关口电能计量装置电压回路故障自动预警方法

范秀云，何佳美，侯欣怡，杨彩月

（国网冀北电力有限公司营销服务中心（资金集约中心、计量中心），北京 100045）

关口电能计量装置是电能计量的主要器具[1]，其是否能够稳定运行直接决定着电能计量数值的精准度。因此，对关口电能计量装置运行状态检测、故障预警等相关研究具有一定的现实意义。

文献[2]通过控制诊断信息延迟，实时挖掘电力计量装置异常数据，然后通过诊断计量电压电流异常实现电力计量装置异常分析；文献[3]利用加权融合贝叶斯融合多个极端环境应力和故障率。结合加权融合贝叶斯和k 近邻方法实现小样本条件下的电能计量装置故障预测；文献[4]采用决策树过滤电能表误差估计异常数据，并对其进行聚类后，采用递推算法估计电能表误差，以此为依据分析电能表是否因故障产生计量错误。但是上述方法无法及时掌握关口电能计量装置自身的运行状态、误差、故障等信息。基于此，提出基于深度置信网络的关口电能计量装置电压回路故障自动预警方法，以期提高预警成功率。

1 关口电能计量装置电压回路故障预警

1.1 装置运行状态数据预处理

关口电能计量装置运行状态检测的主要依据是电压数据，由于规约不一致，数据量过大等原因，使得电压数据存在着量纲不统一、缺失等现象，为电压回路故障自动预警带来极大的不利影响。因此，在电压回路故障自动预警前，需要对关口电能计量装置运行中个电压数据进行预处理。

采用标准化法对电压数据进行无量纲化处理，表达式为

式中：y 表示无量纲化处理后的电压数据；x 表示原始电压数据；表示原始电压数据的平均数值；σo表示原始电压数据的标准差数值。

依据时间将采集的电压数据进行排序，寻找数据缺失点，以相邻电压数据为基础添加插值拟合函数，以此来填充缺失电压数据，表达式为

式中：yt′表示缺失时间点t′对应的填充电压数据；yt′-2、yt′-1、yt′+1与yt′+2表示电压数据缺失点t′的相邻数据；F（t′）表示插值拟合函数。

依照式（2）将全部缺失值进行填充，即可完成电压数据缺失值的处理，获得完整的关口电能计量装置电压数据。

1.2 构建电压数据预测深度置信网络模型

以上述预处理后的关口电能计量装置电压数据为基础，基于深度置信网络[5]预测下一时刻的电压数据，为电压异常检测与预警提供依据。

在深度置信网络应用过程中，影响其整体性能的主要参数为网络深度与隐含层神经元数量，故需要在应用之前对其进行确定。其中，网络深度即是隐含层数，以预处理后的关口电能计量装置电压数据为基础，以多个时间点电压数据作为待预测数据，对深度置信网络进行测试，获得不同隐含层数背景下电压数据预测平均绝对百分比误差数值变化情况，如图1 所示。

图1 不同隐含层数影响下的数值变化Fig.1 Numerical variation under the influence of different hidden layers

当隐含层数为4 时，电压数据预测平均绝对百分比误差数值达到最小值0.5%。因此，确定网络深度为4，即隐含层数为4。

隐含层神经元数量是决定电压数据预测效率与精度的关键因素之一，此研究采用逐层设计法对神经元数量进行确定。为了简化研究过程，将隐含层神经元数量测试范围规定在［15，42］之间。考虑到多个隐含层神经元数量确定过程一致，为此，以深度置信网络[6]第一隐含层为例，获得不同神经元数量背景下电压数据预测平均绝对百分比误差数值变化情况，如图2 所示。

图2 不同神经元数量影响下的数值变化Fig.2 Numerical changes under the influence of different neuron numbers

当神经元数量为21 时，电压数据预测平均绝对百分比误差数值达到最小值0.2%。因此，确定神经元数量（第1 隐含层）为21。依此类推，获取第2、3、4 隐含层神经元数量分别为15、6 与1，从而完成深度置信网络结构的确定。

以上述确定的深度置信网络结构为基础，构建电压数据预测深度置信网络模型，如图3 所示。

图3 电压数据预测深度置信网络模型Fig.3 Deep confidence network model for voltage data prediction

将预处理后的电压数据输入至图3 所示框架中，其输出结果即为下一时刻的电压数据预测值，为电压回路故障自动预警的实现打下坚实的基础。

1.3 实现关口电能计量装置电压回路故障自动预警

（1）电压数据特征选择与提取

应用XGBoost 算法选择并提取预测电压数据特征，为后续电压异常的检测与预警提供便利。

XGBoost 算法表达式为

式（3）是一个复杂度较高的方程式，若是直接对其进行求解，需要花费较大的代价。因此，此研究添加损失函数提升优化求解的效率，累加M 个集成树模型，即可获得最终的预测电压数据特征向量。损失函数表达式为

对式（3）进行k 轮循环计算，目标函数表达式为

式中：δk表示第k 轮循环迭代计算目标函数表达式；表示第k-1 轮运算输出的预测电压数据特征值；Bk表示第k 轮训练树模型；ε 表示常数，由前k-1 轮树模型复杂度累加获得。

当目标函数δk达到最小值时，停止循环迭代计算，输出结果即为预测电压数据特征选择结果，以此为基础，提取关口电能计量装置预测电压数据的特征，将其集合Z=｛z1，z2，…，zn｝，为后续电压异常的检测与预警提供有力的依据。

