一种数据驱动的防窃电智能电表及窃电状态分析方法

1.本发明涉及智能电表技术领域，特别涉及一种数据驱动的防窃电智能电表及窃电状态分析方法。


背景技术：

2.随着供电技术的发展，我国电网的结构日趋成熟，同时电力企业正在加紧智能电网的建设步伐，然而频发的窃电事件给企业带来了巨大的经济损失，受损智能电表上传的异常数据数据影响到了用电信息采集系统(advanced metering infrastructure,ami)数据分析工作的准确性和可靠性，窃电事故阻碍了智能电网的建设进程，防窃电技术的创新和研究刻不容缓。
3.现有防窃电技术可以满足防窃电的基本要求，但是难以灵活有效的应对多种多样、日新月异的窃电方式，且现有的防窃电技术时效性差，这给窃电用户电费追缴工作增加了难度。
4.现阶段，用电信息采集系统的建设趋于完善，通过该系统采集到的各类数据信息体量较大，往往是多维且异构的，数据的集中处理与存储给用电信息采集系统主站带来了巨大的压力，而且很难满足实时性业务的时效要求。
5.近些年，电力企业广泛开展了电力负荷管理系统的相关研究工作，该系统对防窃电工作具有一定的参考意义，但是通过系统数据发现用户异常用电的情况后还需要工作人员到现场突击检查，工作人员查验后才能判断是否发生窃电事件，这种防窃电方式往往会惊动窃电人员并造成现场取证困难。


技术实现要素：

6.为了解决背景技术提出的技术问题，本发明提供一种数据驱动的防窃电智能电表及窃电状态分析方法，针对防窃电措施的局限性，基于现有的智能电表结构设计了一种数据驱动的防窃电智能电表，借助深度学习(deep learning)算法和上下协同的防窃电架构，合理的分析用电信息采集系统中存储的用户用电历史信息，通过软硬件的升级，及时检测到用户的窃电行为，为电力企业减少大量的经济损失，完善智能电网的功能和架构。
7.为了达到上述目的，本发明采用以下技术方案实现：
8.一种数据驱动的防窃电智能电表，包括微处理器和与其连接的时钟模块、计量模块、通信接口、lcd显示、存储器、校表模块、电源模块；还包括传感器模块和防窃电分析模块；所述的传感器模块包括多个压力传感器，安装于电表接线端子下端，并与微处理器连接，微处理器通过压力传感器的信息检测接线端子处接线线路的改动；防窃电分析模块与微处理器连接，根据微处理器中的用户用电数据进行窃电状态分析。
9.所述的一种数据驱动的防窃电智能电表的窃电状态分析方法，包括如下：
10.1)上下协同的防窃电分析网络架构：“上下”分别指用电信息采集主站和智能电表，“协同”代表两者之间的数据协同和分析协同；所述智能电表负责数据采集，包括用户用
电数据和反映智能电表硬件完整性的传感器数据，这些数据被送到智能电表的微处理器和防窃电分析模块中进行数据分析和存储，此外，用电信息采集主站下发的检修提示信息也是智能电表微处理器的输入数据，当智能电表收到检修提示信息后会立即进入待机状态，需要人工现场操作才能再次恢复工作状态；微处理器的分析结果会实时传送到用电信息采集主站，如果微处理器判断出异常情况(未检修状态但有电表的接线变化即为异常)则立即调取用户历史用电信息做进一步判断，一旦最终的分析结果为窃电事件，智能电表将切断用户的电力供应，同时，向主站发出特别提示信息，主站有相应的软件配置来处理智能电表上传的状态信息；用电信息采集主站还要负责分析模型的训练工作，定期调取智能电表存储的数据对智能算法模型进行训练和更新，并将更新后的模型参数下发到智能电表，模型的动态更新保证了防窃电分析工作的灵活性和可靠性；
11.2)基于门控循环单元的算法模型：防窃电分析模块的核心算法采用循环神经网络(recurrent neural network，rnn)的一种改进算法——门控循环单元(gated recurrent unit，gru)，该算法可以有效地防止梯度消失和梯度爆炸，同时，很大程度上减少了模型参数，提升了模型地整体分析效率；
