CN114707754A - 一种基于BiLSTM-CNN模型的智能电表故障预测方法及系统 - Google Patents

一种基于BiLSTM-CNN模型的智能电表故障预测方法及系统 Download PDF

Info

Publication number
CN114707754A
CN114707754A CN202210438993.5A CN202210438993A CN114707754A CN 114707754 A CN114707754 A CN 114707754A CN 202210438993 A CN202210438993 A CN 202210438993A CN 114707754 A CN114707754 A CN 114707754A
Authority
CN
China
Prior art keywords
data
model
fault
bilstm
characteristic
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
Application number
CN202210438993.5A
Other languages
English (en)
Inventor
杨舟
陈珏羽
周政雷
梁炜皓
蒋雯倩
唐志涛
林秀清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi Power Grid Co Ltd
Original Assignee
Guangxi Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi Power Grid Co Ltd filed Critical Guangxi Power Grid Co Ltd
Priority to CN202210438993.5A priority Critical patent/CN114707754A/zh
Publication of CN114707754A publication Critical patent/CN114707754A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Probability & Statistics with Applications (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Strategic Management (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Business, Economics & Management (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及智能电表故障预测技术领域，提出了一种基于BiLSTM‑CNN模型的智能电表故障预测方法及系统，包括获取智能电表的历史故障数据作为特征数据，包括设备数据、运行数据、故障类型、故障时间、温度、湿度；然后将所述特征数据进行数据清洗，所述数据清洗包括清洗历史故障数据特征中包含的重复值、缺失值、异常值，其次构建BiLSTM‑CNN模型，利用双向长短时记忆网络提取序列时序信息的优点与卷积神经网络提取局部特征信息的优点共同对影响智能电表故障的特征集合进行编码，最后，使用编码后的向量进行智能电表故障分类预测，通过上述技术方案，解决了相关技术中单一的神经网络模型不能很好的提取智能电表故障数据中有效信息的问题。

