本发明涉及电能表管理，更具体地说，本发明涉及一种电能表运行状态管理方法和系统。
背景技术：
1、申请公开号为cn110907883a的专利公开了一种电能表自动化检定系统的计量监督方法和系统；方法和系统将通过稳定性考核的标准电能表作为核查标准件，分别建立利用标准电能表检定装置和电能表自动化检定系统对其进行重复测量而生成的第一控制图和第二控制图，通过对电能表自动化检定系统检定过程的实时控制、以及预先规定核查频率检查电能表自动化检定系统控制图是否异常来实现对某一个时间段或某一批次的被检电能表的检定质量进行监测，确保电能表自动化检定系统的运行状态处于可控范围，解决传统人工监督管理方式存在的滞后性，同时可为计量行政部门对电能表人工复检的计量监督模式提供参考，减少质量监督管理部门投入的人力和物力。
2、但是现有的电能表运行状态管理技术手段相对简单和被动，主要依靠人工经验来判断电能表的运行状态，这在大规模分布式应用中暴露出许多问题。例如，在某配电网络中，操作人员无法实时监测成千上万电能表的运行状态，只能通过定期抽查来间接了解电能表的健康状况。当电能表发生故障时，由于无法预测故障的发生，也就失去了故障预警的机会，只能被动地发现和处理故障，不仅延长了停电时间，也无法指导电能表的维护与保养。另外，人工分析电能表运行状态的工作量大且精度有限，不同故障状态之间的关系也不明确，都制约了电能表运行管理的智能化和自动化。总体来说，这些问题导致现有电能表运行管理技术很难满足电力部门对电能表高可靠性、高效管理的需求。
3、鉴于此，本发明提出一种电能表运行状态管理方法和系统以解决上述问题。
技术实现思路
1、为了克服现有技术的上述缺陷，为实现上述目的，本发明提供如下技术方案：一种电能表运行状态管理方法，包括：
2、s1、采集电能表综合数据和环境数据；
3、s2、根据电能表综合数据建立运行状态函数；根据环境数据获取环境影响因数；
4、s3、构建电能表状态矩阵；根据运行状态函数、环境影响因数和电能表状态矩阵获取电能表状态趋势；所述电能表状态趋势分为总体稳定、缓慢恶化、快速恶化、缓慢优化和快速优化；
5、当电能表状态趋势为缓慢恶化或快速恶化时，发送提醒信息至电能表管理终端。
6、进一步地，所述电能表综合数据包括电气参数数据和电能表综合日志；所述电气参数数据包括电压、电流、电网频率、功率因数、电流谐波和累计计量值；电能表综合日志包括计量芯片温度和存储使用率；
7、所述环境数据包括气象环境数据和电磁环境数据；气象环境数据包括温度、湿度和大气压强；电磁环境数据包括电能表所在区域的地磁值和工频磁场强度。
8、进一步地，所述运行状态函数的建立方式包括：
9、根据电压获取电压稳定性指标；其中，为电压的统计周期数；和为两次相邻采样点的电压；为统计周期内的平均电压；为统计周期内采样点电压的索引；
10、根据电流获取电流稳定性指标；其中，为原始电流曲线的一阶导数；为原始电流曲线的二阶导数；原始电流曲线通过将电流采集周期内的电流值根据采集周期内的时间进行曲线拟合获取；
11、根据电网频率获取频率稳定性指标，其中，为电网频率的统计周期数；为第次采样点的电网频率；为统计周期内的平均电网频率；为统计周期内采样点电网频率的索引；
12、根据电压稳定性指标、电流稳定性指标、频率稳定性指标、功率因数、电流谐波和累计计量值获取电气性能子函数；
13、根据计量芯片温度和存储使用率获取自身状态子函数；
14、运行状态函数；其中，为电气性能子函数权重参数；为自身状态子函数权重参数。
15、进一步地，所述电气性能子函数为：
16、；
17、其中，为功率因数；为电流谐波；为相位角稳定指标；为累计计量误差；为电压性能权重参数；为电流性能权重参数；
18、；其中，为相位角随时间的变化函数；
