CN117216718B - 一种电能表故障分类方法及系统 - Google Patents
一种电能表故障分类方法及系统 Download PDFInfo
- Publication number
- CN117216718B CN117216718B CN202311269136.8A CN202311269136A CN117216718B CN 117216718 B CN117216718 B CN 117216718B CN 202311269136 A CN202311269136 A CN 202311269136A CN 117216718 B CN117216718 B CN 117216718B
- Authority
- CN
- China
- Prior art keywords
- feature
- matrix
- fault
- layer
- dictionary
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 148
- 230000009466 transformation Effects 0.000 claims abstract description 43
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000003595 spectral effect Effects 0.000 claims abstract description 14
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 239000010410 layer Substances 0.000 claims description 97
- 238000012549 training Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 238000007621 cluster analysis Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 239000002356 single layer Substances 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 208000032953 Device battery issue Diseases 0.000 claims description 3
- 102000037983 regulatory factors Human genes 0.000 claims description 3
- 108091008025 regulatory factors Proteins 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种电能表故障分类方法及系统,方法包括:采集电能表的故障运行数据;将预处理后的故障运行数据输入自编码器模型中进行特征提取,得到第一特征矩阵;将预处理后的故障运行数据输入改进的深度字典学习模型中进行特征提取,得到第二特征矩阵;将第一特征矩阵和第二特征矩阵进行合并融合;将特征变换矩阵输入预训练的AlexNet识别模型,得到故障第一分类结果;将特征变换矩阵作为谱聚类算法的输入进行聚类,得到故障第二聚类结果;综合进行分析,得到最终的电能表故障类别。通过AlexNet识别模型和谱聚类算法融合的方式得到电能表故障类别,提高了故障分类的精确率和可靠性。
Description
技术领域
本发明涉及数据处理领域,具体涉及一种电能表故障分类方法及系统。
背景技术
随着智能电能表的广泛普及应用,对电表的安全监控也显得尤为重要。智能电能表的故障多分类对于其安全监测、提升配电网台区检测计量的准确性有着至关重要的作用。现有技术中针对智能电能表故障多分类模型已经进行了深入的建模和研究,其多是通过支持向量机、ANN等神经网络模型对故障数据进行处理分析,得到对应的故障类型。该类方法虽然在智能故障诊断分类方面已经取得了很大的成就,但是这类方法也存在一些缺陷、问题,其中包括:泛化能力小,模型比较单一,提取典型的故障特征困难,没有融合数据的相关特性,无法满足越来越多的“大数据”特征的故障分类诊断,并且其分类的速度可能达不到预期要求等等。因此亟需一种高效率、高准确度的电能表故障分类方法。
发明内容