Description

一种基于BiLSTM-CNN模型的智能电表故障预测方法及系统
技术领域
本发明涉及智能电表故障预测技术领域，具体的，涉及一种基于BiLSTM-CNN模型的智能电表故障预测方法及系统。
背景技术
智能电能表作为电力生产过程中的重要环节，是电力企业重要的技术经济考核指标之一，在我国经济建设中起着重要作用，直接关系到发电、供电与用电三方的经济利益。随着智能电表设备的逐步增加，电能表的故障问题也越来越突出，传统的智能电表故障预测方法大多都是使用机器学习或单一神经网络模型对智能电表的设备信息、运行信息等电表自身信息进行建模分析，而忽略了外在的如温度、湿度等环境因素对智能电表故障造成的影响，因此，传统的智能电表故障预测方法并不能很好的提取智能电表故障数据中的有效信息，在一定程度上还降低了智能电表故障预测的准确率。
发明内容
本发明提出一种基于BiLSTM-CNN模型的智能电表故障预测方法及系统，解决了相关技术中单一的神经网络模型不能很好的提取智能电表故障数据中有效信息的问题。
本发明的技术方案如下：
第一方面，一种基于BiLSTM-CNN模型的智能电表故障预测方法，包括以下步骤：
获取智能电表的历史故障数据作为特征数据，包括设备数据、运行数据、故障类型、故障时间、温度、湿度；
将所述设备数据、运行数据、故障时间、温度、湿度作为模型输入X，将所述故障类型作为模型输出Y，构建训练样本集(X，Y)；
初始化模型训练参数，重复执行模型训练步骤直至达到模型预设的迭代次数；
所述模型训练步骤包括：
将所述训练样本集输入到(N*N)维度的全连接神经网络，输出每个特征数据的归一化向量；
将训练样本集的归一化向量输入到BiLSTM模型，分别经过BiLSTM模型中的输入门、遗忘门和输出门，得到包含上下文特征信息的隐含层向量：
Figure BDA0003614279250000021
其中，
Figure BDA0003614279250000022
表示当前时刻的前向输出，
Figure BDA0003614279250000023
当前时刻的反向输出；
将所述隐含层向量输入到CNN卷积神经网络中，经过卷积层和池化层，输出包含局部位置信息的特征向量C；
将所述特征向量C输入到softmax层得到训练样本对应的多分类概率分布结果
Figure BDA0003614279250000024
其中，zi是第i个节点的输出值，K为softmax层的输出个数；
选择概率分布结果最大的类别作为模型预测值，比较模型预测值与训练样本集的故障类型特征，利用交叉熵损失函数计算模型误差Loss；
根据模型误差Loss，使用梯度下降算法进行神经网络反向传播，更新BiLSTM模型的权重参数。
第二方面，一种基于BiLSTM-CNN模型的智能电表故障预测系统，包括，
获取模块，用于获取智能电表的历史故障数据作为特征数据，包括设备数据、运行数据、故障类型、故障时间、温度、湿度；
样本模块，用于将所述设备数据、运行数据、故障时间、温度、湿度作为模型输入X，将所述故障类型作为模型输出Y，构建训练样本集(X，Y)；
训练模块，用于初始化模型训练参数，重复执行模型训练步骤直至达到模型预设的迭代次数；
归一化模块，用于通过所述训练样本集输入到(N*N)维度的全连接神经网络，输出每个特征数据的归一化向量；
隐含层向量模块，用于将训练样本集的归一化向量输入到BiLSTM模型，分别经过BiLSTM模型中的输入门、遗忘门和输出门，得到包含上下文特征信息的隐含层向量：
Figure BDA0003614279250000025
其中，
Figure BDA0003614279250000026
表示当前时刻的前向输出，
Figure BDA0003614279250000027
当前时刻的反向输出；
特征向量模块，用于将所述隐含层向量输入到CNN卷积神经网络中，经过卷积层和池化层，输出包含局部位置信息的特征向量C；
多分类概率分布模块，用于将所述特征向量C输入到softmax层得到训练样本对应的多分类概率分布结果
Figure BDA0003614279250000031
其中，zi是第i个节点的输出值，K为softmax层的输出个数；
模型误差模块，选择概率分布结果最大的类别作为模型预测值，比较模型预测值与训练样本集的故障类型特征，利用交叉熵损失函数计算模型误差Loss；
更新模块，根据模型误差Loss，使用梯度下降算法进行神经网络反向传播，更新BiLSTM模型的权重参数。
