具有回路巡检功能的融合终端的制作方法

1.本发明涉及智能ai领域，具体而言，涉及一种具有回路巡检功能的融合终端。


背景技术：

2.电力是现代人最方便和最有用的能源形式，没有它，目前的社会基础设施将不可行。当用电量不断加大，电价不断抬升，不乏出现从传输线路中窃取电力或非法取电的情况。并且，窃电手段呈现科技含量高，隐蔽性强的特点。
3.现有电力稽查的方式，多是通过稽查人员现场勘测，但勘测结果往往不尽如人意，供电可靠性和电力资源安全性受到威胁。
4.目前除了用电信息采集系统中专变采集终端和集中器能够对电能表进行有限的监测外，亟需一种针对手段隐蔽、科技含量高的窃电行为进行有效监测的设备和系统。
5.针对上述的问题，目前尚未提出有效的解决方案。


技术实现要素：

6.本发明实施例提供了一种具有回路巡检功能的融合终端，以至少解决融合终端无法精确地检测窃电行为的技术问题。
7.根据本发明实施例的一个方面，提供了一种具有回路巡检功能的融合终端，包括：回路巡检模块，被配置为检测二次回路电路的电路状态，并基于所述电路状态分析得到回路巡检相关特性参数，以判断所述电表是否处于正常状态；主控核心模块，被配置为通过usb接口与所述回路巡检模块相连，用于处理所述回路巡检模块的检测结果，并控制显示模块显示处理后的所述检测结果。
8.根据本发明实施例的另一方面，还提供了一种回路巡检，被配置为检测二次回路电路的电路状态，并基于所述电路状态分析得到回路巡检相关特性参数，以判断所述电表是否处于正常状态。
9.在本发明实施例中，采用检测二次回路电路的电路状态，并基于所述电路状态分析得到回路巡检相关特性参数，以判断所述电表是否处于正常状态的方式，解决了融合终端无法精确地检测窃电行为的技术问题。
附图说明
10.此处所说明的附图用来提供对本发明的进一步理解，构成本技术的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
11.图1是根据本发明实施例的具有回路巡检功能的融合终端的示意图；
12.图2是根据本发明实施例的另一具有回路巡检功能的融合终端的示意图；
13.图3是根据本发明实施例的回路巡检模块的结构示意图；
14.图4是根据本发明实施例的回路巡检模块的检测单元的结构示意图；
15.图5是根据本发明实施例的回路巡检模块的谐振单元的结构示意图；
16.图6是根据本发明实施例的窃电行为识别方法的流程图；
17.图7是根据本发明实施例的另一窃电行为识别方法的流程图；
18.图8是根据本发明实施例的构建神经网络模型的方法的流程图；
具体实施方式
19.为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
20.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
21.实施例1
22.根据本发明实施例，提供了一种具有回路巡检功能的融合终端的示意图，如图1所示，该融合终端包括回路巡检模块10和主控核心模块12。
23.回路巡检模块10，被配置为检测二次回路电路的电路状态，并基于所述电路状态分析得到回路巡检相关特性参数，以判断所述电表是否处于正常状态；
24.主控核心模块12，被配置为通过usb接口与所述回路巡检模块相连，用于处理所述回路巡检模块的检测结果，并控制显示模块显示处理后的所述检测结果。
25.在一个示例性实施例中，所述回路巡检模块包括：模拟信号处理部分，被配置为检测所述二次回路电路的电路状态，所述电路状态包括电流状态和/或电压状态；数字信号处理部分，被配置为基于所述电流状态和所述电压状态分析所述回路巡检相关特性参数。
26.在一个示例性实施例中，所述模拟信号处理部分包括：检测单元，被配置为通过线圈采集所述二次回路电路的电路状态；电压施加单元，被配置为基于所述电路状态向所述二次回路电路注入频率大于第一电压阈值的电压信号；谐振单元，被配置为在所述二次回路电路被注入频率大于第一电压阈值的电压信号时，发生谐振，并基于所产生的谐振信号生成振荡信号，其中，所述振荡信号用于识别是否有窃电行为。
27.在一个示例性实施例中，所述谐振单元包括：谐振电路，在所述二次回路电路被注入频率大于第一电压阈值的电压信号时，发生谐振，并产生谐振信号；自激荡电路，被配置为基于所产生的谐振信号生成振荡信号；校正电路，被配置为对所述振荡信号进行校正，并将校正后的振荡信号发送到所述数字处理部分，以识别是否有窃电行为。
28.在一个示例性实施例中，所述校正电路包括：第四比较器，所述第四比较器的负输入端与第四比较器的输出端连接，所述第四比较器的输出端经电容c38连接在串联的电阻r31和电阻r32的连接点上，第四比较器的输出端还与电容c34的一端相连；第五比较器，第