针对现有技术中的以上缺陷,本发明的目的在于提供一种电能表故障分类方法及系统,通过自编码器模型和改进的深度字典学习模型并行的进行特征提取,通过两者优势的结合进行特征提取,具有更好的数据表示能力,有效克服了特征提取难的问题,并为有效实现智能电能表的故障快速、准确分类奠定了基础。采用AlexNet识别模型和谱聚类算法融合的方式得到电能表故障类别,克服了易受干扰的问题,提高了故障分类的精确率和可靠性。
为实现上述发明目的,本发明采用如下技术方案:
第一方面,本发明提供一种电能表故障分类方法,包括:
步骤1,采集电能表的故障运行数据,并进行预处理操作;
步骤2,将预处理后的故障运行数据输入自编码器模型中进行特征提取,得到第一特征矩阵;
同时将预处理后的故障运行数据输入改进的深度字典学习模型中进行特征提取,得到第二特征矩阵;所述自编码器模型和所述改进的深度字典学习模型并行的进行特征提取;
步骤3,将所述第一特征矩阵和所述第二特征矩阵进行合并融合,其中包括:
步骤3.1,首先对所述第一特征矩阵和所述第二特征矩阵进行归“1”化处理:对两个矩阵中的特征空缺位置进行补“1”处理以使得两个矩阵满足相同的行和列,均为n阶方阵;
步骤3.2,之后计算满足n阶方阵的第一特征矩阵和第二特征矩阵的乘积,以得到特征变换矩阵;
步骤4,将所述特征变换矩阵输入预训练的AlexNet识别模型,得到故障第一分类结果;
步骤5,将所述特征变换矩阵作为谱聚类算法的输入进行聚类,得到故障第二聚类结果,具体包括:
步骤5.1,计算所述特征变换矩阵的特征值及其对应的特征向量,取除0以外前k个最小的特征值及其特征向量,k≥2;
步骤5.2,利用以上k个特征向量组成新的聚类矩阵,构成特征向量空间;
步骤5.3,利用k均值聚类方法对所述特征向量空间进行聚类分析得到聚类结果;
步骤6,结合故障第一分类结果和故障第二聚类结果进行分析,得到最终的电能表故障类别。
进一步地,还包括:所述步骤1,采集电能表的故障运行数据,并进行预处理操作,具体包括:
获取智能电能表的输出电压、输出电流、输出功率、接线方式、通信协议、准确度、计量方向及使用年限并进行标准化、归一化处理。
进一步地,还包括:所述将预处理后的故障运行数据输入自编码器模型中进行特征提取,得到第一特征矩阵,具体包括:
所述自编码器模型包括编码层和解码层;所述编码层包括3层卷积层和2层激励函数层;所述解码层包括3层反卷积层;
所述预处理后的故障运行数据首先通过编码层的卷积层做卷积操作提取数据特征;
经过编码层提取了数据特征之后,则输入相应的解码层对所述数据特征进行重构,在重构的过程中就能提取数据的内在特征;经过解码层反卷积层的作用后得到高维特征矩阵,也即第一特征矩阵。
进一步地,还包括:所述将预处理后的故障运行数据输入改进的深度字典学习模型中进行特征提取,得到第二特征矩阵,具体包括:
所述改进的深度字典学习模型将传统的单层字典-多稀疏度结构更改为多层字典-单稀疏度结构,使用字典层数替代稀疏性指标,构建包含r层字典的深度字典学习模型;
每层字典分别对所述预处理后的故障运行数据进行字典和稀疏表示的学习,得到对应的稀疏表示矩阵;
最后将得到的r个稀疏表示矩阵进行相加得到第二特征矩阵。
进一步地,还包括:所述步骤4,将所述特征变换矩阵输入预训练的AlexNet识别模型,得到故障第一分类结果,具体包括:
通过已知类型的历史故障数据转化为特征变换基础矩阵,将特征变换基础矩阵与其对应的故障类型标签划分为训练集和测试集,并基于训练集来迭代训练AlexNet识别模型;
将所述特征变换矩阵输入迭代训练后的AlexNet识别模型,得到对应的故障类型作为故障第一分类结果;
其中,模型在训练时的损失函数定义为:
式中,T表示历史故障数据集中样本的数量,表示数据集中的某个样本,i=1,2,...,T;/>和γ均是调节因子,/>为预测概率大小。
进一步地,所述步骤5还包括:
所述谱聚类算法包括若干个簇,其中每个簇中均包含中心向量和对应的故障类型;
计算所述特征变换矩阵的特征值及其对应的特征向量;
计算所述特征向量和每个中心向量的相似距离,将相似距离最小的簇对应的故障类型作为故障第二聚类结果;
进一步地,还包括:计算相似距离具体是计算余弦距离、欧氏距离和汉明距离中的其中一种或多种。
进一步地,还包括:
所述电能表故障类别包括:电气机械故障、电气故障烧毁、显示屏故障、通信功能故障、数据异常、时钟错乱、脉冲采样故障和电池故障。
第二方面,本发明还提供一种电能表故障分类系统,该系统包括:
采集模块,用于采集电能表的故障运行数据,并进行预处理操作;
特征提取模块,用于将预处理后的故障运行数据输入自编码器模型中进行特征提取,得到第一特征矩阵;
同时将预处理后的故障运行数据输入改进的深度字典学习模型中进行特征提取,得到第二特征矩阵;所述自编码器模型和所述改进的深度字典学习模型并行的进行特征提取;
