本發(fā)明涉及電力計(jì)量在線監(jiān)測，具體涉及一種小樣本條件下電能表運(yùn)行狀態(tài)評估方法及系統(tǒng)。

背景技術(shù)：

1、電能表作為電力系統(tǒng)高壓輸電系統(tǒng)中關(guān)鍵的計(jì)量設(shè)備，其精確度直接影響到電力的計(jì)費(fèi)和管理。隨著電力市場的不斷發(fā)展與電力用戶需求的多樣化，確保高壓電能表的準(zhǔn)確性和可靠性變得尤為重要。傳統(tǒng)的電能表檢測方法主要依賴于定期的離線檢測，這不僅需要停電，影響用戶的正常用電，還增加了檢測成本與時(shí)間成本。近年來，在線檢測技術(shù)逐漸成為高壓電能表誤差狀態(tài)檢測的主流方法。這種方法允許在電能表正常運(yùn)行的情況下進(jìn)行檢測，避免了停電對用戶的影響，同時(shí)減少了人力和時(shí)間成本。在線檢測技術(shù)的優(yōu)勢在于其高效性和實(shí)時(shí)性，能夠及時(shí)發(fā)現(xiàn)和修復(fù)電能表的潛在問題，確保電能計(jì)量的準(zhǔn)確性。

2、目前，電能表狀態(tài)的在線檢測方法主要包括以下幾種：1.信號分析法：通過分析電流和電壓信號的波形和頻率，利用傅里葉變換等技術(shù)，實(shí)時(shí)監(jiān)測電能表的工作狀態(tài)。這種方法能夠有效識別電能表是否存在誤差或故障。2.智能監(jiān)測裝置：結(jié)合物聯(lián)網(wǎng)技術(shù)，安裝在電能表上的智能監(jiān)測裝置可以實(shí)時(shí)收集電能表的運(yùn)行數(shù)據(jù)，并通過云端平臺進(jìn)行分析，及時(shí)發(fā)現(xiàn)異常狀態(tài)。3.紅外熱成像技術(shù)：使用紅外熱成像儀對電能表進(jìn)行無接觸式檢測，監(jiān)測電能表在運(yùn)行過程中的溫度變化。溫度異?？赡苤甘驹O(shè)備故障或誤差，這種方法能夠在早期發(fā)現(xiàn)問題。4.數(shù)據(jù)融合與模式識別：通過將電能表的數(shù)據(jù)與其他相關(guān)設(shè)備的數(shù)據(jù)進(jìn)行融合，利用機(jī)器學(xué)習(xí)和模式識別技術(shù)，識別電能表可能存在的誤差狀態(tài)。這種方法可以提高誤差檢測的準(zhǔn)確性和效率。

3、綜上所述，在線檢測技術(shù)的應(yīng)用，使得電能表的誤差狀態(tài)檢測變得更加高效和經(jīng)濟(jì)，為電力企業(yè)的管理與運(yùn)營提供了重要保障。隨著技術(shù)的不斷進(jìn)步，在線檢測方法有望進(jìn)一步提高電能表的準(zhǔn)確性和可靠性，推動(dòng)電力行業(yè)的智能化發(fā)展。

4、文獻(xiàn)《劉月驍,楊廣華,李娜,等.基于遷移學(xué)習(xí)的電能表運(yùn)行狀態(tài)評估方法[j].自動(dòng)化應(yīng)用,?2024,?65(16):142-146,149.doi:10.19769/j.zdhy.2024.16.044.》提出了一種基于遷移學(xué)習(xí)的電能表運(yùn)行狀態(tài)評估方法。首先，通過實(shí)驗(yàn)仿真獲取不同運(yùn)行狀態(tài)下的電能表運(yùn)行數(shù)據(jù)、環(huán)境數(shù)據(jù)以及屬性數(shù)據(jù)，采用adaboost算法構(gòu)建運(yùn)行特征、環(huán)境特征、屬性特征與運(yùn)行狀態(tài)之間的關(guān)聯(lián)模型；其次，通過遷移學(xué)習(xí)將實(shí)驗(yàn)室建立的adaboost評估模型進(jìn)行適應(yīng)性調(diào)整，以適用于評估電能表現(xiàn)場實(shí)際運(yùn)行狀態(tài)。上述方法采用遷移學(xué)習(xí)技術(shù)，需要神經(jīng)網(wǎng)絡(luò)模型以用作遷移，神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練時(shí)需要大量數(shù)據(jù)，而在電能表實(shí)際運(yùn)行條件下停電檢測獲取真實(shí)訓(xùn)練數(shù)據(jù)難度較大，樣本數(shù)據(jù)量小，導(dǎo)致難以訓(xùn)練模型，從而難以對電能表運(yùn)行狀態(tài)進(jìn)行準(zhǔn)確識別。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于現(xiàn)有技術(shù)電能表運(yùn)行狀態(tài)評估方法在電能表實(shí)際運(yùn)行條件下停電檢測獲取真實(shí)訓(xùn)練數(shù)據(jù)難度較大，樣本數(shù)據(jù)量小，導(dǎo)致難以訓(xùn)練模型，從而難以對電能表運(yùn)行狀態(tài)進(jìn)行準(zhǔn)確識別。

