开云优惠体育网页版入口

专利名称：一种不间断供电的电力采集计量系统

专利类型：实用新型专利

专利申请号：CN202410671774.0

专利申请（专利权）人：国网甘肃省电力公司白银供电公司
权利人地址：甘肃省白银市白银区人民路6号

专利发明（设计）人：史银红,李旭阳,曾桐祥,冯侃,冉亮,马宏,樊军德,于超,薛丽,李静,张世胜

专利摘要：本申请公开了一种不间断供电的电力采集计量系统，包括获取、筛选模块：将供电区域进行划分为若干监测区域；根据监测区域内输入计量单元的计量数据、总电表计量数据，确定异常区域；采集当前时间段异常区域内用户电表计量数据；根据异常区域内电表数量和预设的比例值，对所有电表进行均匀分组，得到第一分组；基于每个第一分组，计算第一分组对应的平均计量数据输入至判断模型，得到第一分组的判断结果；将满足预设条件的第一分组作为新的异常区域进行迭代分组，直至第一分组内电表数量小于预设最小单元数量；将最后一次迭代分组中满足预设条件的第一分组确定为异常分组。由此，该系统能够提高对供电区域内电能表异常检测的效率、准确度和可靠性。

主权利要求：
1.一种不间断供电的电力采集计量系统，其特征在于，包括：获取模块，获取模块连接有筛选模块，筛选模块连接有判断模块，所述获取模块用于：S101，获取监测的供电区域，将供电区域进行划分，得到若干监测区域，每个监测区域配置有一个管理端，用以向对应的管理人员发送监测信息；
S102，根据设置在监测区域内的输入计量单元对应的计量数据、对应监测区域内用户电表的总电表计量数据，确定存在计量误差的异常区域；
所述筛选模块用于：
S201，获取异常区域对应的预先训练完成的判断模型，采集当前时间段异常区域内各个用户电表计量数据；
S202，根据异常区域内电表数量和预设的比例值，对所有电表进行均匀分组，得到第一数量的第一分组；
S203，基于每个第一分组，计算第一分组对应的平均计量数据和标准方差值，将第一分组的平均计量数据输入至判断模型，得到第一分组的判断结果，判断结果包括异：驼＃
S204，将满足预设条件的第一分组作为新的异常区域重复执行S202至S203，进行迭代分组，直至第一分组内电表数量小于预设最小单元数量；
S205，将最后一次迭代分组中满足预设条件的第一分组确定为异常分组；
所述判断模块用于：
S301，获取异常分组中每个电表预设历史时段内的计量数据，将其确定为第一判断数据，每个第一判断数据都被赋予对应的时间标签和电表编号；
S302，将获取的第一判断数据输入至预设的电表分析库中进行分析，得到异常分组中每个电表的判断结果，确定异常电表；
在所述S302之后，还包括：
S1、根据预设的模拟计量模型，生成模拟计量值；
S2、将异常电表的第一判断数据与模拟计量值作差，得到模拟失准值；
S3、若所有异常电表的模拟失准值之和小于所述计量误差，则将异常电表的模拟失准值对应的数量级确定为目标数量级；
S4、在异常区域中，确定目标数量的目标电表，目标数量确定为计量误差与模拟失准值的比值，目标电表确定为其模拟失准值对应的数量级为目标数量级的电表；
S5、将目标数量的目标电表当前时间段的计量数据输入至与目标数量级对应的判断模型中，得到异常电表；
S6、获得所有异常电表的模拟失准值之和并与计量误差比较，若仍然小于计量误差，则确定不同于第一数量级的第二数量级为目标数量级，重复执行步骤S4至S6，直至所有异常电表的模拟失准值之和大于或等于计量误差第一允许范围，确定所有异常电表；
所述判断模型还包括多个子模型，分别对应不同的数量级类别，所述数量级类别根据预设的数量级分类规则进行确定，包括：在判断模型的构建训练中，收集训练数据集时，标记每个用于训练的异常电表的数量级；根据数量级类别，将训练数据集进行分类；对于每个数量级类别确定的训练集，分别对判断模型进行训练得多个子模型。
2.如权利要求1所述的不间断供电的电力采集计量系统，其特征在于，所述S102具体包括：B1、分别在每个监测区域设置对应的输入计量单元，用于精确记录该监测区域内的总输入电量，得到一个准确的电量基准值；
B2、获取监测区域内的所有用户电表的计量数据总和，得到监测区域的总电表计量数据，作为电表数据；
B3、计算监测区域内的总输入电量与电表数据的计量差值，将计量差值大于预设的计量误差阈值对应的监测区域确定为异常区域。
3.如权利要求1所述的不间断供电的电力采集计量系统，其特征在于，所述S202中预设的比例值用于初步确定每个分组的预设电表数量M，将异常区域内电表数量与预设的比例值相乘，得到每个分组包含的预设电表数量；
第一数量确定为：异常区域内电表数量与每个分组的预设电表数量的比值，若比值不为整数，则向上取整；
所述预设条件设置为：判断模型输出的判断结果为异常，和/或，标准方差值大于预设离散阈值。
4.如权利要求1所述的不间断供电的电力采集计量系统，其特征在于，所述预设的电表分析库的构建包括：S401，收集大量的电表历史计量数据，筛选出异常电表的计量数据，标记为异常数据，异常数据包括计量日期和对应的计量数据值，获取异常数据对应的异常原因信息；