五比较器的正输入端连接所述电容c34的另一端，所述第五比较器的负输入端连接串联的电阻r28和电阻r29的连接点，所述第五比较器的输出端经电阻r29连接到电阻r28的另一端，所述第五比较器的输出端还经电容c33接地。
29.在一个示例性实施例中，所述数字信号处理部分包括：模型建立模块，被配置为基于神经网络预先建立用于识别窃电行为的神经网络模型；识别模块，被配置基于所构建的神经网络模型识别所述窃电行为。
30.在一个示例性实施例中，所述模型建立模块还被配置为：修正所述神经网络模型的权值和阈值；基于所修正后的所述权值和阈值生成神经网络模型。
31.在一个示例性实施例中，所述融合终端还包括用于采集配电变压器数据的交采模块、用于同步时钟的时钟模块、用于监视所述主控核心模块运行的看门狗模块、用于提供电力的电源模块、用于保护所述主控核心模块的通信隔离模块、用于测量温度的测温模块、以及用于显示的显示模块。
32.实施例2
33.根据本发明实施例，提供了一种智能融合终端，如图2所示，该智能融合终端包括：回路巡检模块10、主控核心模块12、电力线载波模块11、usb接口25、蓝牙模块13、测温模块14、看门狗模块15、安全模块16、电源模块17、交采模块18、时钟模块19、通信隔离模块20、以太网模块21、4g模块22、显示模块23、人机交互模块24、rs-485接口201、rs-232接口202和遥信接口203。
34.主控核心模块是智能融合终端的关键模块，负责智能融合终端各模块的管理和控制。主控核心模块可以选用核心板scm701core，基于该高端主控芯片scm701设计，配置2gb内存和4gb闪存，具有丰富的外设接口，工作主频高达1.2ghz，搭载智芯自主可控的安全操作系统枢纽os与容器引擎，具备边缘计算能力。
35.交采模块的数据采集芯片可以选用多功能高精度防窃电的三相电能专用计量芯片att7022eu来采集配电变压器数据，芯片att7022eu集成7路二阶sigma-delta adc，其中3路为三相电流采样通道(a相、b相和c相)，3路为三相电压采样通道(a相、b相和c相)，各通道的正负两个引脚内部都有esd保护电路。
36.交采模块的微控制器可以选用stm32f103rct6微控制器，用于处理分析采集的电量数据。该控制器使用高性能的cortextm-m332位的risc内核，工作频率72mhz，提供256k字节flash存储，支持串行单线调试(swd)和jtag接口两种调试模式，包含3个12位的adc、4个通用16位定时器和2个pwm定时器，同时包含2个i2c、3个spi、2个i2s、1个sdio、5个usart、一个usb和一个can等标准通信接口，可满足智能融合终端的数据存储、分析和处理需求。
37.时钟模块采用epson公司的rx-8025t时钟芯片，实现智能融合终端的实时功能。
38.看门狗模块用于监视终端内部运行状态，在程序跑飞或死锁情况下，自动复位。看门狗模块芯片可以选用sp706en芯片，由主控核心模块定时喂狗，当按下外部复位开关、sp706en芯片供电电压5v降至4.4v时或核心板程序跑飞死锁时，整个系统开始上电复位。
39.电源模块负责将智能融合终端外界输入电压转换成各模块所需的电压，保证各功能模块的正常稳定工作。
40.为保证智能融合终端整个系统的安全与可靠，防止电流、电压的波动对终端各芯片的干扰、影响甚至损坏，通过通信隔离模块对rs-485接口、rs-232接口、遥信接口的通信
实现通信隔离。
41.测温模块实现温度测量，内置电气隔离，可以保证稳定测量结果不受干扰。
42.安全模块实现对智能融合终端的安全认证，包括数据加密、解密、认证等，保证数据存储和传输过程的安全性和可靠性。
43.显示模块实现对智能融合终端的工作状态显示和功能显示，其中工作状态包括电源状态、运行状态、通信状态、与主站连接状态等。
44.usb接口模块与回路巡检模块连接。
45.回路巡检模块包括模拟信号处理部分和数字信号处理部分。数字信号处理部分利用stm32f405rgt6中的内部adc，完成三路模拟输出量的检测，通过小波变换，完成频率、幅值计算，最终综合分析出回路巡检相关特性参数。回路巡检模块将在下文详细描述，此处不再赘述。
46.实施例3
47.在本实施例中，提供了一种具有回路巡检功能的融合终端，该融合终端与前述实施例中的融合终端的结构的不同之处在于回路巡检模块。
