CN117783658A - 一种电力设备的电流数字测量方法 - Google Patents

Abstract

本发明涉及电变量测量技术领域，提出了一种电力设备的电流数字测量方法，包括：获取电流时间序列及电压时间序列；根据电流时间序列及电压时间序列获取局部相关指数；根据局部相关指数获取相关性指数序列及相关性特征序列；根据相关性指数序列及相关性特征序列获取相关性异变指数；根据相关性异变指数获取待测电流集合，利用异常检测算法基于待测电流集合获取待测电流集合中的异常电流值；根据待测电流集合中的异常电流值获取异常电流值的校准集合；根据异常电流值的校准集合获取校准电流值；利用校准电流值得到电流数字测量结果。本发明通过分析电流的异常现象，提高了电流数字测量的准确性。

Description

一种电力设备的电流数字测量方法

技术领域

本发明涉及电变量测量技术领域，具体涉及一种电力设备的电流数字测量方法。

背景技术

随着新能源汽车的发展，新能源汽车的各种技术不断进步，由于新能源汽车具有节能、环保等优势，新能源汽车的发展得到广泛的认可。但是，同新能源汽车具有共生关系的充电柱仍旧存在诸多问题，不同程度上阻碍着新能源汽车的发展。由于充电桩的实际应用中具有冲击性、强时变性等非线性负载而产生的非平稳信号无法利用谐波模型进行准确描述，导致传统的充电桩电能计量存在计量准确性较差、计量运算速度较慢等缺陷。因此，传统的充电桩电能计量方式需要做出改进，以求解决随机扰动因素下充电桩电流实时测量不准确的问题。

目前，大多采用自适应控制器，通过利用采样的电感电流峰值以及估值获取估算后的负载变化，根据估算后的负载变化实时地调节自适应控制器，提高自适应控制器的负载相应速度，以求得到更加准确的电流。但是，自适应调整控制器的应用往往涉及大量计算，并且估算的准确性不易管控，无法有效地解决随机扰动因素下充电桩电流实时测量不准确的问题。

发明内容

本发明提供一种电力设备的电流数字测量方法，以解决充电桩电流实时测量不准确的问题，所采用的技术方案具体如下：

本发明一个实施例提供一种电力设备的电流数字测量方法，该方法包括以下步骤：

获取电流时间序列及电压时间序列；

根据电流时间序列及电压时间序列获取每个采集时刻的局部相关指数；根据所有采集时刻的局部相关指数获取相关性指数序列，根据相关性指数序列获取相关性指数序列中每个采集时刻的数据点的相关性特征序列及相邻数据集合；根据相关性指数序列中每个采集时刻的数据点的相关性特征序列及相邻数据集合获取相关性指数序列中每个采集时刻的数据点的相关性异变指数；

根据相关性指数序列中所有采集时刻的数据点的相关性异变指数获取待测电流集合；利用异常数据检测算法基于待测电流集合获取待测电流集合中所有异常电流值，根据待测电流集合中每个异常电流值获取待测电流集合中每个异常电流值的校准集合；根据待测电流集合中每个异常电流值的校准集合获取待测电流集合中每个异常电流值的校准电流值；

利用待测电流集合中所有异常电流值的校准电流值获取电流数字测量结果。

优选的，所述根据电流时间序列及电压时间序列获取每个采集时刻的局部相关指数的方法为：

将电流时间序列中每个采集时刻的电流值作为目标时刻的目标电流值，将距离目标时刻的第一预设参数个最近的采集时刻的电流值按照时间升序的顺序组成的序列作为目标电流值的近邻电流时间序列；

将电压时间序列中每个采集时刻的电压值作为目标时刻的目标电压值，将距离目标时刻的第一预设参数个最近的采集时刻的电压值按照时间升序的顺序组成的序列作为目标电压值的近邻电压时间序列；

对于每个采集时刻，计算采集时刻的电流值的近邻电流时间序列与采集时刻的电压值的近邻电压时间序列之间的皮尔逊相关系数，将所述皮尔逊相关系数作为采集时刻的局部相关指数。