12.gru的模型，模型的前向传播过程如下：
13.z
t
＝σ(w
z
·
[h
t
‑1，x
t
])\*mergeformat
ꢀꢀ
(1)
[0014]
r
t
＝σ(w
r
·
[h
t
‑1，x
t
])\*mergeformat
ꢀꢀ
(2)
[0015][0016][0017]
y
t
＝σ(w
o
·
h
t
)\*mergeformat
ꢀꢀ
(5)
[0018]
其中x
t
是输入，h
t
‑1是上一时刻的隐藏状态，h
t
是当前更新的隐藏状态，是候选隐藏状态，z
t
和r
t
分别代表更新门和重置门，σ是sigmoid激活函数；
[0019]
上式中参数w
z
、w
r
、w
o
是模型通过训练数据集学习得到，[a，b]代表两个向量的拼接，所以参数w
z
、w
r
、的相应形式如下：
[0020]
w
z
＝w
zx
+w
zh
[0021]
w
r
＝w
rx
+w
rh
[0022][0023]
由gru构成的深度学习算法模型，x、y、h分别代表模型输入、模型输出和隐层状态；算法模型的输入量x来源于用户用电数据，即基于时间的序列，其输出y是相应的分析序列，代表相应的分析结果。该算法模型的参数由大量数据训练得到，训练数据包括正常用电数据和发生窃电时的用电数据，所以模型分析的结果为正常用电和发生窃电两种。以上训练工作由主站完成，数据分析则是在智能电表内部进行。
[0024]
与现有技术相比，本发明的有益效果是：
[0025]
在现有智能电表设计的基础上添加4个微型压力传感器和防窃电分析模块，通过硬件和软件的升级改进后，智能电表可以依据采集到的数据信息分析设备状态并将状态信息上传到用电信息采集主站。压力传感器能够采集到的电表的接线变化，一旦出现异常情况，微处理器首先检查用电信息采集系统主站是否下发维修信号，若未收到维修信号，立即
启动防窃电分析模块，借助深度学习(deep learning)算法和上下协同的防窃电架构，合理的分析用电信息采集系统中存储的用户用电历史信息，如果分析后判断该异常是由窃电行为造成，则立即向用电信息采集系统主站上报窃电报警信息并将异常数据存储到设备中以备后续窃电追缴过程中的举证。
附图说明
[0026]
图1是本发明的一种数据驱动的防窃电智能电表的设计图；
[0027]
图2是本发明的压力传感器位置的结构示意图；
[0028]
图3是本发明的一种用电信息采集主站与智能电表协同的防窃电分析网络架构；
[0029]
图4是本发明的一种数据驱动的防窃电智能电表的窃电事件判断流程图；
[0030]
图5是本发明的gru结构示意图；
[0031]
图6是本发明的基于gru的深度学习算法模型。
[0032]
图中：1
‑
智能电表，2
‑
压力传感器。
具体实施方式
[0033]
以下结合附图对本发明提供的具体实施方式进行详细说明。
[0034]
如图1
‑
2所示，一种数据驱动的防窃电智能电表，包括微处理器和与其连接的时钟模块、计量模块、通信接口、lcd显示、存储器、校表模块、电源模块；还包括传感器模块和防窃电分析模块；所述的传感器模块包括4个压力传感器2，安装于电表1接线端子下端，并与微处理器连接，微处理器通过压力传感器2的信息检测接线端子处接线线路的改动；防窃电分析模块与微处理器连接，根据微处理器中的用户用电数据进行窃电状态分析。
[0035]
所述微处理器是智能电表的控制核心，其功能完成各个模块指令的读取并进行相应的指令处理。考虑到数字信号处理器(dsp)功耗低、处理速度快、精度高等优点，本专利选取dsp作为智能电表的微处理器，可以很大程度上提升智能电表的数据处理能力。
[0036]
所述时钟模块为整个设备提供统一的系统时间，协调设备各部分模块的工作步调。智能电表采集用户的用电信息是基于时间尺度的，采集到的电流和电压必须保持在时间上的同步性，只有同一时刻的电流值和电压值才能保证智能电表计算出的其他各项数值是准确且有意义的。
[0037]
