基于元学习TCN驱动的自适应贝叶斯在线停电检测方法

本发明属于智能电网与配电网运行状态监测，涉及基于元学习tcn驱动的自适应贝+叶斯在线停电检测方法。本发明所述停电事件，是指上级电源失供、目标支路断线或供电拓扑发生中断，而用户端因局部分布式电源、替代馈线、电气耦合或残余供电仍保持非零电压的事件。

背景技术：

1、随着新型电力系统的快速建设，分布式光伏的大规模接入以及配电网环网运行模式的日益普及，智能电表端停电事件及电压异常波动的精准、快速检测在配电网故障研判、抢修指挥、供电可靠性评估等方面发挥着至关重要的作用。在这些应用中，如何克服复杂配用电结构下的电压扰动，从智能电表海量、连续的量测数据中有效识别真正的停电变点与瞬态电压异常，成为提升配网精益化运维与故障响应效率的核心技术难点。

2、传统的智能电表停电检测方法在面对含高比例分布式电源与环网运行的复杂电网工况时存在诸多不足。传统的停电识别通常依赖简单的电压阈值判断或终端硬件掉电上报机制。然而，在实际运行中，一旦发生线路断线或上级停电，由于分布式光伏的反送电、孤岛效应或环网运行下的电气耦合，用户所处的智能电表处电压并不会瞬间降为0，而是会呈现出复杂的异常波动与缓慢漂移。这导致传统掉电检查方法极易出现严重的漏判。此外，传统的基于时间序列的变点检测算法往往严重依赖人工经验设定的先验参数，缺乏对不同噪声环境和复杂电压波动模式的自适应能力，在面对局部微小波动和瞬时干扰时难以动态调整，从而导致检测误报率高、鲁棒性差。

3、在实际台区运行环境中，正常稳态电压与停电瞬间的电压异常波动特征往往表现出高度的非线性和时变性，如何准确地提取出反映真实电压局部变化强度的波动特征，并通过自适应的机制推断变点检测的先验参数以屏蔽冗余的瞬时干扰信号，是当前停电检测技术中的一个重要难题。因此，研究一种高鲁棒性、高准确率的在线停电检测方法，将元学习时间卷积网络（tcn）的深层时序特征提取与参数推断能力，同贝叶斯在线变点检测（bocd）的动态游程更新机理深度融合，实现先验参数的自适应初始化与动态更新，成为解决当前复杂配电网环境下智能电表停电错判及异常波动识别痛点的有效途径。

技术实现思路

1、本发明的目的是提出一种基于元学习tcn驱动的自适应贝叶斯在线停电检测方法，能高效且准确的实施在线停电检测。

2、一种基于元学习tcn驱动的自适应贝叶斯在线停电检测方法，其特征在于，包括元学习tcn模型离线训练阶段和贝叶斯在线停电检测阶段；

3、在元学习tcn模型离线训练阶段中，完成元学习tcn模型的构建并基于离线数据完成训练，得到预训练的元学习tcn模型；

4、贝叶斯在线停电检测阶段包括以下步骤：

5、步骤1，实时采集配电网用户侧的电压序列，基于滑动窗口标准差提取波动特征；

6、实时获取用户侧电压数据，在预设时间窗口内计算电压序列的滑动标准差，并经过对数平滑处理，提取出表征电压局部变化强度的波动特征序列，作为后续变点检测的算法输入；

7、步骤2，利用cusum算法剔除异常干扰，自动截取稳态支撑集；

8、基于中位数和绝对偏差构建判别基准，利用累积和（cusum）算法对历史特征序列计算正负双向的累计偏差，剔除超出设定阈值或偏差过大的异常漂移区间；若序列未超出检验阈值且偏差满足约束，则将该段特征序列截取为用于元学习tcn模型的稳态支撑集；

9、步骤3，将稳态支撑集输入预训练元学习tcn模型中，推断bocd算法的自适应先验参数；

10、将截取的稳态支撑集输入预训练的元学习tcn模型，经过因果卷积与特征提取，由网络末端输出用于构建nig分布的四个统计超参数，替代传统的人工经验设定，实现bocd模型先验参数的自适应初始化；

11、本发明的目的是离线利用正常电压数据训练tcn学习正常波动规律，在线时由tcn推断bocd算法的自适应先验参数，通过bocd检测电压序列分布的变点来识别停电状态，故训练集无需包含停电样本；

