CN115564194A - 智能电网的计量异常诊断信息生成模型构建方法及系统 - Google Patents
智能电网的计量异常诊断信息生成模型构建方法及系统 Download PDFInfo
- Publication number
- CN115564194A CN115564194A CN202211151363.6A CN202211151363A CN115564194A CN 115564194 A CN115564194 A CN 115564194A CN 202211151363 A CN202211151363 A CN 202211151363A CN 115564194 A CN115564194 A CN 115564194A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- data
- days
- diagnosis information
- metering
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000005856 abnormality Effects 0.000 title claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 255
- 230000005611 electricity Effects 0.000 claims abstract description 88
- 238000001514 detection method Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 10
- 238000010586 diagram Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- ZATJMMZPGVDUOM-UHFFFAOYSA-N 3-amino-n-(4-fluorophenyl)-6-thiophen-2-yl-4-(trifluoromethyl)thieno[2,3-b]pyridine-2-carboxamide Chemical compound C=1C(C(F)(F)F)=C2C(N)=C(C(=O)NC=3C=CC(F)=CC=3)SC2=NC=1C1=CC=CS1 ZATJMMZPGVDUOM-UHFFFAOYSA-N 0.000 claims description 2
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 8
- 238000013178 mathematical model Methods 0.000 description 8
- 230000006399 behavior Effects 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 230000003203 everyday effect Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能电网的计量异常诊断信息生成模型构建方法及系统,属于异常用电检测领域。包括:构建用户一周的异常用电数据集;搭建异常天数检测模块,输出一周的异常用电天数;判断用户一周的异常用电数据是完全异常数据还是部分异常数据;搭建两个结构相同的分类网络,将所述完全异常数据和所述部分异常数据分别输入到两个分类网中,输出预测的文字模板;将异常天数检测模块生成的异常天数填入生成的文字模板,生成异常诊断信息。本发明能够根据智能电网的计量数据自动生成诊断文字信息,减少在产生诊断报告时所需要的专家资源,提高机器学习在电力计量异常检测中的可解释性。
Description
技术领域
本发明属于异常用电检测领域,更具体地,涉及一种面向智能电网的计量异常诊断信息生成模型构建方法及系统。
背景技术
科技力的发展让人们的生活水平也有了质的提高,传统电网越来越难以满足电力需求的日益增长,因此,电网迈上了信息化、数字化、智能化的进程。随着智能电网的逐步建立,各种电力计量数据也随之海量增长,为大数据和人工智能技术解决电力领域的问题提供了数据基础。