优选的，所述根据所有采集时刻的局部相关指数获取相关性指数序列，根据相关性指数序列获取相关性指数序列中每个采集时刻的数据点的相关性特征序列及相邻数据集合的方法为：

将所有采集时刻的局部相关指数按照时间升序的顺序组成的序列作为相关性指数序列，利用Pettitt突变检测算法获取相关性指数序列中所有突变数据点，将相关性指数序列中所有突变数据点的数值组成的序列作为相关性指数序列的相关性突变序列；

对于相关性指数序列中每个采集时刻的数据点，将数据点作为目标数据点，计算目标数据点与相关性突变序列中每个数据点之间的欧氏距离，将所有所述欧氏距离按照数值升序的顺序组成的序列作为目标数据点的相关性特征序列；

将相关性指数序列中每个采集时刻的数据点作为标记时刻的中心数据点，将距离标记时刻最近的第一预设参数个采集时刻的数据点组成的集合作为所述中心数据点的相邻数据集合。

优选的，所述根据相关性指数序列中每个采集时刻的数据点的相关性特征序列及相邻数据集合获取相关性指数序列中每个采集时刻的数据点的相关性异变指数的方法为：

对于相关性指数序列中每个采集时刻，将采集时刻的数据点的数值与上一个采集时刻的数据点的数值之间的差值作为分子，将采集时刻的数据点的数值与第二预设参数之间的和作为分母，将分子与分母的比值的绝对值作为采集时刻的数据点的相关性变化率；

根据相关性指数序列中每个采集时刻的数据点的相关性特征序列获取相关性指数序列中每个采集时刻的数据点的相关连续性指数；

将以自然常数为底数，以所述相关连续性指数为指数的负映射结果作为第一乘积因子；将所述相关性变化率在采集时刻的数据点的相邻数据集合上的累加和的均值作为第二乘积因子；将第一乘积因子与第二乘积因子的乘积作为采集时刻的数据点的相关性异变指数。

优选的，所述根据相关性指数序列中每个采集时刻的数据点的相关性特征序列获取相关性指数序列中每个采集时刻的数据点的相关连续性指数的方法为：

式中，G_d表示相关性指数序列中第d个采集时刻的数据点的相关连续性指数，k表示相关性指数序列中第d个采集时刻的数据点的相邻数据集合中数据点的数目，exp()表示以自然常数为底数的指数函数，表示相关性指数序列中第d个采集时刻的数据点的相邻数据集合中第h个数据点的相关性特征序列内所有数值的变异系数，dtw()表示dtw距离函数，H_d表示相关性指数序列中第d个采集时刻的数据点的相关性特征序列，/>表示相关性指数序列中第d个采集时刻的数据点的相邻数据集合中第h个数据点的相关性特征序列，表示相关性指数序列中第d个采集时刻的数据点的相关性特征序列与所述数据点的相邻数据集合中第h个数据点的相关性特征序列之间的dtw距离。

优选的，所述根据相关性指数序列中所有采集时刻的数据点的相关性异变指数获取待测电流集合的方法为：

将相关性指数序列中所有采集时刻的数据点的相关性异变指数的均值作为度量阈值，将相关性指数序列中所有采集时刻的数据点中相关性异变指数高于度量阈值的数据点对应的采集时刻组成的集合作为异常时刻测试集合，将异常时刻测试集合中所有采集时刻的电流值组成的集合作为待测电流集合。

优选的，所述利用异常数据检测算法基于待测电流集合获取待测电流集合中所有异常电流值，根据待测电流集合中每个异常电流值获取待测电流集合中每个异常电流值的校准集合的方法为：

将待测电流集合中所有电流值作为LOF异常检测算法的输入，将LOF异常检测算法的输出作为待测电流集合中所有异常电流值；

对于待测电流集合中每个异常电流值，将距离异常电流值的采集时刻最近的第三预设参数个采集时刻的电流值组成的集合作为异常电流值的校准集合。

优选的，所述根据待测电流集合中每个异常电流值的校准集合获取待测电流集合中每个异常电流值的校准电流值的方法为：

对于待测电流集合中每个异常电流值的校准集合，将所述校准集合中所有元素的均值作为异常电流值的期望电流值，将异常电流值与所述期望电流值之间差值的绝对值作为异常电流值的期望误差；

