CN112763967A - 一种基于BiGRU的智能电表计量模块故障预测与诊断方法 - Google Patents

Abstract

本发明提供一种基于BiGRU的智能电表故障诊断方法，所述方法包括：从智能电表处采集到的电压、电流、用电量信息分别构建成数据集并进行预处理；将数据集输入到BiGRU预测模型中预测未来一段时间智能电表的数据信息；将预测到的数据输入到BiGRU诊断模型中，通过诊断模型的分析得到智能电表的工作状态标签。本发明定义了一种全新的智能电表数据集构建方式，将BiGRU模型运用于智能电表故障预测与诊断领域，提高了计量模块故障时的检测精度，能够实际要求。

Description

一种基于BiGRU的智能电表计量模块故障预测与诊断方法

技术领域

本发明涉及智能控制技术领域，特别涉及一种基于BiGRU的智能电表计量模块故障预测与诊断方法。

背景技术

随着用电信息采集系统规模的日益扩大，低压用户海量智能电表的故障检测、排查问题需要耗费大量的人力资源，且人工现场核查智能电表故障原因的作业方式解决问题的程序复杂、时效性差；2)在用电信息采集系统中，智能电表的故障问题往往是在其发生后的一段时间才被发现，这不仅给用户带来了困扰，同时也给供电企业造成了经济上的损失，工作状态异常的智能电表甚至会引发一系列的安全问题。智能电表是用电信息采集系统重要的终端，其采集到的数据广泛用于智能电网的各项应用服务中，缺乏可靠性的数据势必会影响到整个系统的正常运行。3)智能电表计量模块故障在智能电表全部故障中占据了很大的比重，计量模块故障是一个长时间的变化过程，在不产生较大影响的情况下很难被察觉到，现有的检测方法在诊断计量模块故障时精度无法达到实际的要求。

传统的故障分析常采用故障树(Fault Tree,FT)的分析方法,FT分析模型一旦建立很难对其结构做修改，所以只能用于某一型号智能电表的故障分析，而随着智能电表的更新换代，故障分析的指标也会不断的改变，显然FT模型难以适应这样的发展趋势；模糊逻辑推理模型具有严谨的逻辑性，基于逻辑推理的故障诊断方法有易扩充、易修正、易理解的优点，但其IF前提THEN结论的表达方式不足以全面的表达各前提与结论的复杂联系；近几年，人工智能技术的快速发展为故障诊断领域带来了全新的思路，其中深度学习技术拥有广阔的发展前景，能够很好的实现对海量数据的特征提取与分析，随着计算机硬件设备性能的提高，基于深度学习的故障诊断方法无论从效率还是准确率上都有了很大的提升。目前，基于深度学习的故障诊断技术主要分为基于栈式自编码网络(Stacked Auto Encoder,SAE)的故障诊断方法、基于深度置信网络(Deep Belief Network,DBN)的故障诊断方法、基于卷积神经网络(Convolutional Neural Networks,CNN)的故障诊断方法和基于循环神经网络(Recurrent Neural Network,RNN)的故障诊断方法等。

RNN是一种对时间序列建模分析的模型，其特点是考虑了历史状态对当前的影响，与其它智能算法相比RNN对全局数据的把握更好，常被用做文本数据的分类和预测，但是当输入数据过大时RNN网络存在梯度消失和梯度爆炸的问题；长短期记忆网络(Long ShortTerm Memory,LSTM)是一种基于RNN网络的优化模型，通过引入门控单元和细胞状态解决了传统RNN网络的梯度问题，但LSTM网络中需要考虑的参数较多，模型复杂，分析数据耗费的时间较长；Cho等人对LSTM的门控单元做了合并诞生了门控循环单元(Gated RecurrentUnit,GRU)网络,GRU模型处理数据的性能明显得到了提升；受到双向RNN模型的启发，基于GRU的双向门控循环单元BiGRU考虑到了输入数据上下文两个方向的影响，在预测精度上有了很大的改善。目前，深度学习算法在故障诊断领域的应用广泛，但是智能电表故障诊断的相关研究较少。

