电能计量装置的无突变电流回路计量故障的检测方法与流程

本发明具体涉及一种电能计量装置的无突变电流回路计量故障的检测方法，属于用于电气设备的测试故障。

背景技术：

1、电能计量装置作为供电企业与用电客户之间销售电量的贸易结算依据，其准确性直接影响到供、用电双方的利益。然而，在电能计量装置日常运行中，各种难以察觉的计量故障往往隐匿不露，包括电器元件插接问题、元件损坏以及接触端子连接不良等典型的无突变计量故障。这些无突变计量故障直接影响电能计量装置的稳定运行，对电网的正常运营造成了巨大影响。

2、近年来，随着计算机技术的不断发展和神经网络模型的出现，基于大量历史数据对计量故障进行检测的方法得到了广泛的应用。但是针对电能计量装置的电流回路计量故障的检测方法主要采用人工核表结合神经网络的方法，存在以下不足：

3、1.数据处理方式单一，计量设备的数据具有高维度、非线性和复杂性等特点，传统的统计方法和机器学习方法在处理此类数据时表现出单一性，在面对复杂性越来越高的故障时常常缺乏合适的处理、特征提取和计算方法。

4、2.针对电流回路计量故障的检测往往局限于在线监测可发现的失压、失流，负载电流与功率不符(错接线)的显性电流回路计量故障，针对无突变特征量，不容易被监测到的无突变电流回路计量故障的检测效果较差。

技术实现思路

1、本发明所要解决的技术问题是：如何提升无突变电流回路计量故障的检测准确率。

2、为解决上述技术问题，本发明所提出的技术方案是：一种电能计量装置的无突变电流回路计量故障的检测方法，涉及存储有所述电能计量装置所有历史运行特征数据和历史运行时序特征数据的数据库和所述电能计量装置的p条电流回路，所述历史运行特征数据包括供电量wg、售电量ws和电流值i；所述历史运行时序特征数据是指得到所述历史运行特征数据对应的时序值ls，执行以下步骤：

3、步骤1：根据循环神经网络rnn建立电流回路计量故障检测模型，如下式(1)所示，

4、

5、式(1)中，ot是t时刻的输出向量，wt和wt-1分别是t时刻和t-1时刻的权重向量；g(·)是softmax激活函数；xt是t时刻的输入向量；st和st-1分别是t时刻和t-1时刻的隐藏状态向量；f(·)是非线性激活函数；

6、步骤2：设定采集周期t1，按照所述第一筛选周期t1在所述数据库中以依次进行n次数据采集，并将采集的n个历史运行特征数据和历史时序运行时序特征数据收集起来形成历史运行数据集合a，如下式(2)所示，

7、

8、式(2)中，到分别是从所述数据库中第一次到第n次采集的历史运行特征数据；到分别是从所述数据库中第一次到第n次采集的历史运行时序特征数据；和分别是从所述数据库中第一次采集的供电量、售电量和电流值；和分别是从所述数据库中第二次采集的供电量、售电量和电流值；和分别是从所述数据库中第n次采集的供电量、售电量和电流值；

9、将所述历史运行数据集合a中的n个历史运行特征数据代入下式(3)中进行判断，

10、

11、式(3)中，α1和α2分别是第一判断参数和第二判断参数，均是经验值；

12、将满足公式(3)要求的历史运行特征数据和对应的历史运行时序特征收集起来形成历史运行筛选数据集合b，如下式(4)所示，

13、

14、式(4)中，到分别是所述n个历史运行特征数据中满足所述公式(3)中的第一个历史运行特征筛选数据到最后一个历史运行特征筛选数据；到分别是所述第一个历史运行特征筛选数据到最后一个历史运行特征筛选数据所对应的第一历史运行时序特征筛选数据到最后一个历史运行时序特征筛选数据；和分别是所述n个历史运行特征数据中满足所述公式(3)中的第一个历史运行特征筛选数据的供电量、售电量和电流值；和il2分别是所述n个历史运行特征数据中满足所述公式(3)中的第二个历史运行特征筛选数据的供电量、售电量和电流值；和分别是所述n个历史运行特征数据中满足所述公式(3)中的最后一个历史运行特征筛选数据的供电量、售电量和电流值；