S402，创建一个数据单元，包括N个数据填充位，每个填充位对应一个计量日期的计量数据值，分别将每组异常数据按照其计量日期填充到一个数据单元中，并为每个数据单元进行编号；
S403，根据数据单元编号和其中异常数据对应的异常原因信息，设置一个异常原因查询单元，用于根据数据单元编号查找异常原因信息；
S404，构建数据库，将所有数据单元输入到数据库中进行存储，存储形式设置为向量形式，将数据单元的计量数据转换为向量形式，确定为数据单元向量；
其中，数据库包括聚类单元和匹配单元，聚类单元用于：利用聚类算法，得到k个异常聚类，每个异常聚类均被赋予一个聚类标签；匹配单元用于：根据新输入的数据单元向量进行匹配，得到判断结果。
5.如权利要求4所述的不间断供电的电力采集计量系统，其特征在于，所述S302具体包括：D1、将电表编号相同的第一判断数据按照其时间标签的先后顺序依次排列，形成一个判断数据单元；
D2、将每个电表对应的判断数据单元转换为判断数据单元向量，通过聚类单元确定每个判断数据单元向量所属的聚类标签；
D3、通过匹配单元，将判断数据单元向量与所属聚类标签内的其他数据单元向量进行相似度计算，得到相似度；
D4、将相似度大于第一阈值的数据单元向量确定为匹配数据单元，并计算匹配数据单元在所属聚类标签内的占比，得到异常概率值；
D5、若异常概率值大于第二阈值，则将对应的判断数据单元确定为异常数据单元，并通过异常原因查询单元，匹配该异常数据单元对应的异常原因信息；
D6、将异常数据单元及其对应的电表标签、异常原因信息打包为监测信息，发送至对应的管理端。
6.如权利要求3所述的不间断供电的电力采集计量系统，其特征在于，所述S202还包括：S501，获取异常区域中电表在对应供电图中的用电类型，用电类型包括工业类型、商业类型和居民类型；
S502，将用电类型相同的电表归为一组，得到初始分组，初始分组的数量小于或等于3；
S503，获得第一数量的第一分组，每个第一分组中包含M个空位；
S504，针对每个初始分组，逐个将初始分组内的电表填充至第一分组中，直至该第一分组中的空位被填满，进行下一个第一分组的电表填充，直至所有初始分组中的电表填充完成。
7.如权利要求5所述的不间断供电的电力采集计量系统，其特征在于，所述S205还包括：S601，当迭代分组结束后，若最后一次迭代分组中不存在满足预设条件的第一分组，则回滚至上一次迭代分组得到的第一分组，执行步骤S602；
S602，基于每个第一分组，获取其中每个电表的供电线路，将处于同一供电线路的电表划分至一个子分组中，每个第一分组被划分为至少一个子分组；
S603，基于每个子分组，计算得到对应的平均计量数据，将子分组的平均计量数据输入至判断模型，得到子分组的判断结果，将判断结果为异常的子分组确定为异常分组，并传输至判断模块。
8.如权利要求7所述的不间断供电的电力采集计量系统，其特征在于，在所述S302之前，还包括：获取异常分组中每个电表在预设时间内的主备电源切换频次，按照频次大小降序顺序对电表进行排序，得到新的异常分组；
按照异常分组中电表的顺序，依次将其对应的第一判断数据输入至预设的电表分析库中执行步骤S303；
在所述D6步骤之前，还包括：
根据电表分析库输出的对异常分组中每个电表对应的判断数据单元的判断结果，更新电表对应的异常原因信息；
获取异常分组中判断数据单元被确定为异常数据单元的数量与异常分组中电表总数量的比值，若该比值大于预设比值阈值，则将“供电线路异常”增加至异常数据单元对应的异常原因信息中，更新其异常原因信息。
9.如权利要求7所述的不间断供电的电力采集计量系统，其特征在于，所述S603还包括：当不存在判断结果为异常的子分组时，执行S604；
S604，为每个子分组赋予唯一标签，唯一标签用于表示该子分组中电表所在供电线路；
S605，根据异常区域对应的供电图，获取所有子分组的供电线路信息；
S606，根据所有子分组供电线路信息之间的关联性，确定子分组对，每个子分组对中的子分组供电线路之间相互关联；其中，相互关联的判断条件为：两者供电线路重合或共享某些关键节点；
S607，基于每个子分组对，将子分组对中的两个子分组进行动态交叉划分，分别从两个子分组中选取目标比例的电表，进行交换，更新所有子分组；
