CN114118232A - 一种基于时空卷积神经网络的智能电表故障预测方法 - Google Patents

Abstract

本发明提供了一种基于时空卷积神经网络的智能电表故障预测方法，该方法包括以下步骤：从历史数据故障库中获得的故障类型和故障相关数据；对的历史数据进行清洗，包括异常值剔除和归一化处理；基于时空卷积神经网络训练智能电能表故障识别模型；采用准确率，精确率，召回率和综合评价指标F1作为故障识别模型的评价标准；将实时数据构建成输入矩阵后，代入时空卷积神经网络故障预测模型，对故障进行预测；当预测出现故障时，现场运维人员对故障的准确性进行判断，并且进行解决；本发明配合现场人员进行实时的消纳与维护，可以大大降低人力资源成本，提高维护效率，所采用的算法较其他常规算法相比，可以很大程度上提高智能电能表故障预测的准确率。

Description

一种基于时空卷积神经网络的智能电表故障预测方法

技术领域

本发明主要涉及智能电表故障预测的技术领域，具体为一种基于时空卷积神经网络的智能电表故障预测方法。

背景技术

目前，国家电网公司等系统内部主要依靠现场运维人员，通过周期性的巡检对现场的智能电表故障情况进行统计，该方法耗时耗力，并且不能及时发现智能电能表故障的情况。

部分学者展开了基于机器学习的方法对智能电能表故障进行预测，主要包括：

(1)基于无监督的聚类算法，如k-means聚类，PCA等，该类算法的优点在于无需进行人为的标签添加，根据原始数据的空间分布情况就能进行分类，将故障数据与正常数据进行区分。但是该类方法无法准确对故障类型进行划分，而且故障识别精度很难进一步提升。

(2)基于关联规则的算法，如Aprior算法，FP-growth算法等，该算法将智能电能表的事件记录以及相关运行数据的关联性进行分析，量化表示故障信息与诊断结果的关联关系，并按照置信度对模型进行评价。该类方法的优点在于没有复杂的理论推倒，易于实现；但是在运算过程中会产生大量的候选项集，对硬件要求较高，而且所用评价标准没有考虑到各个属性的重要程度，适应面较窄。

(3)基于人工智能的神经网络算法，如BP神经网络等，该算法将智能电能表的故障数据进行训练，获得良好的分类模型，对实时数据进行准确的故障预测。

但是现有故障预测方法存在一下不足之处：

1.定期巡检的方法需要耗费大量的人力物力，而且周期较长，并不能及时发现现场的故障情况。

2.现有基于人工智能的方法需要对数据进行人为的特征选择，与冗余数据的清除，否则会对分类模型的性能造成严重的影响，并且分类模型的鲁棒性和泛化能力较差。

3.现有基于人工智能的方法忽略了数据的时间特性与空间特性，分类模型并没有良好的捕捉到特征变量间的相互影响关系，和特征变量本身的时间特性，这会降低模型的分类能力。

发明内容

为了改善上述技术方案的问题，本发明提供一种基于时空卷积神经网络的智能电表故障预测方法。

本发明采用如下的技术方案：一种基于时空卷积神经网络的智能电表故障预测方法，包括以下步骤：

(1)从智能电能表历史数据故障库中获得智能电能表的故障类型和故障相关数据；

(2)对智能电能表的历史数据进行清洗，包括异常值剔除和归一化处理；

(3)将相关变量的时间序列组成矩阵形式，使输入数据既包含时间信息又包含空间信息，并且基于CNN的强大特征捕捉能力，训练智能电能表的故障识别模型；

(4)采用准确率(Accuracy)，精确率(Precision)，召回率(Recall)和综合评价指标F1作为智能电能表故障识别模型的评价标准；

(5)将实时数据通过数据清洗、构建成输入矩阵后，代入已训练完成的时空卷积神经网络智能电能表故障预测模型，对故障进行预测；

(6)当预测出现故障时，通过现场运维人员对故障的准确性进行判断，并且进行解决；同时通过运维人员确定的故障标签，作为新的样本数据进入历史故障库中进行重新训练，对智能电能表的故障预测模型参数进行实时更新，保证模型精度的可靠性和实时性。