15、步骤3：采用霜冰优化算法rime从所述历史运行筛选数据集合b中进行特征提取，并将提取的所有的历史运行特征张量和历史运行时序特征张量收集起来形成第一特征张量数据集c，

16、特征提取的具体步骤如下：

17、步骤3.1：初始化所述霜冰优化算法rime的迭代次数z，使得所述迭代次数z＝1；

18、根据下式(5)得到所述历史运行筛选数据集合b中供电量wg、售电量ws、电流值i和时序值ls的初始解，

19、

20、式(5)中，ilδ和分别是所述历史运行筛选数据集合b中供电量wg、售电量ws、电流值i和时序值ls的随机初始解；和分别是所述历史运行筛选数据集合b中供电量wg的最小值和最大值；ξ是[0，1)区间内的随机数；和分别是所述历史运行筛选数据集合b中售电量ws的最小值和最大值；和分别是所述历史运行筛选数据集合b中电流值i的最小值和最大值；和分别是所述历史运行筛选数据集合b中时序值ls的最小值和最大值；

21、步骤3.2：将步骤3.1得到的所述供电量wg、售电量ws、电流值i和时序值ls的初始解代入所述霜冰优化算法中的软霜生长策略搜索最优解，如下式(6)所示，

22、

23、式(6)中，r为霜冰种群；为更新后霜冰种群的新位置；l和m为霜冰颗粒序号；rbest,l为霜冰种群中最佳霜冰集的第l个粒子，在第一次迭代中，rbest,l是零合集，即(0，0，0)；在之后的迭代中，rbest,l是前一次迭代输出的blm是霜冰颗粒，在第一次迭代中，blm是步骤3.1得到的所述供电量wg、售电量ws、电流值i和时序值ls的随机初始解，即在之后的迭代中，blm为经过交叉变异后的更新解；h为霜冰粒子黏附度；r1和r2是霜冰控制因子；β为环境因素；θ为霜冰生长防线与水平面的夹角；u为逃逸空间的上界；l是逃逸空间的下界；e是附加系数；

24、步骤3.3：硬霜穿刺策略和适应度计算

25、步骤3.4：迭代次数判断，

26、若迭代次数小于最大的迭代次数，则根据公式(5)生成两个新的随机初始解，并将两个新的随机初始解进行q次交叉变异，形成2q+1个随机初始解；此时是的所述迭代次数加一并从所述2q+1个随机初始解中随机挑选一个随机初始解返回执行步骤3.2到步骤3.4；

27、若迭代次数大于最大的迭代次数，则将所述霜冰优化算法的预测值作为从所述历史运行筛选数据集合b中提取出的历史运行特征张量和历史运行时序特征张量，并收集起来形成第一特征张量数据集c，如下式(7)所示，

28、

29、式(7)中，和分别是历史运行筛选数据集合b中的历史运行特征张量集合和历史运行时序特征张量集合；和分别是所述历史运行特征张量集合的供电量特征张量集合、售电量特征张量集合和电流值特征张量集合；到分别是所述霜冰优化算法预测的第一个供电量特征张量到第v个供电量特征张量；到分别是所述霜冰优化算法预测的第一个售电量特征张量到第v个售电量特征张量；到分别是所述霜冰优化算法预测的第一个电流值特征张量到第v个电流值特征张量；到分别是所述霜冰优化算法预测的第一个时序值特征张量到第v个时序值特征张量；