发明内容

为了解决背景技术提出的技术问题，本发明提供一种基于BiGRU的智能电表计量模块故障预测与诊断方法，用于智能电表计量模块故障的诊断。

为了达到上述目的，本发明采用以下技术方案实现：

一种基于BiGRU的智能电表计量模块故障预测与诊断方法，包括以下步骤：

步骤一：构造数据集

采集已知工作状态的智能电压表上传的电压数据、电流数据和用电量数据，用V、I、W分别代表这三类数据，每一类数据都是对智能电表24小时内记录数据的均匀采样，采样点数为n个，数据格式为：

V＝(v₁，v₂，v₃，…，v_n) (1)

I＝(i₁，i₂，i₃，…，i_n) (2)

W＝(w₁，w₂，w₃，…，w_n) (3)

其中V、I、W中相同编号的数据采样时刻相同，各点的采样时间s_i记录如下：

S＝(s₁，s₂，s₃，…，s_n) (4)

将上述的数据、采样时间、智能电表的编号信息N和智能电表的状态标签L整合到一起，构成单个电能表的数据集E_i如下：

E_i＝(S；N；L；V；I；W) (5)

将m个智能电表的信息整合，构建最终的数据集E如下：

E＝(E₁，E₂，E₃，…，E_m) (6)

步骤二：数据预处理

为了提高数据分析的速度和精度，还需要对步骤一中的数据集进行预处理，数据集预处理的过程如下：

(1)检查智能电表编号N、采样时间S、智能电表状态标签L和采样数据的对应关系是否正确；

(2)检查V、I、W三种采样数据是否有数据缺失的情况，考虑到数据分析过程中数据预测的特性，应该舍弃不完整的数据，重新进行数据采样操作；

(3)归一化处理；所述的归一化处理只对除数据标签和智能电表编号以外的数据部分进行操作，即E_i(i＝1,2,…,m)中包含的数据V、I、W逐项归一化，如其中的一项V＝(v₁，v₂，v₃，…，v_n),采样点v_j(j＝1,2,3,…,n)的归一化处理如下：

其中，v_max、v_min分别是这一组采样值内的最大值和最小值。

步骤三：构建BiGRU模型

BiGRU在GRU的基础上考虑了下一个隐藏状态对当前位置输出的影响，而智能电表的工作状态往往是前后联系紧密的，所以采用BiGRU模型预测智能电表的数据更加接近实际情况；本方法采用的BiGRU模型如下：

BiGRU的计算公式如下：

x_t是模型输入，

是模型输出，y_t是训练模型时的期望输出，h_t-1是上一时刻的隐藏状态，h_t是当前更新的隐藏状态，

是正向GRU的隐藏状态，

是反向GRU的隐藏状态，

和

是模型参数。公式(13)表示t时刻正向GRU网络中输入x_t得到正向隐藏状态

公式(14)表示t时刻反向GRU输入x_t得到反向隐藏状态

公式(15)表示由正向和反向隐藏状态得到模型输出结果

步骤四：训练BiGRU模型

本方法中需要分别训练四个BiGRU模型，其中三个是BiGRU预测模型，功能是根据输入的智能电表电压、电流、用电量等三类数据预测格式相同的未来数据，另外一个BiGRU是诊断模型，功能是根据预测到的数据判断智能电表的工作状态，下文将分别介绍两种模型的训练过程；

(1)BiGRU预测模型的训练；

本步骤训练的预测模型可以根据输入数据预测未来一段时间的电表数据，本方法要预测电压、电流、用电量三类数据，所以要分别训练三个模型，训练过程相同，只是输入的数据不同；首先要构造适合模型训练的数据集，数据集应包括输入集和与之对应的输出集，假定输入集是以时间t为起始时刻的采样序列D_t，输出则应是间隔时间T的另一段采样点数相同的序列D_t+T，则数据集D＝(D_t，D_t+T)，按同样的方法得到测试集；将经过步骤二操作的数据集D输入到BiGRU模型中并保存网络学习到的参数信息，输入测试集检验模型预测效果，以上完成了测试模型的训练过程；按照上述训练方法训练智能电表电压预测模型、电流预测模型、用电量用电量预测模型；

(2)BiGRU诊断模型训练；智能电表上传的数据往往包含着电表的状态信息，特别是计量模块的硬件状态信息，通过大量正常和故障电表数据的训练，模型可以判别电表的工作状态；

