CN110738429A - 一种电能表状态评价方法及装置 - Google Patents
一种电能表状态评价方法及装置 Download PDFInfo
- Publication number
- CN110738429A CN110738429A CN201911022888.8A CN201911022888A CN110738429A CN 110738429 A CN110738429 A CN 110738429A CN 201911022888 A CN201911022888 A CN 201911022888A CN 110738429 A CN110738429 A CN 110738429A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- data set
- logistic regression
- regression model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 48
- 230000003068 static effect Effects 0.000 claims abstract description 45
- 238000013135 deep learning Methods 0.000 claims abstract description 35
- 239000010410 layer Substances 0.000 claims description 71
- 238000007477 logistic regression Methods 0.000 claims description 53
- 238000000034 method Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 230000015654 memory Effects 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000010923 batch production Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 210000004027 cell Anatomy 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000011160 research Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电能表状态评价方法及装置,评价方法包括:获取待评价电能表的最新时刻的电能表数据;将所述最新时刻的电能表数据输入至预先构建的基于L2正则化的逻辑回归模型;根据逻辑回归模型输出结果评价所述电能表的状态,其中逻辑回归模型为利用电能表的静态属性数据集与时序型数据集对LSTM深度学习网络进行训练得到的。本发明通过深度网络和常规机器学习方法的融合建模,针对运行状态数据自动提取运行特征,结合电能表的静态属性数据,通过分布式训练,实现基于大数据的模型训练,实时对电能表运行状态进行监控和状态评价,实现电能表的精准评价,及时发现电能表的异常情况,提高电能表的维护效率并降低运营费用。
Description
技术领域
本发明涉及电力行业计量设备(如电能表)的状态评价领域,具体涉及一种基于LSTM(Long Short-Term Memory,长短期记忆)的深度学习和回归融合模型的电能表状态评价方法及装置。
背景技术
智能电能表是智能电网的重要组成部分,其可靠性关系到整个电网安全可靠的运行。国家电网公司开展智能电能表安装工作以来,以重庆为例,现有1500余万只智能电能表运行,按照国家相关规定及国家电网公司要求,智能电能表运行过程中,在一定时间内开展运行抽检工作,当智能电能表运行达到8年时开展更换工作。由于设计工艺和技术水平的不断提高,智能电能表的运行寿命大大延长,并且新表的采购安装造成人力物力的巨大浪费,旧表的拆除回收存在环境污染的风险。提高智能电能表的精益化管理,合理延长智能电能表的运行寿命,减少环境污染延续绿色循环发展,通过大数据及人工智能等技术开展智能电能表运行状态的评价势在必行。
从对智能电能表的运行误差,寿命影响因素分析的其他研究中可知,电压,电流,功率,负载等因素对智能电能表的运行状态有一定的影响,同时智能电能表的运行环境(温度、湿度等)及运行时长等都会对智能电能表运行状态造成影响,依靠智能电能表运行过程中产生的大量数据支撑开展运行状态评价是可实现的。但智能电能表运行的相关数据不仅数据量较大,且数据属性较为复杂,不仅具有动态的时序型数据,也存在大量静态属性数据,因此,智能电能表的运行状态评价方法研究具有一定的复杂性。