48.图3是根据本发明实施例的回路巡检模块的结构示意图，如图3所示，回路巡检模块包括模拟信号处理部分32和数字信号处理部分34。模拟信号处理部分32包括检测单元321、电压施加单元322、谐振单元323和二次回路电路324，其中，二次回路电路324包括采样电路和电流互感器。
49.电流互感器的一次侧与电源连接，二次侧与采样电路连接构成二次回路电路。检测单元与数字信号处理部分连接，在数字信号处理部分的控制下，检测二次回路电路的负荷电流和/电压。
50.图4是根据本发明实施例的检测单元的电路结构图，如图4所示，线圈l1与采样电阻r41并联，并联后的l1和r41一端接地，另一端与电阻r42串联。电阻r42的一端与第一比较器的正输入端相连。电阻r36的一端接地，另一端连接电阻r37，电阻r36和电阻r37的连接点与第一比较器的负输入端相连，电阻r37的另一端与电容c43串联，电容c43的另一端连接在电阻r41和r42的连接点。第一比较器的输入端连接到第二比较器的正输入端，电容c39一端接地，另一端与电阻r38串联，电阻r38的另一端连接到第二比较器的负输入端，并经电阻r39连接到第二比较器的输出端。第二比较器的负输出端经电阻r40连接到数字信号处理部分，并且，电阻r40的邻近数字信号处理部分的一端还经电容c41接地。
51.通过上述电路结构，可以检测二次回路电路的负荷电流。电流互感器的次级线圈对二次回路电路的负荷电流进行感应，采样电阻r41将电流互感器感应到的电流转换为对应的电压，并对所采集的电压进行处理使得采样的电压更精确之后，输入到数字信号处理部分，由数字信号处理部分内部集成的模数转换器对该处理后的电压进行转换。
52.在本实施例中，仅示出了对负荷电流进行采样的示例。在其他的实施例中，除了对负荷电流进行采样之外，还可以对电压进行采样。在同时采样电流和电压的情况下，为了得到与基本上同相的电压和电流信号相应的电压和电流采样，数字信号处理部分的内部集成的模数转换器可以包括用于补偿模拟电压和电流信号之间的相移的补偿器。通过相比于模拟电压和电流信号的采样时间调整来得到补偿，从而提供基本上同相的电压采样和电流采样。
53.电压施加单元与数字信号处理部分连接，在数字信号处理部分的控制下，向二次回路电路注入高频电压信号，该高频电压信号为电压值大于第一电压阈值的电压信号，并且，该高频电压信号的频率与谐振单元的谐振频率相同。
54.实施例4
55.在本实施例中，提供了一种具有回路巡检功能的融合终端，该融合终端与前述实施例3中的融合终端的结构的不同之处在于回路巡检模块中的谐振单元。
56.如图3所示，本实施例中的回路巡检模块包括模拟信号处理部分和数字信号处理部分。模拟信号处理部分包括检测单元、电压施加单元、谐振单元和二次回路电路，其中，二次回路电路包括采样电路和电流互感器。
57.检测单元用于检测二次回路电路的电流状态和/或电压状态。电压施加单元在本实施例中，可以包括电压互感器和施压电路。在数字信号处理部分的控制下，施压电路向二次回路电路注入高频电压信号时，该频率由数字信号处理部分控制。施压电路对数字信号处理部分输入的用于控制频率的电压信号进行驱动放大，获得高频电压信号，然后通过电压互感器线圈的感应，将所生成的高频电压信号注入到二次回路电路中。
58.图5是根据本发明实施例的谐振单元的电路结构图。谐振单元与数字信号处理部分连接，用于在二次回路电路注入高频电压信号时发生谐振。如图5所示，电容c35与电容c36串联，电容c36的另一端与第三比较器的正输入端相连，线圈l2的一端与电容c35相连，另一端与电容c36相连，使得线圈l2与串联后的电容c35和c36并联。线圈l2与串联连接的电容c35与电容c36构成谐振单元。反相器inv的一端连接在c35的输入端，另一端连接在第三比较器的输出端，构成自激荡电路。第三比较器的正输入端还连接有接地的电阻r34。接地的电阻r26的另一端与电阻r27相连，二者的连接点连接第三比较器的负输入端，电阻r27的另一端连接第三比较器的输出端。反向器inv与电容c35的一端相连，另一端与第一比较器的输出端相连，从而形成自震荡电路。电阻r235的一端连接第三比较器的输出端，一端连接电容c35和电容c36的连接点。第三比较器的输入端连接电阻r31，电阻r31的另一端连接电阻r32，电阻r32的了另一端连接第四比较器，第四比较器的输入端还经电容c37与地连接。第四比较器的负输入端与第四比较器的输出端连接，第四比较器的输出端还经电容c38连接在电阻r31和电阻r32的连接点上。第四比较器的输出端还与电容c34相连，电容c34的另一端与第五比较器的正输入端连接。电容c32一端接地，另一端与电阻r28相连，电阻r28的另一端经电阻r29连接到第五比较器的输出端，电阻r28和电阻r29的连接点与第五比较器的负输入端相连。第五比较器的输出端经电容c33接地，二者的连接点与数字信号处理部分连接。通过第四比较器和第五比较器相关的器件构成的校正电路用于对自激荡电路的输出值进行校正。