进一步的，所述步骤1中：所述智能电能表故障相关数据包括总电量数，峰段电量数，平段电量数，谷段电量数，电流，电压，电表时间，终端时间；

所述智能电能表故障类别包括：正常、采集异常、电能表示值不平，电能表飞走，电能表反向有功示值异常，电能表倒走，电能表时间异常，电能表潜动异常。

进一步的，所述步骤2中：采集得到的数据难免会存在异常值，异常值会导致模型出现偏差，精度降低。采用Hempel准则对异常值进行去除，Hempel准则应用对异常值更加敏感的中值和中值绝对偏差代替常用的均值和均值偏差。根据该方法，对于每个特征变量x＝[x₁,x₂,…,x_n]，满足下式的值即可被定义为异常值，

式中，x_i表示特征变量中的第i个变量，x_0.5表示变量中值。由于异常数据相对较少，本发明采用直接删除的方法对异常值进行处理，然后对每个特征变量依据下式进行归一化处理；

进一步的，所述步骤3中，还包括一下步骤：

2)基于时间和空间特性构建输入矩阵

定义融入时间和空间特性的输入矩阵为X，如下所示：

式中，s表示特征变量的个数，t表示选取的时间长度。

2)将输入矩阵与CNN相结合并进行训练

采用了2个卷积层，2个池化层，1个全连接层的模型结构进行建模，具体训练过程分为正向转播，反向转播。

进一步的，，所述正向传播：

11)卷积层C₁

CNN网络结构的输入为X，则卷积层C₁的传播过程如下式所示：

式中，X和

分别表示输入特征图(feature map)与输出特征图，q₁表示输出的特征映射个数；

表示卷积运算；

表示卷积核；

表示偏置；

表示ReLU(RectifiedLinear Unit)激活函数

使用非线性激活函数能够更好地捕捉多个输入变量之间的非线性关系。

12)池化层P₁

对于池化层P₁的每一个特征映射组

将其划分很多区域

则其最大池化(取一个区域内所有神经元的最大值)可以表示为：

式中，

为区域

内每个神经元的激活值。

13)卷积层C₂

卷积层C₂的传播过程如下式所示：

式中，

表示ReLU激活函数。

14)池化层P₂

池化层P₂的传播过程如下式所示：

15)全连接层FC

全连接层的作用则是对提取的特征进行非线性组合以得到输出，特征图在全连接层中会失去空间拓扑结构，被平铺(Flatten)为向量。如下所示：

则全连接层输入为X^FC-1，全连接层的正向传播过程可以表示为：

Z^FC＝W^FC·X^FC-1+b^FC

式中，W^FC表示全连接层权重，b^FC表示全连接层偏置，f_FC(·)表示sigmoid激活函数，f_FC(x)＝1/(1+exp(-x))。

16)损失函数

损失函数表示如下式所示：

式中，N表示训练样本个数，

表示模型预测结果，Y表示实际结果。

进一步的，所述反向传播：

CNN的反向传播就是对参数W^FC，b^FC，

的更新。

21)当前层为全连接层FC

误差项的传播如下所示：

式中，表示点积运算，f′_FC(x)＝f_FC(x) (1-f_FC(x))。

全连接层参数W^FC梯度计算：

全连接层参数b^FC梯度计算：

误差项传递到池化层P₂，可以表示为

22)当前层为池化层P₂

误差项由池化层P₂传递到卷积层C₂，如下所示：

式中，up(·)表示上采样运算，且

则卷积层C₂层的参数梯度计算表示为：

23)当前层为卷积层C₂

误差项由卷积层C₂传递到池化层P₁，具体表示为：

式中，rot180(·)表示旋转180度。

24)当前层为池化层P₁

误差项由池化层P₁传递到卷积层C₁，具体表示为：

式中，

则卷积层C₁层的参数梯度计算表示为：

25)参数更新

设置学习率α＝0.01，根据下式对模型参数W^FC，b^FC，

进行更新。

式中，N_batch表示批量样本个数。

当训练误差满足

时，停止模型训练，并保存模型参数。

