CN117932501A - 一种电能表运行状态管理方法和*** - Google Patents

Abstract

本发明属于电能表管理技术领域，本发明公开了一种电能表运行状态管理方法和***；包括：采集电能表综合数据和环境数据；根据电能表综合数据建立运行状态函数；根据环境数据获取环境影响因数；构建电能表状态矩阵；根据运行状态函数、环境影响因数和电能表状态矩阵获取电能表状态趋势；电能表状态趋势分为总体稳定、缓慢恶化、快速恶化、缓慢优化和快速优化；当电能表状态趋势为缓慢恶化或快速恶化时，发送提醒信息至电能表管理终端。本申请有利于电能表的监测和预防性维护，延长使用寿命，提高电能表的稳定可靠性。

Description

一种电能表运行状态管理方法和***

技术领域

本发明涉及电能表管理技术领域，更具体地说，本发明涉及一种电能表运行状态管理方法和***。

背景技术

申请公开号为CN110907883A的专利公开了一种电能表自动化检定***的计量监督方法和***；方法和***将通过稳定性考核的标准电能表作为核查标准件，分别建立利用标准电能表检定装置和电能表自动化检定***对其进行重复测量而生成的第一控制图和第二控制图，通过对电能表自动化检定***检定过程的实时控制、以及预先规定核查频率检查电能表自动化检定***控制图是否异常来实现对某一个时间段或某一批次的被检电能表的检定质量进行监测，确保电能表自动化检定***的运行状态处于可控范围，解决传统人工监督管理方式存在的滞后性，同时可为计量行政部门对电能表人工复检的计量监督模式提供参考，减少质量监督管理部门投入的人力和物力。

但是现有的电能表运行状态管理技术手段相对简单和被动，主要依靠人工经验来判断电能表的运行状态，这在大规模分布式应用中暴露出许多问题。例如，在某配电网络中，操作人员无法实时监测成千上万电能表的运行状态，只能通过定期抽查来间接了解电能表的健康状况。当电能表发生故障时，由于无法预测故障的发生，也就失去了故障预警的机会，只能被动地发现和处理故障，不仅延长了停电时间，也无法指导电能表的维护与保养。另外，人工分析电能表运行状态的工作量大且精度有限，不同故障状态之间的关系也不明确，都制约了电能表运行管理的智能化和自动化。总体来说，这些问题导致现有电能表运行管理技术很难满足电力部门对电能表高可靠性、高效管理的需求。

鉴于此，本发明提出一种电能表运行状态管理方法和***以解决上述问题。

发明内容

为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：一种电能表运行状态管理方法，包括：

S1、采集电能表综合数据和环境数据；

S2、根据电能表综合数据建立运行状态函数；根据环境数据获取环境影响因数；

S3、构建电能表状态矩阵；根据运行状态函数、环境影响因数和电能表状态矩阵获取电能表状态趋势；所述电能表状态趋势分为总体稳定、缓慢恶化、快速恶化、缓慢优化和快速优化；

当电能表状态趋势为缓慢恶化或快速恶化时，发送提醒信息至电能表管理终端。

进一步地，所述电能表综合数据包括电气参数数据和电能表综合日志；所述电气参数数据包括电压、电流、电网频率、功率因数、电流谐波和累计计量值；电能表综合日志包括计量芯片温度和存储使用率；

所述环境数据包括气象环境数据和电磁环境数据；气象环境数据包括温度、湿度和大气压强；电磁环境数据包括电能表所在区域的地磁值和工频磁场强度。

进一步地，所述运行状态函数的建立方式包括：

根据电压获取电压稳定性指标；其中，为电压的统计周期 数；和为两次相邻采样点的电压；为统计周期内的平均电压；为统计周期内采 样点电压的索引；

根据电流获取电流稳定性指标；其中，为原始电流曲线的一 阶导数；为原始电流曲线的二阶导数；原始电流曲线通过将电流采集周期内的电流值 根据采集周期内的时间进行曲线拟合获取；

根据电网频率获取频率稳定性指标，其中，为电网频率的统计 周期数；为第次采样点的电网频率；为统计周期内的平均电网频率；为统计周期内 采样点电网频率的索引；

根据电压稳定性指标、电流稳定性指标、频率稳定性指标、功率因数、电流谐波和 累计计量值获取电气性能子函数；

根据计量芯片温度和存储使用率获取自身状态子函数；

运行状态函数；其中，为电气性能子函数权重参数；为 自身状态子函数权重参数。

进一步地，所述电气性能子函数为：

；

其中，为功率因数；为电流谐波；为相位角稳定指标；为累计计量误差；为电压性能权重参数；为电流性能权重参数；

；其中，为相位角随时间的变化函数；

；其中，为累计计量值，为计量芯片测量的有功电能；

所述自身状态子函数为：

；

其中，为计量芯片温度；为存储使用率；为温度影响参数；为使用率影 响参数；为计量数据调节参数；为存储数据调节参数；

所述环境影响因数为：

；

其中，；式中，为温度调节权重参数；为湿度调 节权重参数；为常数；为大气压强调节权重参数；为温度规范化参数；为湿度 规范化参数；为大气压强规范化参数；

；式中，为第一电磁参数；为第二电磁参数；为 地磁值规范化参数；为工频磁场强度规范化参数。

进一步地，所述电能表状态矩阵的构建方式包括：

初始化电能表状态矩阵的行索引代表离散的运行状态函数的值，列索引代表离散的环境影响因数的值；电能表状态矩阵元素值为在运行状态函数的值和环境影响因数的值的组合条件下，电能表综合状态的离散表示；

定义电能表综合状态的状态范畴包括正常、潜在故障、轻度故障、中度故障和重度故障；采用1-5的整数进行表示；1表示正常、2表示潜在故障、3表示轻度故障、4表示中度故障和5表示重度故障；