S608，将更新后的子分组分别输入至判断模型中，得到判断结果为异常的子分组，确定为异常分组。 说明书 : 一种不间断供电的电力采集计量系统技术领域[0001] 本发明涉及电能表计量技术领域，尤其涉及一种不间断供电的电力采集计量系统。背景技术[0002] 随着电力行业的快速发展和智能电网技术的不断进步，电能的采集、计量、存储与传输的准确性和稳定性变得日益重要，主要依靠电能表，其准确性关系到电网企业和每个用户的切身利益。为保证计量公正性，目前电网企业主要通过拆回检定、周期轮换、定期抽检与现场试验等方式对计量失准装置进行管控，需要耗费较大的人力、物力与财力，但有时仍无法及时发现并更换失准电能表。[0003] 而在如今普遍的不间断供电（主备电源的自动切换）场景中，由于电源处于一直工作状态，若某些电能表的计量已经出现异常而未及时发现，那么对于供电的电源也将是一种资源浪费，由于任何计量设备的失准都可能导致电能的浪费或不足，进而影响整个用于电力采集的供电系统的稳定性和经济性。准确的电能表计量有助于电力系统更精确地掌握电力消耗情况，从而进行更有效的电力调度和管理。发明内容[0004] 本申请通过提供一种不间断供电的电力采集计量系统，能够提高对供电区域内电能表异常检测的效率、准确度和可靠性。[0005] 本申请提供了一种不间断供电的电力采集计量系统，包括：获取模块，获取模块连接有筛选模块，筛选模块连接有判断模块，所述获取模块用于：[0006] S101，获取监测的供电区域，将供电区域进行划分，得到若干监测区域，每个监测区域配置有一个管理端，用以向对应的管理人员发送监测信息；[0007] S102，根据设置在监测区域内的输入计量单元对应的计量数据、对应监测区域内用户电表的总电表计量数据，确定存在计量误差的异常区域；[0008] 所述筛选模块用于：[0009] S201，获取异常区域对应的预先训练完成的判断模型，采集当前时间段异常区域内各个用户电表计量数据；[0010] S202，根据异常区域内电表数量和预设的比例值，对所有电表进行均匀分组，得到第一数量的第一分组；[0011] S203，基于每个第一分组，计算第一分组对应的平均计量数据和标准方差值，将第一分组的平均计量数据输入至判断模型，得到第一分组的判断结果，判断结果包括异：驼＃籟0012] S204，将满足预设条件的第一分组作为新的异常区域重复执行S202至S203，进行迭代分组，直至第一分组内电表数量小于预设最小单元数量；[0013] S205，将最后一次迭代分组中满足预设条件的第一分组确定为异常分组；[0014] 所述判断模块用于：[0015] S301，获取异常分组中每个电表预设历史时段内的计量数据，将其确定为第一判断数据，每个第一判断数据都被赋予对应的时间标签和电表编号；[0016] S302，将获取的第一判断数据输入至预设的电表分析库中进行分析，得到异常分组中每个电表的判断结果，确定异常电表；[0017] 在所述S302之后，还包括：[0018] S1、根据预设的模拟计量模型，生成模拟计量值；[0019] S2、将异常电表的第一判断数据与模拟计量值作差，得到模拟失准值；[0020] S3、若所有异常电表的模拟失准值之和小于所述计量误差，则将异常电表的模拟失准值对应的数量级确定为目标数量级；[0021] S4、在异常区域中，确定目标数量的目标电表，目标数量确定为计量误差与模拟失准值的比值，目标电表确定为其模拟失准值对应的数量级为目标数量级的电表；[0022] S5、将目标数量的目标电表当前时间段的计量数据输入至与目标数量级对应的判断模型中，得到异常电表；[0023] S6、获得所有异常电表的模拟失准值之和并与计量误差比较，若仍然小于计量误差，则确定不同于第一数量级的第二数量级为目标数量级，重复执行步骤S4至S6，直至所有异常电表的模拟失准值之和大于或等于计量误差第一允许范围，确定所有异常电表；[0024] 所述判断模型还包括多个子模型，分别对应不同的数量级类别，所述数量级类别根据预设的数量级分类规则进行确定，包括：在判断模型的构建训练中，收集训练数据集时，标记每个用于训练的异常电表的数量级；根据数量级类别，将训练数据集进行分类；对于每个数量级类别确定的训练集，分别对判断模型进行训练得多个子模型。[0025] 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：[0026] 在获取模块中，系统首先划分供电区域为多个监测区域，以便更快速地锁定出现异常的区域。通过聚类算法和特征向量来完成，确保每个监测区域的管理半径在可控范围内，通过比较输入计量单元的计量数据与电表数据，系统能够确定存在计量误差的异常区域，快速缩小排查区域，提高检测效率；[0027] 筛选模块负责在异常区域内进一步筛选可能存在问题的电表，通过迭代逐级分组的方法，将异常区域内电表分成多个小组，并计算每组的平均计量数据和标准方差值，通过判断模型的输出结果以及标准方差值，能够识别出被判定为存在问题的分组，即异常分组，从而实现更快定位至存在异常电表的异常分组，避免了对整个异常区域内所有电表的计量数据进行逐一输入至判断模型中检测的繁琐过程，从而减轻计算负担，提高检测效率；[0028] 在判断模块中，系统对异常分组中的每个电表的在预设历史时段内的第一判断数据，并输入至电表分析库中进行匹配计算，从而得到每个电表最终的判断结果和对应的异常原因信息，提高异常电表的监测准确度，并根据匹配的异常原因信息能够快速帮助管理人员做出相应的维修或维护工作；[0029] 通过比较异常电表计量数据与模拟计量值的差异，量化电表的失准程度，通过不断迭代和调整目标数量级，确保最终得到的所有异常电表的模拟失准值之和能够合理解释步骤S102中的总体计量误差，避免了异常电表的漏检，提高了电力系统的稳定性和可靠性；[0030] 基于上述的针对数量级对判断模型进行分类训练，根据目标电表所属的数量级，输入至对应的判断模型，可以更准确地识别出微小差距的异常电表，从而提高异常检测的精度，每个数量级分类的模型都专注于处理该数量级范围内的数据特征，这使得模型在处理类似数据时具有更强的泛化能力。