基于BP-AdaBoost的智能電能表計量故障檢測技術

摘 要：現(xiàn)行技術在智能電能表計量故障檢測中應用存在錯檢、漏檢問題，本文提出基于BP-AdaBoost的智能電能表計量故障檢測技術。利用工業(yè)相機感知電能表計量圖像數(shù)據(jù)，采用加權平均值法實現(xiàn)電能表圖像的灰度化，應用頻域濾波技術對圖像進行強化處理，利用BP-AdaBoost技術集成多個弱分類器并構建強分類器函數(shù)，將計量圖像分類為故障類與非故障類，檢測基于BP-AdaBoost的智能電能表計量故障。試驗證明，本文技術錯檢比例與漏檢比例均不超過1%，可以對故障進行精準檢測。

關鍵詞：BP-AdaBoost；智能電能表；計量故障；加權平均值法；頻域濾波技術

中圖分類號：TD 421 " " " " " " " 文獻標志碼：A

智能電能表是電力系統(tǒng)中不可或缺的關鍵設備，其準確性和可靠性對保證電力供應的穩(wěn)定性和用戶用電的公平性至關重要。智能電能表不僅具備自動計量、數(shù)據(jù)處理和雙向通信等功能，而且具有實時數(shù)據(jù)交互、多種電價計費、遠程斷供電和電能質量監(jiān)測等高級功能，可以提高電網(wǎng)的運行效率和供電服務質量[1]。然而，隨著智能電能表應用范圍擴大和數(shù)量增加，其計量故障問題也逐漸暴露出來，給供電公司和用電用戶帶來較多困擾和經(jīng)濟損失。智能電能表出現(xiàn)計量故障，不僅導致電量計量不準確，而且引起電費糾紛、用戶投訴等一系列問題。此外，計量故障還會影響電網(wǎng)的負荷預測、電力調(diào)度等高級應用和電力系統(tǒng)的整體運行。因此，及時、準確地檢測智能電能表的計量故障是保障電網(wǎng)安全、穩(wěn)定運行并提升用戶滿意度的關鍵。目前，智能電能表計量故障檢測受到了研究領域的關注與重視，相關學者與專家提出了一些技術與思路，但是現(xiàn)行技術具有一定的局限性，在實際應用中經(jīng)常出現(xiàn)錯檢、漏檢問題，因此本文提出基于反向傳播神經(jīng)網(wǎng)絡（Back Propagation Neural Network，BP-AdaBoost）的智能電能表計量故障檢測技術。

1 電能表計量圖像感知

為了實時監(jiān)測電能表的運行狀態(tài)、及時發(fā)現(xiàn)并處理潛在的故障問題，避免故障進一步擴大，對電網(wǎng)運行造成影響，本文利用電能表進行圖像感知。電能表計量圖像感知是指利用圖像傳感器實時捕捉電能表上的讀數(shù)，并將其轉換為計算機可以處理的數(shù)字圖像。該過程涉及圖像的采集、傳輸和預處理等步驟，可以為后續(xù)的圖像識別與故障檢測奠定基礎。本文選擇工業(yè)相機作為智能電能表計量圖像感知器，將其安裝在電能表的正前方，利用專業(yè)的螺栓固定裝置穩(wěn)固其位置。為了使相機與電能表的工作狀態(tài)保持高度同步，采用串并聯(lián)結合的方式，將工業(yè)相機集成到電能表的電路總線上，以實現(xiàn)兩者間的緊密聯(lián)動。由于外界環(huán)境因素（例如光照變化、灰塵遮擋等）可能影響相機圖像采集質量，因此在工業(yè)相機鏡頭上方安裝高亮度、可以調(diào)節(jié)的LED照明裝置。該裝置能夠根據(jù)環(huán)境光照條件自動調(diào)節(jié)亮度，為相機提供穩(wěn)定、均勻的光照環(huán)境，有效消除光照變化對圖像采集質量的干擾。同時，該系統(tǒng)還具有防塵、防水功能，在惡劣天氣條件下仍能正常工作，環(huán)境適應性較好。此外，本文針對工業(yè)相機在光學成像過程中可能存在的畸變問題，采取科學嚴謹?shù)臉硕ǚ椒ā獜埵蠘硕ǚ?，對工業(yè)相機進行精確標定[2]。該方法可以拍攝特定標定板的多角度圖像，利用數(shù)學算法計算相機的內(nèi)部參數(shù)（例如焦距、光心等）和外部參數(shù)（相機相對于標定板的位置和姿態(tài)），從而建立圖像坐標系與世界坐標系間的精確映射關系[3]。在此基礎上，針對相機鏡頭產(chǎn)生的徑向畸變和切向畸變，本文設定了相應的校正參數(shù)，并應用如公式（1）所示的畸變校正公式對圖像坐標進行精確修正，以保證圖像信息的準確性和可靠性。