所述传感器模块包括4个压力传感器，这些传感器采用先进的微型光纤传感器。随着微机电系统(micro
‑
electro
‑
mechanical system,mems)技术的发展，传感器的制作工艺有了很大提升，微型传感器的体积越来越小，甚至可以达到纳米级别，功耗较低，性能良好，而且造价便宜。将微型传感器安装在智能电表的接线柱处，这样就可以检测到接线柱附近的线路改动，安装位置如图2所示，标号分别是火线入、火线出、零线入、零线出，在这4个位置安装传感器元件。
[0038]
所述计量模块的功能是采集用户电路的电流和电压数据，并根据这些数据在计量芯片中计算得到用户的有功功率、无功功率、视在功率、有功能量以及无功能量，以及电流有效值、电压有效值、功率因数、频率等参数，满足单相多功能电能表的需求。
[0039]
所述防窃电分析模块的功能是在微处理器发出工作指令后，通过模块中预先训练好的分析模型，对用户用电信息进行分析处理，并将分析结果上传至用电信息采集主站。
[0040]
所述通信接口的功能是完成智能电表的双向通信。智能电表的双向通信即支持数据的上传和接收，数据的上传指的是用户用电数据上传和所述窃电模块数据上传，数据接收指的是用电信息主站下发一系列指令以及专业技术人员的现场设备维护等操作。
[0041]
所述lcd显示模块的功能是显示用户的电能信息，这些电能信息包括电压、电流、功率、用电量、电费余额等。
[0042]
所述存储器主要用来存储用户的用电信息和传感器模块收集的设备信息。存储用户的历史用电信息以便用电信息采集主站的调取分析，传感器模块的设备状态信息可用于窃电事件的电费追缴工作。
[0043]
所述校表模块的功能是接收校表指令校准表计的相应参数，同时校准操作也包括本地时钟与主站系统时钟的同步。
[0044]
所述电源模块负责为智能电表的各个模块提供电能供应。通常情况下，智能电表的电源模块包含两个部分，交流电源和直流电源，当用户电力供应正常时，智能电表采用交流供电模式，需要说明的是交流供电只是代表智能电表的电能供应来源于交流电，但是还要由专门的元件将220v的交流电转化为适合智能电表使用的直流电，当无法为用户提供电力供应时，启用直流供电模式，以确保智能电表各项数据的正常存储。
[0045]
所述的一种数据驱动的防窃电智能电表的窃电状态分析方法，包括如下：
[0046]
一、如图3所示，上下协同的防窃电分析网络架构：“上下”分别指用电信息采集主站和智能电表，“协同”代表两者之间的数据协同和分析协同；
[0047]
所述智能电表负责数据采集，包括用户用电数据和反映智能电表硬件完整性的传感器数据，这些数据被送到智能电表的微处理器和防窃电分析模块中进行数据分析和存储，此外，用电信息采集主站下发的检修提示信息也是智能电表微处理器的输入数据，当智能电表收到检修提示信息后会立即进入待机状态，需要人工现场操作才能再次恢复工作状态；微处理器的分析结果会实时传送到用电信息采集主站，如果微处理器判断出异常情况(未检修状态但有电表的接线变化即为异常)则立即调取用户历史用电信息做进一步判断，一旦最终的分析结果为窃电事件，智能电表将切断用户的电力供应，同时，向主站发出特别提示信息，主站有相应的软件配置来处理智能电表上传的状态信息；用电信息采集主站还要负责分析模型的训练工作，定期调取智能电表存储的数据对智能算法模型进行训练和更新，并将更新后的模型参数下发到智能电表，模型的动态更新保证了防窃电分析工作的灵活性和可靠性；
[0048]
如图4所示，具体流程如下：
[0049]
步骤一、首先由微处理器通过压力传感器的数据判断是否有接线的改变，当发现有接线改变时，进入步骤二；
[0050]
步骤二、由微处理器根据用电信息采集主站下发的检修提示信息判断是否进入检修状态，当智能电表收到检修提示信息后会立即进入待机状态，需要人工现场操作才能再次恢复工作状态；如果提示未进入检修状态，则进入步骤三；
[0051]