12、步骤4，融合自适应先验参数与实时特征，基于bocd模型输出最终停电变点；基于bocd模型动态更新游程，过滤瞬时干扰，输出最终停电变点；

13、利用步骤3进行实时波动特征提取，将波动特征输入初始化后的bocd模型，计算预测概率并动态更新游程长度后验分布；所述游程长度后验分布用于量化当前时刻各可能游程长度的后验概率及新变点发生概率，并通过变点概率突增以及最大后验游程或期望游程的坍缩识别候选变点从而过滤瞬时干扰。当正常运行步数达到预设周期且历史窗口内无异常时，自动截取最近的稳态特征重新输入tcn，以动态更新bocd的先验参数；

14、联合变点概率突变与游程坍缩特征进行融合判断是否存在候选变点；所述游程坍缩特征用于表征最大后验游程或期望游程在校验窗口内显著缩短，并与变点概率突变共同确认游程发生重置，以降低瞬时概率波动造成的误触发；

15、当变点概率达到绝对概率阈值，或者变点概率达到突变低阈值且其相对比率达到比率阈值，并在校验窗口内满足近期变点概率质量，所述概率质量为所述bocd模型输出的游程长度后验分布中，对应于近期变点的短游程长度区间内的后验概率之和。超过设定阈值以及最大后验游程或期望游程的坍缩比率低于对应阈值时，将相应时刻确认为候选点。在候选点后构建确认窗口，若窗口内特征的中位数漂移量、整体与尾部的异常占比均突破基准阈值，则输出为满足持续性判据的疑似停电变点，否则判定为瞬时掉电或短时异常波动，并清除候选状态并继续进行bocd在线更新；

16、步骤5，接收复电信号，并返回步骤1实现持续在线检测；

17、在确认停电状态后系统暂停检测并监听复电信号；当接收到人工或系统的复电信号时，进入恢复期数据收集状态，利用cusum算法截取到复电后稳态支撑集时，触发tcn先验参数更新机制并重置bocd模型，进行下一阶段的在线检测。

18、基于离线数据完成元学习tcn模型的构建和训练，得到预训练的元学习tcn模型的步骤为：

19、步骤a：获取历史正常运行时的节点电压序列，选择单相用户节点的电压数据并进行数据筛选；利用滑动窗口计算电压序列的标准差，并经过对数平滑处理提取电压波动特征；将每条波动特征序列沿时间轴切分，提取前段固定长度的序列作为支撑集，提取紧接其后的序列作为查询集，每个电表节点对应的支撑集与查询集共同构成一个独立的元学习任务序列对；

20、步骤b：元学习tcn模型的构建与训练；

21、构建带有因果裁剪和空洞卷积的tcn（时间卷积网络）模型作为元学习特征提取器，并在其输出端并联四个参数映射分支；

22、将步骤a构建的支撑集数据输入该tcn模型，通过四个并联参数映射分支分别预测正态-逆伽马（normal-inverse-gamma, nig）分布的四个先验参数：先验均值、先验置信度系数、先验形状参数和先验尺度参数；并利用有界激活函数约束参数至合理数学范围；

23、在训练阶段，基于贝叶斯共轭参数更新法则，将预测的先验参数与对应的查询集数据结合，计算查询集的边缘似然分布，以最小化平均负对数边缘似然（negative logmarginal likelihood, nll）为损失函数，进行反向传播迭代优化直至收敛，最后得到的元学习tcn模型即为预训练的元学习tcn模型；

24、步骤b中，构建tcn模型作为元学习的特征提取模块，该网络由多个堆叠的时序残差块（temporal block）组成；

25、将步骤a中构建的支撑集序列输入该tcn模型进行特征提取；对于输入序列中时刻的元素进行空洞卷积，计算公式为：

26、；

27、其中，表示一维卷积核，表示输入的支撑集特征序列，表示空洞卷积操作，表示卷积核在第个位置处的权重系数，为卷积核位置索引，表示卷积核长度，即卷积核所包含的权重系数数量，为空洞因子，一般；

28、为保证时间序列处理的因果性，防止未来信息泄露至当前时刻，在每次空洞卷积操作后引入因果裁剪机制（chomp1d），将多余输出从右侧截断，去除序列末端多余的填充。随后，经过组归一化（groupnorm）、gelu激活函数与dropout正则化处理，并结合残差连接（residual connection），输出当前时序块的特征；

