[发明专利]基于TSVM模型的智能电能表自动化检定系统异常检测方法

说明书

本发明涉及一种基于TSVM模型的智能电能表自动化检定系统异常检测方法，该方法包括如下步骤：S1：对包含少量异常数据的待测检定表位误差实验数据进行特征提取、构建特征向量，并进行预处理形成数据样本；S2：人工标记部分样本；S3：利用标记样本与未标记样本以半监督方式训练获得基于TSVM的异常检测模型；S4：利用基于TSVM的异常检测模型对检定表位异常状态进行动态预测。与现有技术相比，本发明具有准确度高、在线检测、节省检测成本等优点。

技术领域

本发明涉及一种智能电能表自动化检定系统异常检测方法，尤其是涉及一种基于TSVM模型的智能电能表自动化检定系统异常检测方法。

背景技术

电能表为电力交易提供贸易结算依据，因此，电能表检定工作的重要性日益凸显。随着智能电网建设工作的不断推进，智能电能表的需求日益增长，为应对激增的智能电能表检定需求，高检定效率的自动化检定系统应运而生。但智能电能表检定系统在长期不间断的运行过程中，接驳环节可能出现机械疲劳甚至老化，引起检定结果异常。

目前，计量中心是定期让自动化检定系统流水线停运，开展人工检查，确保各检定单元处于健康的运行状态，但该方法无法及时获悉自动化检定系统所监控的流水线相关的风险信息，使得检定系统在下一次人工检查前仍将服务于试验项目，这将导致出现大规模试验结果偏差的风险，虽然通过缩短人工检查的时间间隔，可以在一定程度上降低上述情况发生的可能性，但会大幅降低流水线的检定效率，同时增加人力和运维成本。因此，实现对自动化检定系统上各检定表位接驳环节机械性能的在线评价，对于提升自动化检定系统的可靠性具有重要意义。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于TSVM模型的智能电能表自动化检定系统异常检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于TSVM模型的智能电能表自动化检定系统异常检测方法，该方法包括如下步骤：

S1：对包含少量异常数据的待测检定表位误差实验数据进行特征提取、构建特征向量，并进行预处理形成数据样本；

S2：人工标记部分样本；

S3：利用标记样本与未标记样本以半监督方式训练获得基于TSVM的异常检测模型；

S4：利用基于TSVM的异常检测模型对检定表位异常状态进行动态预测。

优选地，步骤S1构建特征向量的方式为：获取每个检定表位在不同检定实验项目下的历史误差实验数据，对每一个检定实验项目下历史误差实验数据分别进行特征值提取，并将所有检定实验项目下的特征值组合为相应检定表位的特征向量。

优选地，所述的特征值包括历史误差实验数据的最大值、最小值、期望、方差、偏度和峰度。

优选地，步骤S1中预处理包括对每个表位的特征向量的标准化以及降维处理。

优选地，所述的标准化方式为：

其中，x为待处理特征向量中的特征值，u为待处理特征向量中特征值的期望，S为待处理特征向量中特征值的标准差，z为经标准化后的特征值。

优选地，所述的降维处理包括主成分分析法。

优选地，步骤S2具体为：

基于数据样本，采用无监督异常检测算法初步筛选出“异常表位”；

对初步筛选出的“异常表位”进行人工排查并标记，根据人工排查结果确定正常表位和异常表位，对人工排查的检定表位对应的数据样本进行标记形成标记样本。

优选地，所述的无监督异常检测算法包括孤立森林算法、局部异常因子算法和一类支持向量机算法。