杨 晨，刘铭洋

(国网新疆营销服务中心,新疆 乌鲁木齐 830000)

0 引言

国内许多学者对电能表的检验质量评估作研究。文献[9]提出了一种基于以可靠性为中心的维修(reliability centered maintenance,RCM)的电能表状态检测评价方法，通过状态矩阵实现电能表检验质量评估。文献[10]提出了一种基于决策树群的电能表状态检测评价方法，通过对电能表的多维异常诊断，实现对电能表检验质量评估。文献[11]提出了一种基于数据挖掘的电能表状态检测评价方法，通过对电能表计量误差、客户用电负荷等数据进行挖掘，实现电能表检验质量评估。文献[12]提出了一种基于层次结构分析的电能表检验状态评价方法，通过改进熵权法计算电能表检验状态中的权重，实现电能表检验质量评估。文献[13]提出了一种基于综合评估的电能表检验状态评价方法，通过基础状态、家族缺陷等指标实现电能表检验质量评估。由此可见，电能表的检验质量评估方法多样，且其研究取得了一定的成果。但上述研究采用离线的现场电能表检测状态进行评估，数据分析实时性低、准确性差。

为解决电能表现场检验中存在的数据采集困难、状态评价质量不足的问题，本文提出了一种基于深度信念网络的电能表检验质量评估方法。

1 电能表检验质量评估框架

本文提出了基于深度信念网络的电能表检验质量评估方法。电能表检验质量评估框架如图1所示。

图1 电能表检验质量评估框架

该框架主要包括电能表检验数据物联采集、电能表检验数据清洗和电能表检验质量评估3个环节。

①在电能表检验数据的物联采集环节，通过电力物联网终端的边缘物联代理方法，实现跨地域的电能表现场检验设备数据的泛在感知，以及电能表校验、试验等数据的有效汇聚和物联智能传输。

②在电能表检验数据清洗环节，采用拉格朗日差值法对物联感知的电能表校验、试验等数据进行清洗，对缺失数据进行插值补正，以消除电能表校验噪声数据和缺失数据对电能表质量评估带来的影响。

③在电能表检验质量评估环节，根据电能表检验质量的关键要素建立电能表检验质量评估矩阵。在此基础上，通过深度信念网络对电能表检验数据进行评估，以实现对电能表检验质量的精准评估。

本文设计一种用于可流动状态下细胞电阻抗成像检测的多电极阵列微流控芯片。该芯片可以对静止状态下的细胞和流动状态下的细胞进行电阻抗成像检测。仿真软件模拟结果显示,电极对内部细胞的位置变化比较敏感,可以通过电极所测量的电压变化计算出细胞的空间分布。

2 电能表检验质量评估模型

基于深度信念网络的电能表检验质量评估方法充分考虑电能表检验质量数据的特性，并采用深度信念网络进行电能表检验质量评估，可提高电能表检验质量评估的准确性。

2.1 电能表检验数据物联采集

传统的电能表现场校验仪不具备通信功能，无法实现在线监测。国家电网公司计量中心于2018年开展了新型电能表现场校验仪研究[14]，在现场校验仪上加装了物联感知设备，实现了异地的分布式电能表现场校验仪的物联感知，进而实现电能表检验数据的有效汇聚和物联智能传输。

在物联代理感知的模型中，本文采用霍夫曼编码进行多个电能表现场校验仪建模。电能表现场校验仪采集的资源H为：

(1)

式中：n为电能表现场校验仪个数；g()为采集函数；ai为第i个电能表现场校验仪的特征数据；bi为特征数据ai的维度。

区域内的电能表现场校验仪时间T为：

(2)

式中：ti为第i个电能表现场校验仪的采集时间。

通过电能表现场校验仪数据的泛在感知，可实现电能表检验数据的汇聚和传输。

2.2 电能表检验数据清洗

由于电能表现场校验仪数据在检测、存储、传输的过程中易受到噪声影响，将导致电能表检验数据的错误和缺失，从而影响电能表检验质量评估的准确性[15]。本文采用拉格朗日差值法对物联感知的电能表校验、试验等数据进行清洗，对缺失数据进行插值补正。计算出的缺失数据L为：

(3)

式中：s为电能表检验数据采集点；c为缺失点或错误点前的数据；d为缺失点或错误点后的数据；y为缺失或错误数据前后点的距离。

2.3 电能表检验质量评估

电能表检验质量评估涉及运行误差、误差波动性等方面。本文根据电能表检验质量评估的关键要素建立电能表检验质量评估矩阵。电能表检验质量评估矩阵指标如表1所示。

表1 电能表检验质量评估矩阵指标

在电能表检验质量指估矩阵的基础上，采用深度信念网络对电能表检验数据进行评估。电能表检验质量评估联合分布概率P为：

P=(z1w1|z2w2,...,|zmwm)

(4)

式中：m为指标个数；zi为指标，i=1,2,...,m；wi为指标的权重。

通过深度信念网络评估后，电能表检验质量F为：

F=log2P+Q

(5)

式中：Q为电能表检验偏置函数。

由式(5)可知，通过深度信念网络，可实现对电能表检验质量的精准评估。

3 电能表检验质量评估流程

基于深度信念网络的电能表检验质量评估方法的操作步骤如下。①采用物联代理感知模型，对电能表现场检验仪器的数据进行物联采集。②采用拉格朗日差值法对物联感知的电能表检验等数据进行清洗，对缺失数据进行插值补正。③通过深度信念网络，对电能表检验质量进行精准评估。④根据评估结果，生成电能表检验质量评估清单。

4 算例分析

在某省电力公司计量中心应用基于深度信念网络的电能表检验质量评估方法，使用的操作系统环境为Windows 10，中央处理器为因特尔酷睿i5,2.5 GHz，内存为16 GB。

4.1 电能表检验质量评估运行性能分析

分别采用基于深度信念网络与基于大数据挖掘的电能表检验质量评估方法进行电能表检验质量评估的运行性能测试。选择的电能表个数分别为5、10、20、50、80、100。电能表检验质量评估运行性能分析如表2所示。由表2可知，基于深度信念网络的电能表检验质量评估方法的运行性能优于基于大数据挖掘电能表检验质量评估方法。

表2 电能表检验质量评估运行性能分析表

4.2 电能表检验质量评估准确性分析

分别采用基于深度信念网络与基于大数据挖掘的电能表检验质量评估方法进行电能表检验质量评估准确性测试。训练数据为某省电力公司计量中心的100 000个电能表检验的样本数据，验证数据为2020年的100、500、1 000、2 000、5 000、10 000个电能表的检验质量评估数据。2种方法的电能表检验质量评估准确性分析如图2所示。由图2可知，基于深度信念网络的电能表检验质量评估方法的电能表检验质量评估准确性优于基于大数据挖掘的电能表检验质量评估方法。

图2 电能表检验质量评估准确性分析图

5 结论

为解决电能表现场检验中存在的数据采集困难、状态评价质量不足的问题，本文提出了一种基于深度信念网络的电能表检验质量评估方法。首先，在新型电能表现场校验仪上加装物联感知设备，实现电能表现场检验设备数据的泛在感知。其次，采用拉格朗日差值法对物联感知的电能表检验数据进行清洗，对缺失数据进行补正。然后，建立电能表检验质量评估矩阵，通过深度信念网络对电能表检验质量数据进行评估。最后，在某地区公司中应用本方法。其运行结果表明，本方法优于基于大数据挖掘的电能表检验质量评估方法，可对电能表检验质量进行精准评估。下一步将结合深度学习神经网络，进一步提高检验质量评估的准确性。