29、经过多层因果空洞卷积处理后，提取网络在最后一个时间步的输出作为该元学习任务的特征向量，计算公式为：

30、；

31、其中，为网络最后一层的特征向量，和分别为全连接层的权重矩阵和偏置向量；gelu为激活函数，dropout为正则化处理；

32、在tcn模型的输出端并联四个独立的线性全连接分支，将特征向量映射为正态-逆伽马（normal-inverse-gamma, nig）分布的四个先验参数：先验均值、先验置信度系数、先验形状参数和先验尺度参数；为满足nig分布参数的严格数学定义与物理约束，对四个分支的输出分别施加非线性激活约束：

33、对于均值，采用平滑正数激活函数（softplus）进行约束，使其恒为正数；

34、对于，采用基于sigmoid函数的有界激活机制，将预测值缩放并约束至预设的合理物理区间内，计算公式为：

35、；

36、其中，代表待约束的先验参数，为全连接分支的原始输出，为sigmoid函数，和分别为对应参数的上下界阈值；

37、在训练阶段，利用贝叶斯共轭先验的性质，将tcn预测的先验参数与对应的查询集序列结合，计算后验参数；设查询集序列长度为，首先计算查询集数据的样本均值与中心化平方和，计算公式为：

38、；

39、其中，为查询集中的第个数据点；

40、根据nig分布的共轭参数法则，计算后验参数，计算公式为：

41、；

42、其中，为查询集中的所有数据点的平均值，基于更新前后的参数，计算查询集的边缘似然分布；以最小化平均负对数边缘似然（negative log marginallikelihood, nll）为目标函数构建损失函数；对数边缘似然与平均负对数似然损失的计算公式为：

43、；

44、其中，为伽马函数，为查询集在给定参数下的对数边缘似然，loss表示平均负对数似然损失，表示一个训练批次（batch）内的多个查询集求平均值；

45、在训练过程中，根据上述损失函数计算梯度，利用自适应优化器对tcn模型中的时序残差块权重以及线性映射分支的权重进行反向传播迭代优化；直至模型在验证集上的损失连续20个epoch不再下降即触发早停机制，完成训练并导出元学习tcn模型。

46、步骤1中，设定系统的当前采样时刻为，实时获取用户侧的电压数据；令连续采样的电压时间序列为，其中表示第个采样时刻的电压有效值；

47、设定滑动窗口的最大样本数为以及计算所需的最小样本数为；在任意时刻，系统截取的有效局部电压子序列的实际窗口长度，将根据当前时刻调整为，截取该窗口内的局部电压子序列；

48、基于所截取的局部电压子序列，判断当前有效窗口长度是否满足设定的最小样本数：

49、（1）当，直接令当前时刻的局部样本标准差；

50、（2）当，利用计算电压均值与样本方差；

51、利用对上述方差开方后进行对数平滑处理，提取在时间步的对数标准差波动特征，在线遍历整个序列，得到对应的波动特征序列，将作为状态特征输入至后续的步骤2和步骤3中。需要说明的是，本方法处理的是流式时间序列数据，上述滑动窗口截取、标准差计算及对数平滑处理等步骤，均伴随采样时刻的推进，采用在线逐点递进的方式执行。

52、步骤2中，设定观测历史窗口长度为，从历史波动特征序列的末端截取长度为的子序列作为候选序列；若当前可获取的特征序列长度小于或存在无效值，则判定当前无稳定支撑集，继续等待流式时间数据的滚动采集，直到流式滚动积累的特征序列长度达到所述观测历史窗口长度，且截取的候选序列中所有特征值均为有效数值；

53、为避免候选序列中潜在的异常值对判定基准造成偏差，计算序列的中心位置和绝对偏差，并设定最小尺度约束以防止由于序列完全恒定导致的零除数计算溢出，得到序列的中心位置和标准差，计算公式为：

