损坏参数、多个历史偏移角度信息、综合误差参数、箱门角度差和箱体损坏参数，构建计量箱检测数据矩阵，并标准化处理获得计量箱标准值矩阵；

进一步而言，本申请步骤S600还包括：

步骤S610：对所述初始综合误差参数、初始箱体损坏参数、初始角度差、多个历史综合误差参数、多个历史箱体损坏参数、多个历史偏移角度信息、综合误差参数、箱体损坏参数和角度差进行极大化处理，并构建所述计量箱检测数据矩阵：

其中，计量箱检测数据矩阵的列属性包括综合误差参数、箱体损坏参数和角度差，行属性包括时间窗口，X_1B为极大化后的初始综合误差参数，X_1i为极大化后的第i个时间窗口的历史综合误差参数，X_1N为极大化后的综合误差参数，X_3B为极大化后的初始角度差，X_3i为极大化后的第i个时间窗口的历史角度差，X_3N为极大化后的角度差；

步骤S620：对所述计量箱检测数据矩阵内的全部元素进行标准化处理，获得所述计量箱标准值矩阵，如下式：

其中，Y_1B为X_1B标准化处理后的标准值。

具体而言，为使得更准确的获取计量箱的监测数据，首先对计量箱的初始综合误差参数、初始箱体损坏参数以及初始角度差进行提取，是指对计量箱运行之前的综合误差参数、箱体损坏参数以及角度差根据历史数据进行填入，作为初始综合误差参数、初始箱体损坏参数以及初始角度差在计量箱运行过程中结合多个历史综合误差参数、多个历史箱体损坏参数、多个历史偏移角度信息、综合误差参数、箱门角度差和箱体损坏参数进行数据比对，在此基础上，对计量箱检测数据矩阵进行构建。

其构建过程可以是：对初始综合误差参数、初始箱体损坏参数、初始角度差、多个历史综合误差参数、多个历史箱体损坏参数、多个历史偏移角度信息、综合误差参数、箱体损坏参数和角度差进行极大化处理，即对初始综合误差参数、初始箱体损坏参数、初始角度差、多个历史综合误差参数、多个历史箱体损坏参数、多个历史偏移角度信息、综合误差参数、箱体损坏参数和角度差依次作为x代入中进行计算，将数据为越小越好的数据记作极小型指标数据，例如误差数据，并对极小型指标数据转化为极大型指标数据，即越大越优的数据，由此通过如下公式对计量箱检测数据矩阵进行构建：

其中，A为计量箱检测数据矩阵，计量箱检测数据矩阵的列属性包括综合误差参数、箱体损坏参数和角度差，行属性包括时间窗口，X_1B为极大化后的初始综合误差参数，X_1i为极大化后的第i个时间窗口的历史综合误差参数，X_1N为极大化后的综合误差参数，X_3B为极大化后的初始角度差，X_3i为极大化后的第i个时间窗口的历史角度差，X_3N为极大化后的角度差；

进一步的，对所构建的剂量箱监测数据矩阵进行标准化处理，是指对计量箱检测数据矩阵内的全部元素进行标准化处理，获得计量箱标准值矩阵，如下式：

其中，Y_1B为X_1B标准化处理后的标准值，B为计量箱标准值矩阵。

是指根据对极大化后的初始综合误差参数通过如上公式进行标准化处理后获取的标准值对计量箱标准值矩阵进行依次填充，从而完成对计量箱标准值矩阵的构建，提高后期实现对智能计量箱运行时进行异常检测的准确率。

步骤S700：根据所述计量箱标准值矩阵，计算获得所述多个时间窗口的多个历史检测性能评分和当前的检测性能评分，并根据所述多个历史检测性能评分和检测性能评分，计算获得检测评分衰减系数；