进一步的，所述步骤4中，所述当有1个模型评价指标小于95％时，则通过调整CNN超参数重新进行训练，直至达到模型评价要求。

分类评价指标的定义：

TP(True Positive)：将正类预测为正类数

TN(True Negative)：将负类预测为负类数

FP(False Positive)：将负类预测为正类数

FN(False Negative)：将正类预测为负类数

准确率(Accuracy)的计算公式如下所示：

精确率(Precision)的计算公式如下所示：

召回率(Recall)的计算公式如下所示：

综合评价指标(F1)的计算公式如下所示：

在本发明的第二方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

在本发明的第三方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。

与现有技术相比，本发明的有益效果为：

本发明解决了现有智能电能表故障预测算法准确率低，需要人为参与度高的问题。发明了一种将时间特性与空间特性融入输入数据的方法，并与CNN相结合，大大提高了智能电能表的故障预测精度，并且无需人为参与，降低了时间成本，是一种新型低复杂度，高精度的智能电能表故障预测方法。

以下将结合附图与具体的实施例对本发明进行详细的解释说明。

附图说明

图1为本发明的一些实施例中的基于时空卷积神经网络的智能电表故障预测方法的流程示意图；

图2为本发明的时空卷积神经网络训练智能电能表故障识别模型示意图；

图3为本发明的智能电能表故障预测多模型对比示意图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更加全面的描述，附图中给出了本发明的若干实施例，但是本发明可以通过不同的形式来实现，并不限于文本所描述的实施例，相反的，提供这些实施例是为了使对本发明公开的内容更加透彻全面。

实施例一：

请着重参照附图1-2，一种基于时空卷积神经网络的智能电表故障预测方法，包括以下步骤：

(1)从智能电能表历史数据故障库中获得智能电能表的故障类型和故障相关数据；

(2)对智能电能表的历史数据进行清洗，包括异常值剔除和归一化处理；

(3)将相关变量的时间序列组成矩阵形式，使输入数据既包含时间信息又包含空间信息，并且基于CNN的强大特征捕捉能力，训练智能电能表的故障识别模型；

(4)采用准确率(Accuracy)，精确率(Precision)，召回率(Recall)和综合评价指标F1作为智能电能表故障识别模型的评价标准；

(5)将实时数据通过数据清洗、构建成输入矩阵后，代入已训练完成的时空卷积神经网络智能电能表故障预测模型，对故障进行预测；

(6)当预测出现故障时，通过现场运维人员对故障的准确性进行判断，并且进行解决；同时通过运维人员确定的故障标签，作为新的样本数据进入历史故障库中进行重新训练，对智能电能表的故障预测模型参数进行实时更新，保证模型精度的可靠性和实时性。

请着重参照附图1-2，所述步骤1中：所述智能电能表故障相关数据包括总电量数，峰段电量数，平段电量数，谷段电量数，电流，电压，电表时间，终端时间；

所述智能电能表故障类别包括：正常、采集异常、电能表示值不平，电能表飞走，电能表反向有功示值异常，电能表倒走，电能表时间异常，电能表潜动异常。

请着重参照附图1-2，所述步骤2中：采集得到的数据难免会存在异常值，异常值会导致模型出现偏差，精度降低。采用Hempel准则对异常值进行去除，Hempel准则应用对异常值更加敏感的中值和中值绝对偏差代替常用的均值和均值偏差。根据该方法，对于每个特征变量x＝[x₁,x₂,…,x_n]，满足下式的值即可被定义为异常值，

式中，x_i表示特征变量中的第i个变量，x_0.5表示变量中值。由于异常数据相对较少，本发明采用直接删除的方法对异常值进行处理，然后对每个特征变量依据下式进行归一化处理；