该步骤的训练集包括数据和状态标签两部分，数据部分是由智能电表电压数据、电流数据、用电量数据拼接而成，各类数据的格式与上述预测模型的输出数据保持一致，标签部分是电表故障类型的编码，需要注意的是，还需要给正常工作的电能表一组编码，编码方式可以考虑二进制编码；数据集构建完成后，将数据部分作为输入x_t，标签编码部分作为期望输出y_t，通过大量数据的训练后保存模型的参数信息，并输入测试集检验模型，以上便完成了BiGRU诊断模型的训练过程。

与现有技术相比，本发明的有益效果是：

本发明定义了一种全新的智能电表数据集构建方式，将BiGRU模型运用于智能电表故障预测与诊断领域，提高了计量模块故障时的检测精度，能够实际要求。

附图说明

图1是本发明的一种基于BiGRU的智能电表故障诊断方法整体流程图；

图2是本发明实施例提供的GRU的模型图；

图3是本发明采用的BiGRU模型图；

图4是本发明的BiGRU预测模型的训练过程图；

图5是本发明的BiGRU诊断模型的训练过程图。

具体实施方式

以下结合附图对本发明提供的具体实施方式进行详细说明。

如图1所示，一种基于BiGRU的智能电表故障诊断方法，所述方法包括：从智能电表处采集到的电压、电流、用电量信息分别构建成数据集并进行预处理；将数据集输入到BiGRU预测模型中预测未来一段时间智能电表的数据信息；将预测到的数据输入到BiGRU诊断模型中，通过诊断模型的分析得到智能电表的工作状态标签。

步骤一：构造数据集

采集已知工作状态的智能电压表上传的电压数据、电流数据和用电量数据，用V、I、W分别代表这三类数据，每一类数据都是对智能电表24小时内记录数据的均匀采样，采样点数为n个，数据格式为：

V＝(v₁，v₂，v₃，…，v_n) (11)

I＝(i₁，i₂，i₃，…，i_n) (12)

W＝(w₁，w₂，w₃，…，w_n) (13)

其中V、I、W中相同编号的数据采样时刻相同，各点的采样时间s_i记录如下：

S＝(s₁，s₂，s₃，…，s_n) (14)

将上述的数据、采样时间、智能电表的编号信息N和智能电表的状态标签L整合到一起，构成单个电能表的数据集E_i如下：

E_i＝(S；N；L；V；I；W) (15)

将m个智能电表的信息整合，构建最终的数据集E如下：

E＝(E₁，E₂，E₃，…，E_m) (16)

步骤二：数据预处理

为了提高数据分析的速度和精度，还需要对步骤一中的数据集进行预处理，数据集预处理的过程如下：

(1)检查智能电表编号N、采样时间S、智能电表状态标签L和采样数据的对应关系是否正确。

(2)检查V、I、W三种采样数据是否有数据缺失的情况，考虑到数据分析过程中数据预测的特性，应该舍弃不完整的数据，重新进行数据采样操作。

(3)归一化处理。数据归一化处理就是将目标数据按照一定的规则或比例缩放于某一个区间范围，这样做的目的是缩小数据的值域范围，减小数据内部的量级差距，弱化大数值属性对小数值属性的支配影响，同时也有助于降低后续深度学习过程的复杂程度，加快程序的执行速度，更好的适应海量数据分析处理的应用场景。归一化处理只对除数据标签和智能电表编号以外的数据部分进行操作，即E_i(i＝1,2,…,m)中包含的数据V、I、W逐项归一化，以其中的一项V＝(v₁，v₂，v₃，…，v_n)为例,采样点v_j(j＝1,2,3,…,n)的归一化处理如下：

其中，v_max、v_min分别是这一组采样值内的最大值和最小值。

步骤三：构建BiGRU模型

本专利采用的BiGRU是门控循环单元GRU的优化模型，GRU模型常被用作时间序列的预测和分类，但当前的输出仅仅考虑了历史信息的影响，而BiGRU则兼顾了前后两个方向的影响，所以模型效果更好。