根据待测电流集合中每个异常电流值的期望误差获取待测电流集合中每个异常电流值的校准方向强度；

将异常电流值的期望电流值与异常电流值的校准方向强度之和作为待测电流集合中每个异常电流值的校准电流值。

优选的，所述根据待测电流集合中每个异常电流值的期望误差获取待测电流集合中每个异常电流值的校准方向强度的方法为：

U_x＝π_x*[1-exp(-τ_x)]*Q_x

式中，U_x表示待测电流集合中第x个异常电流值的校准方向强度，π_x表示判断函数，exp()表示以自然常数为底数的指数函数，τ_x表示待测电流集合中第x个异常电流值的校准集合中所有元素的方差，Q_x表示待测电流集合中第x个异常电流值的期望误差。

优选的，所述利用待测电流集合中所有异常电流值的校准电流值获取电流数字测量结果的方法为：

将待测电流集合中每个异常电流值对应采集时刻作为每个异常时刻，将电流时间序列中每个异常时刻的电流值替换为每个异常时刻的校准电流值，将电流时间序列替换后的结果作为校准电流序列，将校准电流序列作为电流数字测量结果。

本发明的有益效果是：根据电流时间序列、电压时间序列获取近邻时间序列，根据近邻时间序列获取局部相关指数及相关性指数序列，根据相关性指数序列获取相关性特征序列，根据相关性特征序列获取相关性异变指数，根据相关性异变指数获取待检测电流集合，利用异常检测算法基于待测电流集合获取异常电流值，根据异常电流值的相邻电流变化获取校准电流值。其有益效果在于，基于相关性分析异常规律，获取电流异常的可能性较大的待检测电流集合，提高了异常检测算法的精度，使后续对异常电流值的校准更加准确。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一个实施例所提供的一种电力设备的电流数字测量方法的流程示意图；

图2为本发明一个实施例所提供的一种电力设备的电流数字测量方法的具体实施流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

请参阅图1，其示出了本发明一个实施例提供的一种电力设备的电流数字测量方法的流程图，该方法包括以下步骤：

步骤S001，获取电流时间序列及电压时间序列。

本发明通过对充电桩的电流、电压数据进行采集，并对电流进行校准，目的是为了提高充电桩电流检测的准确性。由于充电桩需要实现充电显示、充电控制、联网通信以及电压电流数据监测等功能，充电桩的硬件***中包括充电桩电压电流测量的硬件电路、USB通信电路，所述充电桩电压电流测量的硬件电路包括采样电路，本发明中利用电流传感器、电压传感器采集采样电路中的电流值、电压值，采样时间间隔为0.2s，采样时长为1h，实施者可以根据实际情况取值。进一步地，将所有采集时刻的电流值、电压值按照时间升序的顺序组成的序列分别作为电流时间序列、电压时间序列。

至此，得到了电流时间序列、电压时间序列。

步骤S002，根据电流时间序列及电压时间序列获取局部相关指数，根据局部相关指数获取相关性指数序列及相关性特征序列，根据相关性指数序列及相关性特征序列获取相关性异变指数。

由于稳定的电路中电流与电压之间具备较强的相关性，当电压出现异常时，电流出现的异常的可能性较大，此时两者之间的相关性关系会被打破。为了分析电流与电压之间相关性出现的异常现象，对电流时间序列与电压时间序列之间进行相关性计算，本发明的具体实施流程图如图2所示。

具体地，对于电流时间序列，将每个采集时刻的电流值作为目标时刻的目标电流值，将距离目标时刻的k个最近的采集时刻的电流值按照时间升序的顺序组成的序列作为目标电流值的近邻电流时间序列，k的经验取值为20。同理，对于电压时间序列，将每个采集时刻的电压值作为目标时刻的目标电压值，将距离目标时刻的k个最近的采集时刻的电压值按照时间升序的顺序组成的序列作为目标电压值的近邻电压时间序列。由此，分别得到每个采集时刻的电流值的近邻电流时间序列、电压值的近邻电压时间序列。

