基于Logistic 算法的电能计量装置异常数据识别方法

邓 颖

（贵州电网有限责任公司贵阳白云供电局，贵州 贵阳 550014）

0 引 言

电能计量装置通常用于测量并记录发电量与供电量、电力调度等工作。现有的电能计量装置运行一般为单元形式，设备在日常运行过程中会形成大量数据和信息。异常数据是电能计量装置应用中较为常见的问题，为降低异常数据对电力调度和管控的影响，相关人员制定了对应的识别方法。文献[1]和文献[2]分别设计了传统无线传感器网络（Wireless Sensor Network，WSN）动态电能计量装置异常数据识别方法和传统速度-关联约束电能计量装置异常数据识别方法，虽然可以实现预期的任务和目标，但是缺乏针对性与可靠性，对于异常数据的捕捉精度较低。此外，在外部环境和其他特定因素的影响下，电能计量装置异常数据的识别与采集效率也会大幅降低，最终形成不可控的识别误差[3]。因此，文章提出基于Logistic算法的电能计量装置异常数据识别方法的设计与验证研究。将Logistic 算法与当前的设备异常数据识别工作相融合，可以扩大当前的测试环境，在最短的时间内捕捉到异常数据发出的异常信号，快速辨识并锁定异常数据的位置，构建更加灵活、多变的识别结构[4]。

1 设计电能计量装置异常数据Logistic 测算识别方法

1.1 提取异常数据识别特征

当前电能计量装置在实际运行中，会形成大量具有一定的周期性规律的数据和信息[5]。在出现异常数据时，会形成特定的识别特征[6]。为了更好地识别这些异常数据，需要在当前的背景环境下，明确异常数据的覆盖采集范围，并设置一定数量异常监测识别节点。节点通常设置为独立的，但在实际应用时应尽量进行节点的关联与整合，以便在预设的周期内完成数据和信息的基础性采集处理，从而方便后续的识别处理[7]。先设置6 个周期，每一个周期均需要设置对应的识别标准，并对基础的指标参数进行设置，具体如表1 所示。

表1 异常数据识别特征指标参数设置表

根据表1，完成对异常数据识别特征指标参数的设置。在此基础上，总结在一定周期内采集的数据信息波动规律[8]。

1.2 设计SVD+多目标快速辨识矩阵

奇 异 值 分 解（Singular Value Decomposition，SVD）是一种处理开源型数据的稳定框架，自身具有较强的针对性和可靠性。结合多目标的数据识别框架，设计组合式的快速辨识矩阵。在Client、Driver、SparkContext 识别应用模块的辅助下，分类处理采集的数据信息文件。按照SVD 执行异常数据识别标准，先测定异常数据的可控识别范围，结合测定结果完成对矩阵快速识别范围的划定与计算，然后结合SVD框架设计多目标的矩阵执行结构，如图1 所示。

图1 SVD+多目标快速辨识矩阵执行结构

完成对SVD+多目标快速辨识矩阵执行结构的设置后，将设置的节点与矩阵融合，形成一个稳定的识别环境。

1.3 构建Logistic 测算电能计量装置异常数据识别模型

为了确保电能计量装置的稳定运行，需要实时监测设备运行状态，获取周期性数据。综合Logistic算法，设计电能计量装置异常数据识别模型。分阶段进行异常数据的筛选，并设置识别结构，如图2 所示。

图2 Logistic 测算异常数据识别模型结构

整合异常数据，同时设计识别时序，利用Logistic 算法计算识别限值差。结合当前的测定，完成对识别值差的计算，将其设置在识别模型中，明确对应的识别区域，加强对识别误差的控制，提高模型的整体应用效果。

1.4 多区间边界修正实现数据识别处理

通过多区间边界修正的方式强化异常数据的识别效果。结合实际的识别需求，先设定一个约束区间，建立集合Sr（r=1,2,…,m），并制定约束边界标准，即

2 方法测试

考虑最终测试结果的可靠性，对传统WSN 动态电能计量装置异常数据识别测试组、传统速度-关联约束电能计量装置异常数据识别测试组以及文章设计的Logistic 算法电能计量装置异常数据识别测试组进行对比分析，验证设计方法的实际应用效果。

2.1 测试准备

布设一个主节点装置，另一个为辅助检测控制装置。按照SVD 原理，采集普通数据和异常数据，对数据进行分类处理。先提取出基础的异常数据特征，并对数据进行范围筛查，如图3 所示。

图3 异常数据范围筛查结构

调整当前异常数据的识别范围，并利用节点对各个电能计量装置进行实时监测，完成对测试环境的搭建。

2.2 测试过程及结果分析

随机选定5 台关联的电能计量装置搭接附近的监测节点，并在一定周期内实现数据采集。将预先设定的异常测试指令导入测试程序，形成异常数据。通过Logistic 算法测定异常数据的识别速率，结合当前测定结果完成对测试结果的对比分析，如图4 所示。

图4 测试结果对比分析

根据图4，与传统WSN 动态电能计量装置异常数据识别测试组、传统速度-关联约束电能计量装置异常数据识别测试组相比，文章设计的Logistic 算法电能计量装置异常数据识别测试组最终得出的异常数据识别速率均可以达到6 Mb/s 以上，表明所设计的异常数据识别效果更佳，误差可控，具有较好的实际应用价值。

3 结 论

与初始的电能计量装置异常数据识别结构相比，结合Logistic 算法构建的异常数据识别方法更加灵活、多变，具有更强的稳定性与针对性。该方法能够根据不同的设备运行环境、电能计量装置的运行状态及负荷情况，提取异常数据的特征量，并采用SVD 框架辅助测算，从多个角度进行异常数据的识别、分类和筛选，逐步提高识别精准度。通过这种改进的异常数据识别方法，可以明确划分正常数据与异常数据，同时大幅提升异常数据的辨识速率，扩大识别的覆盖范围，为电力计量设备后续的实践应用提供一定的帮助，改善电力系统的稳定性和可靠性。