融合模块,用于将所述第一特征矩阵和所述第二特征矩阵进行合并融合,其中包括:
空缺填补模块,用于首先对所述第一特征矩阵和所述第二特征矩阵进行归“1”化处理:对两个矩阵中的特征空缺位置进行补“1”处理以使得两个矩阵满足相同的行和列,均为n阶方阵;
计算模块,用于之后计算满足n阶方阵的第一特征矩阵和第二特征矩阵的乘积,以得到特征变换矩阵;
第一分类模块,用于将所述特征变换矩阵输入预训练的AlexNet识别模型,得到故障第一分类结果;
第二分类模块,用于将所述特征变换矩阵作为谱聚类算法的输入进行聚类,得到故障第二聚类结果,具体包括:
计算所述特征变换矩阵的特征值及其对应的特征向量,取除0以外前k个最小的特征值及其特征向量,k≥2;
利用以上k个特征向量组成新的聚类矩阵,构成特征向量空间;
利用k均值聚类方法对所述特征向量空间进行聚类分析得到聚类结果;
结合模块,用于结合故障第一分类结果和故障第二聚类结果进行分析,得到最终的电能表故障类别。
有益效果:
1.本发明通过自编码器提取出电能表运行数据中最具代表性的特征,编码层实现数据特征的计算,解码层通过对数据进行特征重构以提取内在特征;同时,通过改进的字典学习模型逐层自动提取数据特征,其提取的故障特征具备典型的结构特征和较好的层次性;自编码器模型和改进的深度字典学习模型并行的进行特征提取,通过两者优势的结合进行特征提取,具有更好的数据表示能力,有效克服了特征提取难的问题,并为有效实现智能电能表的故障快速、准确分类奠定了基础。
2. 本发明通过将特征变换矩阵输入预训练的AlexNet识别模型,得到故障第一分类结果;将特征变换矩阵作为谱聚类算法的输入进行聚类,得到故障第二聚类结果;结合故障第一分类结果和故障第二聚类结果进行分析,得到最终的电能表故障类别。本发明通过具体的采用AlexNet识别模型和谱聚类算法相融合的方式得到电能表故障类别,克服了易受干扰的问题,提高了故障分类的精确率和可靠性。
3.结合本申请所提出的方法,针对AlexNet识别模型设计了特定的损失函数,以此提高了其模型训练的效率。
附图说明
图1为电能表故障分类方法的流程示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与发明相关的部分。
如图1所示,本实施例提供一种电能表故障分类方法,包括:
步骤1,采集电能表的故障运行数据,并进行预处理操作;
具体地,获取智能电能表的输出电压、输出电流、输出功率、接线方式、通信协议、准确度、计量方向及使用年限并进行标准化、归一化处理。同时针对智能电能表故障数据集各类型样本数据量差距较大的问题,使用过采样和欠采样相结合的方式解决上述数据不平衡的问题。
步骤2,包括步骤2.1和步骤2.2:
步骤2.1,将预处理后的故障运行数据输入自编码器模型中进行特征提取,得到第一特征矩阵;
具体地,自编码器模型通过非线性映射相应的样本数据,能够提取出典型的数据特征。所述自编码器模型包括编码层和解码层;所述编码层包括3层卷积层和2层激励函数层;所述解码层包括3层反卷积层;
所述预处理后的故障运行数据首先通过编码层的卷积层做卷积操作提取数据特征;
经过编码层提取了数据特征之后,则输入相应的解码层对所述数据特征进行重构,在重构的过程中就能提取数据的内在特征;经过解码层反卷积层的作用后得到高维特征矩阵,也即第一特征矩阵。
步骤2.2,同时将预处理后的故障运行数据输入改进的深度字典学习模型中进行特征提取,得到第二特征矩阵;所述自编码器模型和所述改进的深度字典学习模型并行的进行特征提取;
具体地,传统的单层字典学习结构存在一定的缺陷,其会使得反映样本特征尺度的字典原子之间存在互相影响的问题,也可能会出现错误的重构信号。基于此,本申请提出了多层字典学习模型结构并用于智能电能表领域的故障数据提取。
所述改进的深度字典学习模型将传统的单层字典-多稀疏度结构更改为多层字典-单稀疏度结构,使用字典层数替代稀疏性指标,构建包含r层字典的深度字典学习模型;
每层字典分别对所述预处理后的故障运行数据进行字典和稀疏表示的学习,得到对应的稀疏表示矩阵;
最后将得到的r个稀疏表示矩阵进行相加得到第二特征矩阵。
具体地,例如:使用Z1和Z2表示第一层字典学习模型和第二层字典学习模型,第一层训练得到一个稀疏矩阵X1,第二层得到一个稀疏矩阵X2,将稀疏矩阵X1和稀疏矩阵X2相加得到第二特征矩阵。可将训练样本Y近似表示为:。
具体地,第二特征矩阵的获取方式还包括:
将前一层训练得到的稀疏矩阵作为后一层学习模型的输入,最终将最后一层训练得到的稀疏表示矩阵作为第二特征矩阵。具体地,例如:使用Z1和Z2表示第一层字典学习模型和第二层字典学习模型,将第一层训练得到的一个稀疏矩阵X1作为第二层字典学习模型的输入,第二层训练得到的稀疏表示矩阵X2作为第二特征矩阵。此时可将训练样本Y近似表示为:。
步骤3,将所述第一特征矩阵和所述第二特征矩阵进行合并融合,其中包括:
步骤3.1,首先对所述第一特征矩阵和所述第二特征矩阵进行归“1”化处理:对两个矩阵中的特征空缺位置进行补“1”处理以使得两个矩阵满足相同的行和列,均为n阶方阵;
具体地,例如:若所述第一特征矩阵为2×3的矩阵:,所述第二特征矩阵为3×3的矩阵:/>;对两个矩阵中的特征空缺位置进行补“1”均处理为3×3的矩阵,则处理后的第一特征矩阵为:/>,处理后的第二特征矩阵为:/>。
步骤3.2,之后计算满足n阶方阵的第一特征矩阵和第二特征矩阵的乘积,以得到特征变换矩阵。
步骤4,将所述特征变换矩阵输入预训练的AlexNet识别模型,得到故障第一分类结果。
步骤5,将所述特征变换矩阵作为谱聚类算法的输入进行聚类,得到故障第二聚类结果,具体包括:
步骤5.1,计算所述特征变换矩阵的特征值及其对应的特征向量,取除0以外前k个最小的特征值及其特征向量,k≥2;
步骤5.2,利用以上k个特征向量组成新的聚类矩阵,构成特征向量空间;
步骤5.3,利用k均值聚类方法对所述特征向量空间进行聚类分析得到聚类结果。
步骤6,结合故障第一分类结果和故障第二聚类结果进行分析,得到最终的电能表故障类别。
具体地,综合故障第一分类结果和故障第二聚类结果进行概率性结果分析,得到最终的故障类型。所述电能表故障类别包括了:电气机械故障、电气故障烧毁、显示屏故障、通信功能故障、数据异常、时钟错乱、脉冲采样故障和电池故障。
具体地,若两种结果为同一个故障类型,则可以直接确定为结果。若两种结果不为同一个故障类型,则取概率值相对较大的结果作为最终确定的故障类型。
在可选的实施方式中,还包括:所述步骤4,将所述特征变换矩阵输入预训练的AlexNet识别模型,得到故障第一分类结果,具体包括:
通过已知类型的历史故障数据转化为特征变换基础矩阵,将特征变换基础矩阵与其对应的故障类型标签划分为训练集和测试集,并基于训练集来迭代训练AlexNet识别模型;
将所述特征变换矩阵输入迭代训练后的AlexNet识别模型,得到对应的故障类型作为故障第一分类结果;
其中,模型在训练时的损失函数定义为:
式中,T表示历史故障数据集中样本的数量,表示数据集中的某个样本,i=1,2,...,T;/>和γ均是调节因子,/>为预测概率大小。
在可选的实施方式中,所述步骤5还包括:
所述谱聚类算法包括若干个簇,其中每个簇中均包含中心向量和对应的故障类型;
计算所述特征变换矩阵的特征值及其对应的特征向量;
计算所述特征向量和每个中心向量的相似距离,将相似距离最小的簇对应的故障类型作为故障第二聚类结果;
在可选的实施方式中,还包括:计算相似距离具体是计算余弦距离、欧氏距离和汉明距离中的其中一种或多种。
基于相同的发明构思,本实施例提供一种电能表故障分类系统,该系统包括:
采集模块,用于采集电能表的故障运行数据,并进行预处理操作;
特征提取模块,用于将预处理后的故障运行数据输入自编码器模型中进行特征提取,得到第一特征矩阵;
同时将预处理后的故障运行数据输入改进的深度字典学习模型中进行特征提取,得到第二特征矩阵;所述自编码器模型和所述改进的深度字典学习模型并行的进行特征提取;
融合模块,用于将所述第一特征矩阵和所述第二特征矩阵进行合并融合,其中包括:
空缺填补模块,用于首先对所述第一特征矩阵和所述第二特征矩阵进行归“1”化处理:对两个矩阵中的特征空缺位置进行补“1”处理以使得两个矩阵满足相同的行和列,均为n阶方阵;
计算模块,用于之后计算满足n阶方阵的第一特征矩阵和第二特征矩阵的乘积,以得到特征变换矩阵;
第一分类模块,用于将所述特征变换矩阵输入预训练的AlexNet识别模型,得到故障第一分类结果;
第二分类模块,用于将所述特征变换矩阵作为谱聚类算法的输入进行聚类,得到故障第二聚类结果,具体包括:
计算所述特征变换矩阵的特征值及其对应的特征向量,取除0以外前k个最小的特征值及其特征向量,k≥2;
利用以上k个特征向量组成新的聚类矩阵,构成特征向量空间;
利用k均值聚类方法对所述特征向量空间进行聚类分析得到聚类结果;
结合模块,用于结合故障第一分类结果和故障第二聚类结果进行分析,得到最终的电能表故障类别。
Claims (7)
1.一种电能表故障分类方法,其特征在于,包括:
步骤1,采集电能表的故障运行数据,并进行预处理操作;
步骤2,将预处理后的故障运行数据输入自编码器模型中进行特征提取,得到第一特征矩阵;