19、；其中，为累计计量值，为计量芯片测量的有功电能；
20、所述自身状态子函数为：
21、；
22、其中，为计量芯片温度；为存储使用率；为温度影响参数；为使用率影响参数；为计量数据调节参数；为存储数据调节参数；
23、所述环境影响因数为：
24、；
25、其中，；式中，为温度调节权重参数；为湿度调节权重参数；为常数；为大气压强调节权重参数；为温度规范化参数；为湿度规范化参数；为大气压强规范化参数；
26、；式中，为第一电磁参数；为第二电磁参数；为地磁值规范化参数；为工频磁场强度规范化参数。
27、进一步地，所述电能表状态矩阵的构建方式包括：
28、初始化电能表状态矩阵的行索引代表离散的运行状态函数的值，列索引代表离散的环境影响因数的值；电能表状态矩阵元素值为在运行状态函数的值和环境影响因数的值的组合条件下，电能表综合状态的离散表示；
29、定义电能表综合状态的状态范畴包括正常、潜在故障、轻度故障、中度故障和重度故障；采用1-5的整数进行表示；1表示正常、2表示潜在故障、3表示轻度故障、4表示中度故障和5表示重度故障；
30、收集组电能表的历史运行数据，历史运行数据包括历史一段时间的电气参数数据、电能表综合日志、历史的环境数据以及电能表的实际状态标注；
31、对于每组历史运行数据，计算其运行状态函数的值和环境影响因数；作为样本数据；
32、利用自适应聚类算法将样本数据在电能表状态矩阵中赋予电能表状态矩阵元素值；在利用自适应聚类算法基础上运用训练完成的密度聚类神经网络；
33、将所有样本数据填入电能表状态矩阵中，行索引对应样本数据的运行状态函数的值，列索引对应样本数据的环境影响因数的值，并填入对应的电能表状态矩阵元素值；对于电能表状态矩阵中为空的元素，通过相邻元素的插值方法进行填充；即构建完成电能表状态矩阵。
34、进一步地，所述电能表状态矩阵元素值的获取方式包括：
35、构建运行状态函数的函数值和环境影响因数的值的二维坐标系；其中，运行状态函数为二维坐标系的横轴，环境影响因数为二维坐标系的纵轴；
36、将样本数据作为二维坐标系上的坐标点，即样本点；在二维坐标系中绘制出样本点的坐标；
37、对于每个样本点，计算其到其个最近邻样本点的距离集合，
38、；
39、定义样本点的局部密度为：；其中，为单位步函数；为近邻样本点的索引；为截断距离；当时，的值为1；否则为0；为样本点到近邻样本点之间的距离；
40、获取样本点到其截断距离内局部密度最大的样本点的最小距离；
41、对于每个样本点，利用局部密度和最小距离的大小进行划分类型；类型包括噪声点、分类边界点、类中心点和普通点；
42、若；则样本点划分为噪声点；
43、若；则样本点划分为分类边界点；
44、若；则样本点划分为类中心点；
45、若；则样本点划分为普通点；其中，为密度阈值；为距离阈值；
46、将划分为噪声点的样本点剔除，用划分为类中心点的样本点的状态标注所属样本点周围的普通点和分类边界点所有样本数据的状态，即得到每个样本数据所对应的电能表状态矩阵元素值。
47、进一步地，所述密度聚类神经网络的训练方式包括：
48、构建密度聚类神经网络的基础网络结构，基础网络结构包括输入层、编码层、lstm层、密度聚类层和坐标回归层；
49、所述输入层用于接受运行状态函数和环境影响因数作为样本点的坐标输入；编码层用于将坐标编码转换为特征向量；lstm层用于处理时间步上的数据，学习坐标构成序列的时序规律；密度聚类层基于局部密度和最小距离判定类中心点；坐标回归层用于预测下一时刻可能的类中心点的坐标；
50、定义密度聚类神经网络的坐标损失函数；并随机初始化密度聚类神经网络的参数；将样本数据划分q个样本批次；每次输入样本批次的坐标，并输入上一轮的类中心点的坐标；协同优化各网络结构的参数；将预测的类中心点的坐标作为下次输入的类中心点的坐标；
