长期以来,电表的计量异常给电网公司造成了巨大的经济损失。电力计量异常诊断是保障电表和电力自动化运维系统正常工作的重要手段,是电力工作人员研究的热点问题。我国自2009年提出智能电网计划以来,智能电表代替传统电子表迅速普及,用电信息采集系统不断完善,海量的数据积累和实时的抄表信息为电力计量异常诊断提供了新的机遇,远程异常诊断逐渐代替人工现场诊断成为推动电网自动化运营的重要方向。目前对电力计量异常的诊断主要建立在以规则为基础的特征工程和专家系统上。随着电表智能化和供用电环境的快速发展,有限、滞后的规则成为限制异常诊断准确率的瓶颈,已有越来越多的学者将大数据分析技术应用到电力领域。而构建数据驱动的诊断模型,必须要解决两个难题:一是缺少足够的标记样本,二是排除未知异常的干扰。本文将基于度量的小样本学习方法应用到电力领域中,设计了一个端到端的计量异常诊断模型。首先将原始电力数据通过适当的数据处理转换为近似图片的视觉模型,并在样本建模过程中实现了对异常诊断领域知识的嵌入,使得多层人工神经网络能更容易地提取数据中的相关特征。然后基于小样本学习构建了一个能识别已知异常的分类网络,并通过对网络结构的调整和损失函数的改进提高其在极少样本下的学习能力。最后,本文设计并实现了一个用于确认上级分类网络预测结果的附加感知器,通过分类网络和附加感知器的级联形成一个能在开放环境下识别异常类型的电力计量异常诊断模型。实验证明,本文提出的诊断模型在多个测试场景的异常诊断任务均具有优异的表现。相比于传统的远程诊断方法,该异常诊断模型无需对电力数据进行复杂的特征工程,且能对具有极少量案例的罕见异常类型和未知异常类型进行识别,具有更好的适用性。此外,本文提出的电力数据模型转换方式也可为电力领域的深度学习应用提供一定的参考。