电力领域中为学者们所关注的重点问题之一就是窃电等异常用电行为的诊断,这些行为毫无疑问给电网带来了巨大的经济损失,同时也影响电网的安全运行。然而目前的研究工作对异常用电的可解释性研究不足,因而对现场稽查的支撑力度不够。大量实际工作经验显示,仅有异常检测结果难以进行有效的详细诊断,信息量更大的文字诊断报告更能有效提高异常用电的现场稽查的成功率。由于检测人员实地稽查这一环节通常是无法避免的,所以需要由电力专家仔细分析这些被诊断为异常的用户的电力计量数据,再给出文字诊断报告,诊断报告往往对现场稽查起着不可或缺的作用。因为诊断报告中能让工作人员对用户的异常用电类型有大致的估计,此外报告中也包含一些有助于提高现场稽查的成功概率的信息,例如异常用电行为的规律性或时间信息。
综上所述,目前的电力计量异常诊断相关研究工作对诊断文字信息的自动生成的相关研究不足,仍需大量的专家资源生成诊断报告,业界缺乏面向智能电网的计量数据异常诊断信息自动生成方法。
发明内容
针对现有技术的缺陷和改进需求,本发明提供了一种面向智能电网的计量异常诊断信息生成模型构建方法及系统,其目的在于根据智能电网的计量数据自动生成诊断文字信息,减少在产生诊断报告时所需要的专家资源,提高机器学习在电力计量异常检测中的可解释性。
为实现上述目的,按照本发明的一个方面,提供了一种智能电网的计量异常诊断信息生成模型构建方法,包括:
搭建异常天数检测模块,用于估计训练数据集中用户一周的异常用电数据对应的异常用电天数;以用户一周的异常用电数据为输入,以异常用电天数为标签,以对所述异常天数检测模块进行训练,所述训练数据集包括用户一周的异常用电数据;
搭建异常用电数据判断模块,用于判断用户一周的异常用电数据是完全异常数据还是部分异常数据,若所述异常用电天数为7则为完全异常数据,否则为部分异常数;
搭建两个结构相同的第一分类网络,采用所述完全异常数据和所述部分异常数据分别对两个第一分类网络进行训练,输出预测的文字模板,所述文字模板包括异常数据现象及对应的异常类型推测,其中,所述异常数据现象包括对总体用电量、背景负荷、用电曲线及用电峰值的描述;
搭建异常诊断信息生成模块,用于将所述异常天数检测模块生成的异常天数填入所述文字模板,生成异常诊断信息;
所述智能电网的计量异常诊断信息生成模型包括异常天数检测模块、异常用电数据判断模块、两个第一分类网络及异常诊断信息生成模块。
进一步地,每个第一分类网络包括三个串联连的带注意力机制的残差模块、一个drouout层和一个全连接层,将所述完全异常数据和所述部分异常数据分别输入到两个第一分类网中以对所述第一分类网络进行训练,输出预测的文字模板。
进一步地,每个带注意力机制的残差模块的通道注意力权重分数Mc(F)以及空间注意力权重分数Ms(F)分别为:
Mc(F)=σ(Flatten(AvgPool(F))+Flatten(MaxPool(F)))
Ms(F)=σ(fi([AvgPool(F);MaxPool(F)]))
式中,F表示输入特征图,σ代表sigmoid函数,AvgPool表示平均池化操作,MaxPool表示最大池化操作,Flatten表示压平操作,fi代表卷积核为i的卷积计算。
进一步地,所述异常天数检测模块包括串联的特征提取网络及第二分类网络;所述特征提取网络为一维残差卷积网络。
进一步地,所述第二分类网络为三层全连接层网络加一层Sigmoid函数层。
进一步地,所述训练数据集包括完全异常数据和部分异常数据;
所述完全异常数据通过FDI7-FDI13中的一种或多种方式构建;
其中,所述FDI7-FDI13分别为:
进一步地,所述完全异常数据还可以通过FDI1-FDI6中的一种或多种方式构建,所述部分异常数据通过FDI1-FDI6中的一种或多种方式构建;
其中,所述FDI1-FDI6分别为:
FDI1:X=ax,0.2<a<0.8;
FDI3:X=max((x-y),0),y=ax,0.5<a<0.75
FDI5:X=atx,0.2<at<0.8
按照本发明的第二方面,提供了一种智能电网的计量异常诊断信息生成方法,包括:将待检测用户一周的异常用电数据输入到采用第一方面任一项所述的智能电网的计量异常诊断信息生成模型构建方法所构建的异常诊断信息生成模型中,输出异常诊断信息。
按照本发明的第三方面,提供了一种智能电网的计量异常诊断信息生成系统,包括:
异常天数检测模块,用于检测用户一周的异常用电数据对应的异常用电天数;
异常用电数据判断模块,用于判断用户一周的异常用电数据是完全异常数据还是部分异常数据,若所述异常用电天数为7则为完全异常数据,否则为部分异常数;
分类网络模块,包括两个结构相同的第一分类网络,所述完全异常数据和所述部分异常数据分别输入到两个第一分类网中,输出预测的文字模板,所述文字模板包括异常数据现象及对应的异常类型推测,其中,所述异常数据现象包括对总体用电量、背景负荷、用电曲线及用电峰值的描述;