51、所述坐标损失函数；其中，为坐标偏差损失项；为类别散布惩罚损失项；为距离惩罚项；为坐标惩罚因子；为类别惩罚因子；
52、；
53、；
54、；
55、式中，为所有坐标的数量；为样本数据索引；为时间索引；为样本数据的输入；为样本数据的输入与时间的坐标预测输出函数；为样本数据在时刻真实的类中心点的坐标；为状态类别索引；为状态类别内的样本数据索引；为状态类别的坐标点的坐标预测；为状态类别中的样本数据的坐标点的坐标预测；为第一状态类别的索引；为第二状态类别的索引；为类别的坐标点的坐标预测；为类别的坐标点的坐标预测；为状态类别的总数；为将状态类别函数化；为将状态类别内的样本数据函数化；为将类别函数化；为将类别函数化；
56、预设损失阈值，直到坐标损失函数的函数值小于损失阈值，得到训练完成的密度聚类神经网络。
57、进一步地，所述电能表状态趋势的判断方式包括：
58、获取近期连续j个时刻的电能表运行状态函数的值和环境影响因数的值；并在电能表状态矩阵中查找对应的j个时刻的电能表综合状态；将j个时刻的电能表综合状态关联时间构成时间序列数据；
59、判断时间序列数据是否呈现明显的非平稳趋势；若存在明显的非平稳趋势，则采用adf单位根检验法进行平稳性检验；并处理为平稳的时间序列数据；
60、所述平稳性检验的方式包括：
61、建立原假设为时间序列数据存在单位根，即时间序列数据是非平稳的；
62、构建adf检验回归模型，将原假设进行adf检验回归模型的检验；若无法拒绝原假设，则时间序列数据是非平稳的；否则，时间序列数据是平稳的；
63、所述adf检验回归模型为：；其中，为截距项；为时间趋势项系数；为时刻的电能表综合状态的值；为自回归系数；为时刻的上一时刻的电能表综合状态的值；为随机扰动项；
64、将adf检验回归模型进行最小二乘方法得到、和的估计量；基于的估计量；构建adf检验统计量；
65、根据adf检验统计量的临界值，进行原假设的检验；若adf检验统计量的绝对值大于或等于临界值，则时间序列数据是平稳的；
66、若adf检验统计量的绝对值小于临界值，则时间序列数据是非平稳的；
67、所述处理为平稳的时间序列数据的方式包括：
68、对非平稳的时间序列数据进行一阶差分处理或ti阶差分处理；得到差分后的时间序列数据，即残差序列数据；若残差序列数据通过了adf检验回归模型的检验，则进行差分处理后时间序列数据达到平稳状态；
69、构建集成arima(p1，d1，q1)模型对未来tt个时刻的电能表的状态值进行预测；根据预测的状态值判断得到电能表状态趋势。
70、进一步地，所述集成arima(p1，d1，q1)模型的构建方式包括：
71、将平稳的时间序列数据划分为训练数据集和测试数据集；设置arima(p1，d1，q1)模型的参数；p1是自回归项个数；d1是差分次数；q1是移动平均项个数；
72、将环境影响因数的值作为协变量输入arima(p1，d1，q1)模型；使用最小二乘法或最大似然估计方法，拟合arima(p1，d1，q1)模型的参数；
73、构建b个不同结构的arima(p1，d1，q1)模型；每个arima(p1，d1，q1)模型使用训练数据集来估计模型参数；在测试数据集上，利用每个arima(p1，d1，q1)模型进行状态值预测，并计算均方误差mse；
74、对每个arima(p1，d1，q1)模型设置一个初始权重；根据每个arima(p1，d1，q1)模型的mse，更新其权重；权重较大的模型在集成预测中起主导作用；归一化arima(p1，d1，q1)模型的权重；
