CN117371623B - 一种电能表运行状态预警方法及系统 - Google Patents
一种电能表运行状态预警方法及系统 Download PDFInfo
- Publication number
- CN117371623B CN117371623B CN202311661988.1A CN202311661988A CN117371623B CN 117371623 B CN117371623 B CN 117371623B CN 202311661988 A CN202311661988 A CN 202311661988A CN 117371623 B CN117371623 B CN 117371623B
- Authority
- CN
- China
- Prior art keywords
- data
- early warning
- running state
- electric energy
- energy meter
- 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 50
- 239000011159 matrix material Substances 0.000 claims abstract description 70
- 239000013598 vector Substances 0.000 claims abstract description 57
- 238000005070 sampling Methods 0.000 claims abstract description 21
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims description 23
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000013461 design Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000000295 complement effect Effects 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/027—Frames
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/18—Status alarms
- G08B21/185—Electrical failure alarms
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Emergency Management (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Game Theory and Decision Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电能表运行状态预警方法及系统,方法通过采集待评估电能表运行时的N个类型数据,根据N个类型数据在相同时刻下采集的数据构建列向量;根据其中一个类型数据在一段时间t内的采样数据构建行向量;构建N行M列的分布矩阵;计算出分布矩阵在实数域及复数域的所有特征值及对应的特征向量;将计算的第一评估特征与阈值进行比较,得到第一运行状态预警结果;基于多层感知机搭建知识图谱模型;将分布矩阵实体特征和相应的关系特征输入知识谱图模型,得到第二运行状态预警结果;将两种预警结果进行有效融合,得到最终预测的运行状态。由此提高了电能表运行状态评估预警的准确度。
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运行状态预警方法及系统。
背景技术
智能电表可以采集原始电力的计量数据及数据上传数据库任务,目前全国范围内智能电表的安装数量数以亿计,拥有庞大的数量。为保证智能电表的正常运行,对智能电表进行及时的故障排查和梳理,对于维护电网公司和相关用户的用电安全起着至关重要的作用。伴随着计算机技术的飞速发展,基于历史数据库中海量电力存储数据进行有效的数据分析,可以帮助实现智能电表运行状态的预测和预警,这也为智能电表的检查节省了人力成本,提供了可靠地参考依据。如现有技术中有基于决策树的数据挖掘算法开展了智能电表故障预警模型的构建,其将采集的智能电表历史数据进行离散化处理,选取影响智能电表故障的几个重要因素,例如智能电表投运时长、安装地区影响因子、电表自身可靠度、时钟电池欠电压次数、计量异常等属性,将历史故障数据库的数据分为训练集和测试集,基于训练集通过决策树算法构建初步的智能电表故障预警规则,再利用测试集对预警模型进行训练,以此构建出模型来实现智能电表运行状态的预警。但是该类方法算法模型较为单一,没有充分挖掘历史数据库中数据内部的关联特征,另外在预测的精确度、鲁棒性、可靠性及时效性等方面也存在明显不足。并且,随着近年来知识图谱技术的快速进展,使用知识图谱技术来预测设备的运行状态十分有必要。