[0031] 综上，对供电区域内电能表的异常判断，降低了管理人员的工作量，提高排查效率，实现了对电能表计量准确性的高效监控，不仅提高了电力采集计量的准确性，还大大提升了异常检测的效率和可靠性。附图说明[0032] 图1为本发明实施例的不间断供电的电力采集计量系统的结构示意图；[0033] 图2为本发明实施例的筛选模块工作的流程示意图。具体实施方式[0034] 为了便于理解本发明，下面将参照相关附图对本申请进行更全面的描述；附图中给出了本发明的较佳实施方式，但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施方式；相反地，提供这些实施方式的目的是使对本发明的公开内容理解的更加透彻全面。[0035] 需要说明的是，本文所使用的术语“垂直”、“水平”、“上”、“下”、“左”、“右”以及类似的表述只是为了说明的目的，并不表示是唯一的实施方式。[0036] 除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同；本文中在本发明的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本发明；本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。[0037] 实施例一[0038] 图1是本发明实施例的一种不间断供电的电力采集计量系统的结构示意图。[0039] 本发明实施例的电力采集计量系统应用于不间断供电的场景中，不间断供电具体为：实时监测主备电源（也就是线路电源）的电压变换情况，判断是否掉电，若线路电源电压降为0时，备用电源可以通过继电器进行投切，持续为计量采集设备进行供电，主供电源电压恢复以后，在自动切换回主供电源继续供电，这里的备供电源是指传统变电站内的220V辅助电源或者是电能表内部的储能电池。当主供电源在供电时，可以为储能电池进行充电，当主供电源断开时，储能电池可以进行放电，为电能表计量采集的工作进行持续供电。[0040] 进一步，本发明实施例的电力采集计量系统用于在不间断供电的场景中，实时监控电能表计量的准确性，一旦检测到异常，系统可以迅速做出反应，通知管理人员进行排查和修复，这不仅保障了供电系统的连续性和稳定性，也提高了电力采集计量的准确性的检测效率和可靠性、排查效率。[0041] 如图1所示，一种不间断供电的电力采集计量系统，包括：获取模块、筛选模块、判断模块。[0042] 一些实施例中，获取模块具体用于：[0043] S101，获取监测的供电区域，将供电区域进行划分，得到若干监测区域，每个监测区域配置有一个管理端，用以向对应的管理人员发送监测信息。[0044] 由于监测的供电区域范围过大，当出现计量误差时，排查原因太过繁琐，导致效率不高，所以通过划分不同的监测区域，当出现供计量差时，可以快速的锁定对应的监测区域，对应的管理端向管理人员发送监测信息。[0045] 具体而言，步骤S101具体包括：[0046] A1、根据供电区域的供电图中的边界线和小区分界线，确定若干单元区域。[0047] 其中，边界线指的是供电区域中自然或认为形成的、用以区分不同供电区块的明显界线，可以是物理上的阻隔，例如河流、湖泊、道路、铁路等，也可以是行政区划上的界线；小区分界线是指在供电区域内进一步细分供电区块的界线，例如住宅区内、工业园区、城市电网规划中不同小区间的界线。[0048] 具体而言，将供电区域中的边界线和小区分界线两者组成的区域确定为单元区域，包括：小区分界线或边界线独立形成单元区域、小区分界线和边界线之间包围形成的单元区域。[0049] A2、根据每个单元区域Di内的用户量Pi和用电量Li，建立对应的特征向量。[0050] 其中，用电量指的是单元区域内设定的采集时间内的平均用电量，设定的采集时间可以是每日或每月，i表示单元区域的唯一编号。[0051] A3、基于每个单元区域的特征向量，利用预设的聚类算法对所有单元区域进行聚类，根据预设的最大服务半径，合并距离最近的单元区域，重复聚类合并过程，直至满足最小距离不小于最大服务半径，得到若干监测区域。[0052] 具体而言，计算两两特征向量之间的距离，设置监测区域的最大服务半径，最大服务半径根据管理人员的管理能力进行设置，将距离最近的两个特征向量对应的单元区域合并为一个新的单元区域并标记为合并区域；计算合并区域与其他单元区域之间的距离，当合并区域与其他单元区域之间的最小距离小于最大服务半径时，将对应的两个区域进行合并，再次形成一个新的合并区域，重复该内容过程，直到合并区域与其他区域之间的最小距离不小于最大服务半径，将最终得到的所有合并区域分别确定为监测区域。