异常诊断信息生成模块,用于将所述异常天数检测模块生成的异常天数填入所述文字模板,生成异常诊断信息。
按照本发明的第四方面,提供了一种机器可读存储介质,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现如第一方面任一项所述的智能电网的计量异常诊断信息生成模型构建方法和/或如第二方面所述的智能电网的计量异常诊断信息生成方法。
总体而言,通过本发明所构思的以上技术方案,能够取得以下有益效果:
(1)本发明通过构建的数据集,搭建异常天数检测模块,并判断用户一周的异常用电数据是完全异常数据还是部分异常数据,将完全异常数据和部分异常数据分别输入到两个第一分类网络中进行训练,最终输出的异常诊断信息包含了异常数据现象及对应的异常类型推测,其中,异常数据现象包括对总体用电量、背景负荷、用电曲线及用电峰值的描述;本发明能够根据智能电网的计量数据自动生成诊断文字信息,减少在产生诊断报告时所需要的专家资源,提高机器学习在电力计量异常检测中的可解释性。
(2)进一步地,在对两个第一分类网络训练的过程中,采用带注意力机制的残差模块聚焦特征表达中更有效的通道特征及空间特征,能够提升模型预测的准确度。
(3)进一步地,本发明提出了一种新的异常用电数据集构建方式,相比现有技术中的FDI1-FDI6,本发明构建的数据集更加丰富、全面,在实际情况中,异常用电的类型远远不止现有技术中的FDI1-FDI6这六种,情况更加复杂多变,本发明基于博弈论的思想,站在窃电用户的角度,从提高窃电收益,降低窃电风险出发,构建了新的7种类型的数据集,这7种类型均与用户的用电行为相关的,最大可能地涵盖所有低压居民用户的异常用电类型,丰富异常电能计量-文字诊断信息数据集,使得最终模型收敛时,输出的异常诊断信息更加丰富和准确。
(4)进一步地,本发明提出的通道注意力权重分数计算方式,现有的通道注意力模块在图片这种多通道数据上能提取更多特征,但在一维的长时序数据上容易造成过拟合,并不合适,在本发明对其改进后,在一维时序数据上达到了更好的效果。
(5)本发明考虑到完全异常数据和部分异常数据不同的分布特性,针对完全异常数据和部分异常数据分别采用两个分类网络进行训练,相比采用单个分类网络同时进行训练,准确率更高。
总而言之,本发明所提供模型及方法,能够提供有效的异常诊断文字信息,能有效提高现场勘查的成功概率,减少在产生诊断报告时所需要的专家资源。
附图说明
图1是本发明实施例提供的模型构建方法框架图。
图2是本发明实施例提供的异常天数检测模块结构图。
图3是本发明实施例提供的分类器模型结构图。
图4是本发明实施例提供的分类器模型中带注意力的残差块结构图。
图5为本发明实施例提供异常数据现象的示意图,图中的(a)-(e)分别表示不同的异常数据现象。
图6是本发明实施例提供的整体测试流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示,本发明提供的面向智能电网的计量异常诊断信息生成模型构建方法,包括:
构建用户一周的异常用电数据作为训练数据集,标签为异常用电天数、异常数据现象及对应的异常类型推测;其中,异常数据现象包括总体用电量、背景负荷、用电曲线及用电峰值的描述;
搭建异常天数检测模块,用于估计训练数据集中用户一周的异常用电数据对应的异常用电天数;以用户一周的异常用电数据为输入,以异常用电天数为标签,以对异常天数检测模块进行训练;
搭建异常用电数据判断模块,用于判断用户一周的异常用电数据是完全异常数据还是部分异常数据,其中,输出一周的异常用电天数为7则为完全异常数据,否则为部分异常数,即一周中每天都是异常用电天数,每天都存在异常用电行为的用电数据称为完全异常数据,否则称为部分异常数据;
搭建两个结构相同的第一分类网络,将完全异常数据输入其中一个第一分类网络中以对该分类网络进行训练,将部分异常数据输入到另一个第一分类网络中以对该分类网络进行训练,分别输出预测的文字模板,计算损失,并反向调节两个第一分类网络的参数以使损失收敛;其中,输出预测的文字模板中包含异常数据现象及对应的异常类型推测,其中,异常数据现象包括总体用电量、背景负荷、用电曲线及用电峰值的描述;
搭建异常诊断信息生成模块,用于将异常天数检测模块生成的异常天数填入生成的文字模板,完成异常诊断信息的生成;
其中,智能电网的计量异常诊断信息生成模型包括异常天数检测模块、异常用电数据判断模块、两个第一分类网络及异常诊断信息生成模块。