同时将预处理后的故障运行数据输入改进的深度字典学习模型中进行特征提取,得到第二特征矩阵;所述自编码器模型和所述改进的深度字典学习模型并行的进行特征提取;
步骤3,将所述第一特征矩阵和所述第二特征矩阵进行合并融合,其中包括:
步骤3.1,首先对所述第一特征矩阵和所述第二特征矩阵进行归“1”化处理:对两个矩阵中的特征空缺位置进行补“1”处理以使得两个矩阵满足相同的行和列,均为n阶方阵;
步骤3.2,之后计算满足n阶方阵的第一特征矩阵和第二特征矩阵的乘积,以得到特征变换矩阵;
步骤4,将所述特征变换矩阵输入预训练的AlexNet识别模型,得到故障第一分类结果;
步骤5,将所述特征变换矩阵作为谱聚类算法的输入进行聚类,得到故障第二聚类结果,具体包括:
步骤5.1,计算所述特征变换矩阵的特征值及其对应的特征向量,取除0以外前k个最小的特征值及其特征向量,k≥2;
步骤5.2,利用以上k个特征向量组成新的聚类矩阵,构成特征向量空间;
步骤5.3,利用k均值聚类方法对所述特征向量空间进行聚类分析得到聚类结果;
步骤6,结合故障第一分类结果和故障第二聚类结果进行分析,得到最终的电能表故障类别;
所述将预处理后的故障运行数据输入自编码器模型中进行特征提取,得到第一特征矩阵,具体包括:
所述自编码器模型包括编码层和解码层;所述编码层包括3层卷积层和2层激励函数层;所述解码层包括3层反卷积层;
所述预处理后的故障运行数据首先通过编码层的卷积层做卷积操作提取数据特征;
经过编码层提取了数据特征之后,则输入相应的解码层对所述数据特征进行重构,在重构的过程中就能提取数据的内在特征;经过解码层反卷积层的作用后得到高维特征矩阵,也即第一特征矩阵;
所述将预处理后的故障运行数据输入改进的深度字典学习模型中进行特征提取,得到第二特征矩阵,具体包括:
所述改进的深度字典学习模型将传统的单层字典-多稀疏度结构更改为多层字典-单稀疏度结构,使用字典层数替代稀疏性指标,构建包含r层字典的深度字典学习模型;
每层字典分别对所述预处理后的故障运行数据进行字典和稀疏表示的学习,得到对应的稀疏表示矩阵;
最后将得到的r个稀疏表示矩阵进行相加得到第二特征矩阵。
2.根据权利要求1所述的方法,其特征在于,所述步骤1,采集电能表的故障运行数据,并进行预处理操作,具体包括:
获取智能电能表的输出电压、输出电流、输出功率、接线方式、通信协议、准确度、计量方向及使用年限并进行标准化、归一化处理。
3.根据权利要求1所述的方法,其特征在于,所述步骤4,将所述特征变换矩阵输入预训练的AlexNet识别模型,得到故障第一分类结果,具体包括:
通过已知类型的历史故障数据转化为特征变换基础矩阵,将特征变换基础矩阵与其对应的故障类型标签划分为训练集和测试集,并基于训练集来迭代训练AlexNet识别模型;
将所述特征变换矩阵输入迭代训练后的AlexNet识别模型,得到对应的故障类型作为故障第一分类结果;
其中,模型在训练时的损失函数定义为:
式中,T表示历史故障数据集中样本的数量,表示数据集中的某个样本,i=1,2,...,T;/>和γ均是调节因子,/>为预测概率大小。
4.根据权利要求1所述的方法,其特征在于,所述步骤5还包括:
所述谱聚类算法包括若干个簇,其中每个簇中均包含中心向量和对应的故障类型;
计算所述特征变换矩阵的特征值及其对应的特征向量;
计算所述特征向量和每个中心向量的相似距离,将相似距离最小的簇对应的故障类型作为故障第二聚类结果。
5.根据权利要求4所述的方法,其特征在于,计算相似距离具体是计算余弦距离、欧氏距离和汉明距离中的其中一种或多种。
6.根据权利要求1所述的方法,其特征在于,还包括:
所述电能表故障类别包括:电气机械故障、电气故障烧毁、显示屏故障、通信功能故障、数据异常、时钟错乱、脉冲采样故障和电池故障。
7.一种电能表故障分类系统,其特征在于,该系统包括:
采集模块,用于采集电能表的故障运行数据,并进行预处理操作;
特征提取模块,用于将预处理后的故障运行数据输入自编码器模型中进行特征提取,得到第一特征矩阵;
同时将预处理后的故障运行数据输入改进的深度字典学习模型中进行特征提取,得到第二特征矩阵;所述自编码器模型和所述改进的深度字典学习模型并行的进行特征提取;
融合模块,用于将所述第一特征矩阵和所述第二特征矩阵进行合并融合,其中包括:
空缺填补模块,用于首先对所述第一特征矩阵和所述第二特征矩阵进行归“1”化处理:对两个矩阵中的特征空缺位置进行补“1”处理以使得两个矩阵满足相同的行和列,均为n阶方阵;
计算模块,用于之后计算满足n阶方阵的第一特征矩阵和第二特征矩阵的乘积,以得到特征变换矩阵;
第一分类模块,用于将所述特征变换矩阵输入预训练的AlexNet识别模型,得到故障第一分类结果;