第三方面，一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于BiLSTM-CNN模型的智能电表故障预测方法的步骤。
本发明的工作原理及有益效果为：
本发明中运用深度学习方法，分析智能电表的故障类型受到各种因素的影响，发现数据内在联系，实现合理的故障分类和预测。基于此，进行故障预测，为智能电表的检修提供方便，降低运维成本。
通过分析智能电表属性、运行环境、环境因素等因素与故障类型之间的相关关系建立故障多分类模型，实现对智能电表发生故障类型的准确判断，从而指导运维人员指定合理的维护措施，保证电网的高质量运行。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明流程示意图；
图2为本发明不平衡数据采样的流程图；
图3为本发明BiLSTM-CNN模型结构图。
具体实施方式
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都涉及本发明保护的范围。
实施例1
如图1～图2所示，本实施例提出了一种基于BiLSTM-CNN模型的智能电表故障预测方法，包括以下三个主要步骤：
1、数据预处理
数据预处理步骤包括特征选择、数据清洗。
(1)特征选择：除选择智能电表设备数据、运行数据以及故障数据外，还需要选择温度、湿度等智能电表所在的运行环境中的环境因素。
(2)数据清洗：清洗数据中包含的重复值、缺失值、异常值等影响模型分析结果的数据。
2、不平衡数据采样
通过故障数据特征进行数据清洗之后存在类别数据不平衡问题，因此在建模前需要进行不平衡数据的采样。
对于数据不平衡问题，本发明提出一种结合ADASYN算法与EasyEnsemble算法的混合采样方法，结合过采样与欠采样的优点进行数据采样，有效解决数据不平衡问题，具体步骤如下：
步骤1：采用ADASYN算法进行过采样，根据数据分布情况为数据量较少的样本生成不同数据的新样本。
步骤2：利用EasyEnsemble算法进行欠采样，通过多次从多数类样本抽取与少数类样本数据量近似的数据，然后与少数类样本进行组合形成新的样本集。
经步骤1和步骤2的采样后，最终形成各个类别数据量近似的样本集合。
3、基于BiLSTM-CNN模型的智能电表故障数据分类
在对数据进行预处理以及数据采样后，针对数据中温度、湿度等具有时序性以及设备运行数据相互关联等特点，利用BiLSTM提取序列时序信息的优点与CNN提取局部特征信息的优点构建BiLSTM-CNN模型，使用BiLSTM和CNN共同对数据进行编码，并在LSTM的输出门后引入激励门，增加预测错误样本的权重，优化反向传播算法，最后使用softmax层进行多分类。具体步骤如下：
步骤1：构建训练样本集、验证样本集、测试样本集。对经过数据预处理后的智能电表历史故障数据样本集，通过如下方法构建出模型训练所需的训练样本集、验证样本集、测试样本集：将设备数据、运行数据、故障时间、温度、湿度作为模型输入X，将所述故障类型作为模型输出Y，构建训练样本集(X，Y)，对于构造出的训练样本集(X，Y)，采用训练样本集：验证样本集：测试样本集＝7：1.5：1.5的比例进行数据随机抽取，最终构建出模型所需的训练样本集、验证样本集以及测试样本集。
步骤2：初始化模型训练参数。其中，BiLSTM全连接神经网络维度输入输出维度为N，N代表每个样本的特征数；BiLSTM的隐含层维度设置为256；卷积核大小设置为(3,5,7)，池化操作设置为最大池化；模型迭代次数设置为100；模型学习率设置为0.035；Dropout率设置为0.35；模型训练批次大小设置为128；层的输出大小为智能电表故障类别数量；优化策略采用Adam进行模型优化。
步骤3：将所述训练样本集输入到(N*N)维度的全连接神经网络，其中N是输入和输出的维度，代表每个训练样本的特征数。该步骤的计算方式为：
f(x)＝σ(Wx+b)
其中，σ为激活函数，x,f(x)分别为输入向量和输出向量，W,b分别为神经网络的权重和偏置项。
训练集样本经过该神经网络计算后，得到每个特征的归一化后的结果向量。
步骤4：将步骤3中将训练样本集的归一化向量输入到BiLSTM模型，分别经过BiLSTM中的输入门、遗忘门和输出门，最终得到包含上下文特征信息的隐含层向量表示。各个门的计算方式如下：
ft＝σ(Wf·[ht-1,xt]+hf)