计算每个采集时刻的局部相关指数：

F_d＝corr(f_d,g_d)

式中，F_d表示第d个采集时刻的局部相关指数，corr()表示皮尔逊相关系数函数，f_d和g_d分别表示第d个采集时刻的电流值的近邻电流时间序列、电压值的近邻电压时间序列，corr(f_d,g_d)表示第d个采集时刻的电流值的近邻电流时间序列、电压值的近邻电压时间序列之间的皮尔逊相关系数。

第d个采集时刻的电流值的近邻电流时间序列、电压值的近邻电压时间序列之间的皮尔逊相关系数corr(f_d,g_d)越大，说明此时电流与电压之间存在较强的相关性，即两者之间的相关性关系没有被打破，则局部相关指数越大。

进一步地，将所有采集时刻对应的局部相关指数按照时间升序的顺序组成的序列作为相关性指数序列。由于异常现象会导致局部相关指数发生改变，有极大的可能导致某段时间段内的电流发生较大的异常。由此，需要对相关性指数序列中数据点的波动异常特征进行分析。

具体地，将相关性指数序列作为Pettitt突变检测算法的输入，将Pettitt突变检测算法的输出作为相关性指数序列中的突变数据点，将相关性指数序列中所有的突变数据点组成的序列作为相关性指数序列的相关性突变序列，Pettitt突变检测算法为公知技术，不做多余赘述。对于相关性指数序列中每个采集时刻的数据点，将数据点作为目标数据点，计算目标数据点与相关性突变序列中每个数据点之间的欧氏距离，将所有所述欧氏距离按照数值升序的顺序组成的序列作为目标数据点的相关性特征序列。

为了便于计算相关性指数序列中每个采集时刻的数据点的异常波动特征，将相关性指数序列中的每个采集时刻的数据点作为每个中心数据点，将距离每个中心数据点的采集时刻的最近的k个采集时刻的数据点组成的集合作为每个中心数据点的相邻数据集合。

计算相关性指数序列中每个采集时刻的数据点的相关性异变指数：

式中，I_d表示相关性指数序列中第d个采集时刻的数据点的相关性变化率，J_d和J_d-1分别表示相关性指数序列中第d个、第(d-1)个采集时刻的数据点的数值，∈为误差参数，避免分母取值为0，误差参数的经验取值为0.01；G_d表示相关性指数序列中第d个采集时刻的数据点的相关连续性指数，k表示相关性指数序列中第d个采集时刻的数据点的相邻数据集合中数据点的数目，exp()表示以自然常数为底数的指数函数，表示相关性指数序列中第d个采集时刻的数据点的相邻数据集合中第h个数据点的相关性特征序列内所有数值的变异系数，dtw()表示dtw距离函数，H_d表示相关性指数序列中第d个采集时刻的数据点的相关性特征序列，/>表示相关性指数序列中第d个采集时刻的数据点的相邻数据集合中第h个数据点的相关性特征序列，/>表示相关性指数序列中第d个采集时刻的数据点的相关性特征序列与其数据点的相邻数据集合中第h个数据点的相关性特征序列之间的dtw距离；K_d表示相关性指数序列中第d个采集时刻的数据点的相关性异变指数，/>表示相关性指数序列中第d个采集时刻的数据点的相邻数据集合中第h个数据点的相关性变化率。

相关性指数序列中第d个、第(d-1)个采集时刻的数据点的数值之差与第d个采集时刻的数据点的数值之间比值的绝对值越大，说明相邻时间的电压与电流的相关性越有可能发生改变，则相关性变化率越大。另外，相关性指数序列中第d个采集时刻的数据点的相邻数据集合中第h个数据点的相关性特征序列内所有数值的变异系数/>越大，且相关性指数序列中第d个采集时刻的数据点的相关性特征序列与其相邻数据集合中第h个数据点的相关性特征序列之间的dtw距离/>越大，说明电压与电流之间的较强的相关性发生改变，此时越有可能发生较大的异常，则相关连续性指数越小。因此，相关性指数序列中第d个采集时刻的数据点的相关连续性指数G_d越小，第一乘积因子exp(-G_d)越大，且相关性指数序列中第d个采集时刻的数据点的相邻数据集合中第h个数据点的相关性变化率/>越大，第二乘积因子/>越大，说明电流与电压随着时间变化的相关性关系被打破，相关性发生较大的变化，越有可能出现电压与电流出现不相关的异常现象，则相关性异变指数越大。