2、本發(fā)明通過以下技術(shù)手段解決上述技術(shù)問題的：一種小樣本條件下電能表運(yùn)行狀態(tài)評估方法，包括：

3、s1、采集電能表運(yùn)行數(shù)據(jù)及其對應(yīng)的電能表運(yùn)行狀態(tài)評估結(jié)果構(gòu)建原始數(shù)據(jù)集，將原始數(shù)據(jù)集轉(zhuǎn)換為n××d?的三維矩陣，其中，n為批次大小，為時(shí)間窗口尺寸，d為特征維度，分別為幅值和相位兩個(gè)維度；將n××d?的三維矩陣輸入多頭自注意力機(jī)制得到多通道加權(quán)融合特征圖；將多通道加權(quán)融合特征圖依次經(jīng)過一個(gè)歸一化層和一個(gè)第一全連接層，輸出隱空間向量；隱空間向量分解為一個(gè)趨勢組件和三個(gè)周期組件，對趨勢組件和三個(gè)周期組件的輸出進(jìn)行展平、拼接為二維數(shù)據(jù)得到拓展數(shù)據(jù)集；

4、s2、將拓展數(shù)據(jù)集中一部分?jǐn)?shù)據(jù)進(jìn)行打標(biāo)作為訓(xùn)練數(shù)據(jù)，利用訓(xùn)練數(shù)據(jù)訓(xùn)練元學(xué)習(xí)模型，將拓展數(shù)據(jù)集輸入訓(xùn)練好的元學(xué)習(xí)模型得到拓展數(shù)據(jù)集的打標(biāo)結(jié)果；

5、s3、將打標(biāo)后的拓展數(shù)據(jù)集以及原始數(shù)據(jù)集輸入lstm模型，輸出電能表狀態(tài)類別，對lstm模型進(jìn)行訓(xùn)練，將實(shí)時(shí)采集的電能表數(shù)據(jù)輸入訓(xùn)練好的lstm模型得到電能表運(yùn)行狀態(tài)評估結(jié)果。

6、更進(jìn)一步地，將原始數(shù)據(jù)集轉(zhuǎn)換為n××d?的三維矩陣，包括：以時(shí)間窗口尺寸為，步長為，將原始數(shù)據(jù)集轉(zhuǎn)化為一個(gè)n××d?的三維矩陣。

7、更進(jìn)一步地，將n××d?的三維矩陣輸入多頭自注意力機(jī)制得到多通道加權(quán)融合特征圖，包括：

8、多頭自注意力機(jī)制包括h個(gè)注意力頭，第j個(gè)注意力頭的分支向量包括查詢向量、鍵向量、值向量，?j=1、2……h(huán)；根據(jù)查詢向量和鍵向量計(jì)算第j個(gè)注意力頭的注意力權(quán)重；將與進(jìn)行矩陣乘法得到h個(gè)通道的權(quán)重特征向量，將它與n××d?的三維矩陣相乘得到h個(gè)通道的原始的特征圖，然后采用卷積和平均池化操作，得到h個(gè)通道的池化后的權(quán)重特征圖，再將h個(gè)通道的原始的特征圖與池化后的權(quán)重特征圖利用張量廣播機(jī)制相加，得到h個(gè)通道加權(quán)特征圖，最后通過第二全連接層融合這h個(gè)通道加權(quán)特征圖得到多通道加權(quán)融合特征圖。