收集组电能表的历史运行数据，历史运行数据包括历史一段时间的电气参数数 据、电能表综合日志、历史的环境数据以及电能表的实际状态标注；

对于每组历史运行数据，计算其运行状态函数的值和环境影响因数；作为样本数据；

利用自适应聚类算法将样本数据在电能表状态矩阵中赋予电能表状态矩阵元素值；在利用自适应聚类算法基础上运用训练完成的密度聚类神经网络；

将所有样本数据填入电能表状态矩阵中，行索引对应样本数据的运行状态函数的值，列索引对应样本数据的环境影响因数的值，并填入对应的电能表状态矩阵元素值；对于电能表状态矩阵中为空的元素，通过相邻元素的插值方法进行填充；即构建完成电能表状态矩阵。

进一步地，所述电能表状态矩阵元素值的获取方式包括：

构建运行状态函数的函数值和环境影响因数的值的二维坐标系；其中，运行状态函数为二维坐标系的横轴，环境影响因数为二维坐标系的纵轴；

将样本数据作为二维坐标系上的坐标点，即样本点；在二维坐标系中绘制出样本点的坐标；

对于每个样本点，计算其到其个最近邻样本点的距离集合，

；

定义样本点的局部密度为：；其中，为单位步函数；为近 邻样本点的索引；为截断距离；当时，的值为1；否则为0；为样本点到近邻 样本点之间的距离；

获取样本点到其截断距离内局部密度最大的样本点的最小距离；

对于每个样本点，利用局部密度和最小距离的大小进行划分类型；类型包括噪声点、分类边界点、类中心点和普通点；

若；则样本点划分为噪声点；

若；则样本点划分为分类边界点；

若；则样本点划分为类中心点；

若；则样本点划分为普通点；其中，为密度阈值；为距离阈 值；

将划分为噪声点的样本点剔除，用划分为类中心点的样本点的状态标注所属样本点周围的普通点和分类边界点所有样本数据的状态，即得到每个样本数据所对应的电能表状态矩阵元素值。

进一步地，所述密度聚类神经网络的训练方式包括：

构建密度聚类神经网络的基础网络结构，基础网络结构包括输入层、编码层、LSTM层、密度聚类层和坐标回归层；

所述输入层用于接受运行状态函数和环境影响因数作为样本点的坐标输入；编码层用于将坐标编码转换为特征向量；LSTM层用于处理时间步上的数据，学习坐标构成序列的时序规律；密度聚类层基于局部密度和最小距离判定类中心点；坐标回归层用于预测下一时刻可能的类中心点的坐标；

定义密度聚类神经网络的坐标损失函数；并随机初始化密度聚类神经网络的参数；将样本数据划分Q个样本批次；每次输入样本批次的坐标，并输入上一轮的类中心点的坐标；协同优化各网络结构的参数；将预测的类中心点的坐标作为下次输入的类中心点的坐标；

所述坐标损失函数；其中，为坐标偏差损失项；为 类别散布惩罚损失项；为距离惩罚项；为坐标惩罚因子；为类别惩罚因子；

；

；

；

式中，为所有坐标的数量；为样本数据索引；为时间索引；为样本数据 的输入；为样本数据的输入与时间的坐标预测输出函数；为样本数据在时 刻真实的类中心点的坐标；为状态类别索引；为状态类别内的样本数据索引； 为状态类别的坐标点的坐标预测；为状态类别中的样本数据的坐标点的坐标 预测；为第一状态类别的索引；为第二状态类别的索引；为类别的坐标点的 坐标预测；为类别的坐标点的坐标预测；为状态类别的总数；为将状态类 别函数化；为将状态类别内的样本数据函数化；为将类别函数化；为将类 别函数化；

预设损失阈值，直到坐标损失函数的函数值小于损失阈值，得到训练完成的密度聚类神经网络。

进一步地，所述电能表状态趋势的判断方式包括：

获取近期连续J个时刻的电能表运行状态函数的值和环境影响因数的值；并在电能表状态矩阵中查找对应的J个时刻的电能表综合状态；将J个时刻的电能表综合状态关联时间构成时间序列数据；

判断时间序列数据是否呈现明显的非平稳趋势；若存在明显的非平稳趋势，则采用ADF单位根检验法进行平稳性检验；并处理为平稳的时间序列数据；

所述平稳性检验的方式包括：

建立原假设为时间序列数据存在单位根，即时间序列数据是非平稳的；

构建ADF检验回归模型，将原假设进行ADF检验回归模型的检验；若无法拒绝原假设，则时间序列数据是非平稳的；否则，时间序列数据是平稳的；

所述ADF检验回归模型为：；其中，为截距项； 为时间趋势项系数；为时刻的电能表综合状态的值；为自回归系数；为时刻 的上一时刻的电能表综合状态的值；为随机扰动项；

将ADF检验回归模型进行最小二乘方法得到、和的估计量；基于的估计 量；构建ADF检验统计量；

根据ADF检验统计量的临界值，进行原假设的检验；若ADF检验统计量的绝对值大于或等于临界值，则时间序列数据是平稳的；

若ADF检验统计量的绝对值小于临界值，则时间序列数据是非平稳的；

所述处理为平稳的时间序列数据的方式包括：

对非平稳的时间序列数据进行一阶差分处理或ti阶差分处理；得到差分后的时间序列数据，即残差序列数据；若残差序列数据通过了ADF检验回归模型的检验，则进行差分处理后时间序列数据达到平稳状态；

构建集成ARIMA(p1，d1，q1)模型对未来Tt个时刻的电能表的状态值进行预测；根据预测的状态值判断得到电能表状态趋势。

进一步地，所述集成ARIMA(p1，d1，q1)模型的构建方式包括：

将平稳的时间序列数据划分为训练数据集和测试数据集；设置ARIMA(p1，d1，q1)模型的参数；p1是自回归项个数；d1是差分次数；q1是移动平均项个数；

将环境影响因数的值作为协变量输入ARIMA(p1，d1，q1)模型；使用最小二乘法或最大似然估计方法，拟合ARIMA(p1，d1，q1)模型的参数；

构建B个不同结构的ARIMA(p1，d1，q1)模型；每个ARIMA(p1，d1，q1)模型使用训练数据集来估计模型参数；在测试数据集上，利用每个ARIMA(p1，d1，q1)模型进行状态值预测，并计算均方误差MSE；

