摘要：电网系统的安全对经济社会的正常运行至关重要。然而，传统电网中始终存在着窃电行为、各类技术性与非技术性损失等不稳定因素，因此可靠性受限。随着计算机与通信技术在电力领域的应用，以各类高级计量体系（AdvancedMeteringInfrastructure,AMI）为基础的智能电网体系已经成为电网系统的主要架构。相比传统电网体系，智能电网具备双向通信与实时需求响应的优势，因此有更高的可靠性，稳定性与安全性。
关键词：基于集群智能；智能电能表；异常检测技术
引言
相对于传统电表，智能电表的部件组成更加精密，因此实际运行产生的故障类型也比较复杂，尤其是对于智能电能表的电量计量故障而言，主要通过脉冲、功率、电流等参数表现。为准确地查找出电量异常原因，有必要对智能电能表电量异常原因与检测方法进行讨论分析，这对于推动我国智能电能表的应用发展具有重要意义。
1智能电能表的检验方法
1.1随机抽样法
通过随机抽样法对智能电能表进行检验，根据智能电能表总体样本，依照机会均等的原则通过抽样调查“等概率”的方式，对在运电能表开展现场检验，根据检验结果来确定智能电能表的运行质量、速度、效率等是否符合规格。而简单的随机抽样法当中，又包含了抽签法、分层抽样法以及随机数法三种方式。第一种随机数法，就是采用随机的方式，利用随机数骰子、总体样表中随机抽取的数表或者是由计算机产生的随机数进行抽样调查。第二种是抽签法，把总样表中的个体按数字编码，分散后投放在一个容器内，进行摇晃筛选，反复抽取n次，继而对出现的数字对应的智能电能表进行检验。第三种就是分层抽样法，按照智能电能表的不同等级质量分为不同的层次，之后对不同层次的一定比例抽取相应数额的样本进行检验。
1.2现场验证法
在对总体智能电能表进行检验之后，有一个总体的状态评价总体样表，从样表结果中随机抽取一定数量的智能电能表，对其进行基本的检验误差试验，为了确定智能电能表检验结果的精准度，必须经过2-3次的反复检验验证，并按照误差限值和实际检测出的误差值的比例在规定的范围内，因此，把电能表的限定值划分在3个等级之内。实际误差值在规定误差值的60%之内为稳定误差；实际误差值在规定误差值的60%-80%之内，则代表这个等级的智能电能表还有待观察，所以属于关注误差；而实际误差值超过规定误差值的80%，则代表智能电能表存在着隐患概率高的问题，属于预警级误差。如果样表检测输出结果的一致性越高，则认为其结果是越可靠的。例如：某试点单位依据技术方案对智能电能表进行检验对比分析，运用现场验证法，在对样表数据完成分析之后，对检验结果进行多次反复试验，在应用此方法后，员工工作量降低40%左右，证明了此检验方法的开展有利于解决客户与人力资源得不到有效人员调节的矛盾。
2?智能电能表电量异常原因
智能电能表出现电量异常问题一般由多种原因导致，主要分为以下三种。
2.1由电压异常所引起
这种异常具体可表现为以下几方面：一是电压引线出现故障异常问题，有可能是因为引线存在虚焊问题，连接不佳，或引线直接断开，导致电量出现异常。二是采样电压出现异常问题，可能是因为分压电阻出现故障损坏，无法正常工作。也有可能是滤波电容出现了击穿，采样回路直接接地，导致最终电量出现异常。三是基准电压出现异常问题，主要是由于滤波电容击穿所引起。四是智能电能表信号通道出现异常问题，可能是因为引脚存在虚焊问题，或在引脚端，存在有异物最终引发短路问题。五是由计量芯片或MCU出现故障问题。上述芯片出现故障，将会导致电能表起功率显示出现异常问题，最终导致电量计算错误。其中对于基准电压异常而言，还有可能致使电流显示出现异常问题。
2.2因电流异常所致
这种异常主要表现为以下几方面：一是电流引线出现故障异常问题，可能是因为锰铜分流片两端引线存在虚焊问题。或者引线断开，无法正常发挥功能。二是采样电流出现异常问题，可能是因为分压电阻存在虚焊问题，或者电阻直接损坏，导致电能表电量计量出错。三是限流电阻存在虚焊问题，导致连接不佳，或者直接断裂，断开了连接。其中对于电流采样回路而言，若电阻出现断裂问题，会对滤波电容放电过程造成间接的影响，比如，会对电流采样信号造成一定的干扰，最终引发电流间歇性异常。
3集群智能
集群智能的概念来源于自然界中的种群社会性行为，例如鸟群、蚁群、鱼群与蜂群等。集群智能反映了能力有限的个体通过汇聚成群体从而能解决超出自身能力的更为复杂的问题，体现出群体效用。集群智能是一种基于分散个体的、具有自组织特性的人工智能。与集中式的系统相比，集群智能具有许多优势：（1）自组织特性：群体中没有任何充当领导者的中心个体；（2）低负荷：通过在个体之间分散工作量，降低单个个体的工作量；（3）可持续：由于自组织与分散性特征，系统不会因为任何个体的问题而出现故障，从而具有更高鲁棒性；（4）低成本：群体中的个体无法直接影响最终的决策，因此对硬件需求更少。集群智能算法已经在智能电网的各个领域得到了广泛应用，如配电网络设计与非侵入式负载检测等。文中将集群智能引入AMI设备的异常检测问题中，分别基于矢量距离、置信度与Kullback?Leibler（KL）散度三种指标设计三类算法，用于更准确地发现异常数据。
3异常检测算法
基于矢量距离、置信度与KL散度设计了三种基于集群智能的异常检测算法，用于发现AMI网络中的异常数据。
3.1基于矢量的方法（VBA）
将群体中的所有AMI设备从1到n编号。设备1与设备2安全地共享最后T次耗电读数M1+Y，其中Y是一个仅能被设备1访问的随机矢量。类似地，设备2向设备3共享的数据为M1+M2+Y。最终，设备1从耗电读数的总和中减去Y并计算该设备群体的平均耗电量，再以相同的方式与每个设备共享该平均消耗量。
3.2基于置信度的方法（HBA）
基于置信度的方法本质上收到了基于矩阵LU分解的方法的启发。不同之处在于，集群智能算法要求随机生成群体，且该过程是完全分散的，这一特性在LU分解方法中不可能满足，因为这需要AMI收集器设备在群体中充当领导者。
3.3基于KL散度的方法（KBA）
这一方法中，设备之间采用策略进行安全的数据共享并以相同方式计算群体平均值。然后，根据每个设备的读数分布直方图与平均分布直方图计算两者之间的KL散度。
结束语
基于集群智能提出三种异常检测算法，用于发现AMI网络中的异常设备。三种算法分别基于矢量距离、置信度与KL散度三种指标，用于度量AMI设备的状态与群体平均状态的差异大小，并根据阈值判断设备是否出现异常。真实数据集的实验表明，算法在具备高检测召回率的同时，充分降低了误报率，具有较高实用性。
参考文献
[1]柯鹏.智能电能表费控功能异常检测研究[J].科技资讯,2019,17(30):62-63.
[2]梁跃.基于机器学习的电力用户用电异常检测技术研究[D].北京邮电大学,2019.
[3]吴迪.基于用电信息采集数据的用电异常检测方法研究[D].北京化工大学,2019.
[4]邓高峰,胡涛,黄炜,赵震宇.智能电能表电量异常的原因分析及检测方法研究[J].江西电力,2018,42(10):8-10.
[5]眭旻.电能计量设备异常情况监测系统的研究[D].东南大学,2018.