★ 国网甘肃省电力公司漳县供电公司 吴转兄，高哲

关键词：智能计量；故障预测；轻量化模型；电网监测

智能计量设备作为电网数据采集与电能计量的核心终端，长期多工况运行极易引发各类隐性故障。现有运维模式依赖人工巡检与稳态数据判别，难以捕捉时序数据隐含的故障特征，多工况复杂场景下的故障预警适配能力普遍不足^[1]。

传统预测模型存在特征筛选冗余、工况融合能力弱的缺陷，模型参数体量偏大，现场部署实时性较差。为此，本文搭建了自动化特征提取体系，完成了时序特征筛选与多工况特征融合^[2] ，实现了卷积与时序算法的轻量化优化。该方法兼顾预测精度与推理效率，能够有效适配台区在线监测与多场景故障预警的工程应用需求。

1   计量设备故障特征自动化提取

1.1   运行数据时序特征筛选

电网智能计量设备长期运行过程中会产生海量时序运行数据，原始数据包含大量冗余、无效信息，直接输入预测模型会大幅降低模型运算效率与预测精度。为实现故障特征的精准自动化提取，本文通过时序相关性分析完成有效特征筛选^[3] ，剔除波动干扰数据与稳态无效数据， 保留与设备故障强关联的时序指标， 如图1所示。

图1 数据清洗与故障特征提取

为量化各时序数据的故障关联程度，构建时序关联度计算方式，实现特征的初步筛选，具体如公式（1）所示。

式中，R代表时序数据与故障样本的皮尔逊关联度系数，用于量化两组数据的线性关联强度，取值区间位于负一至一之间；x_i代表第i个采样时刻的计量设备实时运行时序数据；y_i代表对应第i个采样时刻的设备故障标记数据，代表全部采样时刻运行数据的算术均值；代表全部采样时刻运行数据的算术均值； n代表时序数据采样总数量。关联度系数数值越趋近于一，对应时序数据与设备故障的正向关联性越强；趋近于负一则代表存在负向关联；数值趋近于零则代表两组数据无明显线性关联。

为进一步剔除弱关联冗余特征，设定动态筛选阈值完成特征二次提纯，保障输入特征的有效性与简洁性，如公式（2）所示。                           

式中，T代表特征筛选动态阈值； α代表权重调节系数；max(R)代表所有关联度系数的最大值；代表关联度系数的平均值。研究过程中保留关联度系数大于阈值的时序特征，彻底去除冗余干扰信息，为后续特征融合与故障预测提供了高质量的数据支撑。

1.2   故障工况特征自动融合

经过时序特征筛选后的有效特征多为独立分布的单一维度指标，计量设备故障往往是电压波动、数据采样异常、工况负载变化等多维度因素共同作用的结果，单一特征无法全面表征设备故障状态^[4]。基于前文筛选得到的高质量时序特征，本文开展了多维度故障工况特征自动融合处理，实现了零散特征的整体性整合，构建了完整的故障特征体系。

为平衡不同维度特征的贡献权重，避免单一特征主导融合结果，构建特征权重自适应计算方法，具体如公式（3）所示。

式中，W_k代表第k维故障特征的融合权重； R_k代表第k维特征对应的时序关联度系数； M代表参与融合的有效特征总维度。该计算方式可根据特征故障关联强度自动分配权重，强化了核心故障特征的主导作用。

依托求解得到的权重参数，完成多工况特征的深度融合，生成具备全局表征能力的综合故障特征，适配后续模型的输入要求，具体如公式（4）所示。

式中，F代表融合后的综合故障特征；S_k代表经过筛选后的第维原始时序特征。通过该融合方式可实现多工况特征的有机结合，完整覆盖了计量设备不同运行工况下的故障隐患特征，提升了后续故障预测的全面性与准确性。

2   轻量化改进预测模型构建

2.1   卷积神经网络参数优化

传统卷积神经网络应用于电网计量设备故障预测时，存在参数冗余、卷积核固定适配性差的问题，模型在边缘计量终端部署难度较大，难以满足自动化实时预测需求^[5]。针对上述问题，本文对卷积神经网络核心参数进行了优化调整，通过动态卷积核与参数衰减机制，提升了模型特征提取适配性，同时精简了模型参数体量。

为优化卷积核的特征捕捉能力，构建卷积核动态更新计算方式，适配不同工况的故障特征分布，如公式（5）所示。

式中， K_t+1代表更新后的卷积核参数；K_t代表当前迭代阶段的卷积核参数；  β代表参数更新学习率； ΔL(K_t )代表模型损失函数对卷积核参数的梯度。该方式可根据样本训练误差动态调整卷积核参数，提升了模型对计量设备故障特征的提取精度。

为抑制模型参数过拟合问题，实现参数轻量化优化， 引入参数正则化约束完成参数精简， 如公式（6）所示。

式中，L_total代表模型整体损失值；L_loss代表模型预测误差损失值；λ代表正则化系数；||k||²₂代表卷积核参数的二范数。通过正则化约束可弱化无效参数的影响，缩减了模型整体参数数量，实现了模型轻量化优化，有效适配电网自动化终端的嵌入式部署场景。

2.2   时序预测算法轻量化改进

常规时序预测算法结构复杂、迭代运算量较大，在电网计量设备海量时序数据的实时预测场景中，存在运算延迟高、硬件适配性弱的缺陷^[6]。为此，本文在传统时序预测算法的基础上进行了轻量化改进，简化了算法迭代结构，保留了核心时序记忆能力，并兼顾预测精度与运算效率，适配电网故障自动化实时预警需求。