75、利用每个arima(p1，d1，q1)模型进行预测，将各arima(p1，d1，q1)模型预测的结果加权平均；即将各arima(p1，d1，q1)模型进行集成，得到集成模型；利用测试数据集评估集成模型和单个arima(p1，d1，q1)模型预测的均方误差mse；
76、若集成模型的均方误差mse降低不明显，则调整模型数量与结构，重新集成；直到集成模型的均方误差mse收敛或者达到预设迭代次数；最终获得集成arima(p1，d1，q1)模型；
77、将未来tt个时刻的状态值进行线性回归分析，得到状态值的线性变化趋势函数；计算每两个相邻时刻状态值的变化量，得到tt-1个变化速率；对tt-1个变化速率求滑动窗口平均，计算综合变化速率rt；
78、求解线性变化趋势函数的综合斜率kt；若|kt|≤阈值1，则电能表状态趋势呈现总体稳定；
79、若kt＞0，且rt在0到正值区间波动，则电能表状态趋势呈现缓慢恶化；
80、若kt＞0，且rt持续增加，则电能表状态趋势呈现快速恶化；
81、若kt＜0，且rt在0到负值区间波动，则电能表状态趋势呈现缓慢优化；
82、若kt＜0，且rt持续减小，则电能表状态趋势呈现快速优化。
83、一种电能表运行状态管理系统，其用于实现所述的电能表运行状态管理方法，包括：
84、数据采集模块，用于采集电能表综合数据和环境数据；
85、数据综合模块，用于根据电能表综合数据建立运行状态函数；根据环境数据获取环境影响因数；
86、趋势判断与预警模块，用于构建电能表状态矩阵；根据运行状态函数、环境影响因数和电能表状态矩阵获取电能表状态趋势；所述电能表状态趋势分为总体稳定、缓慢恶化、快速恶化、缓慢优化和快速优化；
87、当电能表状态趋势为缓慢恶化或快速恶化时，发送提醒信息至电能表管理终端；各个模块之间通过有线和/或无线的方式进行连接，实现模块间的数据传输。
88、本发明一种电能表运行状态管理方法和系统的技术效果和优点：
89、本发明实现了对电能表运行状态的预测和预警，当判断出电能表状态持续恶化时，能够及时发送预警信息，为电能表的维护提供指导；充分考虑多种因素对电能表状态的影响，使得更全面准确地反映电能表的实际运行情况；状态矩阵直观展示不同状态之间的关系，有助于分析电能表状态演变过程；应用时间序列分析方法判断电能表状态趋势，实现对电能表故障的预警，降低故障率；提高电能表运行管理的智能化和自动化水平，减少人工分析判断的工作量；有利于电能表的监测和预防性维护，延长使用寿命，提高电能表的稳定可靠性。
1.一种电能表运行状态管理方法，其特征在于，包括：
2.根据权利要求1所述的电能表运行状态管理方法，其特征在于，所述电能表综合数据包括电气参数数据和电能表综合日志；所述电气参数数据包括电压、电流、电网频率、功率因数、电流谐波和累计计量值；电能表综合日志包括计量芯片温度和存储使用率；
3.根据权利要求2所述的电能表运行状态管理方法，其特征在于，所述运行状态函数的建立方式包括：
4.根据权利要求3所述的电能表运行状态管理方法，其特征在于，所述电气性能子函数为：
5.根据权利要求4所述的电能表运行状态管理方法，其特征在于，所述电能表状态矩阵的构建方式包括：
6.根据权利要求5所述的电能表运行状态管理方法，其特征在于，所述电能表状态矩阵元素值的获取方式包括：
7.根据权利要求6所述的电能表运行状态管理方法，其特征在于，所述密度聚类神经网络的训练方式包括：
8.根据权利要求7所述的电能表运行状态管理方法，其特征在于，所述电能表状态趋势的判断方式包括：
9.根据权利要求8所述的电能表运行状态管理方法，其特征在于，所述集成arima(p1，d1，q1)模型的构建方式包括：
10.一种电能表运行状态管理系统，其用于实现权利要求1至9中任一项所述的电能表运行状态管理方法，其特征在于，包括：