9、更進(jìn)一步地，隱空間向量分解為一個(gè)趨勢組件和三個(gè)周期組件，包括：

10、使用tucker分解將隱空間向量分解為核心張量和三個(gè)因子矩陣，通過對核心張量進(jìn)行低通濾波處理，作為趨勢組件；三個(gè)因子矩陣分別是對應(yīng)于批次大小n、時(shí)間窗口尺寸和特征維度d的因子矩陣，作為周期組件。

11、進(jìn)一步地，s2中利用訓(xùn)練數(shù)據(jù)訓(xùn)練元學(xué)習(xí)模型是指將訓(xùn)練數(shù)據(jù)輸入元學(xué)習(xí)模型，對元學(xué)習(xí)模型進(jìn)行訓(xùn)練，當(dāng)損失函數(shù)的值最小時(shí)，停止訓(xùn)練，得到訓(xùn)練好的元學(xué)習(xí)模型；其中，利用拓展數(shù)據(jù)集中的第個(gè)樣本與原始數(shù)據(jù)集中對應(yīng)樣本之間的相似性以及調(diào)節(jié)參數(shù)計(jì)算第個(gè)權(quán)重系數(shù)，然后利用拓展數(shù)據(jù)集中第個(gè)樣本的真實(shí)標(biāo)簽和元學(xué)習(xí)模型預(yù)測的概率分布之間的交叉熵?fù)p失與第個(gè)權(quán)重系數(shù)的乘積構(gòu)建損失函數(shù)。

12、進(jìn)一步地，s3包括：

13、lstm模型包括遺忘門、輸入門和輸出門，其中，當(dāng)前時(shí)間步的遺忘門的公式是前一時(shí)間步的隱藏狀態(tài)、當(dāng)前時(shí)間步的原始數(shù)據(jù)集以及當(dāng)前時(shí)間步的拓展數(shù)據(jù)集與第一權(quán)重矩陣的乘積加上第一偏置項(xiàng)之后再與邏輯函數(shù)相乘；當(dāng)前時(shí)間步的輸入門的公式是前一時(shí)間步的隱藏狀態(tài)、當(dāng)前時(shí)間步的原始數(shù)據(jù)集以及當(dāng)前時(shí)間步的拓展數(shù)據(jù)集與第二權(quán)重矩陣的乘積加上第二偏置項(xiàng)之后再與輸入門的sigmoid激活函數(shù)相乘；當(dāng)前時(shí)間步的候選細(xì)胞狀態(tài)是前一時(shí)間步的隱藏狀態(tài)、當(dāng)前時(shí)間步的原始數(shù)據(jù)集與候選細(xì)胞狀態(tài)的權(quán)重矩陣相乘之后加上候選細(xì)胞狀態(tài)的偏置項(xiàng)作為輸入值輸入到雙曲正切激活函數(shù)中；將當(dāng)前時(shí)間步的遺忘門的結(jié)果與前一時(shí)間步的細(xì)胞狀態(tài)相乘之后加上當(dāng)前時(shí)間步的輸入門與當(dāng)前時(shí)間步的候選細(xì)胞狀態(tài)的乘積得到當(dāng)前時(shí)間步的細(xì)胞狀態(tài)；當(dāng)前時(shí)間步輸出門的公式為前一時(shí)間步的隱藏狀態(tài)、當(dāng)前時(shí)間步的原始數(shù)據(jù)集與輸出門的權(quán)重矩陣的乘積加上輸出門的偏置之后再與輸出門的sigmoid激活函數(shù)相乘；保存lstm模型產(chǎn)生的最后一個(gè)時(shí)間步的隱藏狀態(tài)作為特征表示，送入一個(gè)帶有softmax激活函數(shù)的第三全連接層，輸出電能表狀態(tài)類別。

14、本發(fā)明還提供一種小樣本條件下電能表運(yùn)行狀態(tài)評估系統(tǒng)，包括：

15、數(shù)據(jù)增強(qiáng)模塊，用于采集電能表運(yùn)行數(shù)據(jù)及其對應(yīng)的電能表運(yùn)行狀態(tài)評估結(jié)果構(gòu)建原始數(shù)據(jù)集，將原始數(shù)據(jù)集轉(zhuǎn)換為n××d?的三維矩陣，其中，n為批次大小，為時(shí)間窗口尺寸，d為特征維度，分別為幅值和相位兩個(gè)維度；將n××d?的三維矩陣輸入多頭自注意力機(jī)制得到多通道加權(quán)融合特征圖；將多通道加權(quán)融合特征圖依次經(jīng)過一個(gè)歸一化層和一個(gè)第一全連接層，輸出隱空間向量；隱空間向量分解為一個(gè)趨勢組件和三個(gè)周期組件，對趨勢組件和三個(gè)周期組件的輸出進(jìn)行展平、拼接為二維數(shù)據(jù)得到拓展數(shù)據(jù)集；