请着重参照附图1-2，其特征在于，所述步骤3中，还包括一下步骤：

3)基于时间和空间特性构建输入矩阵

定义融入时间和空间特性的输入矩阵为X，如下所示：

式中，s表示特征变量的个数，t表示选取的时间长度。

2)将输入矩阵与CNN相结合并进行训练

采用了2个卷积层，2个池化层，1个全连接层的模型结构进行建模，具体训练过程分为正向转播，反向转播。

请着重参照附图1-2，所述正向传播：

11)卷积层C₁

CNN网络结构的输入为X，则卷积层C₁的传播过程如下式所示：

式中，X和

分别表示输入特征图(feature map)与输出特征图，q₁表示输出的特征映射个数；

表示卷积运算；

表示卷积核；

表示偏置；

表示ReLU(RectifiedLinear Unit)激活函数

使用非线性激活函数能够更好地捕捉多个输入变量之间的非线性关系。

12)池化层P₁

对于池化层P₁的每一个特征映射组

将其划分很多区域

则其最大池化(取一个区域内所有神经元的最大值)可以表示为：

式中，

为区域

内每个神经元的激活值。

13)卷积层C₂

卷积层C₂的传播过程如下式所示：

式中，

表示ReLU激活函数。

14)池化层P₂

池化层P₂的传播过程如下式所示：

15)全连接层FC

全连接层的作用则是对提取的特征进行非线性组合以得到输出，特征图在全连接层中会失去空间拓扑结构，被平铺(Flatten)为向量。如下所示：

则全连接层输入为X^FC-1，全连接层的正向传播过程可以表示为：

Z^FC＝W^FC·X^FC-1+b^FC

式中，W^FC表示全连接层权重，b^FC表示全连接层偏置，f_FC(·)表示sigmoid激活函数，f_FC(x)＝1/(1+exp(-x))。

16)损失函数

损失函数表示如下式所示：

式中，N表示训练样本个数，

表示模型预测结果，Y表示实际结果。

请着重参照附图1-2，所述反向传播：

CNN的反向传播就是对参数W^FC，b^FC，

的更新。

21)当前层为全连接层FC

误差项的传播如下所示：

式中，表示点积运算，f′_FC(x)＝f_FC(x)(1-f_FC(x))。

全连接层参数W^FC梯度计算：

全连接层参数b^FC梯度计算：

误差项传递到池化层P₂，可以表示为

22)当前层为池化层P₂

误差项由池化层P₂传递到卷积层C₂，如下所示：

式中，up(·)表示上采样运算，且

则卷积层C₂层的参数梯度计算表示为：

23)当前层为卷积层C₂

误差项由卷积层C₂传递到池化层P₁，具体表示为：

式中，rot180(·)表示旋转180度。

24)当前层为池化层P₁

误差项由池化层P₁传递到卷积层C₁，具体表示为：

式中，

则卷积层C₁层的参数梯度计算表示为：

25)参数更新

设置学习率α＝0.01，根据下式对模型参数W^FC，b^FC，

进行更新。

式中，N_batch表示批量样本个数。

当训练误差满足

时，停止模型训练，并保存模型参数。

请着重参照附图1-2，所述步骤4中，所述当有1个模型评价指标小于95％时，则通过调整CNN超参数重新进行训练，直至达到模型评价要求。

分类评价指标的定义：

TP(True Positive)：将正类预测为正类数

TN(True Negative)：将负类预测为负类数

FP(False Positive)：将负类预测为正类数

FN(False Negative)：将正类预测为负类数

准确率(Accuracy)的计算公式如下所示：

精确率(Precision)的计算公式如下所示：

召回率(Recall)的计算公式如下所示：

综合评价指标(F1)的计算公式如下所示：

本发明的一种基于时空卷积神经网络的智能电表故障预测方法的实施发式：

1.样本数据选取

选择智能电能表故障库中的故障数据，故障类别共8类，分别是：正常、采集异常、电能表示值不平，电能表飞走，电能表反向有功示值异常，电能表倒走，电能表时间异常和电能表潜动异常。

智能电能表故障相关数据共8种：包括总电量数，峰段电量数，平段电量数，谷段电量数，电流，电压，电表时间，终端时间。

2.输入矩阵构造

数据的采样频率是秒级，分别选取每个故障数据连续运行30分钟的数据，采用1分钟的窗口对数据进行步长为1的滑动处理。

每类故障可以得到1800个样本，输入为60×8的矩阵。

将前20分钟连续的数据即每类故障1200个样本作为训练，后10分钟连续的数据即每类故障600个样本作为预测。

3.时空卷积神经网络模型结构

本发明所采用的时空卷积神经网络模型结构见下表所示，共采用2个卷积层，2个池化层，1个全连接层。

本发明采用的核函数是3×3，这是因为3×3是最小的能够捕获像素八邻域信息的尺寸，而且多个3×3的卷积层比一个大尺寸卷积层使用了更多的非线性激活函数，判决性更强，同时使用的参数更少，模型复杂度更低。

本发明采用3×3核函数堆叠的方法对模型结构进行试凑，当模型具有2层卷积层的时候，模型精度已经可以满足故障预测的需求，过高的层数在模型精度提升并不大，同时会造成大量的计算冗余，如表1所示。

表1：时空卷积神经网络模型结构

4.智能电能表故障预测结果

本发明将目前智能电能表故障预测常用的BP神经网络，随机森林，SVM，朴素贝叶斯与本发明方法作对比，结果如附图3所示。

从表2可以看出，本发明方法与其他4个模型相比，无论是在准确率，精确率，召回率还是F1，都是表现最好的模型，这也说明了本文算法的有效性，其次较好的模型是朴素贝叶斯，在准确率，召回率和F1比其他3个模型较高，性能较差的模型是BP神经网络。

表2智能电能表故障预测多模型对比

表3给出了基于时空卷积神经网络的方法在每种故障的预测结果：

表3本发明方法各故障的预测结果

从上表3中可知，采集异常与电能表示值不平这2个故障预测准确率较低，其他故障的预测准确率相差不多，其中，电能表反向有功示值异常预测准确率最好。后续的研究方向，可以针对预测准确率低的故障开展详细研究，找到准确率低的具体原因，通过输入特征的修改和模型结构超参数的调整提高模型的整体性能。

上述结合附图和实施例对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的这种非实质改进，或未经改进将本发明的构思和技术方案直接应用于其他场合的，均在本发明的保护范围之内。

Claims (9)

1.一种基于时空卷积神经网络的智能电表故障预测方法，其特征在于，包括以下步骤：

(1)从智能电能表历史数据故障库中获得智能电能表的故障类型和故障相关数据；

(2)对智能电能表的历史数据进行清洗，包括异常值剔除和归一化处理；

(3)将相关变量的时间序列组成矩阵形式，使输入数据既包含时间信息又包含空间信息，并且基于CNN的强大特征捕捉能力，训练智能电能表的故障识别模型；

(4)采用准确率(Accuracy)，精确率(Precision)，召回率(Recall)和综合评价指标F1作为智能电能表故障识别模型的评价标准；

(5)将实时数据通过数据清洗、构建成输入矩阵后，代入已训练完成的时空卷积神经网络智能电能表故障预测模型，对故障进行预测；

(6)当预测出现故障时，通过现场运维人员对故障的准确性进行判断，并且进行解决；同时通过运维人员确定的故障标签，作为新的样本数据进入历史故障库中进行重新训练，对智能电能表的故障预测模型参数进行实时更新，保证模型精度的可靠性和实时性。

2.根据权利要求1所述的一种基于时空卷积神经网络的智能电表故障预测方法，其特征在于，所述步骤1中：所述智能电能表故障相关数据包括总电量数，峰段电量数，平段电量数，谷段电量数，电流，电压，电表时间，终端时间；

所述智能电能表故障类别包括：正常、采集异常、电能表示值不平，电能表飞走，电能表反向有功示值异常，电能表倒走，电能表时间异常，电能表潜动异常。

3.根据权利要求1所述的一种基于时空卷积神经网络的智能电表故障预测方法，其特征在于，所述步骤2中：采集得到的数据难免会存在异常值，异常值会导致模型出现偏差，精度降低，采用Hempel准则对异常值进行去除，Hempel准则应用对异常值更加敏感的中值和中值绝对偏差代替常用的均值和均值偏差，根据该方法，对于每个特征变量x＝[x₁,x₂,…,x_n]，满足下式的值即可被定义为异常值，

式中，x_i表示特征变量中的第i个变量，x_0.5表示变量中值，由于异常数据相对较少，本发明采用直接删除的方法对异常值进行处理，然后对每个特征变量依据下式进行归一化处理；

4.根据权利要求1所述的一种基于时空卷积神经网络的智能电表故障预测方法，其特征在于，所述步骤3中，还包括一下步骤：

1)基于时间和空间特性构建输入矩阵

定义融入时间和空间特性的输入矩阵为X，如下所示：

式中，s表示特征变量的个数，t表示选取的时间长度；

2)将输入矩阵与CNN相结合并进行训练

采用了2个卷积层，2个池化层，1个全连接层的模型结构进行建模，具体训练过程分为正向转播，反向转播。

5.根据权利要求4所述的一种基于时空卷积神经网络的智能电表故障预测方法，其特征在于，所述正向传播：

11)卷积层C₁

CNN网络结构的输入为X，则卷积层C₁的传播过程如下式所示：

式中，X和

分别表示输入特征图(feature map)与输出特征图，q₁表示输出的特征映射个数；

表示卷积运算；

表示卷积核；

表示偏置；

表示ReLU(RectifiedLinear Unit)激活函数

使用非线性激活函数能够更好地捕捉多个输入变量之间的非线性关系；

12)池化层P₁

对于池化层P₁的每一个特征映射组

将其划分很多区域

则其最大池化(取一个区域内所有神经元的最大值)可以表示为：

式中，

为区域

内每个神经元的激活值；

13)卷积层C₂

卷积层C₂的传播过程如下式所示：

式中，

表示ReLU激活函数；

14)池化层P₂

池化层P₂的传播过程如下式所示：

15)全连接层FC

全连接层的作用则是对提取的特征进行非线性组合以得到输出，特征图在全连接层中会失去空间拓扑结构，被平铺(Flatten)为向量。如下所示：

则全连接层输入为X^FC-1，全连接层的正向传播过程可以表示为：

Z^FC＝W^FC·X^FC-1+b^FC

式中，W^FC表示全连接层权重，b^FC表示全连接层偏置，f_FC(·)表示sigmoid激活函数，f_FC(x)＝1/(1+exp(-x))；

16)损失函数

损失函数表示如下式所示：

式中，N表示训练样本个数，

表示模型预测结果，Y表示实际结果。

6.根据权利要求4所述的一种基于时空卷积神经网络的智能电表故障预测方法，其特征在于，所述反向传播：

CNN的反向传播就是对参数W^FC，b^FC，

的更新，

21)当前层为全连接层FC

误差项的传播如下所示：

式中，表示点积运算，f′_FC(x)＝f_FC(x)(1-f_FC(x))，

全连接层参数W^FC梯度计算：

全连接层参数b^FC梯度计算：

误差项传递到池化层P₂，可以表示为

22)当前层为池化层P₂

误差项由池化层P₂传递到卷积层C₂，如下所示：

式中，up(·)表示上采样运算，且

则卷积层C₂层的参数梯度计算表示为：

23)当前层为卷积层C₂

误差项由卷积层C₂传递到池化层P₁，具体表示为：

式中，rot180(·)表示旋转180度；

24)当前层为池化层P₁

误差项由池化层P₁传递到卷积层C₁，具体表示为：

式中，

则卷积层C₁层的参数梯度计算表示为：

25)参数更新

设置学习率α＝0.01，根据下式对模型参数W^FC，b^FC，

进行更新，

式中，N_batch表示批量样本个数，

当训练误差满足

时，停止模型训练，并保存模型参数。

7.根据权利要求1所述的一种基于时空卷积神经网络的智能电表故障预测方法，其特征在于，所述步骤4中，所述当有1个模型评价指标小于95％时，则通过调整CNN超参数重新进行训练，直至达到模型评价要求；

分类评价指标的定义：

TP(True Positive)：将正类预测为正类数

TN(True Negative)：将负类预测为负类数

FP(False Positive)：将负类预测为正类数

FN(False Negative)：将正类预测为负类数

准确率(Accuracy)的计算公式如下所示：

精确率(Precision)的计算公式如下所示：

召回率(Recall)的计算公式如下所示：

综合评价指标(F1)的计算公式如下所示：

8.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-7中任一所述的方法。

9.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7中任一所述的方法。

Images