59.具体地，当二次回路电路工作时，线圈l1对二次回路电路的负荷电流进行感应，采样电阻将电流互感器感应到的电流转换为对应的电压，电压经过处理后，由数字信号处理部分内部集成的模数转换器对该电压进行转换。数字信号处理部分判断二次回路电路的负荷电流是否低于第一电流阈值。
60.如果二次回路电路的负荷电流低于第一电流阈值，则电压施加单元向二次回路电路注入高频电压信号。之后，数字信号处理部分判断是否从所述谐振单元检测到振荡信号。在向二次回路电路注入高频电压信号时，由于注入的高频电压信号的频率与谐振单元的谐
振频率相同，如果二次回路电路没有开路的情况，则谐振单元将呈现谐振状态，此时，高频电压信号被谐振放大获得振荡信号，该振荡信号的幅值被校正电路校正后，之后被数字电路部份采集。因此，如果没有检测到校正后的振荡信号，则确定二次回路电路开路。如果检测到振荡信号，则数字信号处理部分进一步判断校正后的振荡信号的幅值是否高于预设电压阈值。如果校正后的振荡信号的幅值高于预设电压阈值，则确定二次回路电路短路。如果振荡信号的幅值不高于预设电压阈值，则确定二次回路电路工作正常。
61.如果二次回路电路的负荷电流不低于第一电流阈值，则启动自激振荡电路。自激振荡电路的振荡频率随着电流的变化呈现周期性的增大和减小。数字信号处理部分判断自激振荡电路的被校正后的最小频率是否增大或减小。当二次回路电路被短接时，最小频率会增大。因此，如果检测到被校正后的最小频率增大，则可以判断二次回路电路被短接，即电表可能发生窃电。
62.数字信号处理部分用于实现数据采集，并基于所采集的数据进行分析。数字信号处理部分用于向电压施加单元提供所需频率的控制信号，用于采集检测单元检测的二次回路电路的负荷电流和/或负荷电压、谐振电路的最小频率以及谐振单元发生谐振时的振荡信号，并对采集的数据进行处理，以判断电表是否有被窃电的情况发生。
63.通过上述结构，由于在谐振单元中设置了包括第四比较器和第五比较器的校正电路，对自激荡电路输出的振荡信号进行了校正，从而使得数字电路部分采集到振荡信号的幅值更为精确，从而能够更准确地判断电表是否处于被窃电状态。
64.实施例5
65.在本实施例中，提供了一种具有回路巡检功能的融合终端，该融合终端与前述实施例4中的融合终端的结构的不同之处在于数字信号处理部分。
66.如图3所示，本实施例中的回路巡检模块包括模拟信号处理部分和数字信号处理部分。模拟信号处理部分包括检测单元、电压施加单元、谐振单元和二次回路电路，其中，二次回路电路包括采样电路和电流互感器。
67.检测单元用于检测二次回路电路的电流状态和/或电压状态。谐振单元包括谐振电路和自激振荡电路。在数字信号处理部分的控制下，施压电路向二次回路电路注入高频电压信号时，该频率由数字信号处理部分控制。施压电路对数字信号处理部分输入的用于控制频率的电压信号进行驱动放大，获得高频电压信号，然后通过电压互感器线圈的感应，将所生成的高频电压信号注入到二次回路电路中。谐振单元与数字信号处理部分连接，用于在二次回路电路注入高频电压信号时发生谐振。
68.本实施例中的数字信号处理部分执行了一种窃电行为识别方法。通过预先构建的窃电行为识别模型，实现了反窃电行为的识别。在模型的特征数据输入阶段，提取和分析窃电行为的相关数据和异常数据。对样本数据进行预处理后，利用样本数据训练识别模型。以样本数据作为输入，输出样本分类，实现窃电识别。建立窃电识别模型，然后利用该模型实现实时诊断。
69.本实施例中的窃电行为识别模型是基于神经网络系统建立的模型。具体的，识别窃电行为的方法如图6所示，包括以下步骤：
70.步骤s601，设置bp神经网络的权值和阈值。
71.设置神经元的隐含层数为2。输入层神经元个数为n，隐含层神经元个数为l，输出
层神经元个数为m，最大训练次数为5000、预设指标阈值为ε＝0.02、学习率为η。
72.输入层到隐含层的权值为w
ij
，隐含层到输出层的权值为w
jk
，隐含层的阈值为aj，输出层的阈值为bk，设置各权值w
ij
、w
jk
和阈值aj、bk为0和1之间的随机数。
73.步骤s602，提供训练样本。
74.输入为历史用电数据xi，例如，校正后的振荡信号，期望输出为yk，对每个输入样本进行下面步骤s603到步骤s604的迭代。
75.步骤s603，计算网络隐含层的输出和输出层的输出。