54、；

55、其中，为用于提取一段序列的中位数的函数，系数1.4826是使绝对中位差在渐近正态分布下与标准差一致的修正系数，为设定的最小尺度阈值，一般取0.02；

56、初始化正向累计偏差和负向累计偏差；依据时间先后顺序，逐一遍历候选序列中的特征点，执行以下计算逻辑以更新双向累计和：

57、（1）计算当前特征点的标准化偏差：

58、；

59、（2）基于设定的容忍偏移，分别更新正向累计偏差和负向累计偏差：

60、；

61、（3）在每一个遍历步处进行检验：若或，则判定当前候选序列中存在显著的均值漂移或异常干扰，中断检验并丢弃该候选序列，其中为设定的累计和控制限阈值；

62、若候选序列完整通过了上述的累计偏差检验，进一步对其全局波动幅度进行极差约束，计算候选序列的极差，并判断其是否满足以下条件：

63、；

64、其中，为设定的最大极差系数，一般取8，表示乘积运算；

65、若满足上述约束条件，则判定该候选序列处于平稳运行状态，截取该段特征序列作为稳态支撑集，用于后续输入至预训练的元学习tcn模型中。

66、步骤3中，将步骤2中提取的稳态支撑集，送入步骤2中构建的元学习tcn网络中，输出bocd算法先验参数；设置输出参数约束区间以保障student-t分布的稳定性：对于均值，使其恒为正数；对于置信度参数，设定界限为；对于形状参数，设定界限为；对于尺度参数，设定界限为；

67、通过上述步骤，预训练的tcn模型实现了从稳态电压波动序列到bocd算法统计先验参数的非线性映射，为后续的变点概率推断提供了自适应的模型初始化支撑。

68、步骤4中，将实时采集的波动特征输入至利用步骤3所述自适应先验参数初始化后的贝叶斯在线变点检测模型中；

69、设当前采样时刻为，上一采样时刻的游程长度后验概率为，其中表示上一采样时刻的游程长度，取值为。针对每一个有效游程长度分支，分别维护一组nig分布参数，计算当前波动特征在各游程长度分支下的student-t预测密度，计算公式为：

70、；

71、其中，为当前采样时刻的波动特征；为当前波动特征在游程长度为的分支下对应的student-t预测密度；为student-t分布的自由度；为游程长度为的分支对应的位置参数；分别为游程长度为的分支对应的先验置信度参数、形状参数和尺度参数。student-t机制为正态分布的厚尾分布，表示当数据方差位置或样本较少时，它允许更大的极端波动范围，能够防止模型将电网的噪声误判为停电突变；

72、当判定当前采样时刻存在新变点，即当前游程长度重置为0时，采用初始nig先验参数所对应的student-t预测密度，结合预设危险率以及上一采样时刻的全部游程后验概率，计算零游程分支的未归一化权重，计算公式为：

73、；

74、其中，为当前采样时刻游程长度重置为0的变点分支的未归一化权重；为初始正态-逆伽马先验参数、、和计算得到的student-t预测密度；为上一采样时刻游程长度为的归一化后验概率，为上一采样时刻游程长度为的归一化后验概率；在开始检测时初始化为；当时，为上一采样时刻依据公式（15）计算得到的游程长度归一化后验概率；

75、当判定当前采样时刻未发生新变点时，游程长度由上一采样时刻的增长为当前采样时刻的。针对每一个游程增长分支，根据对应的student-t预测密度、上一采样时刻的游程后验概率以及变点未发生概率，计算游程增长分支的未归一化权重；随后对零游程分支和全部游程增长分支进行统一归一化，得到当前采样时刻的游程长度后验概率，计算公式为：

76、；

77、其中，为当前采样时刻游程长度由增长为的分支对应的未归一化权重；为当前波动特征在上一游程长度为的分支下对应的student-t预测密度；为当前采样时刻全部有效游程分支的归一化系数；为当前采样时刻归一化后的游程长度；为当前采样时刻游程长度的归一化后验概率；为当前采样时刻的零游程后验概率；

78、完成游程长度后验概率更新后，针对每一个游程增长分支，根据当前波动特征对该分支对应的nig参数进行更新；对于游程长度重置为0的分支，则重新设置为元学习tcn推断的初始先验参数，计算公式为：

79、；

80、其中，、、和分别为游程长度增长至的分支对应的后验均值参数、后验置信度参数、后验形状参数和后验尺度参数；、、和分别为上一采样时刻游程长度为的分支对应的nig参数；、、和分别为元学习tcn根据稳态支撑集推断得到的初始先验均值参数、初始先验置信度参数、初始先验形状参数和初始先验尺度参数；游程长度为0的分支不继承上一游程分支的后验参数，而是重新采用所述元学习tcn推断的初始先验参数进行设置；