对每个ARIMA(p1，d1，q1)模型设置一个初始权重；根据每个ARIMA(p1，d1，q1)模型的MSE，更新其权重；权重较大的模型在集成预测中起主导作用；归一化ARIMA(p1，d1，q1)模型的权重；

利用每个ARIMA(p1，d1，q1)模型进行预测，将各ARIMA(p1，d1，q1)模型预测的结果加权平均；即将各ARIMA(p1，d1，q1)模型进行集成，得到集成模型；利用测试数据集评估集成模型和单个ARIMA(p1，d1，q1)模型预测的均方误差MSE；

若集成模型的均方误差MSE降低不明显，则调整模型数量与结构，重新集成；直到集成模型的均方误差MSE收敛或者达到预设迭代次数；最终获得集成ARIMA(p1，d1，q1)模型；

将未来Tt个时刻的状态值进行线性回归分析，得到状态值的线性变化趋势函数；计算每两个相邻时刻状态值的变化量，得到Tt-1个变化速率；对Tt-1个变化速率求滑动窗口平均，计算综合变化速率rt；

求解线性变化趋势函数的综合斜率kt；若|kt|≤阈值1，则电能表状态趋势呈现总体稳定；

若kt＞0，且rt在0到正值区间波动，则电能表状态趋势呈现缓慢恶化；

若kt＞0，且rt持续增加，则电能表状态趋势呈现快速恶化；

若kt＜0，且rt在0到负值区间波动，则电能表状态趋势呈现缓慢优化；

若kt＜0，且rt持续减小，则电能表状态趋势呈现快速优化。

一种电能表运行状态管理***，其用于实现所述的电能表运行状态管理方法，包括：

数据采集模块，用于采集电能表综合数据和环境数据；

数据综合模块，用于根据电能表综合数据建立运行状态函数；根据环境数据获取环境影响因数；

趋势判断与预警模块，用于构建电能表状态矩阵；根据运行状态函数、环境影响因数和电能表状态矩阵获取电能表状态趋势；所述电能表状态趋势分为总体稳定、缓慢恶化、快速恶化、缓慢优化和快速优化；

当电能表状态趋势为缓慢恶化或快速恶化时，发送提醒信息至电能表管理终端；各个模块之间通过有线和/或无线的方式进行连接，实现模块间的数据传输。

本发明一种电能表运行状态管理方法和***的技术效果和优点：

本发明实现了对电能表运行状态的预测和预警，当判断出电能表状态持续恶化时，能够及时发送预警信息，为电能表的维护提供指导；充分考虑多种因素对电能表状态的影响，使得更全面准确地反映电能表的实际运行情况；状态矩阵直观展示不同状态之间的关系，有助于分析电能表状态演变过程；应用时间序列分析方法判断电能表状态趋势，实现对电能表故障的预警，降低故障率；提高电能表运行管理的智能化和自动化水平，减少人工分析判断的工作量；有利于电能表的监测和预防性维护，延长使用寿命，提高电能表的稳定可靠性。

附图说明

图1为本发明的一种电能表运行状态管理方法示意图；

图2为本发明的一种电能表运行状态管理***示意图。

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。

实施例1

请参阅图1所示，本实施例一种电能表运行状态管理方法，包括：

S1、采集电能表综合数据和环境数据；

S2、根据电能表综合数据建立运行状态函数；根据环境数据获取环境影响因数；

S3、构建电能表状态矩阵；根据运行状态函数、环境影响因数和电能表状态矩阵获取电能表状态趋势；电能表状态趋势分为总体稳定、缓慢恶化、快速恶化、缓慢优化和快速优化。

当电能表状态趋势为缓慢恶化或快速恶化时，发送提醒信息至电能表管理终端。

进一步的，电能表综合数据包括电气参数数据和电能表综合日志；电气参数数据包括电压、电流、电网频率、功率因数、电流谐波和累计计量值；电能表综合日志包括计量芯片温度和存储使用率。

环境数据包括气象环境数据和电磁环境数据；气象环境数据包括温度、湿度和大气压强；电磁环境数据包括电能表所在区域的地磁值和工频磁场强度。

地磁值和工频磁场强度可能会影响电能表所在区域磁场的变化；可能导致电流传感器的灵敏度变化，进而影响电流测量的准确性；磁场的变化可能导致电能表中感应电压的产生；感应电压可能与外部磁场的频率和强度相关，从而引入测量误差；而强磁场可能对电能表内的电子元件产生干扰，导致电路的不稳定性和故障。

采用分布式电压传感器获取电压；采用无源电流互感器获取电流；电网频率的获取方式包括：

设置数控震荡结构置于电能表电路上；数控震荡结构包括模拟输出端、前置放大滤波端、模数转换端、数字信号处理端和控制电路端；数字信号处理端内包含振荡发生单元。

模拟输出端输出模拟输入信号；前置放大滤波端处理模拟输入信号，消除噪声和干扰，得到模拟信号；通过模数转换端将模拟信号转换为数字信号；数字信号进入数字信号处理端，振荡发生单元生成一个参比信号；数字信号处理端用于将参比信号与数字信号比较，控制电路端调节参比信号的频率和相位，使参比信号匹配数字信号；当参比信号和数字信号匹配时，振荡发生单元的输出频率即为电网频率。

功率因数通过获取电流和电压的相位差进行获取；功率因数；其中，为电流和电压的相位差。

电流谐波的获取是通过将电流进行小波分析算法处理实现；直接读取电能表数据获取累计计量值。

地磁值的获取方式包括：

在电能表的内部安装霍尔传感器，并且安装时霍尔传感器的检测面与地面平行；

霍尔传感器分别获取水平x方向磁感应强度、水平y方向磁感应强度和垂直z 方向磁感应强度；合成水平x方向磁感应强度和水平y方向磁感应强度得到水平磁 感应强度；将水平磁感应强度和垂直z方向磁感应强度进行合成得到地磁值。

