设计应用

基于HHO优化CNN-BiLSTM-Attention的智能电表异常诊断方法

作者:俞发洪1,舒征宇1,刘颂凯1,姚钦2
发布日期:2026-11-19
来源:电子技术应用

引言

作为现代智能电网数据采集的核心设备,智能电表的计量准确性直接关系到交易公平、电网经济性与用户权益[1]。截至2024年底,我国在运智能电表超8.5亿只,承担着全国全年9.85万亿千瓦时电量的计量任务。每天产生的海量、多维用电数据对异常诊断能力提出了严峻的挑战[2-6]。在实际运行环境中,电表往往面临着元器件老化、外部电磁干扰以及人为窃电等多重威胁。因此,如何从智能电表用电数据中准确识别出具体的异常类型,已经成为了当前研究的热点与难点。

针对智能电表异常诊断问题,国内外学者已开展了一系列的研究。传统诊断方法主要包括了人工巡检与固定阈值分析[7-8]以及基于信号分析的故障检测方法[9-12],但是这些方法依赖人工经验,耗时长、主观性强,难以适应复杂多变的用电场景,且诊断精度与泛化能力有限。近年来,随着深度学习技术的快速发展,智能电表故障诊断领域迎来了新的突破。吴泽新[13]和田坪[14]的研究表明,改进的深度卷积神经网络(Convolutional Neural Network, CNN)与双分支CNN架构,在电表故障检测中取得了比较好的效果,但这类方法主要依赖CNN提取空间特征,对时序依赖关系的建模能力较弱。为此,研究者引入循环神经网络(Recurrent Neural Network, RNN)及其变体。于海平等[15]将CNN与长短期记忆网络(Long Short-Term Memory, LSTM)结合,利用CNN提取局部波形特征、LSTM捕捉时序依赖,显著提升了诊断精度,但传统LSTM存在梯度消失问题且计算冗余较大。申子健等[16]进一步采用双向长短期记忆网络(Bidirectional Long Short-Term Memory, BiLSTM),增强了模型对时序数据的表征能力,但BiLSTM的诊断模型大多采用固定权重机制,难以有效聚焦关键异常时段的细微特征,且在面对海量数据时存在超参数寻优困难的问题。

智能电表运行状态是时刻在变化的,故障传播同样也是一个动态发展的过程,因此电表采集到的用电数据是具有高度的时序性和非线性的。现有的深度学习方法虽然在特征提取方面取得了一定进展,但仍可进行以下提升:一方面,多数方法仅仅侧重于单一维度的特征提取,而对多维电气量之间耦合关系的挖掘不够充分;另一方面,现有模型在遇到样本极度不平衡情况的时候,往往会受困于传统损失函数对易分类样本的过度拟合,从而导致对少数类故障的漏检率居高不下;此外,模型超参数的选取多依赖人工经验,随机性强且容易陷入局部最优,这不仅会影响到模型辨识的准确度,也限制了其泛化性能的提升。

针对上述问题,本文提出了基于哈里斯鹰优化算法(Harris Hawk Optimization,HHO)与焦点损失函数(Focal Loss)改进的CNN-BiLSTM-Attention智能电表异常诊断模型。CNN-BiLSTM-Attention通过同时学习时空两个维度的特征来解耦多维电气量之间的复杂关联,并利用注意力机制(Attention)来动态聚焦故障敏感时段,增强模型的抗噪能力。Focal Loss则可以增强模型对少数类故障的辨识能力。HHO模拟自然捕食策略来对模型核心参数进行全局寻优,从而提升模型的辨识能力与泛化性能。所提方法从特征提取架构、损失函数调整和超参数优化这3个层面来解决数据不平衡与特征耦合问题,以提升智能电表的异常辨识准确率。


本文详细内容请下载:

https://www.chinaaet.com/resource/share/2000007344


作者信息:

俞发洪1,舒征宇1,刘颂凯1,姚钦2

(1.三峡大学 电气与新能源学院,湖北 宜昌 443002;

2.国网湖北省电力公司宜昌供电公司,湖北 宜昌 443000)

此内容为AET网站原创,未经授权禁止转载。
智能电表 异常诊断 CNN-BiLSTM-Attention 焦点损失函数 哈里斯鹰优化算法