76.基于所述隐含层的上一层输入层的相应的输出值、所述隐含层与所述上一层输入层的相应的权值、所述隐含层的阈值以及激活函数，计算所述bp神经网络的隐含层的实际输出；基于所述输出层的上一层隐含层的相应的输出值、所述输出层与所述上一层隐含层的相应的权值、所述输出层的阈值，计算所述bp神经网络输出层的实际输出。
77.具体的计算方法如下：
78.g(x)＝1/(1 e-x
)
[0079][0080][0081]
其中，i＝1
…
n，j＝1
…
l，k＝1
…
m，n为输入层神经元个数，l为隐含层神经元个数，m为输出层神经元个数，w
ij
为输入层到隐含层的权值，w
jk
为隐含层到输出层的权值，aj为隐含层的阈值，bk为输出层的阈值，g(x)为激活函数，g(x)取sigmoid函数，形式为hj为所述隐含层的实际输出，ok为所述输出层的实际输出，xi为bp神经网络的输入。
[0082]
如果当前该层网络是输出层，则该ok值就是网络最后的输出值。
[0083]
步骤s604，修正权值和阈值。
[0084]
隐含层到输出层的权值更新：
[0085][0086]
输入层到隐含层的权值更新：
[0087][0088]
隐含层到输出层的阈值更新：
[0089][0090]
输入层到隐含层的阈值更新：
[0091]
[0092]
其中，w
ij
为输入层到隐含层的权值，为w
ij
更新后的权值，w
jk
为隐含层到输出层的权值，为w
jk
更新后的权值，aj为隐含层的阈值，为aj更新后的阈值，bk为输出层的阈值，为bk更新后的阈值，η为学习率，hj为所述隐含层的实际输出，ok为所述输出层的实际输出，xi为bp神经网络的输入，ek＝y
k-ok，m为输出层神经元个数，yk为期望输出。
[0093]
步骤s605，计算窃电指标。
[0094][0095]
步骤s606，判断窃电指标是否满足窃电条件。
[0096]
判断窃电指标是否满足指标要求。当e＜ε时，确认满足指标要求，即电表发生窃电情况。其中，e为窃电指标，yk为期望输出，ok值为输出层的输出值，ε＝0.02为预设窃电指标。
[0097]
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本发明所必须的。
[0098]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到根据上述实施例的方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
[0099]
实施例6
[0100]
在本实施例中，提供了一种具有回路巡检功能的融合终端，该融合终端与前述实施例4中的融合终端的结构的不同之处在于数字信号处理部分。
[0101]
如图3所示，本实施例中的回路巡检模块包括模拟信号处理部分和数字信号处理部分。模拟信号处理部分包括检测单元、电压施加单元、谐振单元和二次回路电路，其中，二次回路电路包括采样电路和电流互感器。
[0102]
检测单元用于检测二次回路电路的电流状态和/或电压状态。电压施加单元在本实施例中，可以包括电压互感器和施压电路。电压互感器的初级线圈为二次回路电路的导线，电压互感器的次级线圈的一端连接施压电路的输出端，电压互感器的次级线圈的另一端接地。谐振单元包括谐振电路和自激振荡电路。
[0103]
在数字信号处理部分的控制下，施压电路向二次回路电路注入高频电压信号时，该频率由数字信号处理部分控制。施压电路对数字信号处理部分输入的用于控制频率的电压信号进行驱动放大，获得高频电压信号，然后通过电压互感器线圈的感应，将所生成的高频电压信号注入到二次回路电路中。谐振单元与数字信号处理部分连接，用于在二次回路
电路注入高频电压信号时发生谐振。
[0104]
本实施例中的数字信号处理部分与上述实施例不通，其利用另外一种窃电识别方法来识别。
[0105]
基于经验从智能电表数据中提取特征是困难的。然而，特征提取是检测系统成功与否的关键因素。本实施例，采用了cnn网络。在cnn中，连续交替的卷积层和池化层旨在通过历史耗电量数据逐步学习更高级别的特征(例如，趋势指标、序列标准偏差和线性斜率)。此外，电力消耗与这些影响因素之间存在高度非线性的相关性。由于激活函数是在卷积层和全连接层上设计的，因此cnn能够对高度非线性的相关性进行建模。在本实施例中，使用名为
″
整流线性单元
″
(relu)的激活函数，因为它的稀疏性和最小化cnn-rf模型中的梯度消失问题。
[0106]
本实施例中的数字信号处理部分执行的窃电识别方法如图7所示，包括以下步骤：
[0107]