工频磁场强度的获取方式包括：

在距离电能表v米处设置个磁传感器，并且b个磁传感器采用三角形排布或矩形 排布；

将磁传感器采集的数据应用快速傅里叶变换算法，得到工频成分复磁感应强度及其振幅和相位；

则电能表处的工频磁场强度；其中，为磁导率； 为工频成分复磁感应强度的振幅；为工频成分复磁感应强度的相位；为电能表到磁传 感器的矢量距离；表示虚数单位。

温度、湿度和大气压强均通过安装在电能表工作区域内的对应传感器获取；

计量芯片温度通过在计量芯片表面接入温度传感器获取；电能表主要的存储器为计量芯片内的寄存器，例如，FRAM、EEPROM等；存储使用率的获取通过读取寄存器状态，获取存储器已用存储单元数量的占比使用率，即为存储使用率。

进一步的，运行状态函数的建立方式包括：

根据电压获取电压稳定性指标；其中，为电压的统计周期 数；和为两次相邻采样点的电压；为统计周期内的平均电压；为统计周期内采 样点电压的索引；

根据电流获取电流稳定性指标；其中，为原始电流曲线的一 阶导数；为原始电流曲线的二阶导数；原始电流曲线通过将电流采集周期内的电流值 根据采集周期内的时间进行曲线拟合获取；

根据电网频率获取频率稳定性指标，其中，为电网频率的统计 周期数；为第次采样点的电网频率；为统计周期内的平均电网频率；为统计周期内 采样点电网频率的索引；

根据电压稳定性指标、电流稳定性指标、频率稳定性指标、功率因数、电流谐波和 累计计量值获取电气性能子函数。

；其中，为功 率因数；为电流谐波；为相位角稳定指标；为累计计量误差；为电压性能权重参 数；为电流性能权重参数；

；其中，为相位角随时间的变化函数，表示输入电压和电 流之间的瞬时相位差角，变化函数是关于时间的函数；

；其中，为累计计量值，为计量芯片测量的有功电能。

根据计量芯片温度和存储使用率获取自身状态子函数；

；其中，为计量芯片温度；为存储使用率； 为温度影响参数；为使用率影响参数；为计量数据调节参数；为存储数据调节参数；

运行状态函数；其中，为电气性能子函数权重参数；为 自身状态子函数权重参数。

环境影响因数的获取方式包括：

将温度、湿度、大气压强、地磁值和工频磁场强度映射到0-1的数值区间，得到对应的规范化参数；

环境影响因数；

其中，；式中，为温度调节权重参数；为湿度调 节权重参数；为常数；为大气压强调节权重参数；为温度规范化参数；为湿度 规范化参数；为大气压强规范化参数；

；式中，为第一电磁参数；为第二电磁参数；为 地磁值规范化参数；为工频磁场强度规范化参数。

需要说明的是，上述公式内的性能权重参数、温度影响参数、使用率影响参数、状态权重参数、电气性能子函数权重参数、自身状态子函数权重参数、气象参数、电磁参数和数据调节参数；均通过大量实测数据训练求解获取。

进一步的，电能表状态矩阵的构建方式包括：

初始化电能表状态矩阵的行索引代表离散的运行状态函数的值，列索引代表离散的环境影响因数的值；电能表状态矩阵元素值表示在运行状态函数的值和环境影响因数的值的组合条件下，电能表综合状态的离散表示；

定义电能表综合状态的状态范畴包括正常、潜在故障、轻度故障、中度故障和重度故障；采用1-5的整数进行表示；1表示正常、2表示潜在故障、3表示轻度故障、4表示中度故障和5表示重度故障；

收集组电能表的历史运行数据，历史运行数据包括历史一段时间的电气参数数 据、电能表综合日志、历史的环境数据以及电能表的实际状态标注；实际状态标注例如，例 如“正常”标为1，“潜在故障”标为2，以此类推；

对于每组历史运行数据，计算其运行状态函数的值和环境影响因数；作为样本数据；

利用自适应聚类算法将样本数据在电能表状态矩阵中赋予电能表状态矩阵元素值；在利用自适应聚类算法基础上运用训练完成的密度聚类神经网络；使得赋予过程自动化和智能化。

电能表状态矩阵元素值的获取方式包括：

构建运行状态函数的函数值和环境影响因数的值的二维坐标系；其中，运行状态函数为二维坐标系的横轴，环境影响因数为二维坐标系的纵轴；

将样本数据作为二维坐标系上的坐标点，即样本点；在二维坐标系中绘制出样本点的坐标；

优选的，实际状态标注的样本数据使用不同颜色和形状表示；例如红色三角形表示“正常”，绿色菱形表示“轻度故障”；用于后续的区分样本点；

对于每个样本点，计算其到其个最近邻样本点的距离集合，

；

定义样本点的局部密度为：；其中，为单位步函数；为近 邻样本点的索引；为截断距离；的值可根据样本分布情况进行调整，以达到计算局部 密度的最佳效果；当时，的值为1；否则为0；局部密度反映了样本点在局部区域内 邻近点的密集程度；为样本点到近邻样本点之间的距离；

获取样本点到其截断距离内局部密度最大的样本点的最小距离；

对于每个样本点，利用局部密度和最小距离的大小进行划分类型；类型包括噪声点、分类边界点、类中心点和普通点；

若；则样本点划分为噪声点；

若；则样本点划分为分类边界点；

若；则样本点划分为类中心点；

若；则样本点划分为普通点；其中，为密度阈值；为距离阈 值；

将划分为噪声点的样本点剔除，用划分为类中心点的样本点的状态标注所属样本点周围的普通点和分类边界点所有样本数据的状态，即得到每个样本数据所对应的电能表状态矩阵元素值。

需要说明的是，对于噪声点，它表示离群点或异常值；在实际应用中，可能会存在一些状态标注错误或测量错误导致的噪声数据；识别出这些噪声点，在后续建模时剔除，避免对模型造成误导；对于分类边界点，常出现在不同状态类别的交界区域；这类点标志着状态变化的临界状态；对于普通点，它构成了样本数据的主体部分；分布在各类中心点的周围；这些点反映了***在正常工作条件下的各种状态随环境变化的分布规律。