（2）电压回路故障自动预警

以上述提取的预测电压数据特征Z=｛z1，z2，…，zn｝为依据，获取电压回路故障引起的异常电压数据特征集合γ*。每个电压数据特征对应的判别能力是不同的，采用Qi表示第i 个预测电压数据特征的判别能力，以此为基础，定义权值惩罚函数，记为R=｛rij｝，其取值规则为

式中：rij表示权值惩罚函数第i 个预测电压数据第j个元素数值；τa表示权值惩罚函数中对角元素的伸缩因子。

以式（6）计算结果为基础，获取数值精准的权值惩罚函数R，刻画支持向量机的优化问题，表达式为

式中：G 表示优化问题函数表达式；ω 表示间隔项；υ表示分类阈值。

求解式（7）获取间隔项ω 与分类阈值υ，计算预测电压数据特征与异常电压数据特征之间的相似度，以此为基础，制定电压异常检测规则为

式中：Pi表示预测电压数据特征与异常电压数据特征之间的相似度；ζ 表示相似度计算的辅助参数，取值范围为［0，1］。

当电压数据检测结果为异常时，证明关口电能计量装置发生了电压回路故障，实时对其进行预警，提醒工作人员对关口电能计量装置进行检修，保障其运行的有效性。

2 实验与结果分析

2.1 实验对象选取

为了验证提出方法的应用性能，选取关口电能计量装置作为实验对象，其工作原理如图4 所示。

图4 关口电能计量装置工作原理Fig.4 Working principle of gateway electric energy metering device

设置图4 所示关口电能计量装置电压数据正常区间为［205 V，242 V］。采用按照图5 所示的传感器获取关口电能计量装置的电压数据，将其随机划分为10 个实验组别，如表1 所示，以此来提升实验结论的准确性。

表1 实验数据Tab.1 Experimental data

图5 基于传感器的电能计量装置电压采集数据Fig.5 Voltage acquisition data of sensor based electric energy metering device

如表1 所示，每个实验组别的实验数据量、异常电压数据占比均不一致，表明10 个实验组别具备着完全不一致的实验环境，能够最大限度地验证提出方法的应用性能，符合应用性能测试的需求。

2.2 深度置信网络训练

提出方法中应用的是深度置信网络，为保证深度置信网络性能对其进行训练，以获取最精准的实验结论。深度置信网络训练程序如图6 所示。

图6 深度置信网络训练程序Fig.6 Deep confidence network training program

根据图6 所示程序即可完成深度置信网络的训练，训练精度损失曲线如图7 所示。

图7 训练损失曲线Fig.7 Training loss curve

由图7 可知，随着迭代次数不断增加，训练集产生的精度损失逐渐降低，说明模型训练效果良好。根据上述过程，确定最佳网络参数，保障深度置信网络功能的正常发挥，提升实验结论的精准度。

2.3 实验结果分析

为了突出提出方法应用性能的优劣，选取文献[2]基于特征向量的故障预警方法与文献[3]加权融合贝叶斯故障预警方法作为对比方法1 与方法2进行实验，具体实验结果分析过程如下所示：

（1）异常电压检测比例

通过实验获得的异常电压检测比例，如图8所示。

图8 异常电压检测比例示意图Fig.8 Schematic diagram of abnormal voltage detection ratio

根据图8 可知，应用提出方法获得的异常电压检测比例数值与表1 所示的异常电压占比数值保持一致，而对比方法1 与对比方法2 获得的异常电压检测比例数值与表1 所示的异常电压占比数值偏差较大，表明提出方法异常电压检测效果更佳。

（2）电压回路故障持续时长检测

利用录波器输出关口电能计量装置电压回路故障导致的电压现场实际录波，并与所提方法、对比方法1 与方法2 的录波输出结果进行对比，如图9 所示。

图9 录波输出结果Fig.9 Record output results

从图9 中可以看出，现场实际电压最低跌落至200 V，电压回路故障持续时间为1310 ms。所提方法的实际电压最低跌落至205 V，未超出正常运行最低电压值，但是此时电压偏低，引起关口电能计量装置运行不稳定，电压回路故障持续时间为1280 ms；对比方法1 的实际电压最低跌落至204V，电压回路故障持续时间为1380 ms；对比方法2 的实际电压最低跌落至197 V，电压回路故障持续时间为1400 ms。综合上述数据结果可知，所提方法的录波输出结果与实际输出结果相差最小。

（3）电压回路故障预警成功概率

电压回路故障自动预警成功概率指的是电压回路故障引起电压异常前完成预警的概率。通过实验获得电压回路故障自动预警成功概率，如图10所示。

图10 电压回路故障自动预警成功概率示意图Fig.10 Schematic diagram of the success probability of automatic warning for voltage circuit faults

如图10 数据所示，相较于对比方法1 与对比方法2 来看，应用提出方法获得的电压回路故障自动预警成功概率数值较高，最大值为96%。上述结果表明提出方法预警成功概率较高，其主要原因是所提方法应用XGBoost 算法选择并提取预测电压数据特征，获取了电压回路故障引起的异常电压数据特征集合，优化了预警效果。

3 结语

为保证关口电能计量装置的稳定运行，提出基于深度置信网络的关口电能计量装置电压回路故障自动预警方法研究。通过实验数据可知，提出方法异常电压检测精度与电压回路故障自动预警成功概率较高，以此来提升电能计量的准确性，也为相关研究提供一定的借鉴。