[0053] S102，根据设置在监测区域内的输入计量单元对应的计量数据、对应监测区域内用户电表的总电表计量数据，确定存在计量误差的异常区域。[0054] 具体而言，步骤S102具体包括：[0055] B1、分别在每个监测区域设置对应的输入计量单元，用于精确记录该监测区域内的总输入电量，从而得到一个准确的电量基准值。[0056] B2、获取监测区域内的所有用户电表的计量数据总和，得到监测区域的总电表计量数据，即电表数据，该数据反映了用户的实际用电量。[0057] B3、计算监测区域内的总输入电量与电表数据的计量差值，将计量差值大于预设的计量误差阈值对应的监测区域确定为异常区域。[0058] 由此，通过设置的输入计量单元的计量数据和电表数据相比较，可进一步的缩小问题排查区域，减少排查工作量，提高排查效率。[0059] 一些实施例中，筛选模块与获取模块建立连接，如图2所示，具体用于：[0060] S201，获取异常区域对应的预先训练完成的判断模型，采集当前时间段异常区域内各个用户电表计量数据。[0061] 其中，当前时间段的时间跨度根据实际情况进行设置。[0062] 具体而言，预先训练完成的判断模型具体为：[0063] C1、收集每个监测区域内用户的历史电表计量数据。[0064] C2、在历史电表计量数据中筛选出计量准确的电表计量数据作为监测区域的训练数据。由于历史数据中可能包含错误或异常值，因此需要对这些计量数据进行筛。匀繁Ｑ盗肥莸淖既沸院涂煽啃。[0065] C3、选择一个神经网络模型作为电能表计量异常分析的判断模型，如卷积神经网络（CNN）或循环神经网络（RNN）。[0066] C4、使用确定的训练数据对判断模型进行训练，训练的目的是调整模型的参数，使其能够更好地适应特定监测区域的电表数据特征，并提高异常检测的准确性。[0067] C5、训练完成后，需要对模型进行校验。校验通常使用一部分独立于训练数据的数据来进行，以评估模型的性能。如果模型在校验集上表现出良好的性能（如高准确率、低误报率等），则认为模型训练成功。[0068] C6、将校验成功的判断模型确定为对应监测区域最终确定的判断模型。[0069] S202，根据异常区域内电表数量和预设的比例值，对所有电表进行均匀分组，得到第一数量M的第一分组。[0070] 具体而言，预设的比例值根据实际情况进行确定，用于初步确定每个分组的预设电表数量，例如，可以设置为15%，将异常区域内电表数量与预设比例值相乘，得到每个分组包含的预设电表数量，那么第一数量确定为：异常区域内电表数量与每个分组的预设电表数量的比值，若比值不为整数，则向上取整即可。[0071] S203，基于每个第一分组，计算得到第一分组对应的平均计量数据和标准方差值，将第一分组的平均计量数据输入至判断模型，得到第一分组的判断结果，判断模型输出的判断结果包括异：驼。[0072] 其中，第一分组对应的平均计量数据确定为：第一分组内所有用户电表计量数据总和与电表数量的比值，平均计量数据用于反映对应第一分组内电表的平均用电情况，标准方差值用于衡量对应第一分组内电表计量数据的离散程度。[0073] S204，将满足预设条件的第一分组作为新的异常区域重复执行S202至S203步骤，进行迭代分组，直至第一分组内电表数量小于预设最小单元数量。[0074] 一些实施例中，预设条件具体为：判断模型输出的判断结果为异常，和/或，标准方差值大于预设离散阈值。[0075] 由此，不仅考虑到判断模型对第一分组的判断结果，还考虑到第一分组内每个电表计量数据的离散程度，由于对第一分组内所有计量数据取平均，当存在计量数据过大与过低时，取平均可能导致中和现象，从而导致平均计量数据被判定为正常但是实际存在较大波动的第一分组被遗漏隐藏掉，能够最大限度地减少漏判的风险，使得最终筛选的异常分组具备高准确性和高可靠性，确保每个实际问题电表能够准确落入异常分组中。[0076] S205，当迭代分组结束后，将最后一次迭代分组中满足预设条件的第一分组确定为异常分组。[0077] 一些实施例中，判断模块与筛选模块建立连接，具体用于：[0078] S301，获取异常分组中每个电表预设历史时段内的计量数据，将其确定为第一判断数据，每个第一判断数据都被赋予对应的时间标签和电表编号。[0079] 其中，预设历史时段可以设置为前一周，本发明对此不作限制。[0080] S302，将获取的第一判断数据输入至预设的电表分析库中进行分析，得到异常分组中每个电表的判断结果。