it＝σ(Wi·[ht-1,xt]+bi)
Figure BDA0003614279250000051
Figure BDA0003614279250000052
ot＝σ(Wo·[ht-1,xt]+bo)
其中，ft,it,ot分别代表遗忘门、输入门和输出门；Wf,Wi,Wc,Wo代表权重；bf,bi,bc,bo代表偏置项；
Figure BDA0003614279250000053
代表当前时刻输入的单元状态；ct代表当前时刻单元状态；σ,tanh代表激活函数；ht代表当前时刻的隐含层状态，即当前时刻的输出状态，包含了与当前时刻的输入有关的所有信息。
经过Bi-LSTM后得到的隐含层信息表示如下：
Figure BDA0003614279250000054
其中，
Figure BDA0003614279250000055
表示当前时刻的前向输出，
Figure BDA0003614279250000056
当前时刻的反向输出。
步骤5：在BiLSTM后加入激励门，即惩罚因子概念，增加预测错误的样本的权重，使得在训练过程中损失函数下降更快，模型泛化能力更强，惩罚因子计算如下：
Figure BDA0003614279250000057
其中，fold(x)为输出门的输出值，λ为惩罚系数，|wi|为所有参数的绝对值之和。
步骤6：将步骤4中得到的结果隐含层向量Ht输入到CNN卷积神经网络中，经过卷积、池化等操作，得到包含局部位置信息的特征向量表示C。其中，卷积层的输入输出维度具有如下关系：
Figure BDA0003614279250000061
步骤7：将步骤6中得到的向量C输入到softmax层得到样本对应的多分类概率分布结果：
Figure BDA0003614279250000062
其中，zi是第i个节点的输出值，K为softmax层的输出个数。
步骤8：根据步骤7中得到的模型预测值与训练样本的故障类型特征，选择概率分布结果最大的类别作为模型预测值，比较模型预测值与训练样本集的故障类型特征，利用交叉熵损失函数计算模型误差Loss。
步骤9：根据模型误差Loss，使用梯度下降算法进行神经网络反向传播，更新BiLSTM模型的权重参数。
步骤10：不断迭代步骤3到步骤9，直到迭代次数达到步骤2中初始化的迭代次数(Epoch＝100)。模型训练过程中，使用验证集进行模型验证。模型训练结束后，使用测试集进行模型效果测试。
最后，使用训练好的模型进行智能电表故障分类预测。
实施例2
基于上述实施例1相同的发明构思，本发明还提出了一种基于BiLSTM-CNN模型的智能电表故障预测系统，包括，
获取模块，用于获取智能电表的历史故障数据作为特征数据，包括设备数据、运行数据、故障类型、故障时间、温度、湿度；
样本模块，用于将所述设备数据、运行数据、故障时间、温度、湿度作为模型输入X，将所述故障类型作为模型输出Y，构建训练样本集(X，Y)；
训练模块，用于初始化模型训练参数，重复执行模型训练步骤直至达到模型预设的迭代次数；
归一化模块，用于通过所述训练样本集输入到(N*N)维度的全连接神经网络，输出每个特征数据的归一化向量；
隐含层向量模块，用于将训练样本集的归一化向量输入到BiLSTM模型，分别经过BiLSTM模型中的输入门、遗忘门和输出门，得到包含上下文特征信息的隐含层向量：
Figure BDA0003614279250000071
其中，
Figure BDA0003614279250000072
表示当前时刻的前向输出，
Figure BDA0003614279250000073
当前时刻的反向输出；
特征向量模块，用于将所述隐含层向量输入到CNN卷积神经网络中，经过卷积层和池化层，输出包含局部位置信息的特征向量C；
多分类概率分布模块，用于将所述特征向量C输入到softmax层得到训练样本对应的多分类概率分布结果
Figure BDA0003614279250000074
其中，zi是第i个节点的输出值，K为softmax层的输出个数；
模型误差模块，选择概率分布结果最大的类别作为模型预测值，比较模型预测值与训练样本集的故障类型特征，利用交叉熵损失函数计算模型误差Loss；
更新模块，根据模型误差Loss，使用梯度下降算法进行神经网络反向传播，更新BiLSTM模型的权重参数。