密度聚类神经网络的训练方式包括：

构建密度聚类神经网络的基础网络结构，基础网络结构包括输入层、编码层、LSTM层、密度聚类层和坐标回归层；

输入层用于接受运行状态函数和环境影响因数作为样本点的坐标输入；编码层用于将坐标编码转换为特征向量；LSTM层用于处理时间步上的数据，学习坐标构成序列的时序规律；密度聚类层基于局部密度和最小距离判定类中心点；坐标回归层用于预测下一时刻可能的类中心点的坐标。

定义密度聚类神经网络的坐标损失函数；并随机初始化密度聚类神经网络的参数；将样本数据划分Q个样本批次；每次输入样本批次的坐标，并输入上一轮的类中心点的坐标；协同优化各网络结构的参数；将预测的类中心点的坐标作为下次输入的类中心点的坐标；

坐标损失函数；其中，为坐标偏差损失项；为类别 散布惩罚损失项；为距离惩罚项；为坐标惩罚因子；为类别惩罚因子；

；

；

；

式中，为所有坐标的数量；为样本数据索引；为时间索引；为样本数据 的输入；为样本数据的输入与时间的坐标预测输出函数；为样本数据在时 刻真实的类中心点的坐标；为状态类别索引；为状态类别内的样本数据索引； 为状态类别的坐标点的坐标预测；为状态类别中的样本数据的坐标点的坐标 预测；为第一状态类别的索引；为第二状态类别的索引；为类别的坐标点的 坐标预测；为类别的坐标点的坐标预测；为状态类别的总数；为将状态类 别函数化；为将状态类别内的样本数据函数化；为将类别函数化；为将类 别函数化；

第一状态类别的索引和第二状态类别的索引均为状态类别索引，但不同时为同一状态类别；

预设损失阈值，直到坐标损失函数的函数值小于损失阈值，得到训练完成的密度聚类神经网络。

训练完成的密度聚类神经网络能自适应学习到样本数据的密度分布情况，并输出准确的类中心点的坐标。

将所有样本数据填入电能表状态矩阵中，行索引对应样本数据的运行状态函数的值，列索引对应样本数据的环境影响因数的值，并填入对应的电能表状态矩阵元素值；对于电能表状态矩阵中为空的元素，通过相邻元素的插值方法进行填充；得到完整的电能表状态矩阵。

需要说明的是，惩罚因子的获取方式为在一定范围内调节惩罚因子的值，选取使问题求解效果最好的惩罚因子；可以从一个较小值开始，逐步增大惩罚因子，直到问题收敛为止。

损失阈值的获取方式包括：

预先设定一个损失阈值，一般选择一个较小的正值，例如，0.01；这个阈值可以通过经验给定；观察网络在训练数据集上的损失下降曲线，当曲线趋于平缓时，取此时的损失作为阈值。

进一步的，电能表状态趋势的获取方式包括：

获取近期连续J个时刻的电能表运行状态函数的值和环境影响因数的值；并在电能表状态矩阵中查找对应的J个时刻的电能表综合状态；将J个时刻的电能表综合状态关联时间构成时间序列数据；

判断时间序列数据是否呈现明显的非平稳趋势，明显的非平稳趋势例如，长期递增或递减趋势；

若存在明显的非平稳趋势，则采用ADF单位根检验法进行平稳性检验；并处理为平稳的时间序列数据。

平稳性检验的方式包括：

建立原假设为时间序列数据存在单位根，即时间序列数据是非平稳的；

构建ADF检验回归模型，将原假设进行ADF检验回归模型的检验；若无法拒绝原假设，则时间序列数据是非平稳的；否则，时间序列数据是平稳的；

ADF检验回归模型为：；其中，为截距项；为时 间趋势项系数；为时刻的电能表综合状态的值；为自回归系数；为时刻的上 一时刻的电能表综合状态的值；为随机扰动项；

将ADF检验回归模型进行最小二乘方法得到、和的估计量；基于的估计 量；构建ADF检验统计量；ADF检验统计量为的估计量除以的估计量的标准误差；的估 计量的标准误差通过最小二乘方法过程中得到的残差平方和的无偏估计得到；

根据ADF检验统计量的临界值，进行原假设的检验；若ADF检验统计量的绝对值大于或等于临界值，则拒绝原假设，时间序列数据是平稳的；

若ADF检验统计量的绝对值小于临界值，则无法拒绝原假设，时间序列数据是非平稳的。

需要说明的是，临界值是根据以下几个要素来确定的：

显著性水平；常用的显著性水平有1%、5%和10%，选择不同的显著性水平会对应不同的临界值；一般选择5%的显著性水平；

样本量的大小也会影响到对应的临界值；样本量越大，在给定显著性水平下，临界值会越接近正常分布的临界值；若时间序列进行了差分处理，其临界值也会有所调整；在进行检验时，需要根据上述要素进入查表或者使用软件计算得到对应的临界值，然后与ADF检验统计量进行比较，以判断时间序列的平稳性；常用的查表包括Dickey-Fuller表和Mackinnon表。

处理为平稳的时间序列数据的方式包括：

对非平稳的时间序列数据进行一阶差分处理或ti阶差分处理；得到差分后的时间序列数据，即残差序列数据；若残差序列数据通过了ADF检验回归模型的检验，则进行差分处理后时间序列数据达到平稳状态；此时差分处理的次数即后续创建的ARIMA(p1，d1，q1)模型的d1参数；

一阶差分处理就是当前观测值与上一期观测值的差值，它能够去除线性趋势；多阶差分处理可以去除高阶趋势，例如二阶差分处理可以去除二阶趋势；优选的，还存在季节性差分处理是把本期值与上年同期值做差分，可以消除季节性。