GRU的模型图2所示：图中x_t是输入，

是模型输出，y_t是训练模型时的期望输出，h_t-1是上一时刻的隐藏状态，h_t是当前更新的隐藏状态，

是候选隐藏状态，○代表向量拼接，

代表向量按位相乘，z_t和r_t分别代表更新门和重置门，σ是sigmoid激活函数。模型的前向传播过程如下：

z_t＝σ(W_z·[h_t-1，x_t]) (18)

r_t＝σ(W_r·[h_t-1，x_t]) (19)

上式中参数W_z、W_r、

W_o是模型通过训练数据集学习得到，[a,b]代表两个向量的拼接，所以参数W_z、W_r、

的相应形式如下：

W_z＝W_zx+W_zh

W_r＝W_rx+W_rh

BiGRU在GRU的基础上考虑了下一个隐藏状态对当前位置输出的影响，而智能电表的工作状态往往是前后联系紧密的，所以采用BiGRU模型预测智能电表的数据更加接近实际情况。

本专利中采用的BiGRU模型如图3所示：图3中

是正向GRU的隐藏状态，

是反向GRU的隐藏状态，BiGRU的计算公式如下：

和

是模型参数；公式(13)表示t时刻正向GRU网络中输入x_t得到正向隐藏状态

公式(14)表示t时刻反向GRU输入x_t得到反向隐藏状态

公式(15)表示由正向和反向隐藏状态得到模型输出结果

步骤四：训练BiGRU模型

本方法中需要分别训练四个BiGRU模型，其中三个是BiGRU预测模型，功能是根据输入的智能电表电压、电流、用电量等三类数据预测格式相同的未来数据，另外一个BiGRU是诊断模型，功能是根据预测到的数据判断智能电表的工作状态，下文将分别介绍两种模型的训练过程。

(1)BiGRU预测模型的训练。预测模型的训练过程如图4，本步骤训练的预测模型可以根据输入数据预测未来一段时间的电表数据，本方法要预测电压、电流、用电量三类数据，所以要分别训练三个模型，训练过程相同，只是输入的数据不同。首先要构造适合模型训练的数据集，数据集应包括输入集和与之对应的输出集，假定输入集是以时间t为起始时刻的采样序列D_t，输出则应是间隔时间T的另一段采样点数相同的序列D_t+T，则数据集D＝(D_t，D_t+T)，按同样的方法得到测试集。将经过步骤二操作的数据集D输入到BiGRU模型中并保存网络学习到的参数信息，输入测试集检验模型预测效果，以上完成了测试模型的训练过程。按照上述训练方法训练智能电表电压预测模型、电流预测模型、用电量用电量预测模型。

(2)BiGRU诊断模型训练。智能电表上传的数据往往包含着电表的状态信息，特别是计量模块的硬件状态信息，通过大量正常和故障电表数据的训练，模型可以判别电表的工作状态。

BiGRU诊断模型的训练过程图5，该步骤的训练集包括数据和状态标签两部分，数据部分是由智能电表电压数据、电流数据、用电量数据拼接而成，各类数据的格式与上述预测模型的输出数据保持一致，标签部分是电表故障类型的编码，需要注意的是，还需要给正常工作的电能表一组编码，编码方式可以考虑二进制编码。数据集构建完成后，将数据部分作为输入x_t，标签编码部分作为期望输出y_t，通过大量数据的训练后保存模型的参数信息，并输入测试集检验模型，以上便完成了BiGRU诊断模型的训练过程。

以上实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于上述的实施例。上述实施例中所用方法如无特别说明均为常规方法。

Claims (2)

1.一种基于BiGRU的智能电表计量模块故障预测与诊断方法，其特征在于，包括以下步骤：

步骤一：构造数据集

采集已知工作状态的智能电压表上传的电压数据、电流数据和用电量数据，用V、I、W分别代表这三类数据，每一类数据都是对智能电表24小时内记录数据的均匀采样，采样点数为n个，数据格式为：

V＝(v₁，v₂，v₃，…，v_n) (1)

I＝(i₁，i₂，i₃，…，i_n) (2)

W＝(w₁，w₂，w₃，…，w_n) (3)

其中V、I、W中相同编号的数据采样时刻相同，各点的采样时间s_i记录如下：

S＝(s₁，s₂，s₃，…，s_n) (4)