至此，得到相关性指数序列中每个采集时刻的数据点的相关性异变指数。

步骤S003，根据相关性异变指数获取待测电流集合，利用异常检测算法基于待测电流集合获取待测电流集合中的异常电流值，根据待测电流集合中的异常电流值获取异常电流值的校准集合，根据异常电流值的校准集合获取校准电流值。

将相关性指数序列中所有采集时刻的数据点的相关性异变指数的均值作为度量阈值，将相关性指数序列中所有采集时刻的数据点中相关性异变指数高于度量阈值的数据点对应的采集时刻组成的集合作为异常时刻测试集合。此时，异常时刻测试集合中的采集时刻对应的电流出现的异常的可能性较大，由于充电桩具备冲击性以及强时变性等非线性载荷产生的非平稳信号，传统的度量方式容易导致计量不准确。因此，对于电流出现异常的时刻，电流容易产生较大的误差。

进一步地，将异常时刻测试集合中所有采集时刻在电流时间序列上对应的电流值组成的集合作为待测电流集合，将待测电流集合中所有的电流值作为异常数据检测算法(Local outlier factor,LOF)的输入，邻域参数的经验取值为10，将LOF异常检测算法的输出作为待测电流集合中所有的异常电流值，LOF异常检测算法为公知技术，不做多余赘述。

待测电流集合中的异常电流值产生的原因有较大的可能由于非线性载荷产生的非平稳信号导致计量电流存在较大的误差。为了实现对异常电流值进行的误差校正，需要对电流的变化规律进行分析。

具体地，对于电流时间序列中每个异常电流值，将距离异常电流值的采集时刻最近的L个采集时刻的电流值组成的集合作为异常电流值的校准集合，L的经验取值为30。对于每个异常电流值的校准集合，将校准集合中所有元素的均值作为异常电流值的期望电流值，将异常电流值与所述期望电流值之间差值的绝对值作为异常电流值的期望误差。

另外，由于校准集合中的离散分布情况一定程度上反映局部时间内电流的变化，离散程度越大，则校准集合中的电流与期望电流之间的误差越大；反之，离散程度越小，则校准集合中的电流与期望电流之间越接近。

计算待测电流集合中每个异常电流值的校准电流值：

Q_x＝|v_x-R_x|

U_x＝π_x*[1-exp(-τ_x)]*Q_x

C_x＝R_x+U_x

式中，Q_x表示待测电流集合中第x个异常电流值的期望误差，v_x表示待测电流集合中第x个异常电流值，R_x表示待测电流集合中第x个异常电流值的期望电流值；U_x表示待测电流集合中第x个异常电流值的校准方向强度，π_x表示判断函数，当待测电流集合中第x个异常电流值小于第x个异常电流值的期望电流值时，判断函数的取值为-1；当待测电流集合中第x个异常电流值大于第x个异常电流值的期望电流值时，判断函数的取值为1，exp()表示以自然常数为底数的指数函数，τ_x表示待测电流集合中第x个异常电流值的校准集合中所有元素的方差；C_x表示待测电流集合中第x个异常电流值的校准电流值。

第x个异常电流值的校准集合中所有元素的方差τ_x越小，说明离散程度越小，则校准集合中的电流与期望电流之间越接近，则校准电流值越接近期望电流值。

至此，得到待测电流集合中每个异常电流值的校准电流值。

步骤S004，利用校准电流值得到电流数字测量结果。

将待测电流集合中每个异常电流值的对应采集时刻作为每个异常时刻，将电流时间序列中每个异常时刻的电流值替换为每个异常时刻的校准电流值，遍历所有的异常电流值进行一一替换，将替换后的结果作为充电桩的标准电流序列。