进一步而言，本申请步骤S700还包括：

步骤S710：根据所述计量箱标准值矩阵，计算获得多个历史检测性能评分和当前的检测性能评分，如下式：

其中，C_N为当前的检测性能评分，C_i为第i个时间窗口的历史检测性能评分；

步骤S720：根据所述多个历史检测性能评分和检测性能评分，拟合获得性能评分变化曲线，并计算获得所述性能评分变化曲线的平均斜率，作为所述检测评分衰减系数。

具体而言，通过计量箱标准值矩阵对历史时间内所划分的多个时间窗口内计量箱的多个历史检测性能以及当前的监测性能进行评分，根据计量箱标准值矩阵，计算获得多个历史检测性能评分和当前的检测性能评分，如下式：

其中，C_N为当前的检测性能评分，C_i为第i个时间窗口的历史检测性能评分；

是指根据计量箱的历史检测数据在剂量箱标准值矩阵中的相似度进行评分，若数据相似度越高则历史检测性能评分越高，同时根据计量箱的当前的检测数据在剂量箱标准值矩阵中的相似度进行评分，若数据相似度越高则计量箱当前的检测性能评分越高，从而分别获取多个历史检测性能评分和检测性能评分。

进一步的，根据多个历史检测性能评分和检测性能评分进行拟合，是指通过最小二乘平方曲面拟合函数对多个历史检测性能评分和检测性能评分进行匹配、拟合，以求得多个历史检测性能评分和检测性能评分的规律和趋势，根据拟合所获得数据趋势，构建性能评分变化曲线，同时并通过如下公式计算获得性能评分变化曲线的平均斜率：

其中，y为性能评分变化曲线纵轴方向变量的变化量，x为性能评分变化曲线横轴方向变量的变化量，K为性能评分变化曲线的平均斜率。

根据与初始综合误差参数、初始箱体损坏参数、初始角度差的标准值的距离，计算检测性能评分，然后根据性能评分变化曲线的平均斜率的变化，计算获取检测评分衰减系数，以此保证后期对智能计量箱运行时更好的进行异常检测。

步骤S800：根据所述检测性能评分和检测评分衰减系数进行计量箱性能决策分析，获得计量箱异常检测结果，所述计量箱异常检测结果包括是否异常以及是异常时的异常级别。

进一步而言，如图4所示，本申请步骤S800还包括：

步骤S810：对多个计量箱的历史检测数据进行遍历和处理，获取样本检测性能评分集合和样本检测评分衰减系数集合；

步骤S820：根据所述样本检测性能评分集合和样本检测评分衰减系数集合，分析获得样本计量箱异常检测结果集合；

步骤S830：基于检测性能评分和检测评分衰减系数为决策特征，采用所述样本检测性能评分集合、样本检测评分衰减系数集合和样本计量箱异常检测结果集合，基于决策树算法，构建计量箱异常决策分析通道；

步骤S840：将所述检测性能评分和检测评分衰减系数输入所述计量箱异常决策分析通道，进行决策分析，获得所述计量箱异常检测结果。

具体而言，为了判定计量箱是否存在异常以及存在异常时的异常等级，因此需要以上述计算所获的检测性能评分和检测评分衰减系数作为基础分析数据，对计量箱进行性能决策的分析，是指首先对多个计量箱的历史检测数据依次进行遍历访问，并将所访问的每个历史检测数据根据检测性能评分和检测评分衰减系数进行处理，获取样本检测性能评分集合和样本检测评分衰减系数集合，进一步的，根据样本检测性能评分集合和样本检测评分衰减系数集合，对计量箱的检测数据进行异常分析，将样本监测性能评分低且样本监测评分衰减系数高的数据进行整合后记作样本计量箱异常检测结果集合，同时将检测性能评分和检测评分衰减系数作为决策特征，采用样本检测性能评分集合、样本检测评分衰减系数集合和样本计量箱异常检测结果集合，基于决策树算法，对计量箱异常决策分析通道构建，决策树算法是通过逼近离散函数值的方法，是指一种典型的分类方法，首先对样本检测性能评分集合、样本检测评分衰减系数集合和样本计量箱异常检测结果集合进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策特征对处理后的样本检测性能评分集合、样本检测评分衰减系数集合和样本计量箱异常检测结果集合进行分析，从而完成对计量箱异常决策分析通道的构建，最终将检测性能评分和检测评分衰减系数输入至所构建的计量箱异常决策分析通道，对计量箱的检测进行决策分析，根据决策分析结果对计量箱异常检测结果进行获取，且计量箱异常检测结果中包括计量箱是否存在异常以及当计量箱存在异常时的异常级别，其异常级别越高则计量箱的异常程度越高，达到基于计量箱异常检测结果对智能计量箱运行时进行异常检测。

综上所述，本申请实施例提供的一种智能计量箱运行异常检测方法，至少包括如下技术效果，实现了对计量箱的运行进行自动化检测，提高对电力设备计量的质量，提升计量箱的异常检出效率和运行质量。

实施例二

基于与前述实施例中一种智能计量箱运行异常检测方法相同的发明构思，如图5所示，本申请提供了一种智能计量箱运行异常检测系统，系统包括：

测试采集模块1，所述测试采集模块1用于测试采集所述电流互感器当前在多种工作电流下的泄露电流，获得多个泄露电流；

误差分析模块2，所述误差分析模块2用于根据所述多个泄露电流，进行所述电流互感器在所述多种工作电流下进行测量的误差分析，获得多个误差参数；

第一计算模块3，所述第一计算模块3用于构建测量误差评价函数，对所述多个误差参数进行计算，获取综合误差参数；

卷积特征分析模块4，所述卷积特征分析模块4用于采集所述箱体的图像，获得箱体图像信息，采集所述箱门当前位置与初始位置的角度差，获得箱门角度差，对所述箱体图像信息进行卷积特征分析，获取箱体损坏参数；

历史数据模块5，所述历史数据模块5用于基于历史时间内多个时间窗口获取的多个历史综合误差参数、多个历史箱体损坏参数和多个历史偏移角度信息；

矩阵构建模块6，所述矩阵构建模块6用于基于初始综合误差参数、初始箱体损坏参数和初始角度差，结合所述多个历史综合误差参数、多个历史箱体损坏参数、多个历史偏移角度信息、综合误差参数、箱门角度差和箱体损坏参数，构建计量箱检测数据矩阵，并标准化处理获得计量箱标准值矩阵；

第二计算模块7，所述第二计算模块7用于根据所述计量箱标准值矩阵，计算获得所述多个时间窗口的多个历史检测性能评分和当前的检测性能评分，并根据所述多个历史检测性能评分和检测性能评分，计算获得检测评分衰减系数；

决策分析模块8，所述决策分析模块8用于根据所述检测性能评分和检测评分衰减系数进行计量箱性能决策分析，获得计量箱异常检测结果，所述计量箱异常检测结果包括是否异常以及是异常时的异常级别。

进一步而言，系统还包括：

数据检索模块，所述数据检索模块用于对所述电流互感器的历史检测数据进行数据检索，获取样本工作电流集合、样本泄露电流集合和样本测试误差集合；

第一通道构建模块，所述第一通道构建模块用于基于所述样本工作电流集合、样本泄露电流集合和样本测试误差集合，采用BP神经网络，构建测量误差分析通道；

第一输入模块，所述第一输入模块用于将所述多种工作电流结合多个泄露电流输入所述测量误差分析通道，获取所述多个误差参数。

进一步而言，系统还包括：

函数模块，所述函数模块用于构建所述误差评价函数，如下式：

其中，P_Z为综合误差参数，T所述多种工作电流的数量，ω_i为根据第i种工作电流测量重要程度分配的权重，C_i为第i种工作电流在预设时间范围内的测量次数，C_z为多种工作电流在预设时间范围内的测量总次数，P_i为第i个误差参数；

第三计算模块，所述第三计算模块用于根据所述误差评价函数，对所述多个误差参数进行计算，获得所述综合误差参数。

进一步而言，系统还包括：

遍历模块，所述遍历模块用于对计量箱历史时间内的箱体检测数据进行遍历提取，获取样本箱体图像信息集合；

损坏等级聚类模块，所述损坏等级聚类模块用于根据所述样本箱体图像信息集合内多个样本箱体图像信息的锈蚀面积和损坏面积进行损坏等级聚类，获得样本箱体损坏参数集合；

路径构建模块，所述路径构建模块用于采用卷积神经网络，根据所述样本箱体图像信息集合和样本箱体损坏参数集合，构建箱体损坏分析路径；

卷积特征分析模块，所述卷积特征分析模块用于将所述箱体图像信息输入所述箱体损坏分析路径，进行卷积特征分析，获得所述箱体损坏参数。

进一步而言，系统还包括：

矩阵构建模块，所述矩阵构建模块用于对所述初始综合误差参数、初始箱体损坏参数、初始角度差、多个历史综合误差参数、多个历史箱体损坏参数、多个历史偏移角度信息、综合误差参数、箱体损坏参数和角度差进行极大化处理，并构建所述计量箱检测数据矩阵：

其中，A为计量箱检测数据矩阵，计量箱检测数据矩阵的列属性包括综合误差参数、箱体损坏参数和角度差，行属性包括时间窗口，X_1B为极大化后的初始综合误差参数，X_1i为极大化后的第i个时间窗口的历史综合误差参数，X_1N为极大化后的综合误差参数，X_3B为极大化后的初始角度差，X_3i为极大化后的第i个时间窗口的历史角度差，X_3N为极大化后的角度差；

标准化处理模块，所述标准化处理模块用于对所述计量箱检测数据矩阵内的全部元素进行标准化处理，获得所述计量箱标准值矩阵，如下式：

其中，Y_1B为X_1B标准化处理后的标准值，B为计量箱标准值矩阵。

进一步而言，系统还包括：

第四计算模块，所述第四计算模块用于根据所述计量箱标准值矩阵，计算获得多个历史检测性能评分和当前的检测性能评分，如下式：

其中，C_N为当前的检测性能评分，C_i为第i个时间窗口的历史检测性能评分；

第五计算模块，所述第五计算模块用于根据所述多个历史检测性能评分和检测性能评分，拟合获得性能评分变化曲线，并计算获得所述性能评分变化曲线的平均斜率，作为所述检测评分衰减系数。

进一步而言，系统还包括：

处理模块，所述处理模块用于对多个计量箱的历史检测数据进行遍历和处理，获取样本检测性能评分集合和样本检测评分衰减系数集合；

分析模块，所述分析模块用于根据所述样本检测性能评分集合和样本检测评分衰减系数集合，分析获得样本计量箱异常检测结果集合；

第二通道构建模块，所述第二通道模块用于基于检测性能评分和检测评分衰减系数为决策特征，采用所述样本检测性能评分集合、样本检测评分衰减系数集合和样本计量箱异常检测结果集合，基于决策树算法，构建计量箱异常决策分析通道；

决策分析模块，所述决策分析模块用于将所述检测性能评分和检测评分衰减系数输入所述计量箱异常决策分析通道，进行决策分析，获得所述计量箱异常检测结果。

本说明书通过前述对一种智能计量箱运行异常检测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种智能计量箱运行异常检测系统，对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (6)

1.一种智能计量箱运行异常检测方法，其特征在于，所述方法应用于计量箱，所述计量箱包括箱体、箱门和电流互感器，所述方法包括：

测试采集所述电流互感器当前在多种工作电流下的泄漏电流，获得多个泄漏电流；

根据所述多个泄漏电流，进行所述电流互感器在所述多种工作电流下进行测量的误差分析，获得多个误差参数；

构建测量误差评价函数，对所述多个误差参数进行计算，获取综合误差参数；

采集所述箱体的图像，获得箱体图像信息，采集所述箱门当前位置与初始位置的角度差，获得箱门角度差，对所述箱体图像信息进行卷积特征分析，获取箱体损坏参数；

基于历史时间内多个时间窗口获取的多个历史综合误差参数、多个历史箱体损坏参数和多个历史偏移角度信息；

基于初始综合误差参数、初始箱体损坏参数和初始角度差，结合所述多个历史综合误差参数、多个历史箱体损坏参数、多个历史偏移角度信息、综合误差参数、箱门角度差和箱体损坏参数，构建计量箱检测数据矩阵，并标准化处理获得计量箱标准值矩阵；

根据所述计量箱标准值矩阵，计算获得所述多个时间窗口的多个历史检测性能评分和当前的检测性能评分，并根据所述多个历史检测性能评分和检测性能评分，计算获得检测评分衰减系数；

根据所述检测性能评分和检测评分衰减系数进行计量箱性能决策分析，获得计量箱异常检测结果，所述计量箱异常检测结果包括是否异常以及是异常时的异常级别；

对所述电流互感器的历史检测数据进行数据检索，获取样本工作电流集合、样本泄漏电流集合和样本测试误差集合；

基于所述样本工作电流集合、样本泄漏电流集合和样本测试误差集合，采用BP神经网络，构建测量误差分析通道；

将所述多种工作电流结合多个泄漏电流输入所述测量误差分析通道，获取所述多个误差参数；

构建所述误差评价函数，如下式：

其中，P_Z为综合误差参数，T所述多种工作电流的数量，ω_i为根据第i种工作电流测量重要程度分配的权重，C_i为第i种工作电流在预设时间范围内的测量次数，C_z为多种工作电流在预设时间范围内的测量总次数，P_i为第i个误差参数；

根据所述误差评价函数，对所述多个误差参数进行计算，获得所述综合误差参数。

2.根据权利要求1所述的方法，其特征在于，对所述箱体图像信息进行卷积特征分析，获取箱体损坏参数，包括：

对计量箱历史时间内的箱体检测数据进行遍历提取，获取样本箱体图像信息集合；

根据所述样本箱体图像信息集合内多个样本箱体图像信息的锈蚀面积和损坏面积进行损坏等级聚类，获得样本箱体损坏参数集合；

采用卷积神经网络，根据所述样本箱体图像信息集合和样本箱体损坏参数集合，构建箱体损坏分析路径；

将所述箱体图像信息输入所述箱体损坏分析路径，进行卷积特征分析，获得所述箱体损坏参数。

3.根据权利要求1所述的方法，其特征在于，构建计量箱检测数据矩阵，并标准化处理获得计量箱标准值矩阵，包括：

对所述初始综合误差参数、初始箱体损坏参数、初始角度差、多个历史综合误差参数、多个历史箱体损坏参数、多个历史偏移角度信息、综合误差参数、箱体损坏参数和角度差进行极大化处理，并构建所述计量箱检测数据矩阵：

其中，A为计量箱检测数据矩阵，计量箱检测数据矩阵的列属性包括综合误差参数、箱体损坏参数和角度差，行属性包括时间窗口，X_1B为极大化后的初始综合误差参数，X_1i为极大化后的第i个时间窗口的历史综合误差参数，X_1N为极大化后的综合误差参数，X_3B为极大化后的初始角度差，X_3i为极大化后的第i个时间窗口的历史角度差，X_3N为极大化后的角度差；

对所述计量箱检测数据矩阵内的全部元素进行标准化处理，获得所述计量箱标准值矩阵，如下式：

其中，Y_1B为X_1B标准化处理后的标准值，B为计量箱标准值矩阵。

4.根据权利要求1所述的方法，其特征在于，根据所述计量箱标准值矩阵，计算获得所述多个时间窗口的多个历史检测性能评分和当前的检测性能评分，并根据所述多个历史检测性能评分和检测性能评分，计算获得检测评分衰减系数，包括：

根据所述计量箱标准值矩阵，计算获得多个历史检测性能评分和当前的检测性能评分，如下式：

其中，C_N为当前的检测性能评分，C_i为第i个时间窗口的历史检测性能评分；

根据所述多个历史检测性能评分和检测性能评分，拟合获得性能评分变化曲线，并计算获得所述性能评分变化曲线的平均斜率，作为所述检测评分衰减系数。

5.根据权利要求1所述的方法，其特征在于，根据所述检测性能评分和检测评分衰减系数进行计量箱性能决策分析，获得计量箱异常检测结果，包括：

对多个计量箱的历史检测数据进行遍历和处理，获取样本检测性能评分集合和样本检测评分衰减系数集合；

根据所述样本检测性能评分集合和样本检测评分衰减系数集合，分析获得样本计量箱异常检测结果集合；

基于检测性能评分和检测评分衰减系数为决策特征，采用所述样本检测性能评分集合、样本检测评分衰减系数集合和样本计量箱异常检测结果集合，基于决策树算法，构建计量箱异常决策分析通道；

将所述检测性能评分和检测评分衰减系数输入所述计量箱异常决策分析通道，进行决策分析，获得所述计量箱异常检测结果。

6.一种智能计量箱运行异常检测系统，其特征在于，所述系统包括：

测试采集模块，所述测试采集模块用于测试采集电流互感器当前在多种工作电流下的泄漏电流，获得多个泄漏电流；

误差分析模块，所述误差分析模块用于根据所述多个泄漏电流，进行所述电流互感器在所述多种工作电流下进行测量的误差分析，获得多个误差参数；

第一计算模块，所述第一计算模块用于构建测量误差评价函数，对所述多个误差参数进行计算，获取综合误差参数；

卷积特征分析模块，所述卷积特征分析模块用于采集箱体的图像，获得箱体图像信息，采集箱门当前位置与初始位置的角度差，获得箱门角度差，对所述箱体图像信息进行卷积特征分析，获取箱体损坏参数；

历史数据模块，所述历史数据模块用于基于历史时间内多个时间窗口获取的多个历史综合误差参数、多个历史箱体损坏参数和多个历史偏移角度信息；

矩阵构建模块，所述矩阵构建模块用于基于初始综合误差参数、初始箱体损坏参数和初始角度差，结合所述多个历史综合误差参数、多个历史箱体损坏参数、多个历史偏移角度信息、综合误差参数、箱门角度差和箱体损坏参数，构建计量箱检测数据矩阵，并标准化处理获得计量箱标准值矩阵；

第二计算模块，所述第二计算模块用于根据所述计量箱标准值矩阵，计算获得所述多个时间窗口的多个历史检测性能评分和当前的检测性能评分，并根据所述多个历史检测性能评分和检测性能评分，计算获得检测评分衰减系数；决策分析模块，所述决策分析模块用于根据所述检测性能评分和检测评分衰减系数进行计量箱性能决策分析，获得计量箱异常检测结果，所述计量箱异常检测结果包括是否异常以及是异常时的异常级别；

数据检索模块，所述数据检索模块用于对所述电流互感器的历史检测数据进行数据检索，获取样本工作电流集合、样本泄漏电流集合和样本测试误差集合；

分析通道构建模块，所述分析通道构建模块用于基于所述样本工作电流集合、样本泄漏电流集合和样本测试误差集合，采用BP神经网络，构建测量误差分析通道；

数据输入模块，所述数据输入模块用于将所述多种工作电流结合多个泄漏电流输入所述测量误差分析通道，获取所述多个误差参数；

函数构建模块，所述函数构建模块用于构建所述误差评价函数，如下式：

其中，P_Z为综合误差参数，T所述多种工作电流的数量，ω_i为根据第i种工作电流测量重要程度分配的权重，C_i为第i种工作电流在预设时间范围内的测量次数，C_z为多种工作电流在预设时间范围内的测量总次数，P_i为第i个误差参数；

第三计算模块，所述第三计算模块用于根据所述误差评价函数，对所述多个误差参数进行计算，获得所述综合误差参数。