鄧 穎
（貴州電網有限責任公司貴陽白云供電局，貴州 貴陽 550014）
0 引 言
電能計量裝置通常用于測量并記錄發電量與供電量、電力調度等工作。現有的電能計量裝置運行一般為單元形式，設備在日常運行過程中會形成大量數據和信息。異常數據是電能計量裝置應用中較為常見的問題，為降低異常數據對電力調度和管控的影響，相關人員制定了對應的識別方法。文獻[1]和文獻[2]分別設計了傳統無線傳感器網絡（Wireless Sensor Network，WSN）動態電能計量裝置異常數據識別方法和傳統速度-關聯約束電能計量裝置異常數據識別方法，雖然可以實現預期的任務和目標，但是缺乏針對性與可靠性，對于異常數據的捕捉精度較低。此外，在外部環境和其他特定因素的影響下，電能計量裝置異常數據的識別與采集效率也會大幅降低，最終形成不可控的識別誤差[3]。因此，文章提出基于Logistic算法的電能計量裝置異常數據識別方法的設計與驗證研究。將Logistic 算法與當前的設備異常數據識別工作相融合，可以擴大當前的測試環境，在最短的時間內捕捉到異常數據發出的異常信號，快速辨識并鎖定異常數據的位置，構建更加靈活、多變的識別結構[4]。
1 設計電能計量裝置異常數據Logistic 測算識別方法
1.1 提取異常數據識別特征
當前電能計量裝置在實際運行中，會形成大量具有一定的周期性規律的數據和信息[5]。在出現異常數據時，會形成特定的識別特征[6]。為了更好地識別這些異常數據，需要在當前的背景環境下，明確異常數據的覆蓋采集范圍，并設置一定數量異常監測識別節點。節點通常設置為獨立的，但在實際應用時應盡量進行節點的關聯與整合，以便在預設的周期內完成數據和信息的基礎性采集處理，從而方便后續的識別處理[7]。先設置6 個周期，每一個周期均需要設置對應的識別標準，并對基礎的指標參數進行設置，具體如表1 所示。
表1 異常數據識別特征指標參數設置表
根據表1，完成對異常數據識別特征指標參數的設置。在此基礎上，總結在一定周期內采集的數據信息波動規律[8]。
1.2 設計SVD+多目標快速辨識矩陣
奇 異 值 分 解（Singular Value Decomposition，SVD）是一種處理開源型數據的穩定框架，自身具有較強的針對性和可靠性。結合多目標的數據識別框架，設計組合式的快速辨識矩陣。在Client、Driver、SparkContext 識別應用模塊的輔助下，分類處理采集的數據信息文件。按照SVD 執行異常數據識別標準，先測定異常數據的可控識別范圍，結合測定結果完成對矩陣快速識別范圍的劃定與計算，然后結合SVD框架設計多目標的矩陣執行結構，如圖1 所示。
圖1 SVD+多目標快速辨識矩陣執行結構
完成對SVD+多目標快速辨識矩陣執行結構的設置后，將設置的節點與矩陣融合，形成一個穩定的識別環境。
1.3 構建Logistic 測算電能計量裝置異常數據識別模型
為了確保電能計量裝置的穩定運行，需要實時監測設備運行狀態，獲取周期性數據。綜合Logistic算法，設計電能計量裝置異常數據識別模型。分階段進行異常數據的篩選，并設置識別結構，如圖2 所示。
圖2 Logistic 測算異常數據識別模型結構
整合異常數據，同時設計識別時序，利用Logistic 算法計算識別限值差。結合當前的測定，完成對識別值差的計算，將其設置在識別模型中，明確對應的識別區域，加強對識別誤差的控制，提高模型的整體應用效果。
1.4 多區間邊界修正實現數據識別處理
通過多區間邊界修正的方式強化異常數據的識別效果。結合實際的識別需求，先設定一個約束區間，建立集合Sr（r=1,2,…,m），并制定約束邊界標準，即
2 方法測試
考慮最終測試結果的可靠性，對傳統WSN 動態電能計量裝置異常數據識別測試組、傳統速度-關聯約束電能計量裝置異常數據識別測試組以及文章設計的Logistic 算法電能計量裝置異常數據識別測試組進行對比分析，驗證設計方法的實際應用效果。
2.1 測試準備
布設一個主節點裝置，另一個為輔助檢測控制裝置。按照SVD 原理，采集普通數據和異常數據，對數據進行分類處理。先提取出基礎的異常數據特征，并對數據進行范圍篩查，如圖3 所示。
圖3 異常數據范圍篩查結構
調整當前異常數據的識別范圍，并利用節點對各個電能計量裝置進行實時監測，完成對測試環境的搭建。
2.2 測試過程及結果分析
隨機選定5 臺關聯的電能計量裝置搭接附近的監測節點，并在一定周期內實現數據采集。將預先設定的異常測試指令導入測試程序，形成異常數據。通過Logistic 算法測定異常數據的識別速率，結合當前測定結果完成對測試結果的對比分析，如圖4 所示。
圖4 測試結果對比分析
根據圖4，與傳統WSN 動態電能計量裝置異常數據識別測試組、傳統速度-關聯約束電能計量裝置異常數據識別測試組相比，文章設計的Logistic 算法電能計量裝置異常數據識別測試組最終得出的異常數據識別速率均可以達到6 Mb/s 以上，表明所設計的異常數據識別效果更佳，誤差可控，具有較好的實際應用價值。
3 結 論
與初始的電能計量裝置異常數據識別結構相比，結合Logistic 算法構建的異常數據識別方法更加靈活、多變，具有更強的穩定性與針對性。該方法能夠根據不同的設備運行環境、電能計量裝置的運行狀態及負荷情況，提取異常數據的特征量，并采用SVD 框架輔助測算，從多個角度進行異常數據的識別、分類和篩選，逐步提高識別精準度。通過這種改進的異常數據識別方法，可以明確劃分正常數據與異常數據，同時大幅提升異常數據的辨識速率，擴大識別的覆蓋范圍，為電力計量設備后續的實踐應用提供一定的幫助，改善電力系統的穩定性和可靠性。