第二分类模块,用于将所述特征变换矩阵作为谱聚类算法的输入进行聚类,得到故障第二聚类结果,具体包括:
计算所述特征变换矩阵的特征值及其对应的特征向量,取除0以外前k个最小的特征值及其特征向量,k≥2;
利用以上k个特征向量组成新的聚类矩阵,构成特征向量空间;
利用k均值聚类方法对所述特征向量空间进行聚类分析得到聚类结果;
结合模块,用于结合故障第一分类结果和故障第二聚类结果进行分析,得到最终的电能表故障类别;
所述将预处理后的故障运行数据输入自编码器模型中进行特征提取,得到第一特征矩阵,具体包括:
所述自编码器模型包括编码层和解码层;所述编码层包括3层卷积层和2层激励函数层;所述解码层包括3层反卷积层;
所述预处理后的故障运行数据首先通过编码层的卷积层做卷积操作提取数据特征;
经过编码层提取了数据特征之后,则输入相应的解码层对所述数据特征进行重构,在重构的过程中就能提取数据的内在特征;经过解码层反卷积层的作用后得到高维特征矩阵,也即第一特征矩阵;
所述将预处理后的故障运行数据输入改进的深度字典学习模型中进行特征提取,得到第二特征矩阵,具体包括:
所述改进的深度字典学习模型将传统的单层字典-多稀疏度结构更改为多层字典-单稀疏度结构,使用字典层数替代稀疏性指标,构建包含r层字典的深度字典学习模型;
每层字典分别对所述预处理后的故障运行数据进行字典和稀疏表示的学习,得到对应的稀疏表示矩阵;
最后将得到的r个稀疏表示矩阵进行相加得到第二特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311269136.8A CN117216718B (zh) | 2023-09-28 | 2023-09-28 | 一种电能表故障分类方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311269136.8A CN117216718B (zh) | 2023-09-28 | 2023-09-28 | 一种电能表故障分类方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117216718A CN117216718A (zh) | 2023-12-12 |
CN117216718B true CN117216718B (zh) | 2024-04-26 |
Family
ID=89040530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311269136.8A Active CN117216718B (zh) | 2023-09-28 | 2023-09-28 | 一种电能表故障分类方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117216718B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110113353A (zh) * | 2019-05-20 | 2019-08-09 | 桂林电子科技大学 | 一种基于cvae-gan的入侵检测方法 |
CN112070128A (zh) * | 2020-08-24 | 2020-12-11 | 大连理工大学 | 一种基于深度学习的变压器故障诊断方法 |
CN112330602A (zh) * | 2020-10-15 | 2021-02-05 | 方正株式(武汉)科技开发有限公司 | 一种智能陷印方向判断方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220004935A1 (en) * | 2021-09-22 | 2022-01-06 | Intel Corporation | Ensemble learning for deep feature defect detection |
-
2023
- 2023-09-28 CN CN202311269136.8A patent/CN117216718B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110113353A (zh) * | 2019-05-20 | 2019-08-09 | 桂林电子科技大学 | 一种基于cvae-gan的入侵检测方法 |
CN112070128A (zh) * | 2020-08-24 | 2020-12-11 | 大连理工大学 | 一种基于深度学习的变压器故障诊断方法 |