构建集成ARIMA(p1，d1，q1)模型对未来Tt个时刻的电能表的状态值进行预测；根据预测的状态值判断电能表状态趋势。

集成ARIMA(p1，d1，q1)模型的构建方式包括：

将平稳的时间序列数据划分为训练数据集和测试数据集；设置ARIMA(p1，d1，q1)模型的参数；p1是自回归项个数，即状态值依赖其之前值的程度；d1是差分次数；q1是移动平均项个数；

将环境影响因数的值作为协变量输入ARIMA(p1，d1，q1)模型，用于捕捉环境变化对状态的影响；使用最小二乘法或最大似然估计方法，拟合ARIMA(p1，d1，q1)模型的参数；

构建B个不同结构的ARIMA(p1，d1，q1)模型；每个ARIMA(p1，d1，q1)模型使用训练数据集来估计模型参数；在测试数据集上，利用每个ARIMA(p1，d1，q1)模型进行状态值预测，并计算均方误差MSE；对每个ARIMA(p1，d1，q1)模型设置一个初始权重；例如，各模型的权重一开始都为1/B；

根据每个ARIMA(p1，d1，q1)模型的MSE，更新其权重；权重较大的模型在集成预测中起主导作用；归一化ARIMA(p1，d1，q1)模型的权重；

利用每个ARIMA(p1，d1，q1)模型进行预测，将各ARIMA(p1，d1，q1)模型预测的结果加权平均；即将各ARIMA(p1，d1，q1)模型进行集成，得到集成模型；利用测试数据集评估集成模型和单个ARIMA(p1，d1，q1)模型预测的均方误差MSE；

若集成模型的均方误差MSE降低不明显，则调整模型数量与结构，重新集成；直到集成模型的均方误差MSE收敛或者达到预设迭代次数；最终获得集成ARIMA(p1，d1，q1)模型，用于新的状态值预测。

将未来Tt个时刻的状态值进行线性回归分析，得到状态值的线性变化趋势函数；计算每两个相邻时刻状态值的变化量，得到Tt-1个变化速率；对Tt-1个变化速率求滑动窗口平均，计算综合变化速率rt。

求解线性变化趋势函数的综合斜率kt；若|kt|≤阈值1，则电能表状态趋势呈现总体稳定。

若kt＞0，且rt在0到正值区间波动，则电能表状态趋势呈现缓慢恶化；

若kt＞0，且rt持续增加，则电能表状态趋势呈现快速恶化；

若kt＜0，且rt在0到负值区间波动，则电能表状态趋势呈现缓慢优化；

若kt＜0，且rt持续减小，则电能表状态趋势呈现快速优化。

提醒信息包括电能表当前时刻的电能表综合数据和环境数据的数字化表述以及此时电能表状态趋势的文字化表述。

需要说明的是，阈值1不宜设置太大，否则可能误判明显的变化趋势为稳定状态；同时不宜太小，否则稳定的随机波动也可能被误判；可以收集大量历史状态数据，统计分析各段时间内的变化趋势的分布情况，选择一个合适的分位数作为阈值1；例如，选择中位数或20分位数；也可以采用经验值，选择一个较小的正值，如0.01或0.02作为阈值1；还可以通过多次预测实验，比较不同阈值1的判断效果，选择判定准确率最高的阈值1；阈值1还可以结合电能表的运用环境、参数稳定性等方面进行论证，给出一个较为合理的范围选择。

本实施例，实现了对电能表运行状态的预测和预警，当判断出电能表状态持续恶化时，能够及时发送预警信息，为电能表的维护提供指导；充分考虑多种因素对电能表状态的影响，使得更全面准确地反映电能表的实际运行情况；状态矩阵直观展示不同状态之间的关系，有助于分析电能表状态演变过程；应用时间序列分析方法判断电能表状态趋势，实现对电能表故障的预警，降低故障率；提高电能表运行管理的智能化和自动化水平，减少人工分析判断的工作量；有利于电能表的监测和预防性维护，延长使用寿命，提高电能表的稳定可靠性。

实施例2

请参阅图2所示，本实施例未详细叙述部分见实施例1描述内容，提供一种电能表运行状态管理***包括：数据采集模块，用于采集电能表综合数据和环境数据；

数据综合模块，用于根据电能表综合数据建立运行状态函数；根据环境数据获取环境影响因数；

趋势判断与预警模块，用于构建电能表状态矩阵；根据运行状态函数、环境影响因数和电能表状态矩阵获取电能表状态趋势；电能表状态趋势分为总体稳定、缓慢恶化、快速恶化、缓慢优化和快速优化；

当电能表状态趋势为缓慢恶化或快速恶化时，发送提醒信息至电能表管理终端；各个模块之间通过有线和/或无线的方式进行连接，实现模块间的数据传输。

实施例3

本实施例公开提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述所提供的一种电能表运行状态管理方法的运行方式。

由于本实施例所介绍的电子设备为实施本申请实施例中一种电能表运行状态管理方法所采用的电子设备，故而基于本申请实施例中所介绍的一种电能表运行状态管理方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中一种电能表运行状态管理方法所采用的电子设备，都属于本申请所欲保护的范围。

上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数以及阈值选取由本领域的技术人员根据实际情况进行设置。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术用户来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种电能表运行状态管理方法，其特征在于，包括：

S1、采集电能表综合数据和环境数据；

S2、根据电能表综合数据建立运行状态函数；根据环境数据获取环境影响因数；

S3、构建电能表状态矩阵；根据运行状态函数、环境影响因数和电能表状态矩阵获取电能表状态趋势；所述电能表状态趋势分为总体稳定、缓慢恶化、快速恶化、缓慢优化和快速优化；

当电能表状态趋势为缓慢恶化或快速恶化时，发送提醒信息至电能表管理终端。

2.根据权利要求1所述的电能表运行状态管理方法，其特征在于，所述电能表综合数据包括电气参数数据和电能表综合日志；所述电气参数数据包括电压、电流、电网频率、功率因数、电流谐波和累计计量值；电能表综合日志包括计量芯片温度和存储使用率；