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运行状态预警方法,通过将两类设计方法得到的两种电能表运行状态预测结果的融合,得到电能表运行状态评估等级范围。该方法具有良好的鲁棒性、可靠性和时效性。
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运行状态预警方法,包括:
步骤1,采集待评估电能表运行时的N个类型数据,根据所述N个类型数据在相同时刻下采集的数据构建列向量x1(t):
根据其中一个类型数据在一段时间t内的采样数据构建行向量x2(t):
M为总采样时间。
步骤2,针对电能表的N个类型数据进行M次采样,按照步骤1得到多个列向量与行向量,构建N行M列的分布矩阵:
。
步骤3,计算出所述分布矩阵在实数域及复数域的所有特征值及对应的特征向量。
步骤4,计算出第一评估特征R:
其中为所述分布矩阵的H个特征值。
步骤5,定义R基为电能表正常运行状态下的历史基准评估特征值。
步骤6,将所述第一评估特征R与K×R基进行比较,得到第一运行状态预警结果;K为调整阈值大小的常数。
步骤7,基于多层感知机搭建知识图谱模型;知识图谱以三元组的形式表示,其中D表示所有头部实体d的集合,R表示所有关系r的集合,Q表示所有尾部实体q的集合。
步骤8,提取所述步骤2中分布矩阵中的实体特征,实体特征包括分布矩阵中所有数据的众数、平均值、最大值和最小值;并将最大值与最小值的差值、众数相应数据的具体数目作为关系特征;
将所述实体特征和相应的关系特征输入预先训练完成的知识图谱模型,得到第二运行状态预警结果。
步骤9,将第一运行状态预警结果和第二运行状态预警结果进行有效融合,得到最终预测的智能电表的运行状态结果。
进一步地,还包括:所述步骤7,基于多层感知机搭建知识图谱模型;知识图谱以三元组的形式表示,其中D表示所有头部实体d的集合,R表示所有关系r的集合,Q表示所有尾部实体q的集合;具体包括:
步骤7.1,从历史数据库中获取同类型电能表历史运行时的N个类型数据,根据所述N个类型数据在相同时刻下采集的数据构建列向量y1(t):
根据其中一个类型数据在一段时间t内的采样数据构建行向量y2(t):
针对同类型电能表的N个类型数据进行M次采样,同时获取对应的历史运行状态并归并为集合Q,构建N行M列的训练分布矩阵:
。
步骤7.2,从所述训练分布矩阵中提取头部实体,将头部实体链接到所述知识图谱;头部实体包括所述训练分布矩阵中所有数据的众数、平均值、最大值和最小值,属于集合D;将最大值与最小值的差值、众数相应数据的具体数目作为实体之间的关系归为集合R。
步骤7.3,使用卷积神经网络提取所述知识图谱中头部实体和关系的特征,输入多层感知机以预测尾部实体。
步骤7.4,将预测的尾部实体与真实的尾部实体进行比较,根据比较结果调节模型参数来实现迭代训练知识图谱模型。
进一步地,还包括:所述步骤7.3,使用卷积神经网络提取所述知识图谱中头部实体和关系的特征,输入多层感知机以预测尾部实体,具体包括:
各类实体之间具有明确规定的关系,使用卷积神经网络提取所述知识图谱中头部实体和关系的特征以形成有关电能表运行数据的特征向量,后输入多层感知机进行电能表运行状态的预测。
进一步地,还包括:所述使用卷积神经网络提取所述知识图谱中头部实体和关系的特征以形成有关电能表运行数据的特征向量,具体包括:
设计不同大小的卷积窗口对所述知识图谱中头部实体和关系的特征进行特征提取,将所得的特征映射经过最大池化层后进行拼接,以得到特征向量。
进一步地,还包括:所述N个类型数据具体包括:测量点电流、电压、电能量、电功率、功率因数、电流相位角和电压相位角。
进一步地,还包括:所述步骤9,将第一运行状态预警结果和第二运行状态预警结果进行有效融合,得到最终预测的智能电表的运行状态结果,具体包括:
将第一运行状态预警结果和第二运行状态预警结果进行叠加组合,根据叠加后的结果查询预先建立的预警等级映射表,以获得最终的运行状态预警等级。
第二方面,本发明还提供一种电能表运行状态预警系统,该系统包括:
采集模块,用于采集待评估电能表运行时的N个类型数据,根据所述N个类型数据在相同时刻下采集的数据构建列向量x1(t):
根据其中一个类型数据在一段时间t内的采样数据构建行向量x2(t):
M为总采样时间;
构建模块,用于针对电能表的N个类型数据进行M次采样,按照采集模块中的步骤得到多个列向量与行向量,构建N行M列的分布矩阵:
第一计算模块,用于计算出所述分布矩阵在实数域及复数域的所有特征值及对应的特征向量;
第二计算模块,用于计算出第一评估特征R:
其中为所述分布矩阵的H个特征值;
定义模块,用于定义R基为电能表正常运行状态下的历史基准评估特征值;
比较模块,用于将所述第一评估特征R与K×R基进行比较,得到第一运行状态预警结果;K为调整阈值大小的常数;
搭建模块,用于基于多层感知机搭建知识图谱模型;知识图谱以三元组的形式表示,其中D表示所有头部实体d的集合,R表示所有关系r的集合,Q表示所有尾部实体q的集合;
输入输出模块,用于提取分布矩阵中的实体特征,实体特征包括分布矩阵中所有数据的众数、平均值、最大值和最小值;并将最大值与最小值的差值、众数相应数据的具体数目作为关系特征;
将所述实体特征和相应的关系特征输入预先训练完成的知识图谱模型,得到第二运行状态预警结果;
融合模块,用于将第一运行状态预警结果和第二运行状态预警结果进行有效融合,得到最终预测的智能电表的运行状态结果。
进一步地,还包括:所述N个类型数据具体包括:测量点电流、电压、电能量、电功率、功率因数、电流相位角和电压相位角。
进一步地,还包括:所述将第一运行状态预警结果和第二运行状态预警结果进行有效融合,得到最终预测的智能电表的运行状态结果,具体包括:
将第一运行状态预警结果和第二运行状态预警结果进行叠加组合,根据叠加后的结果查询预先建立的预警等级映射表,以获得最终的运行状态预警等级。
有益效果:
1、本发明通过步骤1,采集待评估电能表运行时的N个类型数据,根据所述N个类型数据在相同时刻下采集的数据构建列向量;根据其中一个类型数据在一段时间t内的采样数据构建行向量;步骤2,针对电能表的N个类型数据进行M次采样,按照步骤1得到多个列向量与行向量,构建N行M列的分布矩阵;步骤3,计算出所述分布矩阵在实数域及复数域的所有特征值及对应的特征向量;步骤4,计算出第一评估特征R;步骤5,定义R基为电能表正常运行状态下的历史基准评估特征值;步骤6,将所述第一评估特征R与K×R基进行比较,得到第一运行状态预警结果;步骤7,基于多层感知机搭建知识图谱模型;步骤8,提取所述步骤2中分布矩阵中的实体特征,实体特征包括分布矩阵中所有数据的众数、平均值、最大值和最小值;并将最大值与最小值的差值、众数相应数据的具体数目作为关系特征;将所述实体特征和相应的关系特征输入预先训练完成的知识图谱模型,得到第二运行状态预警结果;步骤9,将第一运行状态预警结果和第二运行状态预警结果进行有效融合,得到最终预测的智能电表的运行状态结果。通过将两类设计方法得到的两种电能表运行状态预测结果的融合,得到电能表运行状态评估等级范围。该方法具有良好的鲁棒性、可靠性和时效性。
2、本发明使用多层感知机搭建知识图谱模型,抽取分布矩阵中的实体特征,实体特征包括分布矩阵中所有数据的众数、平均值、最大值和最小值;并将最大值与最小值的差值、众数相应数据的具体数目作为关系特征;将实体特征和相应的关系特征输入预先训练完成的知识图谱模型,得到第二运行状态预警结果。本发明充分挖掘了智能电表历史数据库中数据内部的关联特征,通过分布矩阵的设计和实体特征、关系特征的具体特征提取设计,能对电能表运行状态进行有效的实时评估、分析和预测,提高了智能电表运行状态的预测、预警准确度。
附图说明
图1为电能表运行状态预警方法的流程示意图。
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运行状态预警方法,包括:
步骤1,采集待评估电能表运行时的N个类型数据,根据所述N个类型数据在相同时刻下采集的数据构建列向量x1(t):
根据其中一个类型数据在一段时间t内的采样数据构建行向量x2(t):
M为总采样时间。
具体地, 所述N个类型数据具体包括:测量点电流、电压、电能量、电功率、功率因数、电流相位角和电压相位角等相关数据。采集完数据后可以先进性数据归一化预处理操作,以方便后续的计算;其中,列向量表示在同一采样时刻下获取的各个类型数据的集合,行向量表示在同一类型数据在一段时间内的采样数据集合。
步骤2,针对电能表的N个类型数据进行M次采样,按照步骤1得到多个列向量与行向量,构建N行M列的分布矩阵:
;
