基于BP-AdaBoost的智能电能表计量故障检测技术

摘 要：现行技术在智能电能表计量故障检测中应用存在错检、漏检问题，本文提出基于BP-AdaBoost的智能电能表计量故障检测技术。利用工业相机感知电能表计量图像数据，采用加权平均值法实现电能表图像的灰度化，应用频域滤波技术对图像进行强化处理，利用BP-AdaBoost技术集成多个弱分类器并构建强分类器函数，将计量图像分类为故障类与非故障类，检测基于BP-AdaBoost的智能电能表计量故障。试验证明，本文技术错检比例与漏检比例均不超过1%，可以对故障进行精准检测。

关键词：BP-AdaBoost；智能电能表；计量故障；加权平均值法；频域滤波技术

中图分类号：TD 421 " " " " " " " 文献标志码：A

智能电能表是电力系统中不可或缺的关键设备，其准确性和可靠性对保证电力供应的稳定性和用户用电的公平性至关重要。智能电能表不仅具备自动计量、数据处理和双向通信等功能，而且具有实时数据交互、多种电价计费、远程断供电和电能质量监测等高级功能，可以提高电网的运行效率和供电服务质量[1]。然而，随着智能电能表应用范围扩大和数量增加，其计量故障问题也逐渐暴露出来，给供电公司和用电用户带来较多困扰和经济损失。智能电能表出现计量故障，不仅导致电量计量不准确，而且引起电费纠纷、用户投诉等一系列问题。此外，计量故障还会影响电网的负荷预测、电力调度等高级应用和电力系统的整体运行。因此，及时、准确地检测智能电能表的计量故障是保障电网安全、稳定运行并提升用户满意度的关键。目前，智能电能表计量故障检测受到了研究领域的关注与重视，相关学者与专家提出了一些技术与思路，但是现行技术具有一定的局限性，在实际应用中经常出现错检、漏检问题，因此本文提出基于反向传播神经网络（Back Propagation Neural Network，BP-AdaBoost）的智能电能表计量故障检测技术。

1 电能表计量图像感知

为了实时监测电能表的运行状态、及时发现并处理潜在的故障问题，避免故障进一步扩大，对电网运行造成影响，本文利用电能表进行图像感知。电能表计量图像感知是指利用图像传感器实时捕捉电能表上的读数，并将其转换为计算机可以处理的数字图像。该过程涉及图像的采集、传输和预处理等步骤，可以为后续的图像识别与故障检测奠定基础。本文选择工业相机作为智能电能表计量图像感知器，将其安装在电能表的正前方，利用专业的螺栓固定装置稳固其位置。为了使相机与电能表的工作状态保持高度同步，采用串并联结合的方式，将工业相机集成到电能表的电路总线上，以实现两者间的紧密联动。由于外界环境因素（例如光照变化、灰尘遮挡等）可能影响相机图像采集质量，因此在工业相机镜头上方安装高亮度、可以调节的LED照明装置。该装置能够根据环境光照条件自动调节亮度，为相机提供稳定、均匀的光照环境，有效消除光照变化对图像采集质量的干扰。同时，该系统还具有防尘、防水功能，在恶劣天气条件下仍能正常工作，环境适应性较好。此外，本文针对工业相机在光学成像过程中可能存在的畸变问题，采取科学严谨的标定方法——张氏标定法，对工业相机进行精确标定[2]。该方法可以拍摄特定标定板的多角度图像，利用数学算法计算相机的内部参数（例如焦距、光心等）和外部参数（相机相对于标定板的位置和姿态），从而建立图像坐标系与世界坐标系间的精确映射关系[3]。在此基础上，针对相机镜头产生的径向畸变和切向畸变，本文设定了相应的校正参数，并应用如公式（1）所示的畸变校正公式对图像坐标进行精确修正，以保证图像信息的准确性和可靠性。

Z（x，y）=（x0+re，y0+pe） （1）

式中：Z（x，y）为校正后径向畸变的相机图像坐标系中的坐标；x0、y0分别为径向畸变的相机图像坐标系的横坐标和纵坐标；r为工业相机图像坐标系径向畸变参数；e为回归校正系数；p为工业相机图像坐标系切向畸变参数[4]。

根据实际应用场景的需求，对相机的各项参数进行设定与标定，并利用局域网络，将感知到的电能表计量图像数据实时传输至计算机，用于后续处理和分析。环境适应性优化和畸变校正可以减少图像中的噪声和畸变，降低后续图像处理的难度和复杂度，提高处理效率和准确性。并且高质量的图像数据有助于更准确地识别电能表的读数和潜在故障，为后续的图像识别与故障检测提供有力支持。