16、數(shù)據(jù)打標(biāo)模塊，用于將拓展數(shù)據(jù)集中一部分?jǐn)?shù)據(jù)進(jìn)行打標(biāo)作為訓(xùn)練數(shù)據(jù)，利用訓(xùn)練數(shù)據(jù)訓(xùn)練元學(xué)習(xí)模型，將拓展數(shù)據(jù)集輸入訓(xùn)練好的元學(xué)習(xí)模型得到拓展數(shù)據(jù)集的打標(biāo)結(jié)果；

17、狀態(tài)評估模塊，用于將打標(biāo)后的拓展數(shù)據(jù)集以及原始數(shù)據(jù)集輸入lstm模型，輸出電能表狀態(tài)類別，對lstm模型進(jìn)行訓(xùn)練，將實(shí)時(shí)采集的電能表數(shù)據(jù)輸入訓(xùn)練好的lstm模型得到電能表運(yùn)行狀態(tài)評估結(jié)果。

18、更進(jìn)一步地，將原始數(shù)據(jù)集轉(zhuǎn)換為n××d?的三維矩陣，包括：以時(shí)間窗口尺寸為，步長為，將原始數(shù)據(jù)集轉(zhuǎn)化為一個(gè)n××d?的三維矩陣。

19、更進(jìn)一步地，將n××d?的三維矩陣輸入多頭自注意力機(jī)制得到多通道加權(quán)融合特征圖，包括：

20、多頭自注意力機(jī)制包括h個(gè)注意力頭，第j個(gè)注意力頭的分支向量包括查詢向量、鍵向量、值向量，?j=1、2……h(huán)；根據(jù)查詢向量和鍵向量計(jì)算第j個(gè)注意力頭的注意力權(quán)重；將與進(jìn)行矩陣乘法得到h個(gè)通道的權(quán)重特征向量，將它與n××d?的三維矩陣相乘得到h個(gè)通道的原始的特征圖，然后采用卷積和平均池化操作，得到h個(gè)通道的池化后的權(quán)重特征圖，再將h個(gè)通道的原始的特征圖與池化后的權(quán)重特征圖利用張量廣播機(jī)制相加，得到h個(gè)通道加權(quán)特征圖，最后通過第二全連接層融合這h個(gè)通道加權(quán)特征圖得到多通道加權(quán)融合特征圖。

21、更進(jìn)一步地，隱空間向量分解為一個(gè)趨勢組件和三個(gè)周期組件，包括：

22、使用tucker分解將隱空間向量分解為核心張量和三個(gè)因子矩陣，通過對核心張量進(jìn)行低通濾波處理，作為趨勢組件；三個(gè)因子矩陣分別是對應(yīng)于批次大小n、時(shí)間窗口尺寸和特征維度d的因子矩陣，作為周期組件。

23、進(jìn)一步地，數(shù)據(jù)打標(biāo)模塊中利用訓(xùn)練數(shù)據(jù)訓(xùn)練元學(xué)習(xí)模型是指將訓(xùn)練數(shù)據(jù)輸入元學(xué)習(xí)模型，對元學(xué)習(xí)模型進(jìn)行訓(xùn)練，當(dāng)損失函數(shù)的值最小時(shí)，停止訓(xùn)練，得到訓(xùn)練好的元學(xué)習(xí)模型；其中，利用拓展數(shù)據(jù)集中的第個(gè)樣本與原始數(shù)據(jù)集中對應(yīng)樣本之間的相似性以及調(diào)節(jié)參數(shù)計(jì)算第個(gè)權(quán)重系數(shù)，然后利用拓展數(shù)據(jù)集中第個(gè)樣本的真實(shí)標(biāo)簽和元學(xué)習(xí)模型預(yù)測的概率分布之間的交叉熵?fù)p失與第個(gè)權(quán)重系數(shù)的乘積構(gòu)建損失函數(shù)。

