一种基于小样本学习的用电异常诊断方法和系统技术方案

一种基于小样本学习的用电异常诊断方法和系统，包括：对包含小样本异常的用电数据进行预处理；对预处理后的用电数据进行电力特征的转化，构建电力数据图片样本，作为待测样本；结合支撑集对待测样本进行特征嵌入提取，得到支撑集中不同异常类别的样本原型和待测样本的特征向量拼接而成的样本对；对支撑集中不同异常类别的样本原型和待测样本的特征向量拼接而成的样本对进行异常类型判定，完成小样本学习的样本分类，其中异常类型分为未知异常类型和已知异常类型；选择不同网络进行未知异常类型诊断或者已知异常类型的进一步异常诊断，输出异常诊断结果。解决了用电异常类型样本分布极度不均衡和缺少对未知异常类型的诊断能力的限制问题。力的限制问题。力的限制问题。

【技术实现步骤摘要】
一种基于小样本学习的用电异常诊断方法和系统


[0001]本专利技术属于智能电网异常检测
，涉及一种基于小样本学习的用电异常诊断方法和系统。

技术介绍

[0002]由于计量设备更换、运行环境变化、电力数据稳定性等原因，电力客户用电异常诊断面临以下挑战：(1)已标定的样本数少：对异常样本的标定通常来自电力领域的专家，专家根据自身多年经验实现对数据的判定及标记。随着海量数据的增长、计量装备的更新换代，可想而知数据标定对专家人力的需求异常庞大，根本无法满足当前的需求，造成已标定的样本数量不足。(2)异常类型样本分布极度不均衡：例如“电流突变”经常发生，因此对应着大量的标签样本，而“功率因数异常”样本数却极其有限。异常类型分布不平衡必然导致计量异常诊断模型出现严重的过拟合。(3)存在潜在未知异常：这类异常在理论上存在，但由于出现的几率极低，导致在实际中几乎没有此类异常案例。例如计量装置异常引发变压器故障甚至爆炸，在实际中虽有发生但几率极低。甚至还有一部分未知异常，完全没有包含在已有的案例库中。但是，实际的计量异常诊断应用场景仍然要求具备对未知异常的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本学习的用电异常诊断方法，其特征在于：所述方法包括以下步骤：S1：对包含小样本异常的用电数据进行预处理，包括过滤噪声数据、填补缺失数据、统一规整数据和选取计量异常指标；S2：对预处理后的用电数据进行电力特征的转化，构建电力数据图片样本，作为后续小样本学习的待测样本；S3：采用已知异常类别的样本原型构建支撑集，结合支撑集对待测样本进行小样本学习中的特征嵌入提取，得到支撑集中不同异常类别的样本原型和待测样本的特征向量拼接而成的样本对；S4：对支撑集中不同异常类别的样本原型和待测样本的特征向量拼接而成的样本对进行异常类型判定，完成小样本学习的样本分类，其中异常类型分为未知异常类型和已知异常类型；S5：根据S4判定的异常类型，选择不同网络进行未知异常类型诊断或者已知异常类型的进一步异常诊断，输出异常诊断结果。2.根据权利要求1所述的一种基于小样本学习的用电异常诊断方法，其特征在于：S1中，过滤噪声数据具体为：对于超出正常用电计量范围的极大值，持续性为零的极小值以及负数值、持续性全为零或存在负数值的数据直接过滤；填补缺失数据具体为：对于每一个用户每一天每个整点时刻对应的电气参数读数，若一天内数据缺失不严重，则采用三次样条插值法进行填充，若缺失严重，则将当天数据过滤，其中，缺失严重定义为一天电气参数读数缺失超过四个点数；统一规整数据具体为：采用线性比例变换的归一化方法将全部数据映射到[0,1]区间；选取计量异常指标具体为：根据专家经验和异常诊断的需要，选取判断电网运行状态的指标，包括三相电压不平衡度、三相电流不平衡度、功率因数以及估算功率因数和负载率；其中，估算功率因数取用户的有功功率和视在功率的比值；负载率取用户的有功功率与报装容量的比值。3.根据权利要求1所述的一种基于小样本学习的用电异常诊断方法，其特征在于：S2在构建电力数据图片样本时，依据时间跨度，采取滑动窗口的方式选取连续的2天数据为一个样本，滑动窗口步长为一，即上下两个样本之间存在着1天的数据重叠，使电力数据的时域相关性在转化为空间相关性时仍保留着时间信息。4.根据权利要求1所述的一种基于小样本学习的用电异常诊断方法，其特征在于：S2中，将用电数据中的时域相关性转化为空间相关性，将不同电气参数和计量异常指标间的一一对应关系转化为跨通道的特征，得到电力数据图片样本，其中，图片的长等于样本的天数，图片的宽等于样本一天中的采样点数，通道数量等于电力参数的数量。5.根据权利要求1所述的一种基于小样本学习的用电异常诊断方法，其特征在于：S3中，使用VGG模型进行特征嵌入提取，模型的输入分为两部分：支撑集和待测样本，支撑集用于提供相似性比较的样本和标签集合，支撑集包括所有已知的K个异常类别、每个类别n个样本；所述模型包括3个带池化层的卷积单元和1个不带池化层的卷积单元，其中池化层采用最大值池化，激活函数采用ReLU。
6.根据权利要求1所述的一种基于小样本学习的用电异常诊断方法，其特征在于：S4采用预训练的二分类阈值判定器进行异常类型判定，其输入为支撑集中不同类别的原型和待测样本的特征向量拼接而成的样本对，输出为样本对属于同一类别的置信度，若置信度大于预设的阈值，则采纳含有二分类阈值判定器的分类网络的结果，若置信度小于或等于预设阈值，则拒绝分类网络的结果并将待测样本标记为未知异常类型。7.根据权利要求1所述的一种基于小样本学习的用电异常诊断方法，其特征在于：S5中，对于已知异常类型的待测样本，使用对抗自编码AAE网络进行异常...

【专利技术属性】
技术研发人员：缪猛，吴伟将，钱旭盛，许高俊，陈可，张轩城，王伟，虞文武，陈都鑫，
申请(专利权)人：国网江苏省电力有限公司营销服务中心，
类型：发明
国别省市：