步骤s701，对采集的数据进行预处理。
[0108]
1)剔除异常数据。
[0109]
x
i，t
被定义为在t时间间隔内所采集的第i个电流，为时间间隔t内的平均电流值。本实施例中，数字信号处理部分首先采用以下公式，剔除出异常数据。
[0110][0111]
在的情况下，表示为异常数据，剔除该数据，并将一个平均值处理、均方处理、并补充了校正因子的均值来代替该异常数据，其中，σ表示均方，w表示权重。
[0112]
2)补充缺失数据。
[0113]
由于存储问题、智能电表故障等各种原因，用电量数据有时存在缺失值。通过对原始数据的分析，发现数据缺失有两种：一种是多条数据的连续缺失，解决方法是缺失值超过预设阈值个数例如1o个时删除该条数据；另一种是缺失单个数据，按以下公式恢复缺失值：
[0114][0115]
其中，nan表示缺失。
[0116]
3)归一化处理。
[0117]
最后，数据需要归一化，因为神经网络对不同的数据很敏感。归一化处理可以采用以下公式进行：
[0118][0119]
其中，t表示时间周期，t是时间间隔t的倍数，n表示时间间隔t内的采集的样本数据的个数。
[0120]
步骤s702，提供训练样本。
[0121]
使用交叉验证方法将数据集划分为训练集和测试集，其中80％是训练集，20％是
测试集。鉴于窃电消费者的数量明显超过非欺诈消费者，数据集的不平衡可能会对监督机器学习方法的性能产生重大负面影响。为了减少这种偏差，使训练集中正常和异常样本的数量相等。
[0122]
步骤s703，训练神经网络模型。
[0123]
首先建立神经网络模型。图7相关的实施例将详细阐述神经网络模型的建立，此处不再赘述。
[0124]
神经网络模型使用前向传播算法和反向传播算法进行训练。首先将输入层中的数据转移到卷积层、池化层和全连接层，得到预测值。如果输出值与目标值的差异过大并超过某个阈值，则反向传播阶段开始更新参数。神经网络的实际输出与预期输出之间的差异决定了网络中各层权重的调整方向。
[0125]
给定一个总共有m个样本的样本集d＝{(x1，y1)，...，xm，ym)}，首先通过前馈过程得到。对于所有样本，实际输出yi与预期输出的差值的均值可以表示为：
[0126][0127]
其中，a表示学习率，w表示网络层之间的连接权重，b是相应的偏差。
[0128]
然后，每个参数用均值为0且方差为正态分布生成的随机值初始化，并用梯度下降法更新。对权重和偏差进行修正，具体的修正公式如下：
[0129][0130][0131]
其中，a表示学习率，表示第1层中的第i个神经元与第1 1层中的第j个神经元之间的连接权重，表示第l层中的第i个神经元的偏差。
[0132]
然后，训练分类器。分类器的分类过程从学习到的特征中随机生成特定引导样本的方法，用于生长每棵树。
[0133]
步骤s704，识别是否窃电。
[0134]
将采集到的数据输入神经网络模型中，确定是否有窃电行为的发生。
[0135]
本实施例中提出了一种基于神经网络模型来识别窃电的方法。在该模型中，通过设计的自动特征提取器和分类器，能够更好的识别出窃电行为。此外，由于必须优化大量参数会增加过拟合的风险，因此在训练阶段设计了一个全连接层。另外，克服了数据不平衡的问题。
[0136]
实施例7
[0137]
本实施例提出的神经网络模型的架构主要包括特征提取器和可训练的分类器。特征提取器由卷积层、下采样层和全连接层组成。神经网络模型是一种深度监督学习架构，通常包括多个层，可以使用反向传播算法进行训练。它还可以通过执行随机梯度方法探索智能电表数据中的复杂分布。分类器由树分类器的组合组成。
[0138]
构建本实施例提出的神经网络模型的建立过程如图8所示，可以包括以下步骤：
[0139]
s801，构建卷积层。
[0140]
卷积层的主要目的是学习输入数据的特征表示，减少噪声的影响。卷积层由几个特征滤波器组成，用于计算不同的特征图。特别地，为了在生成特征图的过程中减少网络参数和降低相关层的复杂度，每个特征图中每个核的权重是共享的。此外，卷积层中的每个神经元连接前层的局部区域，然后对卷积结果应用激活函数。在本实施中，卷积层的输出可以表示为：
[0141][0142]
其中，δ是激活函数，*是卷积操作，和都是第f个特征过滤器中的可学习参数，是第f个特征过滤器的输入的采集的数据。ft是特征过程滤波器的总数。
[0143]
s802，构建下采样层。
[0144]
下采样层通常放在两个卷积层之间，它可以减少参数的数量并实现降维。特别是，池化层的每个特征图都连接到其对应的前一个卷积层的特征图。并且，在不减少下采样层中输出特征图的数量的情况下减小了输出特征图的大小。下采样操作主要包括最大池化和平均池化。最大池化操作通过最大值将小窗口转换为单个值，但平均池化返回小窗口中激活的平均值。
[0145]
在本实施中，下采样层的输出可以表示为：
[0146][0147]
其中，m是池化窗口中的一组激活值，m是池化窗口中的激活索引，1是层id，x
i，m
是下采样层的输入。
[0148]
s803，构建全连接层。
[0149]
通过顺序卷积和池化提取的特征，应用全连接层将特征图展平为一个向量，如下所示：
[0150][0151]
其中，w
l
是第1层的权重，l
l
)是第l层的偏差，x
l
是第1层的输入。
[0152]
s804，构建分类器。
[0153]
分类器用于神经网络模型的最后一个输出层，根据获得的特征来预测类别。分类器层可以定义为：
[0154]yout
(x
l
)sigm(w
rf
·
x1 b
l
) x
lbl
δ
[0155]
其中，sigm是sigmoid函数，将异常值映射为0，正常值映射为1。分类器中设置的参数集w
rf
包括决策树的数量和树的最大深度，这些都是通过网格搜索算法得到的。
[0156]
本实施例提出的用于识别窃电行为而构建的神经网络模型具有以下有益效果：混合模型可以自动提取特征，而大多数其他传统分类器的成功依赖于主要是检索良好的手工设计特征；混合模型结合了神经网络和分类器的优点。
[0157]
实施例8
[0158]
本发明的实施例还提供了一种存储介质，其上存储有程序，当所述程序被执行时，使得计算机执行上述实施例中的任一方法。
[0159]
可选地，在本实施例中，上述存储介质可以包括但不限于：u盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
[0160]
本技术的实施例还可以实现如下配置：
[0161]
1一种具有回路巡检功能的融合终端，包括：回路巡检模块，被配置为检测二次回路电路的电路状态，并基于所述电路状态分析得到回路巡检相关特性参数，以判断所述电表是否处于正常状态；主控核心模块，被配置为通过usb接口与所述回路巡检模块相连，用于处理所述回路巡检模块的检测结果，并控制显示模块显示处理后的所述检测结果。
[0162]
2根据项1所述的融合终端，所述回路巡检模块包括：模拟信号处理部分，被配置为检测所述二次回路电路的电路状态，所述电路状态包括电流状态和/或电压状态；数字信号处理部分，被配置为基于所述电流状态和所述电压状态分析所述回路巡检相关特性参数。
[0163]
3.根据项2所述的融合终端，其特征在于，所述模拟信号处理部分包括：检测单元，被配置为通过线圈采集所述二次回路电路的电路状态；电压施加单元，被配置为基于所述电路状态向所述二次回路电路注入频率大于第一电压阈值的电压信号；谐振单元，被配置为在所述二次回路电路被注入频率大于第一电压阈值的电压信号时，发生谐振，并基于所产生的谐振信号生成振荡信号，其中，所述振荡信号用于识别是否有窃电行为。
[0164]
4.根据项3所述的融合终端，其特征在于，所述谐振单元包括：谐振电路，在所述二次回路电路被注入频率大于第一电压阈值的电压信号时，发生谐振，并产生谐振信号；自激荡电路，被配置为基于所产生的谐振信号生成振荡信号；校正电路，被配置为对所述振荡信号进行校正，并将校正后的振荡信号发送到所述数字处理部分，以识别是否有窃电行为。
[0165]
5.根据项4所述的融合终端，其特征在于，所述校正电路包括：第四比较器，所述第四比较器的负输入端与第四比较器的输出端连接，所述第四比较器的输出端经电容c38连接在串联的电阻r31和电阻r32的连接点上，第四比较器的输出端还与电容c34的一端相连；第五比较器，第五比较器的正输入端连接所述电容c34的另一端，所述第五比较器的负输入端连接串联的电阻r28和电阻r29的连接点，所述第五比较器的输出端经电阻r29连接到电阻r28的另一端，所述第五比较器的输出端还经电容c33接地。
[0166]
6.根据项2所述的融合终端，其特征在于，所述数字信号处理部分包括：模型建立模块，被配置为基于神经网络预先建立用于识别窃电行为的神经网络模型；识别模块，被配置基于所构建的神经网络模型识别所述窃电行为。
[0167]
7.根据项6所述的融合终端，其特征在于，所述模型建立模块还被配置为：修正所述神经网络模型的权值和阈值；基于所修正后的所述权值和阈值生成神经网络模型。
[0168]
8.根据项6所述的融合终端，其特征在于，基于以下公式来修正所述权值和阈值：
[0169]
隐含层到输出层的权值更新：
[0170]
[0171]
输入层到隐含层的权值更新：
[0172][0173]
隐含层到输出层的阈值更新：
[0174][0175]
输入层到隐含层的阈值更新：
[0176][0177]
其中，w
ij
为输入层到隐含层的权值，为w
ij
更新后的权值，w
jk
为隐含层到输出层的权值，为w
jk
更新后的权值，aj为隐含层的阈值，为aj更新后的阈值，bk为输出层的阈值，为bk更新后的阈值，η为学习率，hj为所述隐含层的实际输出，ok为所述输出层的实际输出，xi为bp神经网络的输入，ek＝y
k-ok，m为输出层神经元个数，yk为期望输出。
[0178]
9.根据项8所述的融合终端，其特征在于，基于以下公式生成所述神经网络模型：
[0179][0180][0181]
其中，i＝1
…
n，j＝1
…
l，k＝1
…
m，n为输入层神经元个数，l为隐含层神经元个数，m为输出层神经元个数，w
ij
为输入层到隐含层的权值，w
jk
为隐含层到输出层的权值，aj为隐含层的阈值，bk为输出层的阈值，g(x)为激活函数，g(x)取sigmoid函数，形式为hj为所述隐含层的实际输出，ok为所述输出层的实际输出，xi为bp神经网络的输入。
[0182]
10.根据项1所述的融合终端，其特征在于，所述融合终端还包括用于采集配电变压器数据的交采模块、用于同步时钟的时钟模块、用于监视所述主控核心模块运行的看门狗模块、用于提供电力的电源模块、用于保护所述主控核心模块的通信隔离模块、用于测量温度的测温模块、以及用于显示的显示模块。
[0183]
本技术的实施例还可以实现如下配置：
[0184]
1.一种识别窃电行为的方法，其特征在于，包括：获取二次回路电路的电路状态，基于所述电路状态分析得到回路巡检相关特性参数；基于所分析得到的回路巡检相关特性参数来识别窃电行为。
[0185]
2.根据项1所述的方法，其特征在于，基于所分析得到的回路巡检相关特性参数来识别窃电行为包括：将所述回路巡检相关特性参数输入到预先建立的神经网络模型中；基
于所述神经网络模型，根据所述回路巡检相关特性参数来识别窃电行为。
[0186]
3.根据项1所述的方法，其特征在于，所述神经网络模型是通过以下方法建立的：预处理训练样本；修正所述神经网络模型的权值和阈值；基于所修正的权值和阈值以及处理后的所述训练样本来建立所述神经网络模型。
[0187]
4.根据项3所述的方法，其特征在于，预处理训练样本包括：从所述训练样本中剔除异常数据；从剔除所述异常数据的训练样本中发现缺失数据，并对所述缺失数据进行补充；对补充了所述缺失数据的所述训练样本进行归一化处理。
[0188]
5.根据项4所述的方法，其特征在于，基于以下公式进行所述归一化处理：
[0189][0190]
其中，t表示时间周期，t是时间间隔t的倍数，n表示时间间隔t内的采集的样本数据的个数，x
i，t
表示在t时间间隔内所采集的第i个电流，x
i，t
表示在t时间周期内所采集的第i个电流。
[0191]
6.一种识别窃电行为的装置，其特征在于，包括：检测模块，被配置为检测二次回路电路的电路状态，基于所述电路状态分析得到回路巡检相关特性参数；识别模块，被配置为基于所分析得到的回路巡检相关特性参数来识别窃电行为。
[0192]
7.根据项5所述的装置，其特征在于，所述识别模块还被配置为：将所述回路巡检相关特性参数输入到预先建立的神经网络模型中；基于所述神经网络模型，根据所述回路巡检相关特性参数来识别窃电行为。
[0193]
8.根据项7所述的装置，其特征在于，所述装置还包括模型建立模块，被配置为：预处理训练样本；修正所述神经网络模型的权值和阈值；基于所修正的权值和阈值以及处理后的所述训练样本来建立所述神经网络模型。
[0194]
9.根据项8所述的装置，其特征在于，所述模型建立模块还被配置为：从所述训练样本中剔除异常数据；从剔除所述异常数据的训练样本中发现缺失数据，并对所述缺失数据进行补充；对补充了所述缺失数据的所述训练样本进行归一化处理。
[0195]
10.根据项8所述的装置，其特征在于，基于以下公式进行所述归一化处理：
[0196][0197]
其中，t表示时间周期，t是时间间隔t的倍数，n表示时间间隔t内的采集的样本数据的个数，x
i，t
表示在t时间间隔内所采集的第i个电流，x
i，t
表示在t时间周期内所采集的第i个电流。
[0198]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
[0199]
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。