[0081] 一些实施例中，预设的电表分析库具体构建于：[0082] S401，收集大量的电表历史计量数据，从历史数据中筛选出异常电表的计量数据，标记为异常数据，异常数据包括计量日期和对应的计量数据值，并获取异常数据对应的异常原因信息；[0083] S402，创建一个数据单元，该数据单元包括N个数据填充位，每个填充位对应一个计量日期的计量数据值，分别将每组异常数据按照其计量日期填充到一个数据单元中，并为每个数据单元进行编号；[0084] S403，根据数据单元编号和其中异常数据对应的异常原因信息，设置一个异常原因查询单元，以便后续根据数据单元编号快速查找异常原因；[0085] S404，构建数据库，将所有数据单元输入到数据库中进行存储，存储形式设置为向量形式，将数据单元的计量数据转换为向量形式，确定为数据单元向量；[0086] 其中，数据库包括聚类单元和匹配单元，聚类单元用于：利用聚类算法，得到k个异常聚类；匹配单元用于：根据新输入的数据单元向量进行匹配，得到电表分析库。[0087] 一些实施例中，利用聚类算法，得到k个异常聚类，具体包括：[0088] 设置k值（聚类的数量），并任意选择k个数据单元向量作为初始的聚类中心；[0089] 计算每个数据单元向量到所有聚类中心的欧氏距离，将每个数据单元向量分配到距离它最近的聚类中心，重新计算每个聚类的均值，更新其聚类中心；[0090] 重复上一个步骤，直到每个数据单元向量到其所属聚类中心的距离之和不再减。籟0091] 停止迭代后，完成聚类，获得k个异常聚类，每个异常聚类都被赋予一个聚类标签。[0092] 一些实施例中，步骤S302具体包括：[0093] D1、将电表编号相同的第一判断数据按照其时间标签的先后顺序依次排列，形成一个判断数据单元。[0094] D2、将每个电表对应的判断数据单元转换为判断数据单元向量，通过聚类单元确定每个判断数据单元向量所属的聚类标签。[0095] D3、通过匹配单元，将判断数据单元向量与所属聚类标签内的其他数据单元向量进行相似度计算，得到相似度。[0096] D4、将相似度大于第一阈值的数据单元向量确定为匹配数据单元，并计算匹配数据单元在所属聚类标签内的占比，得到异常概率值。[0097] D5、若异常概率值大于第二阈值，则将对应的判断数据单元确定为异常数据单元，并通过异常原因查询单元，匹配该异常数据单元对应的异常原因信息。[0098] D6、将异常数据单元及其对应的电表标签、异常原因信息打包为监测信息，发送至对应的管理端。[0099] 一些实施例中，在步骤S302之后，还包括：[0100] S1、根据预设的模拟计量模型，生成当前时间段的模拟计量值。[0101] 预先训练完成的模拟计量模型，具体为：[0102] 收集正常监测区域内所有电表的在预设历史时段内每个时间段节点的计量数据，根据这些数据建立一个代表正常用电行为的神经网络模型，用以根据历史数据预测正常监测区域内的电表在当前时间段内的模拟计量值。[0103] 具体而言，使用模拟计量模型来模拟正常区域内的电表读数，这些模拟值代表了在没有异常情况下电表的预期读数，可以通过设置不同的时间段、季节、天气条件等参数来生成多种场景下的模拟正常值。[0104] S2、将异常电表的第一判断数据与模拟计量值作差，得到模拟失准值。[0105] 具体而言，取第一判断数据中所有数据与模拟计量值的差值的平均值，作为模拟失准值。[0106] 又或者，将异常电表在当前时间段内的计量数据与模拟计量值作差，得到模拟失准值。[0107] S3、若所有异常电表的模拟失准值之和小于计量误差，则获得异常电表的模拟失准值对应的数量级并确定为目标数量级。[0108] 其中，计量误差为步骤S102中确定的异常区域对应的计量误差值。[0109] 举例说明，数量级设置为 ，n的取值为整数，若模拟失准值为25°，则对应的数量级为10，若模拟失准值为120°，则对应的数量级为100。[0110] 由此，通过为模拟失准值赋予数量级，对电表的失准程度进行分类，从而确定该异常区域内异常电表的失准分类。[0111] S4、在异常区域的所有电表中，确定目标数量的目标电表，目标数量确定为计量误差与模拟失准值的比值，目标电表确定为其模拟失准值对应的数量级为目标数量级的电表。[0112] S5、将目标数量的目标电表输入至筛选模块的判断模块中，得到异常电表。[0113] S6、获得所有异常电表的模拟失准值之和并与计量误差比较，若仍然小于计量误差，则确定不同于第一数量级的第二数量级为目标数量级，重复执行步骤S4至S6，直至所有异常电表的模拟失准值之和大于或等于计量误差第一允许范围，确定所有异常电表。[0114] 其中，第一允许范围是根据实际情况进行设置的。[0115] 由此，通过比较电表计量数据与模拟计量值的差异，量化电表的失准程度，通过不断迭代和调整目标数量级，确保最终得到的所有异常电表的模拟失准值之和能够合理解释步骤S102中的总体的计量误差，避免了异常电表的漏检，提高了电力系统的稳定性和可靠性。[0116] 其中，针对步骤S201中的判断模型，本实施例对于步骤S5，还基于目标电表的目标数量级对判断模型进行数量级分类的确定，即根据目标电表的目标数量级确定对应的判断模型，在判断模型的构建训练中，步骤C1收集历史电表计量数据时，除了记录电表的计量值外，还需标记每个异常电表计量值与正常电表计量值之间差值所属的数量级；根据预设的数量级分类规则，将训练数据集进行分类。