前述实施例一中的种基于BiLSTM-CNN模型的智能电表故障预测方法的各种变化方式和具体实例同样适用于本实施例的种基于BiLSTM-CNN模型的智能电表故障预测系统，通过前述种基于BiLSTM-CNN模型的智能电表故障预测方法的详细描述，本领域技术人员可以清楚的知道本实施例中种基于BiLSTM-CNN模型的智能电表故障预测系统的实施方法，所以为了说明书的简洁，在此不再详述。
实施例3
基于上述实施例1相同的发明构思，本发明还提出了一种计算机可读存储介质，其中，
所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于BiLSTM-CNN模型的智能电表故障预测方法的步骤。
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于BiLSTM-CNN模型的智能电表故障预测方法，其特征在于，包括以下步骤：
获取智能电表的历史故障数据作为特征数据，包括设备数据、运行数据、故障类型、故障时间、温度、湿度；
将所述设备数据、运行数据、故障时间、温度、湿度作为模型输入X，将所述故障类型作为模型输出Y，构建训练样本集(X，Y)；
初始化模型训练参数，重复执行模型训练步骤直至达到模型预设的迭代次数；
所述模型训练步骤包括：
将所述训练样本集输入到(N*N)维度的全连接神经网络，输出每个特征数据的归一化向量；
将训练样本集的归一化向量输入到BiLSTM模型，分别经过BiLSTM模型中的输入门、遗忘门和输出门，得到包含上下文特征信息的隐含层向量：
Figure FDA0003614279240000011
其中，
Figure FDA0003614279240000012
表示当前时刻的前向输出，
Figure FDA0003614279240000013
当前时刻的反向输出；
将所述隐含层向量输入到CNN卷积神经网络中，经过卷积层和池化层，输出包含局部位置信息的特征向量C；
将所述特征向量C输入到softmax层得到训练样本对应的多分类概率分布结果
Figure FDA0003614279240000014
其中，zi是第i个节点的输出值，K为softmax层的输出个数；
选择概率分布结果最大的类别作为模型预测值，比较模型预测值与训练样本集的故障类型特征，利用交叉熵损失函数计算模型误差Loss；
根据模型误差Loss，使用梯度下降算法进行神经网络反向传播，更新BiLSTM模型的权重参数。
2.根据权利要求1所述的一种基于BiLSTM-CNN模型的智能电表故障预测方法，其特征在于，在所述获取智能电表的历史故障数据特征，包括设备数据、运行数据、故障类型、故障时间、温度、湿度之后，还包括，
将所述特征数据进行数据清洗，所述数据清洗包括清洗历史故障数据特征中包含的重复值、缺失值、异常值。
3.根据权利要求2所述的一种基于BiLSTM-CNN模型的智能电表故障预测方法，其特征在于，在所述将所述故障数据特征进行数据清洗之后，还包括，
对所述故障数据特征进行不平衡采样，所述不平衡采样包括过采样和欠采样；
所述过采样包括，采用ADASYN算法，根据特征数据分布情况为特征数据量较少的样本生成不同数据的新样本；
所述欠采样包括，采用EasyEnsemble算法，多次从特征数据量较多的样本中抽取与特征数据量较少的样本数据量近似的数据，然后与特征数据量较少的样本进行组合形成新的特征数据。
4.根据权利要求1所述的一种基于BiLSTM-CNN模型的智能电表故障预测方法，其特征在于，所述将所述设备数据、运行数据、故障时间、温度、湿度作为模型输入X，将所述故障类型作为模型输出Y，构建训练样本集(X，Y)，包括，所述将所述设备数据、运行数据、故障时间、温度、湿度作为模型输入X，将所述故障类型作为模型输出Y，构建数据集(X，Y)；
对所述数据集(X，Y)，采用训练集：验证集：测试集＝7:1.5:1.5的比例进行数据随机抽取，得到训练样本集、验证样本集和测试样本集。
5.根据权利要求1所述的一种基于BiLSTM-CNN模型的智能电表故障预测方法，其特征在于，将训练样本集的归一化向量输入到BiLSTM模型，分别经过BiLSTM模型中的输入门、遗忘门和输出门的计算方式，包括
ft＝σ(Wf·[ht-1,xt]+bf)，
it＝σ(Wi·[ht-1,xt]+bi)，
Figure FDA0003614279240000021
Figure FDA0003614279240000022
ot＝σ(Wo·[ht-1,xt]+bo)，
