作者：朱少斌, 许素安, 马宗彪, 王晶

作者单位：中国计量大学，浙江 杭州 310018

关键词：电能计量装置;BP神经网络;天牛群算法;粒子群算法

摘要：

电网运维人员主要根据用电信息采集系统采集到的巡检数据对电能计量装置进行人工异常检测。针对人工诊断存在的漏报、误报、判断标准不一、准确度低等问题，文章提出一种天牛须搜索算法（beetle antennae search）和粒子群算法（particle swarm optimization）结合的天牛群算法（beetle swarm optimization），并将其用于优化BP神经网络（back propagation neural network）电能计量装置异常诊断模型。文章利用天牛群算法迭代寻优BP神经网络权阈值，根据诊断准确率对天牛群算法优化性能进行评价，并和粒子群优化的BP神经网络模型诊断结果进行对比。实验分析表明，天牛群算法优化的BP神经网络模型对于电能计量装置的异常诊断具有更高的准确度以及稳定性。

Research on abnormal diagnosis method of electric energy metering device based on BSO-BPNN
ZHU Shaobin, XU Su'an, MA Zongbiao, WANG Jing
China Jiliang University, Hangzhou 310018, China
Abstract: The electric network staff mainly carries on the artificial abnormal detection to the electric energy metering device according to the electric energy information collection system collection data. Aiming at the problems of missing report, false report, different judgment standard and low accuracy in manual detection of electric energy metering device. In this paper, a beetle swarm optimization algorithm based on beetle antennae search and particle swarm optimization is proposed, and it is used to optimize the anomaly detection model of electric energy metering device based on back propagation neural network. BSO algorithm is used to iteratively optimize the weight threshold of BPNN. The diagnostic accuracy was used to evaluate the optimal performance of the BSO, and the results were compared with those of the Particle swarm optimization BP neural network model. The experimental analysis shows that BSO-BPNN model has higher accuracy and stability for the abnormal diagnosis of electric energy metering device.
Keywords: electric energy metering device;back propagation neural network(BPNN);beetle swarm optimization algorithm;particle swarm optimization
2022, 48(1):141-146  收稿日期: 2020-11-13;收到修改稿日期: 2021-02-26
基金项目: 浙江省公益技术应用研究资助项目（LGG20E050013）
作者简介: 朱少斌（1995-），男，安徽天长市人，硕士研究生，专业方向为电能计量装置异常诊断
参考文献
[1] 郭东玉. 电力高压用户电能计量装置异常接线判断与处理探析[J]. 中国新技术新产品, 2019(23): 66-67
[2] 王德文, 孙志伟. 电力用户侧大数据分析与并行负荷预测[J]. 中国电机工程学报, 2015, 35(3): 527-537
[3] 妙红英, 李蒙, 王艳芹, 等. 利用大数据实现电能计量装置运行状态质量评估[J]. 电力大数据, 2020, 23(3): 27-33
[4] 卢健豪, 聂一雄, 温盛科, 等. 基于层次分析法的电能计量装置运行状态评价方法[J]. 电测与仪表, 2017, 54(14): 81-86
[5] 李达, 薛卿, 孔德健, 等. 基于PSO-BP算法的高压输电线路故障分类[J]. 电气自动化, 2018, 40(6): 42-44
[6] 李升健, 黄灿英, 陈艳. 基于改进PSO-BP网络的配电网故障选线与测距[J]. 沈阳工业大学学报, 2019, 41(1): 6-11
[7] 张鹏林, 常海, 杨杰, 等. BP神经网络在风电塔筒裂纹AE源定位中的应用[J]. 中国测试, 2017, 43(9): 106-111
[8] 崔萌洁, 卢文科, 左锋. 基于PSO-BP模型的扩散硅压力传感器温度补偿[J]. 中国测试, 2019, 45(11): 95-100+125
[9] 李爱莲, 郭志斌, 解韶峰, 等. 蚁群和粒子群混合优化SVM的钢板表面缺陷分类研究[J]. 中国测试, 2020, 46(1): 110-116
[10] 邵良杉, 韩瑞达. 基于天牛须搜索的花朵授粉算法[J]. 计算机工程与应用, 2018, 54(18): 188-194
[11] AMEER H K, CAO X W, LI S, et al. BAS-ADAM: an ADAM based approach to improve the performance of beetle antennae searchoptimizer[J]. IEEE/CAA Journal of Automatica Sinica, 2020, 7(2): 461-471
[12] YANG X, JIANG M Q, HU X X, et al. Particle swarm optimization algorithm based on beetle antenna search optimization[J]. Journal of Statistical Mechanics:Theory and Experiment, 2020, 1550(2): 022034
[13] 陈婷婷, 殷贺, 江红莉, 等. 基于天牛须搜索的粒子群优化算法求解投资组合问题[J]. 计算机系统应用, 2019, 28(2): 171-176
[14] 刘常. 电能计量装置故障诊断与状态评估建模研究[D]. 武汉: 华中科技大学, 2019.