具体地,如图2所示,搭建异常天数检测模块的过程中,异常天数检测模块包括串联的特征提取网络及第二分类网络;特征提取网络优选为一维残差卷积网络,采样频率优选为半小时,将异常用电量数据样本输入到特征提取网络后,输出特征图;对输出特征图采用区域加权机制,根据一周7天中每天的起始坐标分别进行权值加强,其它天的特征图进行权值减弱,从而得到七个不同的特征图对应周一到周日七天;再分别输入到第二分类网络中,得到分类结果。
本发明中,输入特征提取网络的数据集是一周的异常用电量数据,不同于一般的单日异常用电判断模型,本发明中的异常天数检测模块虽然实际检测的是每天是否存在异常用电行为,但是输入的是一周的数据,更长时间区间的数据输入,意味着相邻背景信息的增多,相比一般的单日异常用电判断模型效果更好。
步骤S2中,第二分类网络为三层全连接层网络加一层Sigmoid函数层,本实施例中,三层全连接层网络输出的通道数分别为2048,512,2,最终输出0或1的标签,1代表检测该天存在异常用电行为,0则代表检测该天不存在异常用电行为;损失函数为交叉熵损失函数:
其中,N表示一共有N个样本,i表示第i个样本,pic代表该样本属于c类别的概率分数;yic表示该样本是否属于类别c,属于为1,不属于为0,然后对所有类别求和,再对所有样本求和,求平均。
其中,区域加权机制公式如下:
A(Xmn,bbox)=alpha·Xmn,alpha=[B1,O,B2]
其中B1=[a1,…,ai],a1=…=ai=α
O=[b1,…,bj],b1=…=bj=β
B2=[c1,…,ck],c1=…=ck=α
i=bboxl,j=bboxr-bboxl+1,k=n-bboxr+1
其中,Xmn是输入的特征图,m代表特征图的通道数,n代表特征图的长度,alpha表示权值分数向量,bbox是候选区域的坐标,bboxl为左坐标值,bboxr为右坐标值,α和β为超参数,优选的α取0.6,β取1.2。
具体地,搭建两个结构相同的第一分类网络过程中,每个第一分类网络包括三个串联连的带注意力机制的残差模块、一个drouout层和一个全连接层;将完全异常数据或者部分异常数据分别输入对应的第一分类网络,依次经过串联连接的三个带注意力机制的残差模块、drouout层和全连接层,得到预测的文字模板;
其中,每个残差模块均采用通道注意力和空间注意力机制计算通道注意力权重分数以及空间注意力权重分数,通道注意力权重分数Mc(F)和空间注意力权重分数Ms(F)的计算方式分别为:
Mc(F)=σ(Flatten(AvgPool(F))+Flatten(MaxPool(F)))
Ms(F)=σ(fi([AvgPool(F);MaxPool(F)]))
式中,F表示输入特征图,σ代表sigmoid函数,AvgPool表示平均池化操作,MaxPool表示最大池化操作,Flatten表示压平操作,即把原本二维的数据压缩为一维,fi代表卷积核为i的卷积计算,本实施例中,优选i=7。
本实施例中,搭建两个结构相同的第一分类网络过程中,每个第一分类网络的结构如图3所示,样本输入是1x336的尺寸,经过三个带注意力的残差卷积模块,输出256x42的尺寸,dropout层使一部分的神经网络单元失活,这样可以有效的抑制过拟合现象,全连接层最后的输出维度则是分类的类别数量,以完成分类分数的输出,其中,损失函数仍然使用上述交叉熵损失函数。
如图4所示,三个带注意力的残差卷积模块,每个模块有三层带注意力的残差层,其中的三个卷积模块都是一维卷积模块,卷积核的大小分别为1,3,1,而每个注意力残差卷积模块分别通过通道注意力及空间注意力机制加权,输入的样本加上经过卷积模块和注意力模块的输出,组成残差模块,一共27层。
具体地,构建数据集的过程中,由于缺乏大量的低压异常电能计量数据,将来自于ISSDA的CER正常低压用户电力数据集进行异常数据建模,把正常的用户用电量数据通过数学建模的方法改成异常用电数据。现有技术中,通过基于FDI的数学模型构建数据集,本发明中,采用基于FDI的数学模型构建部分异常数据集,采用基于FDI的数学模型以及改进的FDI的数学模型共同构建完全异常数据集。
其中,基于FDI的数学模型一共有6种,如表1所示:
表1 基于FDI的数学模型
本发明提出的改进的FDI的数学模型有7种,如下表2所示:
表2 本发明改进的FDI数学模型