Z（x，y）=（x0+re，y0+pe） （1）

式中：Z（x，y）為校正后徑向畸變的相機圖像坐標系中的坐標；x0、y0分別為徑向畸變的相機圖像坐標系的橫坐標和縱坐標；r為工業(yè)相機圖像坐標系徑向畸變參數(shù)；e為回歸校正系數(shù)；p為工業(yè)相機圖像坐標系切向畸變參數(shù)[4]。

根據(jù)實際應用場景的需求，對相機的各項參數(shù)進行設定與標定，并利用局域網(wǎng)絡，將感知到的電能表計量圖像數(shù)據(jù)實時傳輸至計算機，用于后續(xù)處理和分析。環(huán)境適應性優(yōu)化和畸變校正可以減少圖像中的噪聲和畸變，降低后續(xù)圖像處理的難度和復雜度，提高處理效率和準確性。并且高質量的圖像數(shù)據(jù)有助于更準確地識別電能表的讀數(shù)和潛在故障，為后續(xù)的圖像識別與故障檢測提供有力支持。

2 計量圖像灰度化和濾波

在工業(yè)相機捕捉到的原始圖像中，原始圖像通常是彩色的，即每個像素點都包括紅、綠和藍（RGB）3個顏色通道的信息。但是在許多圖像處理和分析任務中，圖像是彩色的，因為色彩信息豐富可能會干擾目標物體的辨識，所以直接區(qū)分圖像的背景與前景比較困難。此外，由于需要處理的數(shù)據(jù)更多，與處理灰度圖像相比，處理彩色圖像更復雜、耗時，因此，為了更有效地處理這些圖像，本文采用加權平均值法來實現(xiàn)電能表圖像的灰度化?；叶然侵笇⒉噬珗D像轉換為灰度圖像，即每個像素點只有1個灰度值，能夠簡化圖像信息，減少后續(xù)處理的計算量和復雜度。該方法可以為圖像中的不同顏色分量分配特定的權重，進而融合成一個單一的灰度值，以較好地保留圖像的亮度信息，并去除顏色信息，如公式（1）所示。

f（Z）=aR+bG+cB （2）

式中：f（Z）為灰度化后的計量圖像灰度值；a、b和c分別為計量圖像彩色空間中3個分量紅R、黃G和綠B的權重系數(shù)[5]。

由于計量圖像感知過程中不可避免地會受外界因素（例如電磁波、光照變化等）的干擾，導致圖像中混入噪聲，因此采用頻域濾波技術對圖像進行強化處理。濾波是圖像處理中的常用技術，用于去除圖像中的噪聲或不必要的特征，同時保留圖像的重要特征。

首先，利用一個濾波器對圖像中的每個像素點及其鄰域進行某種數(shù)學運算，從而得到新的像素值。這需要將灰度化后的電能表圖像經(jīng)DFT（離散傅里葉變換）轉換到頻域，即將圖像從像素點組成的二維矩陣轉換到頻率成分組成的二維矩陣，在頻域中區(qū)分圖像中的噪聲和有用信息，如公式（2）所示。

S（Z）=K[f（Z）] （3）

式中：S（Z）為離散傅里葉變換后的計量圖像在頻域中的表示；K為虛數(shù)單位[6]。

其次，利用濾波函數(shù)調(diào)整圖像頻譜，以抑制噪聲并保留或增強有用信息。將濾波函數(shù)與圖像頻譜相乘，乘積結果即為調(diào)整后的頻域圖像。濾波函數(shù)的選擇取決于噪聲類型和圖像特征，對調(diào)整后的頻域圖像進行IDFT（離散傅里葉逆變換），使其恢復到空間域，得到去噪并增強的電能表計量圖像，如公式（4）所示。

P（Z）=[H⊕S（Z）]C （4）

式中：P（Z）為逆變換后的電能表計量圖像；H為濾波函數(shù)；C為IDFT離散傅立葉逆變換函數(shù)。

頻域濾波技術能夠有效去除圖像中的噪聲，提高圖像的清晰度和對比度，為后續(xù)的電能表計量故障檢測提供更準確、可靠的圖像數(shù)據(jù)。同時，頻域濾波技術還具有靈活性高、適應性強的優(yōu)點，可以根據(jù)不同的應用場景和需求設計不同的濾波函數(shù)。

