随着社会对电力需求的逐步增大,智能电网是中国电网发展的必然方向。变电站作为电网分派电能和转换电压的核心设施,是电网的关键组成部分。因此加强智能变电站建设是智能电网建设的必要环节。智能变电站采用智能电子设备进行信息采集、计量、监测、控制等操作,以实现实时监控、智能预警、协同调度、辅助决策等功能。其中,电能计量数据分析越来越成为变电站运行状态远程监控和管理的重要手段。为确保电能计量数据的质量,面向变电站的电能计量数据异常诊断具有重要意义。电能计量数据异常诊断面临案例样本数少、样本分布不均衡和缺乏案例的“未知”异常类型等问题,这使得传统的机器学习甚至深度学习方法难以发挥作用。鉴于上述挑战,现有的电能计量异常诊断模型普遍存在泛化能力不足的问题,随着计量装置的更新换代和时间的推移,模型性能逐渐退化,识别精度降低。综上所述,电能计量异常诊断模型的泛化问题可以归纳为两点:1)面对小样本数据模型容易过拟合,泛化能力不足,2)缺乏对未知异常的检测能力。针对上述泛化问题,本文以变电站的计量数据为研究对象,从以下两个方面展开研究:首先,针对小样本数据集,设计了一种基于小样本学习的电能计量异常诊断模型。基于对比学习模式,提出了一种基于自适应置信度的判决方法,并将置信区间阈值融入对比损失函数,使得模型在兼顾已知类别的识别性能的基础上较好地检测“未知”类型异常。其次,针对模型的泛化能力不足问题,本文提出了一种基于自适应循环学习率的自动集成算法,允许在一次训练中自动收集多个精度和多样性兼备的模型。通过简单地集成,即可改善模型分类精度,提高模型的泛化能力。通过以上研究,本文的创新点可以总结为以下三点:1)解决了计量异常数据案例稀少的问题。2)提出了一种检测电能计量未知异常的方法。3)提出了一种改善电能计量异常诊断模型泛化能力的方法。本文在电力数据集上,通过大量实验证明本文提出的方法显著地提升了电能计量异常诊断模型识别未知新类的能力,新类的分类精度为89%,经过集成新类的分类精度提高了0.1%,基类的分类精度提高了1%,模型的泛化性能得到改善。为进一步验证本文所提方法的通用性,我们在CIFAR和Omniglot数据集上进行了大量的对比和模拟实验,结果显示本文方法获得了相比基线模型较大的性能提升,Omniglot数据集20-way 1-shot自动集成精度相比单一模型提高了2.85%。相比于电力数据实验,泛化能力得到了更大幅度的改善。充分证明本文方法在传统监督学习、小样本学习任务上具有良好的适用性,可以有效提高模型的泛化能力。