即构建用户一周的异常用电数据中,用户一周的异常用电数据包括完全异常数据和部分异常数,完全异常数据通过FDI7-FDI13中的一种或多种方式构建;或者可以使用FDI1-13中的一种或多种方式构建完全异常数据,使用FDI1-6中的一种或多种构建部分异常数。本实施例中,完全异常数据优选采用FDI1-13中的13种方式构建,部分异常数据优选采用FDI1-6中的6种方式构建,异常用电数据集一共11万个样本,其中7.7万为训练集,3.3万为测试集。
本发明实施例中,在构造部分异常数据时,随机挑选连续的2-6天采用FDI1-6的形式进行构造,而其它的天数则使用原数据。
文字诊断信息主要着重点在于异常用电与正常用电不同的数据表现,可以分为两部分,一部分是对异常数据现象的描述,一部分是对异常类型的推测。
异常数据现象的描述主要包括对总体用电量、背景负荷、用电曲线、用电峰值的描述,如图5中的(a)-(e)所示,分别对应的异常数据现象的描述为:总体用电量偏低,背景负荷偏低;用电曲线不规则,存在强制截断;背景负荷显著降低;整体用电量偏低且没有用电峰值,不符合一般用电规律;背景负荷低且不规律。
对异常类型的推测主要依赖的是FDI不同的类型,具体异常诊断文字信息描述规范见下表3:
表3 异常诊断文字信息描述
将异常数据现象和推测的异常类型组合起来,就是完整的文字诊断信息。本发明中,将FDI1,FDI5,FDI8分别分为两类,对应两种不同的文字模板,一类经过对应的FDI方式构建后异常数据仍然用电量较大的,一类则是经过FDI构建后用电量较小;其他FDI类型,每一类对应一种文字模板,完全异常数据具体的对应关系(即文字诊断信息)如下表4所示:
表4 完全异常数据对应的异常诊断文字信息描述
部分异常数据对应的异常诊断文字信息描述如下表5所示,其中的X和Y都表示占位符,Y是异常天数插入的位置标识,X是正常天数插入的位置标识,一周内除了异常天数,其他都是正常天数,格式如“周一到周五”。
表5 部分异常数据对应的异常诊断文字信息描述
本发明的整体测试流程如图6所示,先将输入的异常电量计量数据进行归一化,首先输入到异常天数检测模块中,得到预测的异常天数,以一周中是否每天都存在异常用电行为为判断指标,判断该数据是否为全周异常数据,若是,则输入到基于卷积的完全异常分类器网络(即其中一个第一分类网络)中;若不是,则输入到基于卷积的部分异常分类器网络(即另外一个第一分类网络)中。得到分类结果后,匹配以对应的文字模板,其中的异常天数信息是由占位符替代的,异常天数信息则由异常天数检测网络输出,然后填入文字模板,完成完整异常诊断信息的生成。
本发明还提供了一种面向智能电网的计量异常诊断信息生成方法,包括:将待检测用户一周的异常用电数据输入到采用上述的智能电网的计量异常诊断信息生成模型构建方法所构建的异常诊断信息生成模型中,输出异常诊断信息。
本发明还提供了一种面向智能电网的计量异常诊断信息生成系统,包括:
异常天数检测模块,用于检测用户一周的异常用电数据对应的异常用电天数;
异常用电数据判断模块,用于判断用户一周的异常用电数据是完全异常数据还是部分异常数据,若异常用电天数为7则为完全异常数据,否则为部分异常数;
分类网络模块,包括两个结构相同的第一分类网络,完全异常数据和部分异常数据分别输入到两个第一分类网中,输出预测的文字模板,文字模板包括异常数据现象及对应的异常类型推测,其中,异常数据现象包括对总体用电量、背景负荷、用电曲线及用电峰值的描述;
异常诊断信息生成模块,用于将异常天数检测模块生成的异常天数填入文字模板,生成异常诊断信息。
生成模块本领域的技术人员容易理解,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、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能电网的计量异常诊断信息生成模型构建方法,其特征在于,包括:
搭建异常天数检测模块,用于估计训练数据集中用户一周的异常用电数据对应的异常用电天数;以用户一周的异常用电数据为输入,以异常用电天数为标签,以对所述异常天数检测模块进行训练,所述训练数据集包括用户一周的异常用电数据;
搭建异常用电数据判断模块,用于判断用户一周的异常用电数据是完全异常数据还是部分异常数据,若所述异常用电天数为7则为完全异常数据,否则为部分异常数;
搭建两个结构相同的第一分类网络,采用所述完全异常数据和所述部分异常数据分别对两个第一分类网络进行训练,输出预测的文字模板,所述文字模板包括异常数据现象及对应的异常类型推测,其中,所述异常数据现象包括对总体用电量、背景负荷、用电曲线及用电峰值的描述;
搭建异常诊断信息生成模块,用于将所述异常天数检测模块生成的异常天数填入所述文字模板,生成异常诊断信息;
所述智能电网的计量异常诊断信息生成模型包括异常天数检测模块、异常用电数据判断模块、两个第一分类网络及异常诊断信息生成模块。
2.根据权利要求1所述的模型构建方法,其特征在于,每个第一分类网络包括三个串联连的带注意力机制的残差模块、一个drouout层和一个全连接层,将所述完全异常数据和所述部分异常数据分别输入到两个第一分类网中以对所述第一分类网络进行训练,输出预测的文字模板。
3.根据权利要求2所述的模型构建方法,其特征在于,每个带注意力机制的残差模块的通道注意力权重分数Mc(F)以及空间注意力权重分数Ms(F)分别为:
Mc(F)=σ(Flatten(AvgPool(F))+Flatten(MaxPool(F)))
Ms(F)=σ(fi([AvgPool(F);MaxPool(F)]))
式中,F表示输入特征图,σ代表sigmoid函数,AvgPool表示平均池化操作,MaxPool表示最大池化操作,Flatten表示压平操作,fi代表卷积核为i的卷积计算。
4.根据权利要求1所述的模型构建方法,其特征在于,所述异常天数检测模块包括串联的特征提取网络及第二分类网络;所述特征提取网络为一维残差卷积网络。
5.根据权利要求4所述的模型构建方法,其特征在于,所述第二分类网络为三层全连接层网络加一层Sigmoid函数层。
8.一种智能电网的计量异常诊断信息生成方法,其特征在于,包括:将待检测用户一周的异常用电数据输入到采用权利要求1至7任一项所述的智能电网的计量异常诊断信息生成模型构建方法所构建的异常诊断信息生成模型中,输出异常诊断信息。
9.一种智能电网的计量异常诊断信息生成系统,其特征在于,包括:
异常天数检测模块,用于检测用户一周的异常用电数据对应的异常用电天数;
异常用电数据判断模块,用于判断用户一周的异常用电数据是完全异常数据还是部分异常数据,若所述异常用电天数为7则为完全异常数据,否则为部分异常数;
分类网络模块,包括两个结构相同的第一分类网络,所述完全异常数据和所述部分异常数据分别输入到两个第一分类网中,输出预测的文字模板,所述文字模板包括异常数据现象及对应的异常类型推测,其中,所述异常数据现象包括对总体用电量、背景负荷、用电曲线及用电峰值的描述;
异常诊断信息生成模块,用于将所述异常天数检测模块生成的异常天数填入所述文字模板,生成异常诊断信息。
10.一种机器可读存储介质,其特征在于,所述机器可读存储介质存储有机器可执行指令,所述机器可执行指令在被处理器调用和执行时,所述机器可执行指令促使所述处理器实现如权利要求1至7任一项所述的智能电网的计量异常诊断信息生成模型构建方法和/或如权利要求8所述的智能电网的计量异常诊断信息生成方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211151363.6A CN115564194A (zh) | 2022-09-21 | 2022-09-21 | 智能电网的计量异常诊断信息生成模型构建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211151363.6A CN115564194A (zh) | 2022-09-21 | 2022-09-21 | 智能电网的计量异常诊断信息生成模型构建方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115564194A true CN115564194A (zh) | 2023-01-03 |
Family
ID=84740499
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211151363.6A Pending CN115564194A (zh) | 2022-09-21 | 2022-09-21 | 智能电网的计量异常诊断信息生成模型构建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115564194A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579472A (zh) * | 2023-05-05 | 2023-08-11 | 国网黑龙江省电力有限公司齐齐哈尔供电公司 | 一种大数据环境下用户异常行为检测分析系统 |
CN117290797A (zh) * | 2023-11-24 | 2023-12-26 | 国网山东省电力公司济宁供电公司 | 一种建筑能耗预测方法、系统、装置及介质 |
-
2022
- 2022-09-21 CN CN202211151363.6A patent/CN115564194A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116579472A (zh) * | 2023-05-05 | 2023-08-11 | 国网黑龙江省电力有限公司齐齐哈尔供电公司 | 一种大数据环境下用户异常行为检测分析系统 |
CN116579472B (zh) * | 2023-05-05 | 2024-02-02 | 国网黑龙江省电力有限公司齐齐哈尔供电公司 | 一种大数据环境下用户异常行为检测分析系统 |
CN117290797A (zh) * | 2023-11-24 | 2023-12-26 | 国网山东省电力公司济宁供电公司 | 一种建筑能耗预测方法、系统、装置及介质 |
CN117290797B (zh) * | 2023-11-24 | 2024-02-02 | 国网山东省电力公司济宁供电公司 | 一种建筑能耗预测方法、系统、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110598029B (zh) | 基于注意力转移机制的细粒度图像分类方法 | |
CN106778682B (zh) | 一种卷积神经网络模型的训练方法及其设备 | |
CN104992223B (zh) | 基于深度学习的密集人数估计方法 | |
CN109165692B (zh) | 一种基于弱监督学习的用户性格预测装置及方法 | |
CN115564194A (zh) | 智能电网的计量异常诊断信息生成模型构建方法及系统 | |
CN107766929A (zh) | 模型分析方法及装置 | |
CN104933428A (zh) | 一种基于张量描述的人脸识别方法及装置 | |
CN106991666A (zh) | 一种适用于多尺寸图片信息的病害图像识别方法 | |
CN110210027B (zh) | 基于集成学习的细粒度情感分析方法、装置、设备及介质 | |
CN105740908B (zh) | 基于核空间自解释稀疏表示的分类器设计方法 | |
CN111738462A (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN112766283B (zh) | 一种基于多尺度卷积网络的两相流流型识别方法 | |
CN112906790B (zh) | 一种基于用电数据的独居老人识别方法和系统 | |
CN109376763A (zh) | 基于多样本推理神经网络的样本分类方法、系统及介质 | |
Chou et al. | Imaging time-series with features to enable visual recognition of regional energy consumption by bio-inspired optimization of deep learning | |
CN114913923A (zh) | 针对单细胞染色质开放性测序数据的细胞类型识别方法 | |
CN111461121A (zh) | 一种基于yolov3网络的电表示数识别方法 | |
CN116071352A (zh) | 一种电力安全工器具表面缺陷图像的生成方法 | |
CN109886317B (zh) | 基于注意力机制的通用图像美学评估方法、系统及设备 | |
CN113469266B (zh) | 一种基于改进深度卷积神经网络的窃电行为检测方法 | |
CN114387524B (zh) | 基于多层级二阶表征的小样本学习的图像识别方法和系统 | |
CN115081515A (zh) | 能效评价模型构建方法、装置、终端及存储介质 | |
CN114625831A (zh) | 一种面向智能电网负荷辨识的分类评价反馈方法 | |
CN114295967A (zh) | 一种基于迁移神经网络的模拟电路故障诊断方法 | |
CN112396104A (zh) | 一种基于机器学习的等离子体放电识别方法及系统 |
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 |