30、步骤4：将所述第一特征张量数据集c中的数据按照经验比例进行划分，划分为训练集、测试集和验证集，将所述训练集、测试集和验证集代入所述电流回路计量故障检测模型进行迭代训练，得到训练完成的电流回路计量故障检测模型；所述训练完成的电流回路计量故障检测模型以所述供电量wg、售电量ws和电流值i提取出的特征张量为输入，以时序值ls的特征张量的预测值为输出；

31、步骤5：设定故障检测周期t2，在所述电能计量装置运行过程中的一个故障检测周期t2内，实时采集所述p条电流回路在所述故障检测周期t2内的供电量wg、售电量ws和电流值i作为运行特征数据，实时采集所述p条电流回路在所述故障检测周期t2内的时序值ls作为运行时序特征数据，将所述p条电流回路在所述故障检测周期t2内的运行特征数据和运行时序特征数据收集起来形成运行数据集合d，如下式(8)所示，

32、

33、式(8)中，到分别是所述p条电流回路在所述故障检测周期t2内的运行特征数据；到分别是所述p条电流回路在所述故障检测周期t2内的运行时序特征数据；和分别是所述p条电流回路中第一条电流回路在所述故障检测周期t2内实时采集的供电量、售电量和电流值；和分别所述p条电流回路中第二条电流回路在所述故障检测周期t2内实时采集的供电量、售电量和电流值；和分别所述p条电流回路中第p条电流回路在所述故障检测周期t2内实时采集的供电量、售电量和电流值；

34、将所述运行数据集合d中所述p个电流回路的运行特征数据依次代入所述公式(3)中进行判断，将运行特征数据不满足公式(3)要求的电流回路作为疑似故障电流回路，将所有的疑似故障电流回路的运行特征数据和运行时序特征数据收集起来形成疑似故障电流回路运行数据集合e，如下式(9)所示，

35、

36、式(9)中，所述到分别是第一个疑似故障电流回路到最后一个疑似故障电流回路的运行特征数据；到分别是第一个疑似故障电流回路到最后一个疑似故障电流回路的运行时序特征数据；和分别是第一个疑似故障电流回路在所述故障检测周期t2内实时采集的供电量、售电量和电流值；和分别是第二个疑似故障电流回路在所述故障检测周期t2内实时采集的供电量、售电量和电流值；和分别是最后一个疑似故障电流回路在所述故障检测周期t2内实时采集的供电量、售电量和电流值；

37、步骤6：将所述疑似故障电流回路运行数据集合e中第一个疑似故障电流回路的运行特征数据和运行时序特征数据执行步骤3中的特征提取过程，得到所述第一个疑似故障电流回路的运行特征张量和运行时序特征张量如下式(10)所示，

38、

39、式(10)中，和分别是所述和经过特征提取得到的供电量特征张量、售电量特征张量和电流值特征张量；是所述经过特征提取得到的时序值特征张量；

40、将所述第一个疑似故障电流回路的运行特征张量代入所述训练完成的电流回路计量故障检测模型进行预测，得到第一个疑似故障电流回路的时序值特征张量的预测值将所述时序值特征张量的预测值与所述进行对比，若满足下式(11)，则说明所述第一个疑似故障电流回路出现了故障，

41、

42、式(11)中，δ是判断阈值，是经验值；

43、若不满足公式(11)，则说明所述第一个疑似故障电流回路是正常的；

44、重复步骤6依次对剩余的疑似故障电流回路进行故障检测，此时在所述故障检测周期t2内完成了所述电能计量装置无突变电流回路的故障检测。

45、本发明的有益效果：本发明采用了霜冰优化算法来进行特征提取，并将提取后的特征张量用于电流回路计量故障检测模型的训练和预测，使得电流回路计量故障检测模型可以更好地挖掘电能计量装置的运行特征数据与运行时序特征数据之间的关系，使得本发明中采用电流回路计量故障检测模型进行预测的检测方法可以更加准确地对电能计量装置无突变电流回路的计量故障进行检测。