电能表计量场景下考虑基于深度学习的运维方法

摘要：针对现有技术中电能计量监控终端运行缓慢，提出新型的智能运行方式的管理系统。该管理系统通过构建BP神经网络算法模型，对电力市场环境下运行的各种设备信息的进行读取、训练和学习，提高了实时监控电能计量监控终端现状的能力。通过随机矩阵理论模型进一步挖掘电能计量监控终端运行过程中各项参数信息。结果表明，本研究方法使电能计量监控终端的管理能力提高了95%以上。

关键词：智能运行方式；深度学习；BP神经网络算法模型；随机矩阵理论模型；决策树分类算法

中图分类号: TN929.1                                      文献标识码：A                        

国家标准学科分类代码：520

0　引 言

本研究以电能计量监控终端为示例性说明，以更清楚地了解电能计量运行过程中存在的问题。由于电能计量中存在的电能计量监控终端分布发散，运行过程中输出的数据类型多样，种类繁多，数据管理困难重重，目前手工安排运行方式工作量大、效率低，难以满足电力市场环境下快速调整电能计量监控终端方式。

文献[1]采用一种监测设备管理的方式对运行过程中的设备进行管理，虽然能够实现对装置或者设备数据的实时监控，但是设备监测容易受异常因素的影响，监测不稳性。文献[2]通过可视化技术实现配电能计量运行状态的实时监控，虽然能够获取配电能计量设备的调度、运维或者营销等数据信息，但对于大数据处理的智能化程度低。

1 电能计量监控终端运智能化运行体系架构

针对上述技术的不足，本研究充分利用结合人工智能的深度学习算法，实现电力市场中电能计量监控终端设备内各种数据的分析、预测或分类，本研究构建出具有智能化学习功能的智能运行方式体系架构示意图[3]，如图1所示。

图1 智能运行方式运行示意图

通过图1可以看出，本研究的智能化架构体系包括了不同的层次，比如设备层、数据采集层、深度学习层、计算机管理层和应用层等。在设备层中，其内设置有产生数据信息、并感测智能电能计量监控终端以及其内各种数据信息的传感器、检测设备、电能计量监控终端硬件结构、感测设备等，这些设备输出了大量的数据信息，比如电能计量监控终端故障信息、参数信息、检测信息、电能计量监控终端运行状态信息、电能计量监控终端健康情况信息等，通常采集层与设备层直接连接，能够直接采集电能计量监控终端运行的各种数据，这些数据信息繁多，如果不能及时对获取的数据信息进行处理，可能会出现电能计量监控终端故障等现象。由于这些数据大都比较分散，用户难以掌控这些数据之间的规律。

在研究中，通过了深度学习算法模型对上述输入的多种数据信息进行学习和训练，深度学习算法模型比如基于DBN（Deep belief network）深度信念网络算法模型、RNN算法模型、RNTN算法模型、GAN算法模型、大数据挖掘算法，比如K-Means算法、支持向量机、Apriori算法、最大期望(EM)算法、Adaboost迭代算法、关联算法模型、故障诊断模型、随机矩阵算法模型等多种计算模型。

2  深度学习的智能计算方式

2.1   BP神经网络算法模型

在电能计量监控终端运维管理系统中，通过加入BP神经网络算法模型（Back-ProPagation Network）能够对接收到的各种设备信息数据进行映射，并实现输入数据的深层处理，比如抽取电能计量监控终端运行参数（电流、电压、功率）、故障因素（运行故障、设备故障等）和影响环境（外界环境、外界干扰等）数据信息，将这些数据信息进行映射，以各种非线性关系、数据逻辑关系等以数学模型架构的方式输出，通过对这些数据信息进行学习，输出终端是否处于正常运行状态。在人工智能学习过程中，这种方式比起传统的数据研究模型具有鲜明的技术优越性。其中BP神经网络算法模型如图2所示。

图2  BP神经网络算法模型架构示意图

在上述包括输入层、隐藏层和输出层的数据计算模型中，通过输入层输入电能计量监控终端数据信息、比如电流、电压、功率、纹波等参数。通过设置BP神经网络算法模型中权值、系数或者阈值以逐步逼近最为精确的值。

       （1）

在式1中，用字母表示BP神经网络算法模型的输出层权系数，这可以根据用户需求来设置，用字母表示BP神经网络算法模型的信息期望输出值，期望输出值为终端的正常运行状态、异常运行状态或者预警运行状态，用字母表示通过BP神经网络算法模型后，输出结果数据情况，通常用字母表示为常数。隐含层权系数用式（2）来调整：

       （2）

为了统计计算，并对BP神经网络算法模型实现标准化处理，下面引用二次型准确函数模型，则有：

                （3）

总准确函数表达式：

        （4）

通过上述数据模型介绍，如果输入BP神经网络算法模型中的电能计量监控终端数据信息类型有N种, 通过以下公式对输入的电能计量监控终端故障数据 x ij 实施标准化处理，通过这种方式能够实现终端设备在各种情况下的运行状态，则有:

                     （5）

                    （6）

               （7）

在式5-7中，i=1,2，…,N;  j=1,2…,m, 为了提高算法模型的适应度，需要对Z ij实施标准化封装，计算时，直接通过该标准化封装接口，进而实现任意数据类型的计算。标准化公式可以为：         （8）

在公式8中，y i表示电力市场运行下电能计量监控终端（该公式同样适用于电能计量环境下其他设备、硬件设备）的运行输出数据信息；y ′ i 为标准化后的各个硬件设备的数据信息； y max 为电能计量监控装置在运行过程中输出各项数据信息的极大值, y m in 为电能计量监控装置在运行过程中输出各项数据信息的极小值。通过上述方式，可以构建出BP神经网络数学模型，使得用户通过输出的数据信息可以直接读取终端设备运行状态，进而实现宏观现象的微观输出。

  2.2 随机矩阵理论算法模型

在诸如电力电路网络故障、变压器故障、电源供电故障或母线故障等各种数据信息中，除了可以通过人工智能的方式研究数据故障、非线性关系外，还能够通过人工智能学习的方式实现诸如电力电路网络故障、变压器故障、电源供电故障或母线故障数据的关联和关系，矩阵模型为：

(9)

公式9表示和与在下的关联性，更具体地说，引起电力电路网络故障、变压器故障、电源供电故障或母线故障的外界数据信息和因素等，其中：

(10)

在公式10中，M表示为电力电路中出现的网络故障、变压器故障、电源供电故障或母线故障等数据信息的种类，记作为数据集合：{P1, P2, P3, …, PM}，表示获取数据样本的测量次数，其中：

(11)

在公式11中，D2表示为在电力市场下电能计量监控终端、传感器或者电能计量监控终端输出的数据，比如负载、纹波、畸变、电流、电压或功率等，以数据集合的形式表示为{Q1, Q2, Q3, …, QN}，用字母N表示电力市场下电能计量监控终端、传感器或者电能计量监控终端输出的数据类型，T表示获取数据样本的测量次数[18]，则有：

              （12）

比如在电能计量监控终端输出的各种数据库类型中，在的范围内随机抽取一个列向量，则有：

            （13）

   表示电力市场下电能计量监控终端、传感器或者电能计量监控终端输出的数据、影响各个硬件数据输出的因素或者产生故障数据因素的集合等，上述数据信息用数据集合表示为：

             (14)

其中Dstd的值能够反映电能计量监控终端运行过程中产生的数据集合和与数据集合之间的关联性，分别表示矩阵和中单个元素的集合。因此各种电力数据信息通过数学模型可以直接计算出各种数据之间的关系。

4　结束语

本研究在电力市场环境下，将各种深度学习算法应用到电能计量监控终端系统中，能够使用户快速地获取、计算、分析电能计量监控终端、电能计量监控终端的运行状态，通过获取宏观的数据信息能够进行深层的数据分析，进而实现电能计量监控终端运行状态的监控。这种方法使得用户不必亲临现场进行数据监控，也不必用监控设备进行监控，避免了监控设备故障影响检测精度的问题，本研究虽然在一定程度上具有技术进步性，为下一步人工智能技术的应用研究奠定技术基础。

参 考 文 献

[1]曹静,王卫阵,邢海燕,等. 利用实时数据对装置设备运行状态进行监测的改进方法[J].中国管理信息化, 2016, 19(9)：180-183.

[2] 贺斯琪,邵玉鹏,王越越. 配电能计量运行状态实时监控数据可视化设计[J].2014电力行业信息化年会论文集, 2014-12-01：422-422.

[3] 姜洪开, 邵海东, 李兴球. 基于深度学习的飞行器智能故障诊断方法[J]. 机械工程学报, 2019, 55(7): 43-50.

 [4]夏飞, 罗志疆, 张浩, 等. 混合神经网络在变压器故障诊断中的应用[J].电子测量与仪器学报, 2017, 31(1): 118-124.

作者简介：

张勇（1975-），男，汉族，内蒙古呼和浩特，高级工程师，高级政工师，主要研究方向：电能计量新技术研发、电能计量检定技术研究、客户服务、用电检查、电力需求侧、电力负荷管理等。

高岳达（1992-），男，汉族，内蒙古呼和浩特，学士，工程师，主要研究方向：电能计量、电能计量装置自动化检定及检测等。

赵哲（1990-），男，蒙族，内蒙古呼和浩特，学士，工程师，主要研究方向：电能计量、电能计量装置自动化检定及检测等。

刘杨（1991-），男，汉族，内蒙古巴彦淖尔，学士，工程师，主要研究方向：电能计量、电能计量装置自动化检定及检测等。