24、進(jìn)一步地，狀態(tài)評估模塊還用于：

25、lstm模型包括遺忘門、輸入門和輸出門，其中，當(dāng)前時(shí)間步的遺忘門的公式是前一時(shí)間步的隱藏狀態(tài)、當(dāng)前時(shí)間步的原始數(shù)據(jù)集以及當(dāng)前時(shí)間步的拓展數(shù)據(jù)集與第一權(quán)重矩陣的乘積加上第一偏置項(xiàng)之后再與邏輯函數(shù)相乘；當(dāng)前時(shí)間步的輸入門的公式是前一時(shí)間步的隱藏狀態(tài)、當(dāng)前時(shí)間步的原始數(shù)據(jù)集以及當(dāng)前時(shí)間步的拓展數(shù)據(jù)集與第二權(quán)重矩陣的乘積加上第二偏置項(xiàng)之后再與輸入門的sigmoid激活函數(shù)相乘；當(dāng)前時(shí)間步的候選細(xì)胞狀態(tài)是前一時(shí)間步的隱藏狀態(tài)、當(dāng)前時(shí)間步的原始數(shù)據(jù)集與候選細(xì)胞狀態(tài)的權(quán)重矩陣相乘之后加上候選細(xì)胞狀態(tài)的偏置項(xiàng)作為輸入值輸入到雙曲正切激活函數(shù)中；將當(dāng)前時(shí)間步的遺忘門的結(jié)果與前一時(shí)間步的細(xì)胞狀態(tài)相乘之后加上當(dāng)前時(shí)間步的輸入門與當(dāng)前時(shí)間步的候選細(xì)胞狀態(tài)的乘積得到當(dāng)前時(shí)間步的細(xì)胞狀態(tài)；當(dāng)前時(shí)間步輸出門的公式為前一時(shí)間步的隱藏狀態(tài)、當(dāng)前時(shí)間步的原始數(shù)據(jù)集與輸出門的權(quán)重矩陣的乘積加上輸出門的偏置之后再與輸出門的sigmoid激活函數(shù)相乘；保存lstm模型產(chǎn)生的最后一個(gè)時(shí)間步的隱藏狀態(tài)作為特征表示，送入一個(gè)帶有softmax激活函數(shù)的第三全連接層，輸出電能表狀態(tài)類別。

26、本發(fā)明的優(yōu)點(diǎn)在于：

27、（1）本發(fā)明將原始數(shù)據(jù)集輸入數(shù)據(jù)生成模型，實(shí)現(xiàn)數(shù)據(jù)增強(qiáng)，得到拓展數(shù)據(jù)集，然后對生成的拓展數(shù)據(jù)集進(jìn)行打標(biāo)，從而使得生成的拓展數(shù)據(jù)集能夠用于后續(xù)lstm模型的訓(xùn)練，整體而言拓展了數(shù)據(jù)樣本數(shù)量，解決樣本數(shù)據(jù)量小的問題，有助于訓(xùn)練模型，后續(xù)在模型訓(xùn)練與預(yù)測上提高準(zhǔn)確率，對電能表運(yùn)行狀態(tài)進(jìn)行準(zhǔn)確識別。

28、（2）本發(fā)明利用通道多頭注意力機(jī)制將通道域上的特征序列映射到多個(gè)子空間中獲取更豐富的通道關(guān)系。相較于傳統(tǒng)通道注意力機(jī)制，它捕獲更多元化的通道關(guān)系，可以更好地幫助網(wǎng)絡(luò)理解圖像中不同通道之間的關(guān)系，從而提高分割質(zhì)量。

29、（3）本發(fā)明對元學(xué)習(xí)模型進(jìn)行訓(xùn)練時(shí)設(shè)置的損失函數(shù)中權(quán)重系數(shù)是用于調(diào)整每個(gè)樣本在損失函數(shù)中的貢獻(xiàn)度的一個(gè)系數(shù)。權(quán)重系數(shù)反映拓展數(shù)據(jù)集中的每個(gè)樣本與原始數(shù)據(jù)集中對應(yīng)樣本之間的相似性或差異性。權(quán)重系數(shù)的目的是讓模型更加關(guān)注那些與已知的原始數(shù)據(jù)集更相似或更重要的樣本，從而提高標(biāo)簽分配的準(zhǔn)確性。

30、（4）本發(fā)明將得到的拓展數(shù)據(jù)集和原始數(shù)據(jù)集均輸入lstm模型，相當(dāng)于兩次經(jīng)過激活函數(shù)輸出，兩個(gè)數(shù)據(jù)集共同左右lstm模型的輸出，以影響遺忘門和輸入門的結(jié)果，輸出結(jié)果更加精準(zhǔn)。