所述环境数据包括气象环境数据和电磁环境数据；气象环境数据包括温度、湿度和大气压强；电磁环境数据包括电能表所在区域的地磁值和工频磁场强度。

3.根据权利要求2所述的电能表运行状态管理方法，其特征在于，所述运行状态函数的建立方式包括：

根据电压获取电压稳定性指标；其中，/>为电压的统计周期数；和/>为两次相邻采样点的电压；/>为统计周期内的平均电压；/>为统计周期内采样点电压的索引；

根据电流获取电流稳定性指标；其中，/>为原始电流曲线的一阶导数；/>为原始电流曲线的二阶导数；原始电流曲线通过将电流采集周期内的电流值根据采集周期内的时间/>进行曲线拟合获取；

根据电网频率获取频率稳定性指标，其中，/>为电网频率的统计周期数；/>为第/>次采样点的电网频率；/>为统计周期内的平均电网频率；/>为统计周期内采样点电网频率的索引；

根据电压稳定性指标、电流稳定性指标、频率稳定性指标、功率因数、电流谐波和累计计量值获取电气性能子函数；

根据计量芯片温度和存储使用率获取自身状态子函数；

运行状态函数；其中，/>为电气性能子函数权重参数；/>为自身状态子函数权重参数。

4.根据权利要求3所述的电能表运行状态管理方法，其特征在于，所述电气性能子函数为：

；

其中，为功率因数；/>为电流谐波；/>为相位角稳定指标；/>为累计计量误差；/>为电压性能权重参数；/>为电流性能权重参数；

；其中，/>为相位角随时间的变化函数；

；其中，/>为累计计量值，/>为计量芯片测量的有功电能；

所述自身状态子函数为：

；

其中，为计量芯片温度；/>为存储使用率；/>为温度影响参数；/>为使用率影响参数；/>为计量数据调节参数；/>为存储数据调节参数；

所述环境影响因数为：

；

其中，；式中，/>为温度调节权重参数；/>为湿度调节权重参数；/>为常数；/>为大气压强调节权重参数；/>为温度规范化参数；/>为湿度规范化参数；/>为大气压强规范化参数；

；式中，/>为第一电磁参数；/>为第二电磁参数；/>为地磁值规范化参数；/>为工频磁场强度规范化参数。

5.根据权利要求4所述的电能表运行状态管理方法，其特征在于，所述电能表状态矩阵的构建方式包括：

初始化电能表状态矩阵的行索引代表离散的运行状态函数的值，列索引代表离散的环境影响因数的值；电能表状态矩阵元素值为在运行状态函数的值和环境影响因数的值的组合条件下，电能表综合状态的离散表示；

定义电能表综合状态的状态范畴包括正常、潜在故障、轻度故障、中度故障和重度故障；采用1-5的整数进行表示；1表示正常、2表示潜在故障、3表示轻度故障、4表示中度故障和5表示重度故障；

收集组电能表的历史运行数据，历史运行数据包括历史一段时间的电气参数数据、电能表综合日志、历史的环境数据以及电能表的实际状态标注；

对于每组历史运行数据，计算其运行状态函数的值和环境影响因数；作为样本数据；

利用自适应聚类算法将样本数据在电能表状态矩阵中赋予电能表状态矩阵元素值；在利用自适应聚类算法基础上运用训练完成的密度聚类神经网络；

将所有样本数据填入电能表状态矩阵中，行索引对应样本数据的运行状态函数的值，列索引对应样本数据的环境影响因数的值，并填入对应的电能表状态矩阵元素值；对于电能表状态矩阵中为空的元素，通过相邻元素的插值方法进行填充；即构建完成电能表状态矩阵。

6.根据权利要求5所述的电能表运行状态管理方法，其特征在于，所述电能表状态矩阵元素值的获取方式包括：

构建运行状态函数的函数值和环境影响因数的值的二维坐标系；其中，运行状态函数为二维坐标系的横轴，环境影响因数为二维坐标系的纵轴；

将样本数据作为二维坐标系上的坐标点，即样本点；在二维坐标系中绘制出样本点的坐标；

对于每个样本点，计算其到其/>个最近邻样本点的距离集合/>，

；

定义样本点的局部密度为：/>；其中，/>为单位步函数；/>为近邻样本点的索引；/>为截断距离；当/>时，/>的值为1；否则为0；/>为样本点/>到近邻样本点/>之间的距离；

获取样本点到其截断距离/>内局部密度最大的样本点的最小距离/>；

对于每个样本点，利用局部密度和最小距离的大小进行划分类型；类型包括噪声点、分类边界点、类中心点和普通点；

若；则样本点划分为噪声点；

若；则样本点划分为分类边界点；

若；则样本点划分为类中心点；

若；则样本点划分为普通点；其中，/>为密度阈值；/>为距离阈值；

将划分为噪声点的样本点剔除，用划分为类中心点的样本点的状态标注所属样本点周围的普通点和分类边界点所有样本数据的状态，即得到每个样本数据所对应的电能表状态矩阵元素值。

7.根据权利要求6所述的电能表运行状态管理方法，其特征在于，所述密度聚类神经网络的训练方式包括：

构建密度聚类神经网络的基础网络结构，基础网络结构包括输入层、编码层、LSTM层、密度聚类层和坐标回归层；

所述输入层用于接受运行状态函数和环境影响因数作为样本点的坐标输入；编码层用于将坐标编码转换为特征向量；LSTM层用于处理时间步上的数据，学习坐标构成序列的时序规律；密度聚类层基于局部密度和最小距离判定类中心点；坐标回归层用于预测下一时刻可能的类中心点的坐标；

定义密度聚类神经网络的坐标损失函数；并随机初始化密度聚类神经网络的参数；将样本数据划分Q个样本批次；每次输入样本批次的坐标，并输入上一轮的类中心点的坐标；协同优化各网络结构的参数；将预测的类中心点的坐标作为下次输入的类中心点的坐标；