CN112330602A (zh) * | 2020-10-15 | 2021-02-05 | 方正株式(武汉)科技开发有限公司 | 一种智能陷印方向判断方法及装置 |
Non-Patent Citations (2)
Title |
---|
Greedy Deep Dictionary Learning;Snigdha Tariyal等;"arXiv:1602.00203";20160131;全文 * |
高速铁路接触网零部件缺陷的深度学习检测方法研究;康高强;《中国博士学位论文全文数据库工程科技Ⅱ辑》;20220515(第2022年第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117216718A (zh) | 2023-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914883B (zh) | 一种基于深度融合网络的主轴轴承状态评估方法及装置 | |
CN110059357A (zh) | 一种基于自编码网络的智能电能表故障分类检测方法及系统 | |
CN108435819B (zh) | 一种铝型材挤压机能耗异常检测方法 | |
CN102435910A (zh) | 基于支持向量分类的功率电子电路健康监测方法 | |
CN112508105A (zh) | 一种采油机故障检测与检索方法 | |
CN110070102B (zh) | 用于电能质量扰动类型识别的序列对序列模型建立方法 | |
Song et al. | Unsupervised fault diagnosis method based on iterative multi‐manifold spectral clustering | |
CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
CN111896495A (zh) | 基于深度学习与近红外光谱太平猴魁产地甄别方法及系统 | |
CN115015683A (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
CN115184054A (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
CN117216718B (zh) | 一种电能表故障分类方法及系统 | |
Zhao et al. | Bearing fault diagnosis based on mel frequency cepstrum coefficient and deformable space-frequency attention network | |
CN116011158A (zh) | 一种低压台区的拓扑识别方法、系统及装置 | |
CN116522111A (zh) | 远程停复电故障自动诊断方法 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
CN113295413B (zh) | 一种基于间接信号的牵引电机轴承故障诊断方法 | |
CN115147242A (zh) | 一种基于数据挖掘的电网数据管理系统 | |
CN113705695A (zh) | 一种基于卷积神经网络的配电网故障数据辨识方法 | |
CN115081514A (zh) | 一种数据不平衡情况下的工业设备故障识别方法 | |
Zhu et al. | Depth prototype clustering method based on unsupervised field alignment for bearing fault identification of mechanical equipment | |
CN115757365A (zh) | 多维时序数据异常检测方法、模型训练方法及装置 | |
CN117371623B (zh) | 一种电能表运行状态预警方法及系统 | |
Zhao et al. | Research on Transformer Oil Multi-frequency Ultrasonic Monitoring Technology Based on Convolutional Neural Network | |
CN116720095A (zh) | 一种基于遗传算法优化模糊c均值的电特性信号聚类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |