基于用电大数据的智能电能表异常评估系统

盘律，何忠文，王锦昌，杨岩顺，杨国璞

（云南电网有限责任公司德宏供电局，云南 德宏 678400）

0 前言

目前电网公司仍采用传统电能表轮换方式[1]，根据电能表使用寿命无针对性地进行轮换，实验室检定证明了大量按照检定周期拆回的智能电表其性能仍然完好。近年来，随着电网公司省集中计量自动化系统的建成，目前拥有的供用电数据、电表运行数据等数据量已满足支撑以用电大数据为基础的智能电能表故障分析和管控的前提条件。

文献[2]利用朴素贝叶斯模型、决策树模型和softmax 神经网络对入库电表以及已用电表故障实现了故障预测。文献[3]利用基于神经网络的数据挖掘技术对故障电能表数据进行训练分析，实现对电能表的运行情况进行了准确预测。文献[4]基于随机森林算法对智能电表进行故障及寿命预测，预测准确度分别达到了86%和89%，实现了智能电表故障预测的可能。

电网公司在现有的用电大数据下，如何利用此数据库成为研究的重点，因此，本文基于用电大数据和机器学习[5]技术，设计构建一种智能电能表异常评估系统。从智能电能表所计的用电量、运行的电压、运行的电流、电表记录的异常事件和档案信息等多方面进行异常分析，对运行的智能电能表进行运行正常、计量异常和非计量异常进行分类并对智能电能表进行评估预测[6]。

1 智能电能表异常评估系统总体构架

1.1 设计目标与主要功能

本系统通过与计量自动化系统、营销管理系统进行数据接口对接，获取到用户电能表真实的原始记录，在智能电能表异常分析模型对数据进行分析处理进行异常分类，同时通过机器学习的方法对原始数据进行训练，获取到每块电能表的评估值进行故障预测。该系统在项目投资、计量装置管理、计量装置运维等方面具有重要意义。

从功能上进行划分，系统分为数据采集区、接口区、数据处理区、展示区三大功能项。

数据采集区包含了用电数据采集系统和数据中间库或用电大数据平台等系统。

接口区主要是通过接口程序从计量自动化系统、营销管理系统数据推送到的中间库中获取原始数据并将数据发送至数据处理区。

数据处理区通过数据处理模块接收到接口同步的采集系统的原始数据进行数据预处理后结合智能电能异常分析模型对电能表进行评估，得出电能表异常分类以及异常评估值，并将数据进行入库操作。

展示区是Web 应用，通过Web 面向系统用户将系统分析处理的数据结果进行展示。

1.2 系统总体构架

智能电能表异常评估系统采用Oracle 数据库和实时库技术，实现电能表数据分析功能。其结构图如图1所示。

图1 系统总体构架图

系统总体构架主要是由基础设施、应用支撑平台以及功能应用组成，系统整体安全遵循一定的安全技术要求搭建，其中包括数据安全、运行环境安全和功能应用安全等方面，系统数据输入和输出遵循一定的原则规范。

1）基础设施：基础设施主要是由系统所需的基础设备构成，包括功能数据库服务器、应用服务器、操作系统、网络以及系统运行的环境设施。

2）应用支撑平台：主要是系统开发所需的软件。

3）功能应用：智能电能表在线监测评估、异常分析、异常数据管理以及Web 应用展示等。

1.3 数据库设计原则

系统在设计、开发和完善各个阶段，需要重视相关文档和程序的注释，对于每一个细小的改动都需要在文档中进行详细的描述，对于代码的修改需要做到每一个代码的删减、增加或修改都务必注释。确保每一个接触到系统的人都能够从文档描述中理解系统的设计思路，从每行代码注释中了解系统是如何实现各个功能应用。

数据库设计的原则主要包括：

1）数据存储采用先进先出[7]的原则。数据库中按照分析结束时间顺序对不必要的数据进行删除，只保留系统评估结果，如：正常电能表评估、异常电能表评估等。对于原始数据，只保留异常电能表的原始数据，不会存储全部原始数据。数据删除采用先进先出滚动删除的方式，间接减轻数据库存储压力。

2）采用模块化设计。按照系统开发、应用需求，将系统划分为不同的相互独立的系统模块，并通过一定的规范定义各个模块间的数据交互方式。通过模块化设计，在完善系统功能的时候只需按需求块进行修改完善，不破坏数据交互关系的情况，不影响其他模块之间的运行。

3）程序代码采用面向对象封装，通过将定义方法的程序进行封装，将各个功能逻辑进行封装，通过相关接口可以直接调用程序，不必关心封装程序内部原理，极大提高系统可维护性。

4）完善文档描述、代码注释。每一个细小的修改都务必进行描述和注释，确保注释覆盖达100%。

2 智能电能表异常分析原理

2.1 技术原理

随着数字化建设不断发展，大数据处理、分析、应用在统计分析中的地位越来越至关重要。通过大数据获取到用户的用电信息进行实时数据和历史数据进行存储分析，运用聚类算法对存储的数据进行分类，根据数据偏离聚类中心的程度按一定的原则进行归类，通过构建的智能电能表状态评估决策树[8]，对不同信息系统中获取的数据进行提炼处理，从而达到自动提取电能表关键状态量和一定的评价规则。针对运行电能表评估后的结果，进行数据追踪以供运维人员获取基本运行数据并有针对性的进行现场处理。

2.2 基于用电大数据和模糊聚类分析处理

从电网公司的营销管理系统和计量自动化系统中获取到具有利用价值的用电大数据，通过一定的技术手段[9]实现对用电数据进行分析处理以达到智能电能表异常分类的目的。大数据技术主要包括大数据输入、大数据存储、数据挖掘、共享和交换等。