目前,在智能电能表的状态评价研究中,主要集中于某个时间段的相关智能电能表运行数据,通过传统的机器学习开展建模研究。传统机器学习主要存在以下几点问题:1)对大数据的训练存在效率低、过程复杂、效果不显著等问题;2)对时间序列的特征需要人工介入,具有一定的主观性和片面性;3)智能电能表的寿命周期过程不能很好的刻画。
另外也有基于物理能量守恒的角度来开展智能电能表的状态评价,主要以台区为基本单位,开展智能电能表运行状态评价,其主要存在以下几点问题:1)对台区户变关系要求过高,不符合实际情况,且结果不易验证;2)台区的范围太大,其中线损的变化、固定损耗的变化都会对智能电能表的状态评价造成影响;3)模型的使用条件过于苛刻,普适性较差,应用成本过高。
发明内容
为了解决现有的智能表状态评价方法的普适性差,特征提取过于片面,计算过程复杂,模型表达能力不足等问题,本发明提出了一种基于LSTM网络和回归融合模型的电能表状态评价方法及装置,基于动态和静态数据结合,自动对动态数据进行特征抽取,并结合电能表静态属性实现电能表的状态实时评价,实现高效、实时、精准的智能电能表运行状态评价,及时发现电能表故障,科学动态的指导智能电能表的更换工作。
本发明是根据以下技术方案实现的:
一种电能表状态评价方法,包括以下几个步骤:
获取待评价电能表的最新时刻的电能表数据;
将所述最新时刻的电能表数据输入至预先构建的基于L2正则化的逻辑回归模型;
根据逻辑回归模型输出结果评价所述电能表的状态;
其中,所述基于L2正则化的逻辑回归模型为利用电能表的静态属性数据集与时序型数据集对长短期记忆LSTM深度学习网络进行训练得到的;所述静态属性数据集与时序型数据集中均包括电能表的标签数据。
优选地,所述基于L2正则化的逻辑回归模型的构建过程为:
获取电能表的时序型数据集,所述时序型数据集包括预设时间范围内电能表的动态样本数据;
根据所述时序型数据集训练得到LSTM深度学习网络;
根据电能表的静态属性数据集与所述LSTM深度学习网络的全连接层输出的特征得到融合后的特征;
根据融合后的特征构建基于L2正则化的逻辑回归模型。
优选地,在获取到电能表的时序型数据集之后、根据所述时序型数据集训练得到LSTM深度学习网络之前,进一步包括:根据预设的批处理batch的大小将所述时序型数据集中的数据进行划分;
在根据时序型数据集训练LSTM深度学习网络时,每次抽取batch大小的样本进行训练。
优选地,所述时序型数据集包含三维(N,T,D1)的电能表样本数据以及二维(N,0或1)的标签数据,其中N表示样本数量,T表示时间维度的时间,D1表示样本数据集的特征维度,0或1表示电能表的状态类别标签,其中0表示正常,1表示异常。
优选地,所述根据电能表的静态属性数据集与所述LSTM深度学习网络的全连接层输出的特征得到融合后的特征,包括:
通过堆叠或追加的方式将电能表的静态属性数据集与所述LSTM深度学习网络的全连接层进行融合。
优选地,所述LSTM深度学习网络包括单层LSTM Layer或由多个单层LSTM Layer连接构建的多层结构。
优选地,所述LSTM Layer包括LSTM Cell和Dropper两层结构,通过LSTM Cell对时序特征进行提取,通过Dropper层防止过拟合和提升泛化能力;Dropper层的输入参数为dropout,Dropper层在训练阶段使用;所述LSTM Cell的输入参数包括:unit_size值和batch数据,在多层LSTM Layer时,unit_size的值满足不变或递增规律。
优选地,所述根据融合后的特征构建基于L2正则化的逻辑回归模型,包括:
将融合后的特征作为输入,建立逻辑回归模型,其损失函数增加L2正则;
其中,逻辑回归模型的参数包括正则化惩罚参数,通过正则化来控制模型的复杂程度,同时降低模型的过拟合,提升泛化能力。
本发明还提供了一种电能表状态评价装置,包括:
数据获取模块,用于获取待评价电能表的最新时刻的电能表数据;
输入模块,用于将所述最新时刻的电能表数据输入至预先构建的基于L2正则化的逻辑回归模型;
状态评价模块,用于根据逻辑回归模型输出结果评价所述电能表的状态;
其中,所述基于L2正则化的逻辑回归模型为利用电能表的静态属性数据集与时序型数据集对长短期记忆LSTM深度学习网络进行训练得到的;所述静态属性数据集与时序型数据集中均包括电能表的标签数据。
优选地,进一步包括:
样本数据获取模块,用于按照规定的数据格式要求获取电能表的时序型数据集的电能表样本数据以及标签数据;
数据划分模块,用于按照batch的大小将获取得到的时序性数据集的数据进行划分;
全连接层模块,用于利用预先建立的LSTM深度学习网络构造全连接层;
静态数据输入模块,用于输入静态属性数据集,静态属性数据集与时序性数据集样本一一对应;
逻辑回归模块,用于通过堆叠或追加的方式将静态属性数据集和全连接层进行融合,并使用融合后的所有特征构建基于L2正则化的逻辑回归模型;
