基于智能电能表故障分析中的数据挖掘及运用

摘要：随着智能电表广泛运用于电力系统电能计量中，智能电表的安全运行尤为重要，如果遇到异常或故障问题则需要高度精尖的诊断技术，数据挖掘技术为智能电表故障分析开辟了出路。本文首先介绍了数据挖掘技术的内涵与功能特征，然后重点探究了智能电表故障分析中数据挖掘的应用

关键词：智能电表；故障分析；数据挖掘；意义；应用

0  前言

智能电表如果出现运行故障则将影响电能的正常计量，对此则需要科学的数据挖掘技术来辅助故障的分析、预测与识别，数据挖掘技术具备深入挖掘功能，能采集并分析智能电表内的操作数据、监测电表运行状态，从而为故障分析与识别提供参考，提高故障处理效率。

1  数据挖掘的内涵、发展现状与重要功能

所谓的“数据挖掘”，简单说就是基于浩瀚的数据信息，从中寻找规律、发现隐藏数据的操作。

参照相关文献已经有数据挖掘在电力、电能管理中的应用。例如：通过数据挖掘的方式来剖析电能数据误差，从中找到了电能数据误差超差的电能表，从而为电表校准、复核做好准备。同时，目前也研发出了全新的计量在线监测系统与智能化诊断设备，通过数据挖掘技术来智能化预测、分析用户的非法窃电以及电能表故障等问题。目前，数据挖掘技术正在逐步整合大数据技术，开创了台区线损故障诊断模型，全天候监督、管理台区线损问题，最大程度控制线损问题的出现，控制供电企业的经济损失。

整体来看，数据挖掘技术具备更高级的识别、分析、预测等功能，特别是各种数据之间的关系以及潜在风险等，这些都能为故障分析、系统诊断提供科学的出路和方法。

数据挖掘技术对于智能电表故障的识别、分析以及预测等都有着不可替代的功能地位。数据挖掘的源头为：事件日志、采样数据，都为电能表运行特征的深入剖析、内在风险的识别等提供有效工具。故障分析人员可以全面、深刻地剖析一些重要故障参数信息，例如：电流失真、电压失常、功率因数不准等，以此来达到对故障的预测性警示与精准定位。异常检测算法则能发挥一定的主导功能，可以高度敏感地辨认异常数据，从而方便故障诊断。

数据挖掘技术中的高维特征选择技术、降维技术等则能有效确保准确处理数据，在浩瀚的数据面前，依然能高度准确、快速地进行故障剖析，保证精准分析数据。总之，数据挖掘技术为智能电表故障分析带来了多方面的优势，能够达到全方位、系统地分析，确保电网系统的安全稳定。

2  用电信息采集系统与智能电表的集中检定

现阶段，电能计量系统主要包括：智能电表、数据采集装置、主站、通信线路等。并以这些设备为基础又创建了用电信息采集系统，其功能和原理为：围绕配电变压器、终端用户等实施监督、检查，从采集数据、信息，并分析这些数据，而且能远距离进行负荷预测、设定梯度式电价，远距离收取电费，达到整个抄核收的自动化管理。用电信息采集系统的应用极大地控制了用电成本、提高用电检查效率。整个用电信息采集系统中收集着大量的智能计量装置数据，从中能识别电能表的工作模式、运行状态与性能数据。

同时，电力系统也创建了省级集中检定制度，也就是对于一切即将安装的智能电表都实施统一检定，保证其计量准确度，确认通过检定要求与检查规范的电能表才能真正被安装使用。

3  基于神经网络的数据挖掘算法

智能电表质量数据关系较为特殊，体现在非线性、结构化不一致，且噪音较大，对此则要改变思路，不能沿用传统的数据挖掘技术来分析其质量数据关联，应引进特殊的数据挖掘算法，即：基于神经网络的数据挖掘算法能够更好地适应智能电表特殊的质量数据关系，能更好地分析非线性分类的结构模式，具体的操作流程大致为：

第一，形成矩阵模式的数据表格；第二，明确输出变量，形成输出量向量表格。第三，明确神经网络类型、神经元数量；第四，细致规划输入数据表为若干集合，即：训练集、测试集、验证集。第五，以训练集的输入、输出量来训练神经网络。

4  智能电能表故障分析中的数据挖掘及运用

4.1 预处理故障数据

先围绕智能电表故障规划类别，按照故障类别逐步传输数据至系统数据表，形成备份，主要故障类别包括：硬件故障、软件故障、通信故障。硬件故障则又可被细化为若干级别，例如：整机层、模块层、元件层等。电力行业管理文件中已经明确指出了智能电表最常见的几十种故障，最常见的硬件故障按照模块层级分类见表1所示。

以上故障一般都来自于智能电表现场工作过程中以及退出工作中，所有的数据信息都被收入用电信息采集系统，要想明确故障出现前，现存的检测数据内有无故障迹象，则要统一整理检测数据，其中必须明确的一点：如果故障和检测数据之间存在某些不显著的联系，则只能从整体的数据发展趋势呈现出其中的联系，参照来自于正规计量部门所才有的检验方法，从中抽出被检测的几十个实验数据，从中分析数据关联，从中总结出以下数据类别：平均误差、采样值等。

4.2 数据挖掘算法的运用

数据挖掘应用于智能电表故障分析，其目标之一：发现输入变量和各类故障间的关联，各个输入变量对各类故障带来的影响程度，预处理来自于用电信息系统的故障电表，再参照各个电表的资产编号自记录检测数据中寻找与之相对的几十类数据，最终形成一个数据统计表，将其当作数据挖掘算法传入的数据。

下面以两大类故障：“误差超差”“通信故障”为例来分析数据挖掘算法的应用方式，以上两大故障都是智能电表最常见的失效模式，主要探索以上几十种检测数据和以上两大故障之间的联系。

借助神经网络模式下的识别工具来统一训练所传输的数据，整个训练中一方面需以上故障数据的支持，另一方面也要得到非故障表的数据。所以，按照1：2的比例分别从用电信息采集系统和计量中心生产调度平台中任意抽出非故障表中的几十类故障数据，将其和故障数据表进行合成处理，最终生成一个总数据表，将其传输至模式识别系统。用三维向量来各自代表几种故障情况，例如：[1，0，0]代表非故障表，[0，1，0]代表通信模块失效，[0，0，1]代表计量模块失效。

可以选择前馈神经网络来开展训练，其中包括隐藏层、输出层，其中所选择的内部算法：反向传播共轭梯度法，设定当均方差<给定阈值，则终止训练。要想获得理想的训练结果，则在计算过程中反复变化输入和输出的向量顺序。

4.3 训练方法与流程

第一步：设定几个集合的比重值不变，具体为：训练集（70%）、验证集（15%）、测试集（15%），对神经网络潜藏层内的神经元设定一个范畴，具体在10到1000个，参照上文提到的神经元网络数据挖掘算法逐步训练神经网络，最终显示：不同数量的神经元所得到的训练效果各不相同，其中当神经元数量设置在100时，其准确率最高，几乎达到百分之百，

第二步：设定神经元数量为特定数量（设成：100），对应调节几个集合各自的比重值，具体为：训练集（50%），验证集（25%），测试集（25%），以及训练集（60%），验证集（20%），测试集（20%），开始训练此神经网络，最终发现效果都不太理想，远远偏离按照第一步所设定的比例以及神经元数量的训练效果。对此，决定采用第一步的集合比例设定模式以及神经元数量，最终训练得出：所针对的两种故障：误差超差、通信故障都和检测环节中所记录的检测量结果关联紧密，结合输出结果所呈现的数据，对应对策两大故障类型的准确率都达到75%以上。

5  智能电表故障分析中数据挖掘技术有效运用策略

5.1 数据预处理技术优化故障数据质量

智能电表故障后，需要获取故障数据来分析故障来源、成因等，这就需要高度准确、客观的故障数据。此时，可借助数据预处理技术来优化数据质量。来自智能电表的数据常常出现不完整、噪音干扰等问题，数据预处理技术采用科学的预处理方法能清洗、完善数据，形成更加准确、完整的数据，为日后的故障分析提供参考，特别是缺失值处理技术是一大优势技术，因为随着智能电表的运转，难免出现传感器故障造成数据缺失，对于所缺数据则能通过多重插补、回归分析类似的方式来完善填充，维持完整的数据链。同时，对于数据噪音的处理，则主要启动滤波器、数据平滑技术等来对数据实施深入剖析、处理，以此来确保数据的客观性、精准度。

5.2 深度学习技术优化故障分析算法

深度学习技术能有效弥补传统数据处理技术的不足，利用其超强的数据特征提取能力，能敏感地识别数据特征，从而高效、准确地诊断故障。深度学习技术原理为：基于某一神经网络架构优化算法结构，例如：复杂电路结构、细小微零件等，借助深层网络结构来探究数据中潜藏的信号，从中识别出潜在的故障。此外，电能表数据具有时序性特征，可以通过循环神经网络来诊断故障，可以高效率、准确地获取不同时间序列各类数据的特征、特点。对于电能表中失衡的信息集合，则采用代价敏感学习技术、重采样技术等来优化数据的分配与分布，保证模型可以在不同故障场内都能被有效识别。

5.3 卷积神经网络处理图像挖掘多元数据

图像处理技术已经被深入运用于智能电表故障处理中，特别是卷积神经网络技术，立足于智能电表的类型、性能与故障特征，卷积神经网络能更加深层次地探究出图像数据内部的细小故障与征兆，从而全力支持智能电表故障的预测与诊断，要想保证图像被高度精准、完善地处理，则可借助电能表中的高清摄像头来得到高度清晰、准确、纯净的图像数据，为了提高图像质量，则要从正确的角度摄像，设定理想的光照条件，并采用图像增强技术。同时，也要构建起一个故障图像数据集，其中包含了一切可能的故障类型，要保证数据集的多元性、完善性。这其中完全可以根据电能表的故障特征、性质等来搭建一个卷积神经网络模型，其中关键是要正确选配网络结构、卷积核大小等，这样才能真正保证模型可以高效率地获取与故障有关的重要特征，为故障分析提供可靠依据。

6  结语

数据挖掘技术作为一种高端的现代科技，在智能电表故障识别、分析、诊断等过程中发挥着重要功能，应该积极地探索这一技术的优势特征，将其深入地运用在智能电表故障分析中，以此提高智能电表故障分析效率，维持智能电表的正常计量功能。

参考文献：

[1] 宗建华，闫华光，史树冬，于海波，编著.智能电能表[M].中国电力出版社，2010.

[2] 黄子健.样本多模式分布下的智能电表故障多分类方法研究[D].北京邮电大学，2023.

[3] 杨金成，蒋平，陈广宇，袁铁江，薛飞.智能电表故障辨识模型研究[J].电器与能效管理技术，2017（06）：30-36.

[4] 江彤彤，成金勇，鹿文鹏.基于卷积神经网络多层特征提取的目标识别[J].计算机系统应用，2017，26（12）：64-70.