至此，将充电桩的标准电流序列作为充电桩的电流数字测量结果，完成对充电桩的电流数字测量。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种电力设备的电流数字测量方法，其特征在于，该方法包括以下步骤：

获取电流时间序列及电压时间序列；

根据电流时间序列及电压时间序列获取每个采集时刻的局部相关指数；根据所有采集时刻的局部相关指数获取相关性指数序列，根据相关性指数序列获取相关性指数序列中每个采集时刻的数据点的相关性特征序列及相邻数据集合；根据相关性指数序列中每个采集时刻的数据点的相关性特征序列及相邻数据集合获取相关性指数序列中每个采集时刻的数据点的相关性异变指数；

根据相关性指数序列中所有采集时刻的数据点的相关性异变指数获取待测电流集合；利用异常数据检测算法基于待测电流集合获取待测电流集合中所有异常电流值，根据待测电流集合中每个异常电流值获取待测电流集合中每个异常电流值的校准集合；根据待测电流集合中每个异常电流值的校准集合获取待测电流集合中每个异常电流值的校准电流值；

利用待测电流集合中所有异常电流值的校准电流值获取电流数字测量结果。

2.根据权利要求1所述的一种电力设备的电流数字测量方法，其特征在于，所述根据电流时间序列及电压时间序列获取每个采集时刻的局部相关指数的方法为：

将电流时间序列中每个采集时刻的电流值作为目标时刻的目标电流值，将距离目标时刻的第一预设参数个最近的采集时刻的电流值按照时间升序的顺序组成的序列作为目标电流值的近邻电流时间序列；

将电压时间序列中每个采集时刻的电压值作为目标时刻的目标电压值，将距离目标时刻的第一预设参数个最近的采集时刻的电压值按照时间升序的顺序组成的序列作为目标电压值的近邻电压时间序列；

对于每个采集时刻，计算采集时刻的电流值的近邻电流时间序列与采集时刻的电压值的近邻电压时间序列之间的皮尔逊相关系数，将所述皮尔逊相关系数作为采集时刻的局部相关指数。

3.根据权利要求1所述的一种电力设备的电流数字测量方法，其特征在于，所述根据所有采集时刻的局部相关指数获取相关性指数序列，根据相关性指数序列获取相关性指数序列中每个采集时刻的数据点的相关性特征序列及相邻数据集合的方法为：

将所有采集时刻的局部相关指数按照时间升序的顺序组成的序列作为相关性指数序列，利用Pettitt突变检测算法获取相关性指数序列中所有突变数据点，将相关性指数序列中所有突变数据点的数值组成的序列作为相关性指数序列的相关性突变序列；

对于相关性指数序列中每个采集时刻的数据点，将数据点作为目标数据点，计算目标数据点与相关性突变序列中每个数据点之间的欧氏距离，将所有所述欧氏距离按照数值升序的顺序组成的序列作为目标数据点的相关性特征序列；

将相关性指数序列中每个采集时刻的数据点作为标记时刻的中心数据点，将距离标记时刻最近的第一预设参数个采集时刻的数据点组成的集合作为所述中心数据点的相邻数据集合。

4.根据权利要求1所述的一种电力设备的电流数字测量方法，其特征在于，所述根据相关性指数序列中每个采集时刻的数据点的相关性特征序列及相邻数据集合获取相

关性指数序列中每个采集时刻的数据点的相关性异变指数的方法为：

对于相关性指数序列中每个采集时刻，将采集时刻的数据点的数值与上一个采集时刻的数据点的数值之间的差值作为分子，将采集时刻的数据点的数值与第二预设参数之间的和作为分母，将分子与分母的比值的绝对值作为采集时刻的数据点的相关性变化率；

根据相关性指数序列中每个采集时刻的数据点的相关性特征序列获取相关性指数序列中每个采集时刻的数据点的相关连续性指数；

将以自然常数为底数，以所述相关连续性指数为指数的负映射结果作为第一乘积因子；将所述相关性变化率在采集时刻的数据点的相邻数据集合上的累加和的均值作为第二乘积因子；将第一乘积因子与第二乘积因子的乘积作为采集时刻的数据点的相关性异变指数。