例如，预设的数量级分类规则可以分为数量级为2 1 ?210及以上的数据、10 至10 的数据等类别，具体为正常数量级和微量数量级；对于每个类别确定的训练集，分别对模型进行训练得到每个数量级分类对应的判断模型，在训练过程中，可以根据不同数量级的特点调整模型的参数和结构，以更好地适应不同数量级数据的特征。[0117] 由于模拟失准差值的数量级的不固定性，可能其数量级过于微量，例如10?1，当这种类别的电表计量数据输入至判断模型中进行识别时，可能由于微量变化导致识别结果不准确，所以基于上述的针对数量级对判断模型进行分类训练，根据目标电表所属的数量级，输入至对应的判断模型，可以更准确地识别出微小差距的异常电表，从而提高异常检测的精度，每个数量级分类的模型都专注于处理该数量级范围内的数据特征，这使得模型在处理类似数据时具有更强的泛化能力。[0118] 上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：[0119] 在获取模块中，系统首先划分供电区域为多个监测区域，以便更快速地锁定出现异常的区域。通过聚类算法和特征向量来完成，确保每个监测区域的管理半径在可控范围内，通过比较输入计量单元的计量数据与电表数据，系统能够确定存在计量误差的异常区域，快速缩小排查区域，提高检测效率；[0120] 筛选模块负责在异常区域内进一步筛选可能存在问题的电表，通过迭代逐级分组的方法，将异常区域内电表分成多个小组，并计算每组的平均计量数据和标准方差值，通过判断模型的输出结果以及标准方差值，能够识别出被判定为存在问题的分组，即异常分组，从而实现更快定位至存在异常电表的异常分组，避免了对整个异常区域内所有电表的计量数据进行逐一输入至判断模型中检测的繁琐过程，从而减轻计算负担，提高检测效率；[0121] 在判断模块中，系统对异常分组中的每个电表的在预设历史时段内的第一判断数据，并输入至电表分析库中进行匹配计算，从而得到每个电表最终的判断结果和对应的异常原因信息，提高异常电表的监测准确度，并根据匹配的异常原因信息能够快速帮助管理人员做出相应的维修或维护工作。[0122] 综上，对供电区域内电能表的异常判断，降低了管理人员的工作量，提高排查效率，实现了对电能表计量准确性的高效监控，不仅提高了电力采集计量的准确性，还大大提升了异常检测的效率和可靠性。[0123] 实施例二[0124] 在实施例一中，通过迭代分组的方式对异常区域内的电表进行了划分，但主要是基于电表的数量进行均匀划分，这种划分方式虽然可以有效地缩小问题排查范围、提高处理效率，但这种分组方式仅基于电表数量进行均匀分组划分，并未充分考虑电表之间用电类型的差异性，在某些情况下，可能导致分组内的电表用电特性差异较大，从而影响异常检测的准确性。[0125] 所以，本申请实施例在上述实施例的基础上进行一定的优化。[0126] 一些实施例中，步骤S202还包括：[0127] S501，获取异常区域中电表在对应供电图中的用电类型，用电类型包括工业类型、商业类型和居民类型。[0128] S502，将用电类型相同的电表归为一组，得到初始分组，初始分组的数量小于或等于3。[0129] S503，获得第一数量的第一分组，每个第一分组中包含M个空位。[0130] S504，针对每个初始分组，逐个将初始分组内的电表填充至第一分组中，直至该第一分组中的空位被填满，进行下一个第一分组的电表填充，直至所有初始分组中的电表填充完成。[0131] S505，当所有初始分组中的电表均被填充完成时，得到若干第一分组。[0132] 上述本申请实施例中的技术方案，至少具有如下的技术效果或优点：[0133] 通过引入用电类型作为分组的关键依据进行初步分组，并将每个初步分组中的电表依次填充至预先确定好的第一分组的空位中，直至所有电表被填充完成，确保了同一第一分组内的大部分电表的用电特性和用电模式相似，显著提高了分组内电表用电特性的相似性，为后续异常检测提供了更准确的基础数据；[0134] 由于分组更加精细，当某个分组被判断为异常时，更可能是由于电表本身或相关设备的问题，而非由于分组内电表用电特性的差异导致，这大大提高了异常检测的准确性，降低了误报和漏报的概率。[0135] 通过引入用电类型作为分组依据，使得系统在面对不同用电场景和用电模式时具有更强的适应性和鲁棒性，这种分组方式能够更好地应对电力系统中的复杂性和多样性，提高系统的稳定性和可靠性。[0136] 实施例三[0137] 在电力计量系统中，异常检测是一个持续且复杂的过程，尽管实施例一和实施例二通过不同的分组策略提高了异常检测的准确性，但在实际应用中，仍然存在一些挑战。例如，当大量电表数据同时输入电表分析库中进行异常数据判断时，可能会导致计算资源的紧张和处理效率的降低，此外，如何避免异常遗漏且更有效、更准确地识别出异常电表，并对异常原因进行多方面确定极为关键。