81、在线检测过程中，设置周期性参数更新机制；当bocd算法连续运行步数及距上次更新的正常运行步数均大于预设周期，且历史窗口内判定为无异常干扰状态时，触发先验参数更新。系统自动截取当前时刻前一定长度的稳态特征数据，重新输入步骤3所述的预训练tcn模型，推断先验参数，以此重置bocd模型的先验参数。

82、构建联合概率突变与游程坍缩特征的候选变点机制：定义时刻的变点概率为，概率相对比率为，当满足以下任一条件时，触发报警：

83、条件一：绝对变点概率大于等于绝对概率阈值，即；

84、条件二：绝对变点概率大于等于突变低阈值且概率相对比率大于等于比率阈值，即且；

85、触发后，在设定的校验窗口内，连续评估游程演化状态；当满足近期变点概率质量超过设定阈值，且最大后验游程或期望游程发生显著坍缩，即当前游程长度相较于上一时刻的比值，低于对应的坍缩比率阈值，确定为候选停电变点，其中，游程长度表示自最近一次变点以来连续未发生变点的采样点数，bocd通过公式（14）计算游程重置为0的分支，并通过公式（15）将未发生变点的游程由递推至后归一化，得到游程长度后验分布；相关阈值包括绝对变点概率阈值、突变低阈值、概率相对比率阈值、近期变点概率质量阈值为0.5，最大后验游程坍缩比率阈值为0.1；

86、在获取候选停电变点后，基于绝对中位差进行稳态估计，向后构建长度为的特征确认窗口。提取候选点前长度的特征作为基准序列，计算该阶段的动态基准阈值，计算公式为：

87、；

88、其中，表示序列的中位数，为稳健标准差，用于衡量基准序列在正常状态下的数据波动程度，为置信度系数，为变化率限制系数，为最小特征变化约束系数；

89、令窗口内的序列为，尾部特征子序列为，需同时通过以下判据：

90、（1）水平漂移判据：的中位数；

91、（2）整体驻留判据：中大于的异常点占比，其中为整体异常比例要求系数；

92、（3）尾部持续判据：的中位数，且尾部异常点占比其中为尾部异常比例要求系数；

93、若以上三个判据均满足，则判定候选点为满足持续性判据的疑似停电变点，记录停电起始时间、电压跌落幅值与变点后验概率；若任一条件不满足，则判定当前波动为瞬时掉电或短时异常波动，bocd检测算法回退至候选点前的稳定状态继续运行。

94、步骤5中，当步骤4输出最终停电变点并确认停电事件后，系统状态进入停电挂起状态。在此状态下，系统暂停bocd的后验概率更新，以避免长时间的异常0值数据污染模型状态，并实时监控外部输入的复电信号。当检测到复电信号的触发标志时，系统退出停电挂起状态，记录当前时间步作为恢复起点，并切入恢复期数据收集状态。在每次获取新采样点后，调用步骤4所述的cusum算法对已收集的特征序列进行评估。获取复电后稳态支撑集后，系统将其输入至步骤5所述的预训练元学习tcn网络中，推断出适应当前复电后特征序列的nig分布先验超参数。重新初始化bocd，将bocd模型重置完成后，系统退出恢复期数据收集状态，重置各类计数器，并切回正常的实时监测状态。

95、有益效果

96、第一，本发明提出了一种将深度元学习特征提取与贝叶斯在线检测相结合的变点识别方法，能够在含分布式光伏或环网运行的低压配电网中的电表端实现自适应的停电检测与预警。通过tcn网络提取稳态支撑集特征并映射至nig分布的四个超参数，替代了传统变点检测模型中固化的人工经验参数设定方法。此方法赋予了算法极强的环境自适应能力，能够动态更新先验知识，有效屏蔽节点差异和冗余运行噪声的干扰，特别适合分布式光伏接入、负荷波动频繁、环网运行的复杂低压配电网环境。

97、第二，本发明构建了cusum稳态特征动态截取与多级变点确认机制，能够对实时的异常波动特征进行识别，有效降低了单相节点停电识别的误报率与漏报率。通过利用cusum算法结合绝对偏差剔除瞬时漂移区间提取纯净支撑集，同时在bocd模型触发候选变点后，引入持续性判据进行稳态确认。这种双重过滤机制使算法能够精准区分用电负荷投切带来的短时波动、瞬时电压暂降与真正的线路断线故障，极大降低了停电误报率，确保在含分布式光伏接入以及环网运行的智能电网终端中准确上报真实的停电状态。