3 基于BP-AdaBoost的故障識別檢測

在上文基礎上，采用BP-AdaBoost技術，將電能表計量圖像劃分為故障類和非故障類，以識別、檢測電能表計量故障。BP-AdaBoost技術即AdaBoost算法集成BP（反向傳播）神經(jīng)網(wǎng)絡，旨在提高模型的分類性能、魯棒性和泛化能力。利用AdaBoost的迭代加權機制集成多個弱學習器，以構建一個更強大的分類器，增強BP（反向傳播）神經(jīng)網(wǎng)絡的學習能力。這種組合方式能夠充分利用BP神經(jīng)網(wǎng)絡的非線性映射能力和AdaBoost算法的有效集成策略，提高分類的準確性和穩(wěn)定性。BP-AdaBoost具體流程如圖1所示。

從原始數(shù)據(jù)集中隨機抽取一定數(shù)量的樣本，構成BP（反向傳播）神經(jīng)網(wǎng)絡模型的訓練數(shù)據(jù)集，如公式（5）所示。

F={（P（Z）1，q1），（P（Z）2，q），...，（P（Z）m，qm）} （5）

式中：F為抽取的訓練數(shù)據(jù)集；q1，q2，…，qm為分類器期望預測系數(shù)，其中q為分類器期望預測結果，m為樣本抽取數(shù)量[7]。

根據(jù)樣本的初始分布（通常是均勻分布，即每個樣本的權重均為1/m），配置并初始化基礎BP神經(jīng)網(wǎng)絡，包括網(wǎng)絡的基本架構（例如層數(shù)、神經(jīng)元數(shù)量和輸入/輸出維度等）和隨機初始化網(wǎng)絡的權重/偏置項[8]。利用AdaBoost算法訓練BP神經(jīng)網(wǎng)絡。在每一次迭代中，根據(jù)當前的樣本權重分布，對訓練數(shù)據(jù)進行歸一化處理，保證數(shù)據(jù)均勻分布在[0，1]，便于神經(jīng)網(wǎng)絡進行學習，如公式（6）所示。

（6）

式中：X為歸一化后的樣本；ω為弱分類器輸出權重；minP（Z）、maxP（Z）分別為樣本集中訓練樣本的最小值與最大值。

基于當前的樣本權重和已訓練的網(wǎng)絡狀態(tài)，訓練一個新的BP神經(jīng)網(wǎng)絡（記為Nt，其中t為迭代次數(shù)），該網(wǎng)絡嘗試從當前的數(shù)據(jù)分布中學習到分類規(guī)則。完成網(wǎng)絡訓練后，利用該網(wǎng)絡對訓練樣本進行預測，并根據(jù)預測結果計算樣本的預測誤差。根據(jù)誤差信息更新樣本的權重，即增加被錯誤分類樣本的權重，減少被正確分類樣本的權重，從而使BP神經(jīng)網(wǎng)絡在下一次迭代中更關注難以分類的樣本。重復進行上述步驟，直到達到預定的迭代次數(shù)。在每一次迭代中都會得到一個新的BP神經(jīng)網(wǎng)絡及其對應的權重，這些網(wǎng)絡和權重將共同構成最終的強分類器，如公式（7）所示。

（7）

式中：f（x）為由AdaBoost算法集成的強分類器函數(shù)；i為弱分類器數(shù)量；ki為第i個弱分類器在最終集成的強分類器中的權重系數(shù)；Z（X）為歸一化后樣本X的規(guī)范因子[9]。

將電能表計量圖像帶入強分類器函數(shù)中。當條件為真時，強分類器函數(shù)輸出為1，電能表計量圖像被劃分為故障類；當條件為假時，強分類器函數(shù)輸出為0，電能表計量圖像被劃分為非故障類。由此得到電能表計量故障識別檢測結果，實現(xiàn)基于BP-AdaBoost的智能電能表計量故障檢測。