[0138] 所以，本申请实施例在上述实施例的基础上进行一定的优化。[0139] 一些实施例中，步骤S205还包括：[0140] S601，当迭代分组结束后，若最后一次迭代分组中不存在满足预设条件的第一分组，则回滚至上一次迭代分组得到的第一分组，执行步骤S602。[0141] S602，基于每个第一分组，获取其中每个电表的供电线路，将处于同一供电线路的电表划分至一个子分组中，每个第一分组被划分为至少一个子分组。[0142] 其中，对于处于相同供电线路的电表，其用电行为和异常模型将更为一致，在输入至判断模型时所反映的平均计量数据能够更具代表性，从而提高判断模型训练的准确性。[0143] S603，基于每个子分组，计算得到对应的平均计量数据，将子分组的平均计量数据输入至判断模型，得到子分组的判断结果，将判断结果为异常的子分组确定为异常分组，并传输至判断模块。[0144] 由于将处于同一供电线路上的电表划分至一个子分组，将该子分组输入至电表分析库中，对于该线路上的电表异常原因分析更为有利，可以反映在同一线路上不同电表切换频次的表现，因为主备电源的频繁切换可能是电表获供电线路存在问题的一个信号。[0145] 所以，一些实施例中，步骤S302之前，还包括：[0146] 获取异常分组中每个电表在预设时间内的主备电源切换频次，按照频次大小降序顺序对电表进行排序，得到新的异常分组；[0147] 按照异常分组中电表的顺序，依次将其对应的第一判断数据输入至预设的电表分析库中执行步骤S303。[0148] 其中，预设时间可以根据实际情况进行设置，例如，可以设置为一个月。[0149] 由此，根据电表在预设时间内切换主备电源的频次，可以有序地将对应的第一判断数据输入到电表分析库中，避免了大量数据同时处理造成的计算负担，提高了数据处理效率；优先处理切换频次高的异常数据，可以更快更及时地识别出异常最为显著的电表判断结果，从而提高整体的匹配和处理效率；通过有序输入和优先处理，可以更有效地分配计算资源，确保可能最显著的异常得到及时响应。[0150] 一些实施例中，判断模块还用于，即步骤D6之前，还包括：[0151] 根据电表分析库输出的对异常分组中每个电表对应的判断数据单元的判断结果，更新电表对应的异常原因信息。[0152] 具体而言，获取异常分组中判断数据单元被确定为异常数据单元的数量与异常分组中电表总数量的比值，若该比值大于预设比值阈值，则将“供电线路异常”增加至异常数据单元对应的异常原因信息中，更新其异常原因信息。[0153] 由此，通过判断模块更新异常电表对应的异常原因信息，当异常数据单元的比例超过预设比值阈值时，将“供电线路异常”添加到异常原因信息中，有助于更全面地判断异常电表所涉及的异常原因信息，提高异常检测的可靠性，为管理人员提供更加全面且关键的决策或维修支持。[0154] 实施例四[0155] 一些实施例中，步骤S603还包括：当不存在判断结果为异常的子分组时，执行步骤S604；[0156] S604，为每个子分组赋予唯一标签，唯一标签用于表示该子分组中电表所在供电线路。[0157] S605，根据异常区域对应的供电图，获取所有子分组的供电线路信息。[0158] S606，根据所有子分组供电线路信息之间的关联性，确定子分组对，每个子分组对中的子分组供电线路之间相互关联。[0159] 其中，相互关联的判断条件为：两者供电线路重合或共享某些关键节点。[0160] S607，基于每个子分组对，将子分组对中的两个子分组进行动态交叉划分，分别从两个子分组中选取目标比例的电表，进行交换，更新所有子分组。[0161] 其中，目标比例根据实际情况进行动态调整，用以确定每个子分组中用来交换的电表数量。[0162] S608，将更新后的子分组分别输入至判断模型中，得到判断结果为异常的子分组，确定为异常分组。[0163] 由此，通过子分组之间的动态交叉划分，能够揭示在实施例三中在正常供电线路背景下可能被掩盖的异常，考虑了子分组对应供电线路之间的关联性，从而更有可能暴露出隐藏在正常数据中的异常电表；考虑到供电线路复杂、电表数量众多的实际场景，通过供电线路信息的关联性分析和动态交叉划分，在子分组被判断为正：，不仅依赖于单一的电表计量数据，还结合了电网的拓扑结构信息，因为电网的拓扑结构往往与电表的行为密切相关，合理地对子分组中的电表进行规律性打乱，赋予每个子分组电表多元化信息，重新输入至判断模型中，从而减少漏检误判的概率，提高了计量数据处理的智能性和准确性。[0164] 以上所述仅为本发明的优选实施方式，并不用于限制本发明，对于本领域技术人员来说，本发明可以有各种更改和变化。凡在本发明精神和原则内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

专利地区：甘肃

专利申请日期：2024-05-28

专利公开日期：2024-08-02

专利公告号：CN118244191B