为精简算法迭代运算流程，构建简化时序记忆更新机制，降低算法运算复杂度，具体如公式（7）所示。

式中，H_t代表当前时刻时序隐藏状态特征；σ代表非线性激活函数；W代表输入特征权重矩阵；F_t代表当前时刻融合故障特征； U代表历史状态权重矩阵； H_t-1代表上一时刻隐藏状态特征。该机制简化了传统时序算法的多门控结构，大幅减少了运算参数。

为进一步提升轻量化模型的预测收敛效率，构建自适应迭代收敛判定机制，避免无效迭代运算，具体如公式（8）所示。

式中，ΔE代表模型误差迭代变化率； E_t代表当前迭代周期预测误差； E_t-1代表上一迭代周期预测误差。当误差变化率低于设定阈值时，模型停止迭代完成训练，有效缩短了训练耗时，提升了计量设备故障实时预测的自动化响应速度。

3   实验分析

3.1   台区计量设备在线监测

本文以城市配电网多个低压台区智能计量设备为监测对象，采集设备日常运行时序工况数据作为实验样本。实验选取传统卷积神经网络、轻量化时序预测算法、所提融合优化预测方法开展对照测试。实验全程依托台区自动化监测终端实时采集数据，同步完成特征提取、模型推理与故障识别，全程在线不间断运行，记录各方法核心性能指标，实验结果如表1所示。

表1 不同方法核心性能指标对比

由表1中各项实测数据可以看出，三种对比方法在台区计量设备在线监测场景中均具备有效故障预测能力，但各项核心评价指标存在明显差异。传统卷积神经网络整体识别精度最低，准确率、召回率、F1分数均低于其余两种方法，同时推理耗时处于最高水平，整体实时性无法适配台区自动化在线监测需求；轻量化时序预测算法相较传统网络存在明显性能提升，精度指标小幅上涨，推理运算速度大幅优化；所提融合优化预测方法实现最优综合性能，准确率达到0.968，召回率达到0.965， F1分数稳定在0.966，三项精度指标均显著优于两类对比方法。在推理速度层面，该方法推理耗时仅为6.81毫秒，运算效率远超对照组，可高效适配台区计量设备不间断在线监测、实时故障预警的工程场景，具备更强的现场应用价值与工程适应性。

3.2   多场景故障预警实测

实验选取台区重载运行、低压异常、间歇采样故障三类典型电网计量设备运行场景作为测试工况，覆盖日常绝大多数故障发生场景。实验统一采用传统时序卷积网络、精简门控时序算法、所提轻量化融合预测方法开展对照测试，并统一数据集与硬件运行环境，逐场景完成故障预警推演，统计各方法的综合预警性能与实时响应能力，实验结果如表2所示。

表2 各方法综合预警性能与实时响应能力对比

由表2中实测数据可以清晰看出，三种算法在多场景故障预警任务中呈现出梯度化性能差异。传统时序卷积网络的场景适配度仅为0.871，预警精准度维持在0.883，整体适配多工况波动的能力偏弱， 同时误报率达到0.047， 推理耗时明显偏高， 无法适配复杂台区多变运行场景；精简门控时序算法可以有效优化传统网络的运行短板，场景适配度与预警精准度实现明显提升，误报率同步下降，运算实时性得到有效改善；所提轻量化融合预测方法实现全方位性能优势，场景适配度提升至0.976， 可高度适配不同故障工况的特征分布， 预警精准度达到0.972， 故障识别与预警判断更加精准。该方法将误报率控制在0.011， 有效规避了现场运维误判问题，单帧推理耗时仅为7.25ms，兼顾预测精度与运行效率，完全适配电网多场景下的高精度、低延迟故障预警自动化运行需求。

4   结束语

本文完成了智能计量设备故障特征自动化提取与预测模型轻量化改进，有效解决了传统方法特征冗余、多工况适配性弱与终端部署受限的实际问题。所提方法通过时序特征筛选与多维度特征融合，提升了故障特征表征的完整性与精准度。优化后的轻量化模型有效压缩了运算体量，提升了电网故障预测的实时性能。实测结果表明，该方法可适配台区常态化监测与复杂场景故障预警工作。后续研究可结合边缘计算技术，进一步提升模型在多元电网终端场景的泛化适配能力。

作者简介：

吴转兄（1991-），女，甘肃静宁人，工程师， 本科，现就职于国网甘肃省电力公司漳县供电公司，研究方向为电网智能计量。

高   哲（1992-），男，甘肃漳县人，工程师， 本科，现就职于国网甘肃省电力公司漳县供电公司，研究方向为电网智能计量。

参考文献：

[1] 林聪, 刘清蝉, 朱葛, 等. 智能电网中互感器在线误差预测方法研究[J]. 中南民族大学学报(自然科学版), 2025, 44 (2) : 220 - 225.

[2] 李喜文, 王敬义, 白珍. 智能电网计量数据的奇异值分解优化研究[J]. 电气自动化, 2025, 47(4): 107 - 110.

[3] 张桦晖, 罗庆全, 余涛, 等. 基于时空特征自适应提取与状态转移融合的表后光伏分解方法[J]. 电力系统自动化, 2026, (7) : 218 - 231.

[4] 张焕强, 林心昊, 徐晖, 等. 基于多智能终端数据融合的有源配电网状态估计方法[J]. 中国工程机械学报, 2025, 23 (6) : 1103 - 1108.

[5] 王永龙, 李军军, 杜永高. 电能计量系统的故障诊断与维护技术研究[J]. 家电维修, 2025, (2) : 116 - 118.

[6] 王冰, 杨雪. 电力计量装置故障智能诊断与预警技术研究[J]. 低碳世界, 2025, 15 (11) : 139 - 142.

摘自《自动化博览》2026年9月刊