步骤三、防窃电分析模块调取用户历史用电信息做进一步判断，采用基于门控循环单元的算法模型，算法模型的输入量x来源于用户用电数据，即基于时间的序列，其输出y是相应的分析序列，代表相应的分析结果。该算法模型的参数由大量数据训练得到，训练数据包括正常用电数据和发生窃电时的用电数据，所以模型分析的结果为正常用电和发生窃
电两种。以上训练工作由主站完成，数据分析则是在智能电表内部进行；
[0052]
步骤四、一旦最终的分析结果为窃电事件，智能电表将切断用户的电力供应，同时，向主站发出特别提示信息。
[0053]
二、基于门控循环单元的算法模型：防窃电分析模块的核心算法采用循环神经网络(recurrent neural network，rnn)的一种改进算法——门控循环单元(gated recurrent unit，gru)，该算法可以有效地防止梯度消失和梯度爆炸，同时，很大程度上减少了模型参数，提升了模型地整体分析效率；
[0054]
如图5
‑
6所示，gru的模型，模型的前向传播过程如下：
[0055]
z
t
＝σ(w
z
·
[h
t
‑1，x
t
])\*mergeformat
ꢀꢀ
(1)
[0056]
r
t
＝σ(w
r
·
[h
t
‑1，x
t
])\*mergeformat
ꢀꢀ
(2)
[0057][0058][0059]
y
t
＝σ(w
o
·
h
t
)\*mergeformat
ꢀꢀ
(5)
[0060]
其中x
t
是输入，h
t
‑1是上一时刻的隐藏状态，h
t
是当前更新的隐藏状态，是候选隐藏状态，z
t
和r
t
分别代表更新门和重置门，σ是sigmoid激活函数；
○
代表向量拼接，代表向量按位相乘。
[0061]
上式中参数w
z
、w
r
、w
o
是模型通过训练数据集学习得到，[a，b]代表两个向量的拼接，所以参数w
z
、w
r
、的相应形式如下：
[0062]
w
z
＝w
zx
+w
zh
[0063]
w
r
＝w
rx
+w
rh
[0064][0065]
由gru构成的深度学习算法模型，x、y、h分别代表模型输入、模型输出和隐层状态；算法模型的输入量x来源于用户用电数据，即基于时间的序列，其输出y是相应的分析序列，代表相应的分析结果。该算法模型的参数由大量数据训练得到，训练数据包括正常用电数据和发生窃电时的用电数据，所以模型分析的结果为正常用电和发生窃电两种。以上训练工作由主站完成，数据分析则是在智能电表内部进行。
[0066]
智能电表的设计应遵循低功耗和信息安全的原则，所以在选择承载智能算法的芯片时除了要满足基本的运算能力要求，还要考虑其能耗和信息安全性。近年来，为保证工业生产信息安全和应对国外不法分子的网络攻击，国内工控领域普遍采用国产芯片，鉴于以上因素，本专利的防窃电分析模块可以采用国家电网下属企业北京智芯微电子科技有限公司研制的ai芯片猎鹰a101，该芯片算力高达整数精度(int8)1.2tera
‑
ops，峰值功耗仅0.5w，支持人工智能算法的部署，适用于本专利的应用场景。
[0067]
本发明的智能电表设计与传统智能电表相比较，最大的不同之处是增加了防窃电分析模块，具备强大的数据分析能力，同时，构建以该模块为核心的上下协同的防窃电分析网络架构，在本地即可完成数据分析与存储，防窃电分析模块内的算法模型由用电信息采集主站训练和下发。防窃电分析模块以深度学习算法做支撑，并结合当下功能日益强大的智能芯片，可以实现智能电表状态信息的本地自主分析，将用电信息采集主站的防窃电数
据分析工作下放到终端设备，可以有效的缓解主站数据分析压力，同时，主站与智能电表协同工作的方式可以尽可能地降低对终端数据处理能力的要求，这样的网络布局结构也为用电信息采集系统海量数据的存储问题提供了一种可行的解决方案。
[0068]
以上实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。