通过获取到用电实时数据和历史数据，针对判断原则特征对数据进行分析，确定正常数据并对异常数据进行分析。采集到的用电大数据样本为X={x1,x2,…,xn}，其中每个样本Xi均有n个特征指标，即Xi={xi1,xi2,…,xin}，将样本划分为C 类（2 ≤C≤n）。模糊聚类的算法思路就是从用电大数据样本中找到一个隶属度矩阵和聚类中心使得目标函数最小，公式表示如下：

式中，V表示为聚类中心。

式中，U表示为采集到的用电大数据样本Xi的隶属度矩阵。

式中，uji表示的是第i类数据隶属于第j类聚类中心的程度，且约束条件为P表示为加权指数，P∈[1,∞],当P=1 时，模糊聚类方法就变换为C 均值聚类，通常情况下我们将P=2 时分类效果较为明显；dji表示的是样本Xi与第j类聚类中心之间的距离，用欧氏距离[10]函数表达，如公式（4）表示：

使minJ(U,V) 达到极小点，U'和V'应该满足以下条件：

得出U'和V'，按照以下判定准则对样本进行分来：

1）按样本与聚类中心距离判定： 若dji=min(dji)(1 ≤j≤m)，则将样本Xi归属于第j类；

2）按样本对聚类中心隶属度最大判定：若uji=max(uji)(1 ≤j≤m)，则将样本Xi归属于第j类。

2.3 智能电表异常评估决策树构建

在机器学习算法中比较常见的有朴素贝叶斯算法、支持向量机算法和决策树算法（ID3、CART、C4.5）[11-15]。首先朴素贝叶斯算法准确率不高，其次是支持向量机算法运算时间较长，经过分析比较3 种算法中决策树算法最为适合基于用电大数据的应用。

在决策树算法中，CART 算法无法进行多类别分类，只能形成局限于“是非”分类的二叉树；在ID3 算法中无法处理数据样本的连续特征，而且ID3 算法不能满足假如某个属性存在数据缺失的情况，同时在ID3 算法中未考虑到“过拟合”，针对用电数据特性和数据采集情况，ID3 算法无法满足要求，所以本文考虑采用C4.5 决策树算法进行阐述。

1）计算整个样本集的信息熵[16]。

式中，H(X) 表示为样本集X的信息熵；pi表示为样本集X中第i类样本所占比列，i=1,2,…,n。

2）若离散型的属性A数据存在于m个数据值，记为A1,A2,…,Am，假设使用属性A数据对样本集X进行划分，会产生m个分支树节点，其中Xm为在第m个节点上取值为Am的样本，每一个分支树节点的权重记为|X|，引入信息增益率，则为：

公式（7）中，I(X,A) 表示为属性A数据对样本集合X划分所得的信息增益；IR(X,A)表示为信息增益率；HA(X)表示为属性A数据对样本集合X的特征熵。

利用信息增益率，对属性数据进行决策树建立，选择信息增益率最大的属性作为决策树节点，进而丰富决策树通过对样本集进行训练，最终实现对数据的分类评估。如图2所示，以电能表负荷曲线为例，对电能表进行评估分类。

图2 电压事件决策树示意图

3 智能电能表异常评估系统应用

3.1 智能电能表异常诊断方法

智能电能表异常诊断方法分为采集异常、装置异常和运行异常三个方面，每项异常之间存在一定的关联度并赋予相应的权重，如表1所示。

表1 智能电能表部分异常分析关联表

3.2 系统功能应用

智能电能表异常评估系统基于用电大数据分析，实现异常档案分析、事件记录分析、数据异常分析、接线异常分析、计量异常分析、异常告警、高风险装置数据跟踪、电能表综合评估等功能应用，如图3所示。

图3 功能结构示意图

1）异常档案分析：针对总表变比异常、台区无总表、台区多总表、无户表、历史档案异常、户变档案异常进行分析。

2）事件记录分析：结合电能表内存储的事件记录信息，分析电能表运行情况。

3）数据异常分析：包括示数上跳、示数下跳、表底翻转、电量突增等分析，针对换表和追补电量的情况，进行异常白名单自动过滤。如图4所示，通过系统统计分析出电能表异常数量并能够实现准确定位。图5是电能表异常明细表。

图4 电能表异常统计界面

图5 电能表异常告警界面

4）接线异常分析：利用电能表接入的相序、电压、电流等情况，结合接线异常典型模型分析接线是否异常。

5）计量异常分析：针对疑似表底停走、总表计量问题、用户表超量程、互感器过载、台区轻载和重载等可能影响计量误差的情况进行分析，判断出异常装置并形成异常明细清单。

6）异常告警：对异常计量装置主动发出告警信息。如图6所示，按照电能表异常模型诊断出异常对其主动发起告警信息并生成相应处理工作单。

图6 电能表异常告警工单查询界面

7）高风险装置数据跟踪：按照《用电计量设备缺陷标准库》等级对重大及以上的异常装置进行数据跟踪至恢复正常。

8）电能表综合评估：结合批次电能表、运行情况进行分析，对电能表进行综合评估，制定合理的评分细则，将电能表按轻重缓急的原则进行分类，提供轮换依据。

4 结束语

智能电表在运行过程中由于环境、人为以及产品质量等原因导致出现异常，针对用电数据、接线情况、计量问题等方面进行分析，对电能表提出相应的轮换（处理）意见，并对电能表做出异常评估，使目前批次电表统一轮换的传统方式向有针对性的轮换方式转变。本文提出了一种智能电能表异常评估的系统，主要作用如下：

1）基于用电大数据技术实现对档案信息、事件记录、用电数据、接线情况、计量问题等方面进行分析，并自动进行异常分类。

2）利用决策树算法的机器学习方法实现对智能电能表异常的评估，按照等级划分针对高风险电能表进行异常跟踪。