所述坐标损失函数；其中，/>为坐标偏差损失项；/>为类别散布惩罚损失项；/>为距离惩罚项；/>为坐标惩罚因子；/>为类别惩罚因子；

；

；

；

式中，为所有坐标的数量；/>为样本数据索引；/>为时间索引；/>为样本数据/>的输入；/>为样本数据/>的输入与时间的坐标预测输出函数；/>为样本数据/>在时刻/>真实的类中心点的坐标；/>为状态类别索引；/>为状态类别内的样本数据索引；/>为状态类别/>的坐标点的坐标预测；/>为状态类别/>中的样本数据/>的坐标点的坐标预测；为第一状态类别的索引；/>为第二状态类别的索引；/>为类别/>的坐标点的坐标预测；/>为类别/>的坐标点的坐标预测；/>为状态类别/>的总数；/>为将状态类别/>函数化；/>为将状态类别内的样本数据/>函数化；/>为将类别/>函数化；/>为将类别/>函数化；

预设损失阈值，直到坐标损失函数的函数值小于损失阈值，得到训练完成的密度聚类神经网络。

8.根据权利要求7所述的电能表运行状态管理方法，其特征在于，所述电能表状态趋势的判断方式包括：

获取近期连续J个时刻的电能表运行状态函数的值和环境影响因数的值；并在电能表状态矩阵中查找对应的J个时刻的电能表综合状态；将J个时刻的电能表综合状态关联时间构成时间序列数据；

判断时间序列数据是否呈现明显的非平稳趋势；若存在明显的非平稳趋势，则采用ADF单位根检验法进行平稳性检验；并处理为平稳的时间序列数据；

所述平稳性检验的方式包括：

建立原假设为时间序列数据存在单位根，即时间序列数据是非平稳的；

构建ADF检验回归模型，将原假设进行ADF检验回归模型的检验；若无法拒绝原假设，则时间序列数据是非平稳的；否则，时间序列数据是平稳的；

所述ADF检验回归模型为：；其中，/>为截距项；/>为时间趋势项系数；/>为时刻/>的电能表综合状态的值；/>为自回归系数；/>为时刻/>的上一时刻的电能表综合状态的值；/>为随机扰动项；

将ADF检验回归模型进行最小二乘方法得到、/>和/>的估计量；基于/>的估计量；构建ADF检验统计量；

根据ADF检验统计量的临界值，进行原假设的检验；若ADF检验统计量的绝对值大于或等于临界值，则时间序列数据是平稳的；

若ADF检验统计量的绝对值小于临界值，则时间序列数据是非平稳的；

所述处理为平稳的时间序列数据的方式包括：

对非平稳的时间序列数据进行一阶差分处理或ti阶差分处理；得到差分后的时间序列数据，即残差序列数据；若残差序列数据通过了ADF检验回归模型的检验，则进行差分处理后时间序列数据达到平稳状态；

构建集成ARIMA(p1，d1，q1)模型对未来Tt个时刻的电能表的状态值进行预测；根据预测的状态值判断得到电能表状态趋势。

9.根据权利要求8所述的电能表运行状态管理方法，其特征在于，所述集成ARIMA(p1，d1，q1)模型的构建方式包括：

将平稳的时间序列数据划分为训练数据集和测试数据集；设置ARIMA(p1，d1，q1)模型的参数；p1是自回归项个数；d1是差分次数；q1是移动平均项个数；

将环境影响因数的值作为协变量输入ARIMA(p1，d1，q1)模型；使用最小二乘法或最大似然估计方法，拟合ARIMA(p1，d1，q1)模型的参数；

构建B个不同结构的ARIMA(p1，d1，q1)模型；每个ARIMA(p1，d1，q1)模型使用训练数据集来估计模型参数；在测试数据集上，利用每个ARIMA(p1，d1，q1)模型进行状态值预测，并计算均方误差MSE；

对每个ARIMA(p1，d1，q1)模型设置一个初始权重；根据每个ARIMA(p1，d1，q1)模型的MSE，更新其权重；权重较大的模型在集成预测中起主导作用；归一化ARIMA(p1，d1，q1)模型的权重；

利用每个ARIMA(p1，d1，q1)模型进行预测，将各ARIMA(p1，d1，q1)模型预测的结果加权平均；即将各ARIMA(p1，d1，q1)模型进行集成，得到集成模型；利用测试数据集评估集成模型和单个ARIMA(p1，d1，q1)模型预测的均方误差MSE；

若集成模型的均方误差MSE降低不明显，则调整模型数量与结构，重新集成；直到集成模型的均方误差MSE收敛或者达到预设迭代次数；最终获得集成ARIMA(p1，d1，q1)模型；

将未来Tt个时刻的状态值进行线性回归分析，得到状态值的线性变化趋势函数；计算每两个相邻时刻状态值的变化量，得到Tt-1个变化速率；对Tt-1个变化速率求滑动窗口平均，计算综合变化速率rt；

求解线性变化趋势函数的综合斜率kt；若|kt|≤阈值1，则电能表状态趋势呈现总体稳定；

若kt＞0，且rt在0到正值区间波动，则电能表状态趋势呈现缓慢恶化；

若kt＞0，且rt持续增加，则电能表状态趋势呈现快速恶化；

若kt＜0，且rt在0到负值区间波动，则电能表状态趋势呈现缓慢优化；

若kt＜0，且rt持续减小，则电能表状态趋势呈现快速优化。

10.一种电能表运行状态管理***，其用于实现权利要求1至9中任一项所述的电能表运行状态管理方法，其特征在于，包括：

数据采集模块，用于采集电能表综合数据和环境数据；

数据综合模块，用于根据电能表综合数据建立运行状态函数；根据环境数据获取环境影响因数；

趋势判断与预警模块，用于构建电能表状态矩阵；根据运行状态函数、环境影响因数和电能表状态矩阵获取电能表状态趋势；所述电能表状态趋势分为总体稳定、缓慢恶化、快速恶化、缓慢优化和快速优化；

当电能表状态趋势为缓慢恶化或快速恶化时，发送提醒信息至电能表管理终端；各个模块之间通过有线和/或无线的方式进行连接，实现模块间的数据传输。