数据训练模块,用于利用时序性数据集以及静态属性数据集对LSTM深度学习网络以及逻辑回归模型进行训练,得到最终的基于L2正则化的逻辑回归模型。
由于采用上述技术方案,本发明具有如下优点:
1.本发明在普通的机器学习基础上加入了LSTM深度时序网络,LSTM深度时序网络从时间维度对电能表的运行状态进行特征的自动提取,同时支持多动态状态特征的自动提取,更符合电能表运行状态的场景。
2.电能表的运行状态在某个时间点出现异常,会在异常时间点前的一段时间在各个变量上表现出一定的特征,而本发明能通过提取样本集的样本数据以及标签数据有效提取特征和对特征数据进行描述并通过模型进行训练。
3.本发明能将时序性数据集数据和静态属性数据进行结合实现运行状态评价。
4.本发明的模型训练过程支持GPU和分布式训练,而通过GPU和分布式进行训练适用于大数据量的模型训练。
5.本发明的对象是电能表,通过控制时间窗口,模型的普适性很高,基本所有的电能表均能使用本发明的评价方法。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图进行介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明的电能表状态评价方法框架示意图;
图2为本发明的LSTM Cell内部结构示意图;
图3为本发明的3层LSTM网络结构示意图。
具体实施方式
现在结合附图和示例对本发明作进一步进行详细说明。
如图1所示,本发明公开了一种电能表状态评价方法,包括以下几个步骤:
获取待评价电能表的最新时刻的电能表数据;
将所述最新时刻的电能表数据输入至预先构建的基于L2正则化的逻辑回归模型;
根据逻辑回归模型输出结果评价所述电能表的状态;
其中,所述基于L2正则化的逻辑回归模型为利用电能表的静态属性数据集与时序型数据集对LSTM深度学习网络进行训练得到的;所述静态属性数据集与时序型数据集中均包括电能表的标签数据。
基于L2正则化的逻辑回归模型的构建过程为:
获取电能表的时序型数据集,所述时序型数据集包括预设时间范围内电能表的动态样本数据;
按照规定的数据格式要求获取电能表的时序型数据集的电能表动态样本数据以及标签数据;时序型数据集为时间维度的动态数据,包含三维(N,T,D1)的电能表样本数据以及二维(N,0或1)的标签数据,其中N表示样本数量,T表示时间维度的时间,比如采用电能表最近1个月的时间点数据,D1表示样本数据集的特征维度,包括但不限于运行电压,运行电流,运行功率,电能示值,运行温度,运行湿度等。0或1表示电能表的状态类别标签,其中0表示正常,1表示异常。
准备的动态样本数据,对每个样本进行标签确定,通过人工或其他方式精确的确定标签,形成训练数据集。
根据所述时序型数据集训练得到LSTM深度学习网络;
根据电能表的静态属性数据集与所述LSTM深度学习网络的全连接层输出的特征得到融合后的特征;
根据融合后的特征构建基于L2正则化的逻辑回归模型。
在本发明的一个具体实施例中,在获取到电能表的时序型数据集之后、根据所述时序型数据集训练得到LSTM深度学习网络之前,进一步包括:根据预设的批处理batch的大小将所述时序型数据集中的数据进行划分;
在根据时序型数据集训练LSTM深度学习网络时,每次抽取batch大小的样本进行训练。每个batch包含不同的电能表的状态类别的标签数据,batch的大小可以根据情况自行定义,可设置为一个整数,如为50,该值设置后,后面在模型训练时每次会抽取50大小的样本集进行训练。
本发明的LSTM深度学习网络包括单层LSTM Layer或由多个单层LSTM Layer连接构建的多层结构。LSTM Layer包括LSTM Cell和Dropper两层结构,通过LSTM Cell对时序特征进行提取,通过Dropper层防止过拟合和提升泛化能力;Dropper层的输入参数为dropout,Dropper层在训练阶段使用,在线上评价计算时不需要使用;所述LSTM Cell的输入参数包括:unit_size值和batch数据,在多层LSTM Layer时,unit_size的值满足不变或递增规律。
如构建一个3层的LSTM网络结构,如图3所示,第一层的每一步输入电能表所在时间点的运行属性值,包括但不限于运行电压,运行电流,运行功率,电能示值,运行温度,运行湿度等,第一层在每一个时间步都有输出。其中每个lstm cell的结构如图2所示,计算如下:
ft=σ(Wf·[xt,ht-1]+bf)
it=σ(Wi·[xt,ht-1]+bi)
ot=σ(Wo·[ht-1,xt]+bo)
ht=ot×tanh(Ct)
