[发明专利]一种电能表电流过载预测方法与系统

说明书

本发明提供了一种电能表电流过载预测方法，获取电流过载相关用电数据特征以及用户用电样本数据；对数据进行预处理，得到具有时序特征的用电数据；针对具有时序特征的用电数据，按照不同时间粒度进行分类，得到多层级的用电时序数据，以设定规则提取用电数据序列中的关键特征，获取不同时间窗口的候选shapelet序列；基于shapelet序列特征与用电特征，采用门控神经网络构建并训练得到的电能表电流过载预测模型，进行电能表电流过载判别；基于电能表电流过载判别结果，整合各时间层级的电流过载分布情况，形成格式化预警报文发送，进行现场核查，并更新数据；本发明能够实现对电流过载问题的常态监控和高效管理。

技术领域

本发明属于智能用电技术领域，具体涉及一种电能表电流过载预测方法与系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

电流过载是指电能表出现超出额定电流的情况。导致电流过载的原因有很多，例如供电端电压增大，回路中用电设备数量或者功率增加，电线老化导致电阻增加等情况，均有可能发生电流过载。近年来，随着电力行业的发展，尤其是用户用电信息采集技术的不断革新，从早期的人工采集，逐渐发展到现在的智能采集系统。智能采集系统极大地提高了用电采集工作的质量和效率，其中核心的组件包括智能电能表。电能表是指用来测量电能的仪表，用于计量和采集各信息采集点用电信息，主要是与电流和电压相关的数据，将电流和电压的模拟信号转换成数字数据，然后并将数据通过信道上传给数据采集层。而该电能表如果出现电流过载情况，一方面会加剧回路中电线、插座等设备的老化，导致用电数据采集故障，影响用户正常使用；另一方面，会使得采集系统中相关配置出现问题，引发更多潜在的风险，例如过载较多可能引起线路发热，容易发生火灾。所以，如何更有效的管理和预防电能表发生电流过载的情况是当前亟待解决的问题。

在用电信息采集系统的大数据分析模块中，针对电能表电流过载的预测模型，常用方法包括逻辑回归、随机森林、BP神经网络(Back Propagation Neural Network，BPNN)、径向基函数(Radial Basis Function，RBF)神经网络等分类模型，其中的传统机器学习模型训练分类器前需进行特征工程，人工成本较高，并且用电数据具有一定的周期性和非周期性规律，人工筛选特征很难挖掘其中的隐藏信息。BPNN、RBF等深度学习模型则可以在一定程度上挖掘用电数据中潜在的关联信息，得到较好的分类效果，但是此类模型很难挖掘用户用电数据中的突变特征以及长时间的依赖关系。

发明内容

本发明为了解决上述问题，提出了一种电能表电流过载预测方法与系统，本发明通过对异常数据进行多维度、分层级分析，挖掘用电数据中电流变化趋势潜在的关联关系，从而有效预测电能表电流过载发生的情况，实现对电流过载问题的常态监控和高效管理。

根据一些实施例，本发明采用如下技术方案：

一种电能表电流过载预测方法，包括以下步骤：

获取电流过载相关用电数据特征以及用户用电样本数据；

对数据进行预处理，得到具有时序特征的用电数据；

针对具有时序特征的用电数据，按照不同时间粒度进行分类，得到多层级的用电时序数据，以设定规则提取用电数据序列中的关键特征，获取不同时间窗口的候选shapelet序列；

基于shapelet序列特征与用电特征，采用门控神经网络构建并训练得到的电能表电流过载预测模型，进行电能表电流过载判别；

基于电能表电流过载判别结果，整合各时间层级的电流过载分布情况，形成格式化预警报文发送，进行现场核查，并更新数据。

作为可选择的实施方式，相关用电数据包括用户基本信息、计量点信息、电能表信息、电量信息和负荷信息。

作为可选择的实施方式，所述预处理包括数据清洗、数据补全、数据集成和归一化处理。