2 计量图像灰度化和滤波

在工业相机捕捉到的原始图像中，原始图像通常是彩色的，即每个像素点都包括红、绿和蓝（RGB）3个颜色通道的信息。但是在许多图像处理和分析任务中，图像是彩色的，因为色彩信息丰富可能会干扰目标物体的辨识，所以直接区分图像的背景与前景比较困难。此外，由于需要处理的数据更多，与处理灰度图像相比，处理彩色图像更复杂、耗时，因此，为了更有效地处理这些图像，本文采用加权平均值法来实现电能表图像的灰度化。灰度化是指将彩色图像转换为灰度图像，即每个像素点只有1个灰度值，能够简化图像信息，减少后续处理的计算量和复杂度。该方法可以为图像中的不同颜色分量分配特定的权重，进而融合成一个单一的灰度值，以较好地保留图像的亮度信息，并去除颜色信息，如公式（1）所示。

f（Z）=aR+bG+cB （2）

式中：f（Z）为灰度化后的计量图像灰度值；a、b和c分别为计量图像彩色空间中3个分量红R、黄G和绿B的权重系数[5]。

由于计量图像感知过程中不可避免地会受外界因素（例如电磁波、光照变化等）的干扰，导致图像中混入噪声，因此采用频域滤波技术对图像进行强化处理。滤波是图像处理中的常用技术，用于去除图像中的噪声或不必要的特征，同时保留图像的重要特征。

首先，利用一个滤波器对图像中的每个像素点及其邻域进行某种数学运算，从而得到新的像素值。这需要将灰度化后的电能表图像经DFT（离散傅里叶变换）转换到频域，即将图像从像素点组成的二维矩阵转换到频率成分组成的二维矩阵，在频域中区分图像中的噪声和有用信息，如公式（2）所示。

S（Z）=K[f（Z）] （3）

式中：S（Z）为离散傅里叶变换后的计量图像在频域中的表示；K为虚数单位[6]。

其次，利用滤波函数调整图像频谱，以抑制噪声并保留或增强有用信息。将滤波函数与图像频谱相乘，乘积结果即为调整后的频域图像。滤波函数的选择取决于噪声类型和图像特征，对调整后的频域图像进行IDFT（离散傅里叶逆变换），使其恢复到空间域，得到去噪并增强的电能表计量图像，如公式（4）所示。

P（Z）=[H⊕S（Z）]C （4）

式中：P（Z）为逆变换后的电能表计量图像；H为滤波函数；C为IDFT离散傅立叶逆变换函数。

频域滤波技术能够有效去除图像中的噪声，提高图像的清晰度和对比度，为后续的电能表计量故障检测提供更准确、可靠的图像数据。同时，频域滤波技术还具有灵活性高、适应性强的优点，可以根据不同的应用场景和需求设计不同的滤波函数。

3 基于BP-AdaBoost的故障识别检测

在上文基础上，采用BP-AdaBoost技术，将电能表计量图像划分为故障类和非故障类，以识别、检测电能表计量故障。BP-AdaBoost技术即AdaBoost算法集成BP（反向传播）神经网络，旨在提高模型的分类性能、鲁棒性和泛化能力。利用AdaBoost的迭代加权机制集成多个弱学习器，以构建一个更强大的分类器，增强BP（反向传播）神经网络的学习能力。这种组合方式能够充分利用BP神经网络的非线性映射能力和AdaBoost算法的有效集成策略，提高分类的准确性和稳定性。BP-AdaBoost具体流程如图1所示。

从原始数据集中随机抽取一定数量的样本，构成BP（反向传播）神经网络模型的训练数据集，如公式（5）所示。

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

式中：F为抽取的训练数据集；q1，q2，…，qm为分类器期望预测系数，其中q为分类器期望预测结果，m为样本抽取数量[7]。

根据样本的初始分布（通常是均匀分布，即每个样本的权重均为1/m），配置并初始化基础BP神经网络，包括网络的基本架构（例如层数、神经元数量和输入/输出维度等）和随机初始化网络的权重/偏置项[8]。利用AdaBoost算法训练BP神经网络。在每一次迭代中，根据当前的样本权重分布，对训练数据进行归一化处理，保证数据均匀分布在[0，1]，便于神经网络进行学习，如公式（6）所示。

（6）

式中：X为归一化后的样本；ω为弱分类器输出权重；minP（Z）、maxP（Z）分别为样本集中训练样本的最小值与最大值。

基于当前的样本权重和已训练的网络状态，训练一个新的BP神经网络（记为Nt，其中t为迭代次数），该网络尝试从当前的数据分布中学习到分类规则。完成网络训练后，利用该网络对训练样本进行预测，并根据预测结果计算样本的预测误差。根据误差信息更新样本的权重，即增加被错误分类样本的权重，减少被正确分类样本的权重，从而使BP神经网络在下一次迭代中更关注难以分类的样本。重复进行上述步骤，直到达到预定的迭代次数。在每一次迭代中都会得到一个新的BP神经网络及其对应的权重，这些网络和权重将共同构成最终的强分类器，如公式（7）所示。