其中,ft=σ(Wf·[xt,ht-1]+bf)为遗忘门的计算,it=σ(Wi·[xt,ht-1]+bi)为输入门的计算,为新的输入向量更新,为状态向量更新;W,b均为待估参数;ot,ht为当前时间步骤的输出和状态向量,供下一步和下一层使用。在该步骤中的输入参数unit_size和dropout参数,其中unit_size随层数的增加而增加或不变。
在第一层每个时间步的输出作为第二层每个时间步的输入,第二层的计算和第一层的计算相同,第二层每个时间步的输出作为第三层每个时间步的输入。最终的输出是第三层最后一个时间步的输出。其中第一层到第三层都需要设定unit_size的值,比如分别为:8,16,32进行递增。
在第一层和第二层之间有Dropper层,第二层和第三层之间也有个Dropper层,dropout参数设置为0-0.5的值,如设置为0.3。
Dropper层在训练阶段使用,在应用阶段,Dropper层不使用。
根据LSTM深度学习网络构造全连接层,将输出映射到另外一个特征空间,需要自定义维度数,便于后续的特征融合。计算公式如下所示:
z=f(w,b)=f(wTgx(i)+b)
其中,w是根据全连接层的神经元个数确定,如x大小为(n,m),那么w的大小可以为(m,k),将m维映射到k维;f为激活函数,可以使用任意的激活函数,如使用softmax。
输入静态属性数据集,静态属性数据集与时序性数据集样本一一对应,输入电能表的静态数据主要是电能表的静态属性数据,包括但不限于额定电压,标定电流,运行时长,自身倍率,接线方式,通讯方式,硬件版本,软件版本,计量方式,波特率,新旧标识等。并且静态属性数据集包含标签数据,包括正例数据集和负例数据集。
通过堆叠或追加的方式将电能表的静态属性数据集与所述LSTM深度学习网络的全连接层进行融合。
具体地,本发明的数据融合采用stack的形式,将深度网络的特征和静态特征进行stack,形成新的特征输入:
xall=(z,xstatic)
其中z为深度网络输出的特征,若大小为(n,k),xstatic为静态属性特征,若大小为(n,h),那么融合后的输入数据集为:(n,k+h),样本必须一一对应。
使用融合后的所有特征构建基于L2正则化的逻辑回归模型具体包括:
将融合后的特征作为输入,建立逻辑回归模型,其损失函数增加L2正则;其中逻辑回归模型的参数包括正则化惩罚参数,通过正则化来控制模型的复杂程度,同时降低模型的过拟合,提升泛化能力。
上述步骤主要进行融合建模,首先对数据建模,再通过逻辑回归来建立最终的状态评价模型。
逻辑回归模型即常规的模型,但是在常规模型种加入了L2正则,参数的值可以设置为0.8,该值越大正则化参数越接近0,避免模型过拟合,同时增强模型的泛化能力。
损失函数如下为:
J(w,θ)=J'(x,w,θ)+λ‖w‖2
其中,J'(x,w,θ)为普通loss函数部分,w为逻辑回归的训练参数。
利用时序性数据集以及静态属性数据集对LSTM深度学习网络以及逻辑回归模型进行训练,训练过程包括:训练过程采用随机梯度下降法,涉及到参数有学习率,学习率固定或者随训练过程变化,训练过程涉及到的参数包括最大迭代次数和轮,训练过程支持GPU和分布式训练。
整个逻辑回归模型结构通过批次的梯度下降法对整个模型进行训练,根据训练样本的大小来确定训练迭代次数,可以加入epoch(一轮,所有训练数据的一次迭代)的训练模式。模型可以在很多平台上轻易实现,如tensorflow,pytorch等均可轻易实现,且能基于大数据的分布式训练。在训练过程中涉及到loss(损失)函数选择,学习率设置等,可以使用常用的方式即可,没有特殊的方法。该步骤通过训练得到最终的模型,在整个过程中可以利用测试集进行模型测试,对模型进行效果分析。
通过时序性数据集和静态属性数据集训练逻辑回归模型,利用训练出的模型对最新时刻的所有电能表进行实时预测评价,输出每个电能表的状态评分或异常状态概率。
本发明还提出了一种电能表状态评价装置,包括:
数据获取模块,用于获取待评价电能表的最新时刻的电能表数据;
输入模块,用于将所述最新时刻的电能表数据输入至预先构建的基于L2正则化的逻辑回归模型;
状态评价模块,用于根据逻辑回归模型输出结果评价所述电能表的状态;
其中,所述基于L2正则化的逻辑回归模型为利用电能表的静态属性数据集与时序型数据集对长短期记忆LSTM深度学习网络进行训练得到的;所述静态属性数据集与时序型数据集中均包括电能表的标签数据。
本发明的电能表状态评价装置进一步包括:
样本数据获取模块,用于按照规定的数据格式要求获取电能表的时序型数据集的电能表样本数据以及标签数据;
数据划分模块,用于按照batch的大小将获取得到的时序性数据集的数据进行划分;
全连接层模块,用于利用预先建立的LSTM深度学习网络构造全连接层;
静态数据输入模块,用于输入静态属性数据集,静态属性数据集与时序性数据集样本一一对应;
逻辑回归模块,用于通过堆叠或追加的方式将静态属性数据集和全连接层进行融合,并使用融合后的所有特征构建基于L2正则化的逻辑回归模型;
数据训练模块,用于利用时序性数据集以及静态属性数据集对LSTM深度学习网络以及逻辑回归模型进行训练,得到最终的基于L2正则化的逻辑回归模型。
本发明基于深度网络和传统机器学习融合的方法实现电能表的状态评价,基于大数据的模型训练,自动对时序状态特征进行评价。在其他评价方法不足的基础上,使得本发明更具有普适性,合理性。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种电能表状态评价方法,其特征在于,包括以下几个步骤:
获取待评价电能表的最新时刻的电能表数据;
将所述最新时刻的电能表数据输入至预先构建的基于L2正则化的逻辑回归模型;
根据逻辑回归模型输出结果评价所述电能表的状态;
其中,所述基于L2正则化的逻辑回归模型为利用电能表的静态属性数据集与时序型数据集对长短期记忆LSTM深度学习网络进行训练得到的;所述静态属性数据集与时序型数据集中均包括电能表的标签数据。
2.根据权利要求1所述的电能表状态评价方法,其特征在于,所述基于L2正则化的逻辑回归模型的构建过程为:
获取电能表的时序型数据集,所述时序型数据集包括预设时间范围内电能表的动态样本数据;
根据所述时序型数据集训练得到LSTM深度学习网络;
根据电能表的静态属性数据集与所述LSTM深度学习网络的全连接层输出的特征得到融合后的特征;
根据融合后的特征构建基于L2正则化的逻辑回归模型。
3.根据权利要求2所述的电能表状态评价方法,其特征在于,在获取到电能表的时序型数据集之后、根据所述时序型数据集训练得到LSTM深度学习网络之前,进一步包括:根据预设的批处理batch的大小将所述时序型数据集中的数据进行划分;
在根据时序型数据集训练LSTM深度学习网络时,每次抽取batch大小的样本进行训练。
4.根据权利要求2所述的电能表状态评价方法,其特征在于,所述时序型数据集包含三维(N,T,D1)的电能表样本数据以及二维(N,0或1)的标签数据,其中N表示样本数量,T表示时间维度的时间,D1表示样本数据集的特征维度,0或1表示电能表的状态类别标签,其中0表示正常,1表示异常。
5.根据权利要求2所述的电能表状态评价方法,其特征在于,所述根据电能表的静态属性数据集与所述LSTM深度学习网络的全连接层输出的特征得到融合后的特征,包括:
通过堆叠或追加的方式将电能表的静态属性数据集与所述LSTM深度学习网络的全连接层进行融合。
6.根据权利要求5所述的电能表状态评价方法,其特征在于,所述LSTM深度学习网络包括单层LSTM Layer或由多个单层LSTM Layer连接构建的多层结构。
7.根据权利要求6所述的电能表状态评价方法,其特征在于,所述LSTM Layer包括LSTMCell和Dropper两层结构,通过LSTM Cell对时序特征进行提取,通过Dropper层防止过拟合和提升泛化能力;Dropper层的输入参数为dropout,Dropper层在训练阶段使用;所述LSTMCell的输入参数包括:unit_size值和batch数据,在多层LSTM Layer时,unit_size的值满足不变或递增规律。
8.根据权利要求2所述的电能表状态评价方法,其特征在于,所述根据融合后的特征构建基于L2正则化的逻辑回归模型,包括:
将融合后的特征作为输入,建立逻辑回归模型,其损失函数增加L2正则;
其中,逻辑回归模型的参数包括正则化惩罚参数,通过正则化来控制模型的复杂程度,同时降低模型的过拟合,提升泛化能力。
9.一种电能表状态评价装置,其特征在于,包括:
数据获取模块,用于获取待评价电能表的最新时刻的电能表数据;
输入模块,用于将所述最新时刻的电能表数据输入至预先构建的基于L2正则化的逻辑回归模型;
状态评价模块,用于根据逻辑回归模型输出结果评价所述电能表的状态;
其中,所述基于L2正则化的逻辑回归模型为利用电能表的静态属性数据集与时序型数据集对长短期记忆LSTM深度学习网络进行训练得到的;所述静态属性数据集与时序型数据集中均包括电能表的标签数据。
10.根据权利要求9所述的电能表状态评价装置,其特征在于,进一步包括:
样本数据获取模块,用于按照规定的数据格式要求获取电能表的时序型数据集的电能表样本数据以及标签数据;
数据划分模块,用于按照batch的大小将获取得到的时序性数据集的数据进行划分;
全连接层模块,用于利用预先建立的LSTM深度学习网络构造全连接层;
静态数据输入模块,用于输入静态属性数据集,静态属性数据集与时序性数据集样本一一对应;
逻辑回归模块,用于通过堆叠或追加的方式将静态属性数据集和全连接层进行融合,并使用融合后的所有特征构建基于L2正则化的逻辑回归模型;
数据训练模块,用于利用时序性数据集以及静态属性数据集对LSTM深度学习网络以及逻辑回归模型进行训练,得到最终的基于L2正则化的逻辑回归模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911022888.8A CN110738429A (zh) | 2019-10-25 | 2019-10-25 | 一种电能表状态评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911022888.8A CN110738429A (zh) | 2019-10-25 | 2019-10-25 | 一种电能表状态评价方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110738429A true CN110738429A (zh) | 2020-01-31 |
Family
ID=69271395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911022888.8A Pending CN110738429A (zh) | 2019-10-25 | 2019-10-25 | 一种电能表状态评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110738429A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914891A (zh) * | 2020-06-23 | 2020-11-10 | 国网天津市电力公司电力科学研究院 | 一种基于故障数据的电能表寿命预测方法 |
CN112565409A (zh) * | 2020-12-02 | 2021-03-26 | 杭州谐云科技有限公司 | 一种基于云边协同的工业设备监测的方法和系统 |
CN113608163A (zh) * | 2021-09-10 | 2021-11-05 | 天目数据(福建)科技有限公司 | 一种堆叠循环神经网络的电表故障诊断方法及装置 |
CN113762470A (zh) * | 2021-08-23 | 2021-12-07 | 迟源 | 预测模型构建方法、预测方法、装置、设备及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106019167A (zh) * | 2016-08-10 | 2016-10-12 | 国网江苏省电力公司电力科学研究院 | 一种基于工况模拟的智能电能表时钟电池性能测试方法 |
WO2018072455A1 (zh) * | 2016-10-17 | 2018-04-26 | 中国电力科学研究院有限公司 | 电能表及其校验方法、存储介质 |
CN108960337A (zh) * | 2018-07-18 | 2018-12-07 | 浙江大学 | 一种基于深度学习模型的多模态复杂活动识别方法 |
CN109102066A (zh) * | 2018-07-12 | 2018-12-28 | 山东师范大学 | 基于模糊推理的在线时序数据预测方法、系统及存储介质 |
CN109344906A (zh) * | 2018-10-24 | 2019-02-15 | 中国平安人寿保险股份有限公司 | 基于机器学习的用户风险分类方法、装置、介质及设备 |
CN109447531A (zh) * | 2018-12-25 | 2019-03-08 | 国网福建省电力有限公司 | 一种基于神经网络健康度评价的智能电表状态评价方法 |
-
2019
- 2019-10-25 CN CN201911022888.8A patent/CN110738429A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106019167A (zh) * | 2016-08-10 | 2016-10-12 | 国网江苏省电力公司电力科学研究院 | 一种基于工况模拟的智能电能表时钟电池性能测试方法 |
WO2018072455A1 (zh) * | 2016-10-17 | 2018-04-26 | 中国电力科学研究院有限公司 | 电能表及其校验方法、存储介质 |
CN109102066A (zh) * | 2018-07-12 | 2018-12-28 | 山东师范大学 | 基于模糊推理的在线时序数据预测方法、系统及存储介质 |
CN108960337A (zh) * | 2018-07-18 | 2018-12-07 | 浙江大学 | 一种基于深度学习模型的多模态复杂活动识别方法 |
CN109344906A (zh) * | 2018-10-24 | 2019-02-15 | 中国平安人寿保险股份有限公司 | 基于机器学习的用户风险分类方法、装置、介质及设备 |
CN109447531A (zh) * | 2018-12-25 | 2019-03-08 | 国网福建省电力有限公司 | 一种基于神经网络健康度评价的智能电表状态评价方法 |
Non-Patent Citations (2)
Title |
---|
常青等: "基于大数据技术的智能电表运行状态分析系统研究", 《自动化与仪器仪表》 * |
李军等: "基于健康度分析的电网单元设备集可靠性评估研究", 《中国安全生产科学技术》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111914891A (zh) * | 2020-06-23 | 2020-11-10 | 国网天津市电力公司电力科学研究院 | 一种基于故障数据的电能表寿命预测方法 |
CN112565409A (zh) * | 2020-12-02 | 2021-03-26 | 杭州谐云科技有限公司 | 一种基于云边协同的工业设备监测的方法和系统 |
CN113762470A (zh) * | 2021-08-23 | 2021-12-07 | 迟源 | 预测模型构建方法、预测方法、装置、设备及介质 |
CN113608163A (zh) * | 2021-09-10 | 2021-11-05 | 天目数据(福建)科技有限公司 | 一种堆叠循环神经网络的电表故障诊断方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110738429A (zh) | 一种电能表状态评价方法及装置 | |
CN102693451B (zh) | 基于多参数的氨法烟气脱硫效率预测方法 | |
CN107220734A (zh) | 基于决策树的数控车床车削过程能耗预测系统 | |
CN105787563A (zh) | 一种基于自学习机制的快速匹配模糊推理方法 | |
CN108197751A (zh) | 基于多层Bi-GRU的Seq2seq网络短期电力负荷预测方法 | |
CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
CN103514566A (zh) | 一种风险控制系统及方法 | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
CN104503420B (zh) | 一种基于新型fde‑elm和时延efsm的非线性过程工业故障预测方法 | |
Moradzadeh et al. | A secure federated deep learning-based approach for heating load demand forecasting in building environment | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN109086930A (zh) | 一种基于电力k线图及深度网络的用户用电行为分析方法 | |
CN113449919B (zh) | 一种基于特征和趋势感知的用电量预测方法及系统 | |
Sogabe et al. | Optimization of decentralized renewable energy system by weather forecasting and deep machine learning techniques | |
CN112241836B (zh) | 一种基于增量学习的虚拟负荷主导参数辨识方法 | |
CN116796644A (zh) | 基于多智能体sac深度强化学习的风电场参数辨识方法 | |
CN114648170A (zh) | 基于混合深度学习模型的水库水位预测预警方法及系统 | |
CN109412161A (zh) | 一种电力系统概率潮流计算方法及系统 | |
CN116207739B (zh) | 配电网优化调度方法、装置、计算机设备和存储介质 | |
CN106067077A (zh) | 一种基于神经网络的负荷预测方法及装置 | |
CN109307852A (zh) | 一种确定电动汽车充电桩电能计量装置的计量误差的方法和系统 | |
CN109299552A (zh) | 一种电池能量状态的评估方法及其评估系统 | |
CN105868918A (zh) | 一种谐波电流类监测样本的相似度指标计算方法 | |
CN107527093B (zh) | 一种风电机组运行状态诊断方法及装置 | |
CN113762591A (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200131 |
|
RJ01 | Rejection of invention patent application after publication |