将上述的数据、采样时间、智能电表的编号信息N和智能电表的状态标签L整合到一起，构成单个电能表的数据集E_i如下：

E_i＝(S；N；L；V；I；W) (5)

将m个智能电表的信息整合，构建最终的数据集E如下：

E＝(E₁，E₂，E₃，…，E_m) (6)

步骤二：数据预处理

为了提高数据分析的速度和精度，还需要对步骤一中的数据集进行预处理，数据集预处理的过程如下：

(1)检查智能电表编号N、采样时间S、智能电表状态标签L和采样数据的对应关系是否正确；

(2)检查V、I、W三种采样数据是否有数据缺失的情况，考虑到数据分析过程中数据预测的特性，应该舍弃不完整的数据，重新进行数据采样操作；

(3)归一化处理；

步骤三：构建BiGRU模型

BiGRU在GRU的基础上考虑了下一个隐藏状态对当前位置输出的影响，而智能电表的工作状态往往是前后联系紧密的，所以采用BiGRU模型预测智能电表的数据更加接近实际情况；本方法采用的BiGRU模型如下：

BiGRU的计算公式如下：

x_t是模型输入，

是模型输出，y_t是训练模型时的期望输出，h_t-1是上一时刻的隐藏状态，h_t是当前更新的隐藏状态，

是正向GRU的隐藏状态，

是反向GRU的隐藏状态，

和

是模型参数；公式(7)表示t时刻正向GRU网络中输入x_t得到正向隐藏状态

公式(8)表示t时刻反向GRU输入x_t得到反向隐藏状态

公式(9)表示由正向和反向隐藏状态得到模型输出结果

步骤四：训练BiGRU模型

本方法中需要分别训练四个BiGRU模型，其中三个是BiGRU预测模型，功能是根据输入的智能电表电压、电流、用电量等三类数据预测格式相同的未来数据，另外一个BiGRU是诊断模型，功能是根据预测到的数据判断智能电表的工作状态，下文将分别介绍两种模型的训练过程；

(1)BiGRU预测模型的训练；

本步骤训练的预测模型可以根据输入数据预测未来一段时间的电表数据，本方法要预测电压、电流、用电量三类数据，所以要分别训练三个模型，训练过程相同，只是输入的数据不同；首先要构造适合模型训练的数据集，数据集应包括输入集和与之对应的输出集，假定输入集是以时间t为起始时刻的采样序列D_t，输出则应是间隔时间T的另一段采样点数相同的序列D_t+T，则数据集D＝(D_t，D_t+T)，按同样的方法得到测试集；将经过步骤二操作的数据集D输入到BiGRU模型中并保存网络学习到的参数信息，输入测试集检验模型预测效果，以上完成了测试模型的训练过程；按照上述训练方法训练智能电表电压预测模型、电流预测模型、用电量用电量预测模型；

(2)BiGRU诊断模型训练；智能电表上传的数据往往包含着电表的状态信息，特别是计量模块的硬件状态信息，通过大量正常和故障电表数据的训练，模型可以判别电表的工作状态；

该步骤的训练集包括数据和状态标签两部分，数据部分是由智能电表电压数据、电流数据、用电量数据拼接而成，各类数据的格式与上述预测模型的输出数据保持一致，标签部分是电表故障类型的编码，需要注意的是，还需要给正常工作的电能表一组编码，编码方式可以考虑二进制编码；数据集构建完成后，将数据部分作为输入x_t，标签编码部分作为期望输出y_t，通过大量数据的训练后保存模型的参数信息，并输入测试集检验模型，以上便完成了BiGRU诊断模型的训练过程。

2.根据权利要求1所述的一种基于BiGRU的智能电表计量模块故障预测与诊断方法，其特征在于，所述的归一化处理只对除数据标签和智能电表编号以外的数据部分进行操作，即E_i(i＝1，2，…，m)中包含的数据V、I、W逐项归一化，如其中的一项V＝(v₁，v₂，v₃，…，v_n)，采样点v_j(j＝1，2，3，…，n)的归一化处理如下：

其中，v_max、v_min分别是这一组采样值内的最大值和最小值。

Images