其中，ft,it,ot分别代表遗忘门、输入门和输出门；Wf,Wi,Wc,Wo代表权重；bf,bi,bc,bo代表偏置项；
Figure FDA0003614279240000023
代表当前时刻输入的单元状态；ct代表当前时刻单元状态；σ,tanh代表激活函数；ht代表当前时刻的隐含层状态，即当前时刻的输出状态。
6.根据权利要求5所述的一种基于BiLSTM-CNN模型的智能电表故障预测方法，其特征在于，所述模型训练步骤还包括，
在输出门后加入激励门，即惩罚因子概念，所述惩罚因子计算方式为
Figure FDA0003614279240000031
其中，fold(x)为输出门的输出值，λ为惩罚系数，|wi|为所有参数的绝对值之和。
7.一种基于BiLSTM-CNN模型的智能电表故障预测系统，其特征在于，包括，
获取模块，用于获取智能电表的历史故障数据作为特征数据，包括设备数据、运行数据、故障类型、故障时间、温度、湿度；
样本模块，用于将所述设备数据、运行数据、故障时间、温度、湿度作为模型输入X，将所述故障类型作为模型输出Y，构建训练样本集(X，Y)；
训练模块，用于初始化模型训练参数，重复执行模型训练步骤直至达到模型预设的迭代次数；
归一化模块，用于通过所述训练样本集输入到(N*N)维度的全连接神经网络，输出每个特征数据的归一化向量；
隐含层向量模块，用于将训练样本集的归一化向量输入到BiLSTM模型，分别经过BiLSTM模型中的输入门、遗忘门和输出门，得到包含上下文特征信息的隐含层向量：
Figure FDA0003614279240000032
其中，
Figure FDA0003614279240000033
表示当前时刻的前向输出，
Figure FDA0003614279240000034
当前时刻的反向输出；
特征向量模块，用于将所述隐含层向量输入到CNN卷积神经网络中，经过卷积层和池化层，输出包含局部位置信息的特征向量C；
多分类概率分布模块，用于将所述特征向量C输入到softmax层得到训练样本对应的多分类概率分布结果
Figure FDA0003614279240000035
其中，zi是第i个节点的输出值，K为softmax层的输出个数；
模型误差模块，选择概率分布结果最大的类别作为模型预测值，比较模型预测值与训练样本集的故障类型特征，利用交叉熵损失函数计算模型误差Loss；
更新模块，根据模型误差Loss，使用梯度下降算法进行神经网络反向传播，更新BiLSTM模型的权重参数。
8.根据权利要求7所述的一种基于BiLSTM-CNN模型的智能电表故障预测系统，其特征在于，还包括，
清洗模块，用于将所述特征数据进行数据清洗，所述数据清洗包括清洗历史故障数据特征中包含的重复值、缺失值、异常值。
9.根据权利要求8所述的一种基于BiLSTM-CNN模型的智能电表故障预测系统，其特征在于，还包括，
不平衡采样模块，用于对所述故障数据特征进行不平衡采样，所述不平衡采样包括过采样模块和欠采样模块；
所述过采样模块，用于通过采用ADASYN算法，根据特征数据分布情况为特征数据量较少的样本生成不同数据的新样本；
所述欠采样模块，用于通过采用EasyEnsemble算法，多次从特征数据量较多的样本中抽取与特征数据量较少的样本数据量近似的数据，然后与特征数据量较少的样本进行组合形成新的特征数据。
10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的一种基于BiLSTM-CNN模型的智能电表故障预测方法的步骤。
CN202210438993.5A 2022-04-25 2022-04-25 一种基于BiLSTM-CNN模型的智能电表故障预测方法及系统 Pending CN114707754A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210438993.5A CN114707754A (zh) 2022-04-25 2022-04-25 一种基于BiLSTM-CNN模型的智能电表故障预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210438993.5A CN114707754A (zh) 2022-04-25 2022-04-25 一种基于BiLSTM-CNN模型的智能电表故障预测方法及系统