5.根据权利要求4所述的一种电力设备的电流数字测量方法，其特征在于，所述根据相关性指数序列中每个采集时刻的数据点的相关性特征序列获取相关性指数序列中

每个采集时刻的数据点的相关连续性指数的方法为：

式中，G_d表示相关性指数序列中第d个采集时刻的数据点的相关连续性指数，k表示相关性指数序列中第d个采集时刻的数据点的相邻数据集合中数据点的数目，exp()表示以自然常数为底数的指数函数，表示相关性指数序列中第d个采集时刻的数据点的相邻数据集合中第h个数据点的相关性特征序列内所有数值的变异系数，dtw()表示dtw距离函数，H_d表示相关性指数序列中第d个采集时刻的数据点的相关性特征序列，/>表示相关性指数序列中第d个采集时刻的数据点的相邻数据集合中第h个数据点的相关性特征序列，表示相关性指数序列中第d个采集时刻的数据点的相关性特征序列与所述数据点的相邻数据集合中第h个数据点的相关性特征序列之间的dtw距离。

6.根据权利要求1所述的一种电力设备的电流数字测量方法，其特征在于，所述根据相关性指数序列中所有采集时刻的数据点的相关性异变指数获取待测电流集合的方法为：

将相关性指数序列中所有采集时刻的数据点的相关性异变指数的均值作为度量阈值，将相关性指数序列中所有采集时刻的数据点中相关性异变指数高于度量阈值的数据点对应的采集时刻组成的集合作为异常时刻测试集合，将异常时刻测试集合中所有采集时刻的电流值组成的集合作为待测电流集合。

7.根据权利要求1所述的一种电力设备的电流数字测量方法，其特征在于，所述利用异常数据检测算法基于待测电流集合获取待测电流集合中所有异常电流值，根据待测电流集合中每个异常电流值获取待测电流集合中每个异常电流值的校准集合的方法为：

将待测电流集合中所有电流值作为LOF异常检测算法的输入，将LOF异常检测算法的输出作为待测电流集合中所有异常电流值；

对于待测电流集合中每个异常电流值，将距离异常电流值的采集时刻最近的第三预设参数个采集时刻的电流值组成的集合作为异常电流值的校准集合。

8.根据权利要求1所述的一种电力设备的电流数字测量方法，其特征在于，所述根据待测电流集合中每个异常电流值的校准集合获取待测电流集合中每个异常电流值的校准电流值的方法为：

对于待测电流集合中每个异常电流值的校准集合，将所述校准集合中所有元素的均值作为异常电流值的期望电流值，将异常电流值与所述期望电流值之间差值的绝对值作为异常电流值的期望误差；

根据待测电流集合中每个异常电流值的期望误差获取待测电流集合中每个异常电流值的校准方向强度；

将异常电流值的期望电流值与异常电流值的校准方向强度之和作为待测电流集合中每个异常电流值的校准电流值。

9.根据权利要求8所述的一种电力设备的电流数字测量方法，其特征在于，所述根据待测电流集合中每个异常电流值的期望误差获取待测电流集合中每个异常电流值的校准方向强度的方法为：

U_x＝π_x*[1-exp(-τ_x)]*Q_x

式中，U_x表示待测电流集合中第x个异常电流值的校准方向强度，π_x表示判断函数，exp()表示以自然常数为底数的指数函数，τ_x表示待测电流集合中第x个异常电流值的校准集合中所有元素的方差，Q_x表示待测电流集合中第x个异常电流值的期望误差。

10.根据权利要求1所述的一种电力设备的电流数字测量方法，其特征在于，所述利用待测电流集合中所有异常电流值的校准电流值获取电流数字测量结果的方法为：

将待测电流集合中每个异常电流值对应采集时刻作为每个异常时刻，将电流时间序列中每个异常时刻的电流值替换为每个异常时刻的校准电流值，将电流时间序列替换后的结果作为校准电流序列，将校准电流序列作为电流数字测量结果。