（7）

式中：f（x）为由AdaBoost算法集成的强分类器函数；i为弱分类器数量；ki为第i个弱分类器在最终集成的强分类器中的权重系数；Z（X）为归一化后样本X的规范因子[9]。

将电能表计量图像带入强分类器函数中。当条件为真时，强分类器函数输出为1，电能表计量图像被划分为故障类；当条件为假时，强分类器函数输出为0，电能表计量图像被划分为非故障类。由此得到电能表计量故障识别检测结果，实现基于BP-AdaBoost的智能电能表计量故障检测。

4 试验论证

4.1 试验准备与设计

完成上述技术设计后，本文采用对比试验，检验所设计的基于BP-AdaBoost的智能电能表计量故障检测技术的性能，并将本文技术与目前主流的基于BP神经网络的检测技术、基于模糊聚类的检测技术进行比较。本文选取IYFAATGA数据包和KYHFASHS数据包为试验数据样本，数据来源于某电力企业智能电能表检修数据库，包括3 000个样本，其中2 000个为故障样本，电能表计量故障样本占80%，其余1 000个样本为电能表正常样本。试验中的BP神经网络参数设置如下：输入层神经元数量为20，隐藏层与输出层神经元数量为10，激活函数为Sigmoid函数，学习率为3.26，迭代次数为100。进而对数据进行处理和分析，提取故障特征并识别计量故障。检测精度评价选用错检比例和漏检比例，错检比例=错误检测样本数量/总检测样本数量，漏检比例=未检测到的故障样本数量/正确检测样本数量。错检比例与漏检比例值域均为0%～100%，错检比例与漏检比例值越小，说明技术精度越高，对智能电能表计量故障检测的准确度就越高。最后综合比较3种技术的错检比例与漏检比例，评价本文设计技术的精度。

4.2 试验结果与讨论

以故障样本数量为变量，3种技术在不同故障样本数量下的错检比例见表1。对于电能表计量故障漏检比例，本文设计10组试验，每组试验检测200个样本，3种技术在每组试验中的漏检比例见表2。

比较表1、表2数据，所得试验结论如下：在此次试验中，基于BP神经网络检测技术的错检比例最高，超过10%，基于模糊聚类检测技术的漏检比例最高，超过8%，本文技术的错检比例和漏检比例均表现最优，2项指标均未超过1%。上述试验证明，本文技术在智能电能表计量故障检测方面具有显著优势，可以有效保证故障的检测精度。

5 结语

本文探讨了基于BP-AdaBoost算法的智能电能表计量故障检测技术。该技术是目前智能电能表故障检测的一种新的手段，能够保证智能电网的稳定运行，提升用户用电体验。本文利用BP神经网络的强大非线性映射能力和AdaBoost算法的集成学习优势，成功构建了一个高效、准确的故障检测模型。该模型能够自动从海量计量数据中提取关键特征，并对多种故障类型进行智能化识别和分类，不仅显著提高了故障检测的效率和准确性，而且降低了人工巡检和定期校验成本，为电力行业的数字化转型和智能化升级提供了有力支持。

参考文献

[1]李佳莹，杨娴，王丕适，等.基于检定数据自相关性的低压智能电能表局部异常点检测方法[J].机械与电子，2023，41（9）：22-26.

[2]夏武，黄聪，梁诚宁，等.计量自动化系统中的电能计量装置监测研究[J].无线互联科技，2023，20（7）：47-49，67.

[3]黄天富，吴志武，王春光，等.基于红外测温技术的电能表电流采样回路失流故障分析[J].无线电工程，2024，54（6）：1536-1542.

[4]曾鸣钟，叶玲，谭涛，等.复杂潮流工况下智能电能表计量异常的原因分析与防范策略[J].电工技术，2024（6）：147-150.

[5]代燕杰，荆臻，孙永全.基于多源信息融合的智能电能表质量综合评价方法[J].哈尔滨理工大学学报，2023，28（2）：34-42，2.

[6]刘海英，彭梅.环境因素对智能电能表计量的影响及误差修正方法[J].中国质量监管，2023（5）：86-88.

[7]廖涛，张建飞，赵志磊，等.电压波动导致220kV线路电能表失压的差错电量计算分析[J].电工技术，2023（20）：180-182.

[8]黄略.电能表检定装置标准表示值误差异常的故障分析及处理[J].计量与测试技术，2022，49（12）：42-44.

[9]刘月骁，陆翔宇，李蕊，等.RBF神经网络的关口计量装置故障诊断方法研究[J].电工技术，2022（20）：133-136，139.