Publications (1)

Publication Number Publication Date
CN114707754A true CN114707754A (zh) 2022-07-05

Family

ID=82173856

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210438993.5A Pending CN114707754A (zh) 2022-04-25 2022-04-25 一种基于BiLSTM-CNN模型的智能电表故障预测方法及系统

Country Status (1)

Country Link
CN (1) CN114707754A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115358347A (zh) * 2022-09-30 2022-11-18 山西虚拟现实产业技术研究院有限公司 一种针对不同子系统下智能电表的剩余寿命预测方法
CN115545355A (zh) * 2022-11-30 2022-12-30 国网天津市电力公司电力科学研究院 基于多类信息融合识别的电网故障诊断方法、装置及设备
CN116683648A (zh) * 2023-06-13 2023-09-01 浙江华耀电气科技有限公司 一种智能型配电柜及其控制系统
CN116893336A (zh) * 2023-07-11 2023-10-17 浙江和能电力设备有限公司 高低压开关设备及其方法

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115358347A (zh) * 2022-09-30 2022-11-18 山西虚拟现实产业技术研究院有限公司 一种针对不同子系统下智能电表的剩余寿命预测方法
CN115358347B (zh) * 2022-09-30 2023-01-31 山西虚拟现实产业技术研究院有限公司 一种针对不同子系统下智能电表的剩余寿命预测方法
CN115545355A (zh) * 2022-11-30 2022-12-30 国网天津市电力公司电力科学研究院 基于多类信息融合识别的电网故障诊断方法、装置及设备
CN115545355B (zh) * 2022-11-30 2023-05-02 国网天津市电力公司电力科学研究院 基于多类信息融合识别的电网故障诊断方法、装置及设备
CN116683648A (zh) * 2023-06-13 2023-09-01 浙江华耀电气科技有限公司 一种智能型配电柜及其控制系统
CN116683648B (zh) * 2023-06-13 2024-02-20 浙江华耀电气科技有限公司 一种智能型配电柜及其控制系统
CN116893336A (zh) * 2023-07-11 2023-10-17 浙江和能电力设备有限公司 高低压开关设备及其方法
CN116893336B (zh) * 2023-07-11 2024-04-02 宁夏隆基电气有限公司 高低压开关设备及其方法

Similar Documents

Publication Publication Date Title
CN114707754A (zh) 一种基于BiLSTM-CNN模型的智能电表故障预测方法及系统
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN112328588B (zh) 一种工业故障诊断非平衡时序数据扩充方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN108022001A (zh) 基于pca和分位数回归森林的短期负荷概率密度预测方法
CN110212528B (zh) 一种配电网量测数据缺失重构方法
CN108399248A (zh) 一种时序数据预测方法、装置及设备
CN110309603A (zh) 一种基于风速特性的短期风速预测方法及系统
CN111784061B (zh) 一种电网工程造价预测模型的训练方法、装置和设备
CN109787821B (zh) 一种大规模移动客户流量消费智能预测方法
CN113240201B (zh) 一种基于gmm-dnn混合模型预测船舶主机功率方法
CN112861436A (zh) 一种发动机排放实时预测方法
CN112763967A (zh) 一种基于BiGRU的智能电表计量模块故障预测与诊断方法
CN113505477A (zh) 一种基于svae-wgan的过程工业软测量数据补充方法
CN115982141A (zh) 一种针对时序数据预测的特征优化方法
CN115409369A (zh) 基于机理和数据混合驱动的综合能源系统可靠性评估方法
CN115146700A (zh) 一种基于Transformer序列到序列模型的径流预测方法
CN113762591B (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
CN111090679B (zh) 基于时序影响和图嵌入的时序数据表示学习方法
CN112232570A (zh) 一种正向有功总电量预测方法、装置及可读存储介质
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN116776209A (zh) 一种关口计量装置运行状态辨识方法、系统、设备及介质
CN116307139A (zh) 一种优化与改进极限学习机的风电功率超短期预测方法
CN115759343A (zh) 一种基于e-lstm的用户电量预测方法和装置
CN114936703A (zh) 基于改进Transformer模型的上市公司财务违规预测方法

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