基于BP-AdaBoost的智能電能表計量故障檢測技術

摘 要：現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。利用工業相機感知電能表計量圖像數據，采用加權平均值法實現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，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、數據處理和雙向通信等功能，而且具有實時數據交互、多種電價計費、遠程斷供電和電能質量監測等高級功能，可以提高電網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濟損失。智能電能表出現計量故障，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的負荷預測、電力調度等高級應用和電力系統的整體運行。因此，及時、準確地檢測智能電能表的計量故障是保障電網安全、穩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，但是現行技術具有一定的局限性，在實際應用中經常出現錯檢、漏檢問題，因此本文提出基于反向傳播神經網絡（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

為了實時監測電能表的運行狀態、及時發現并處理潛在的故障問題，避免故障進一步擴大，對電網運行造成影響，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，并將其轉換為計算機可以處理的數字圖像。該過程涉及圖像的采集、傳輸和預處理等步驟，可以為后續的圖像識別與故障檢測奠定基礎。本文選擇工業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，利用專業的螺栓固定裝置穩固其位置。為了使相機與電能表的工作狀態保持高度同步，采用串并聯結合的方式，將工業相機集成到電能表的電路總線上，以實現兩者間的緊密聯動。由于外界環境因素（例如光照變化、灰塵遮擋等）可能影響相機圖像采集質量，因此在工業相機鏡頭上方安裝高亮度、可以調節的LED照明裝置。該裝置能夠根據環境光照條件自動調節亮度，為相機提供穩定、均勻的光照環境，有效消除光照變化對圖像采集質量的干擾。同時，該系統還具有防塵、防水功能，在惡劣天氣條件下仍能正常工作，環境適應性較好。此外，本文針對工業相機在光學成像過程中可能存在的畸變問題，采取科學嚴謹的標定方法——張氏標定法，對工業相機進行精確標定[2]。該方法可以拍攝特定標定板的多角度圖像，利用數學算法計算相機的內部參數（例如焦距、光心等）和外部參數（相機相對于標定板的位置和姿態），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，針對相機鏡頭產生的徑向畸變和切向畸變，本文設定了相應的校正參數，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為工業相機圖像坐標系徑向畸變參數；e為回歸校正系數；p為工業相機圖像坐標系切向畸變參數[4]。

根據實際應用場景的需求，對相機的各項參數進行設定與標定，并利用局域網絡，將感知到的電能表計量圖像數據實時傳輸至計算機，用于后續處理和分析。環境適應性優化和畸變校正可以減少圖像中的噪聲和畸變，降低后續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據有助于更準確地識別電能表的讀數和潛在故障，為后續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，所以直接區分圖像的背景與前景比較困難。此外，由于需要處理的數據更多，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電能表圖像的灰度化。灰度化是指將彩色圖像轉換為灰度圖像，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[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為虛數單位[6]。

其次，利用濾波函數調整圖像頻譜，以抑制噪聲并保留或增強有用信息。將濾波函數與圖像頻譜相乘，乘積結果即為調整后的頻域圖像。濾波函數的選擇取決于噪聲類型和圖像特征，對調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；C為IDFT離散傅立葉逆變換函數。

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，為后續的電能表計量故障檢測提供更準確、可靠的圖像數據。同時，頻域濾波技術還具有靈活性高、適應性強的優點，可以根據不同的應用場景和需求設計不同的濾波函數。

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）神經網絡，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）神經網絡的學習能力。這種組合方式能夠充分利用BP神經網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定性。BP-AdaBoost具體流程如圖1所示。

從原始數據集中隨機抽取一定數量的樣本，構成BP（反向傳播）神經網絡模型的訓練數據集，如公式（5）所示。

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

式中：F為抽取的訓練數據集；q1，q2，…，qm為分類器期望預測系數，其中q為分類器期望預測結果，m為樣本抽取數量[7]。

根據樣本的初始分布（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神經網絡，包括網絡的基本架構（例如層數、神經元數量和輸入/輸出維度等）和隨機初始化網絡的權重/偏置項[8]。利用AdaBoost算法訓練BP神經網絡。在每一次迭代中，根據當前的樣本權重分布，對訓練數據進行歸一化處理，保證數據均勻分布在[0，1]，便于神經網絡進行學習，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絡狀態，訓練一個新的BP神經網絡（記為Nt，其中t為迭代次數），該網絡嘗試從當前的數據分布中學習到分類規則。完成網絡訓練后，利用該網絡對訓練樣本進行預測，并根據預測結果計算樣本的預測誤差。根據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神經網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。在每一次迭代中都會得到一個新的BP神經網絡及其對應的權重，這些網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；i為弱分類器數量；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；Z（X）為歸一化后樣本X的規范因子[9]。

將電能表計量圖像帶入強分類器函數中。當條件為真時，強分類器函數輸出為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神經網絡的檢測技術、基于模糊聚類的檢測技術進行比較。本文選取IYFAATGA數據包和KYHFASHS數據包為試驗數據樣本，數據來源于某電力企業智能電能表檢修數據庫，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神經網絡參數設置如下：輸入層神經元數量為20，隱藏層與輸出層神經元數量為10，激活函數為Sigmoid函數，學習率為3.26，迭代次數為100。進而對數據進行處理和分析，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=錯誤檢測樣本數量/總檢測樣本數量，漏檢比例=未檢測到的故障樣本數量/正確檢測樣本數量。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

以故障樣本數量為變量，3種技術在不同故障樣本數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數據，所得試驗結論如下：在此次試驗中，基于BP神經網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最優，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，能夠保證智能電網的穩定運行，提升用戶用電體驗。本文利用BP神經網絡的強大非線性映射能力和AdaBoost算法的集成學習優勢，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據中提取關鍵特征，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，為電力行業的數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.基于檢定數據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.計量自動化系統中的電能計量裝置監測研究[J].無線互聯科技，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神經網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.