4 試驗論證

4.1 試驗準備與設計

完成上述技術設計后，本文采用對比試驗，檢驗所設計的基于BP-AdaBoost的智能電能表計量故障檢測技術的性能，并將本文技術與目前主流的基于BP神經(jīng)網(wǎng)絡的檢測技術、基于模糊聚類的檢測技術進行比較。本文選取IYFAATGA數(shù)據(jù)包和KYHFASHS數(shù)據(jù)包為試驗數(shù)據(jù)樣本，數(shù)據(jù)來源于某電力企業(yè)智能電能表檢修數(shù)據(jù)庫，包括3 000個樣本，其中2 000個為故障樣本，電能表計量故障樣本占80%，其余1 000個樣本為電能表正常樣本。試驗中的BP神經(jīng)網(wǎng)絡參數(shù)設置如下：輸入層神經(jīng)元數(shù)量為20，隱藏層與輸出層神經(jīng)元數(shù)量為10，激活函數(shù)為Sigmoid函數(shù)，學習率為3.26，迭代次數(shù)為100。進而對數(shù)據(jù)進行處理和分析，提取故障特征并識別計量故障。檢測精度評價選用錯檢比例和漏檢比例，錯檢比例=錯誤檢測樣本數(shù)量/總檢測樣本數(shù)量，漏檢比例=未檢測到的故障樣本數(shù)量/正確檢測樣本數(shù)量。錯檢比例與漏檢比例值域均為0%～100%，錯檢比例與漏檢比例值越小，說明技術精度越高，對智能電能表計量故障檢測的準確度就越高。最后綜合比較3種技術的錯檢比例與漏檢比例，評價本文設計技術的精度。

4.2 試驗結果與討論

以故障樣本數(shù)量為變量，3種技術在不同故障樣本數(shù)量下的錯檢比例見表1。對于電能表計量故障漏檢比例，本文設計10組試驗，每組試驗檢測200個樣本，3種技術在每組試驗中的漏檢比例見表2。

比較表1、表2數(shù)據(jù)，所得試驗結論如下：在此次試驗中，基于BP神經(jīng)網(wǎng)絡檢測技術的錯檢比例最高，超過10%，基于模糊聚類檢測技術的漏檢比例最高，超過8%，本文技術的錯檢比例和漏檢比例均表現(xiàn)最優(yōu)，2項指標均未超過1%。上述試驗證明，本文技術在智能電能表計量故障檢測方面具有顯著優(yōu)勢，可以有效保證故障的檢測精度。

5 結語

本文探討了基于BP-AdaBoost算法的智能電能表計量故障檢測技術。該技術是目前智能電能表故障檢測的一種新的手段，能夠保證智能電網(wǎng)的穩(wěn)定運行，提升用戶用電體驗。本文利用BP神經(jīng)網(wǎng)絡的強大非線性映射能力和AdaBoost算法的集成學習優(yōu)勢，成功構建了一個高效、準確的故障檢測模型。該模型能夠自動從海量計量數(shù)據(jù)中提取關鍵特征，并對多種故障類型進行智能化識別和分類，不僅顯著提高了故障檢測的效率和準確性，而且降低了人工巡檢和定期校驗成本，為電力行業(yè)的數(shù)字化轉型和智能化升級提供了有力支持。

參考文獻

[1]李佳瑩，楊嫻，王丕適，等.基于檢定數(shù)據(jù)自相關性的低壓智能電能表局部異常點檢測方法[J].機械與電子，2023，41（9）：22-26.

[2]夏武，黃聰，梁誠寧，等.計量自動化系統(tǒng)中的電能計量裝置監(jiān)測研究[J].無線互聯(lián)科技，2023，20（7）：47-49，67.

[3]黃天富，吳志武，王春光，等.基于紅外測溫技術的電能表電流采樣回路失流故障分析[J].無線電工程，2024，54（6）：1536-1542.

[4]曾鳴鐘，葉玲，譚濤，等.復雜潮流工況下智能電能表計量異常的原因分析與防范策略[J].電工技術，2024（6）：147-150.

[5]代燕杰，荊臻，孫永全.基于多源信息融合的智能電能表質量綜合評價方法[J].哈爾濱理工大學學報，2023，28（2）：34-42，2.

[6]劉海英，彭梅.環(huán)境因素對智能電能表計量的影響及誤差修正方法[J].中國質量監(jiān)管，2023（5）：86-88.

[7]廖濤，張建飛，趙志磊，等.電壓波動導致220kV線路電能表失壓的差錯電量計算分析[J].電工技術，2023（20）：180-182.

[8]黃略.電能表檢定裝置標準表示值誤差異常的故障分析及處理[J].計量與測試技術，2022，49（12）：42-44.

[9]劉月驍，陸翔宇，李蕊，等.RBF神經(jīng)網(wǎng)絡的關口計量裝置故障診斷方法研究[J].電工技術，2022（20）：133-136，139.