具体地,按照步骤1获取多组数据得到多组列向量与行向量,按照采样时间顺序将各组数据排序,构建出分布矩阵。
对上述分布矩阵进行归“0”化处理:对分布矩阵中的数据空缺位置进行补“0”处理以使得分布矩阵满足相同的行和列,也即:最终得到的分布矩阵为方阵的形式,方阵的阶数以N和M值相比较大的为基准阶数。
步骤3,计算出所述分布矩阵在实数域及复数域的所有特征值及对应的特征向量。
步骤4,计算出第一评估特征R:
其中为所述分布矩阵的H个特征值。
步骤5,定义R基为电能表正常运行状态下的历史基准评估特征值。
步骤6,将所述第一评估特征R与K×R基进行比较,得到第一运行状态预警结果;K为调整阈值大小的常数。
具体地,K的取值可以为多个,以达到区分运行状态预警级别的目的。例如:0.1R基-0.5R基为第一预警级别,0.5R基-R基为第二预警级别。
本发明正是通过获取智能电表的类型数据来构建方阵形式的分布矩阵,通过分布矩阵的特征值计算和综合比较分析,来得到智能电表的运行状态预警结果,大大提高了预测、预警的效率和准确率。
步骤7,基于多层感知机搭建知识图谱模型;知识图谱以三元组的形式表示,其中D表示所有头部实体d的集合,R表示所有关系r的集合,Q表示所有尾部实体q的集合。
步骤8,提取所述步骤2中分布矩阵中的实体特征,实体特征包括分布矩阵中所有数据的众数、平均值、最大值和最小值;并将最大值与最小值的差值、众数相应数据的具体数目作为关系特征。
具体地,针对分布矩阵中归一化后的数据,其众数、平均值、最大值、最小值、最大值与最小值的差值以及众数相应数据的具体数目从一定意义上反映了分布矩阵的主要特征,本发明正是考虑利用这一点来提取所需特征。
将所述实体特征和相应的关系特征输入预先训练完成的知识图谱模型,得到第二运行状态预警结果。
步骤9,将第一运行状态预警结果和第二运行状态预警结果进行有效融合,得到最终预测的智能电表的运行状态结果。
在可选的实施方式中,还包括:所述步骤7,基于多层感知机搭建知识图谱模型;知识图谱以三元组的形式表示,其中D表示所有头部实体d的集合,R表示所有关系r的集合,Q表示所有尾部实体q的集合;具体包括:
步骤7.1,从历史数据库中获取同类型电能表历史运行时的N个类型数据,根据所述N个类型数据在相同时刻下采集的数据构建列向量y1(t):
根据其中一个类型数据在一段时间t内的采样数据构建行向量y2(t):
针对同类型电能表的N个类型数据进行M次采样,同时获取对应的历史运行状态并归并为集合Q,此时获取的为真实的尾部实体;构建N行M列的训练分布矩阵:
具体地,对训练分布矩阵进行归“0”化处理:对训练分布矩阵中的数据空缺位置进行补“0”处理以使得训练分布矩阵满足相同的行和列,也即:最终得到的训练分布矩阵为方阵的形式,方阵的阶数以N和M值相比较大的为基准阶数。
步骤7.2,从所述训练分布矩阵中提取头部实体,将头部实体链接到所述知识图谱;头部实体包括所述训练分布矩阵中所有数据的众数、平均值、最大值和最小值,属于头部实体集合D;将最大值与最小值的差值、众数相应数据的具体数目作为实体之间的关系归为集合R。
步骤7.3,使用卷积神经网络提取所述知识图谱中头部实体和关系的特征,输入多层感知机以预测尾部实体。
具体地,各类实体之间具有明确规定的关系,使用卷积神经网络提取所述知识图谱中头部实体和关系的特征以形成有关电能表运行数据的特征向量,后输入多层感知机进行电能表运行状态的预测。
步骤7.4,将预测的尾部实体与真实的尾部实体进行比较,根据比较结果调节模型参数来实现迭代训练知识图谱模型。
具体地,尾部实体代表智能电表运行状态的等级级别,将预测的等级级别与真实的等级级别进行误差比较,根据比较结果不断的调节模型参数,以使得误差达到很小,实现了迭代训练知识图谱模型的目的。
在可选的实施方式中,还包括:所述使用卷积神经网络提取所述知识图谱中头部实体和关系的特征以形成有关电能表运行数据的特征向量,具体包括:
设计不同大小的卷积窗口对所述知识图谱中头部实体和关系的特征进行特征提取,将所得的特征映射经过最大池化层后进行拼接,以得到特征向量。
在可选的实施方式中,还包括:所述步骤9,将第一运行状态预警结果和第二运行状态预警结果进行有效融合,得到最终预测的智能电表的运行状态结果,具体包括:
将第一运行状态预警结果和第二运行状态预警结果进行叠加组合,根据叠加后的结果查询预先建立的预警等级映射表,以获得最终的运行状态预警等级。
具体地,映射表反映了第一判断结果、第二判断结果与最终预警判断结果之间的映射关系。
本发明充分挖掘了智能电表历史数据库中数据内部的关联特征,通过分布矩阵的设计和实体特征、关系特征的具体特征提取设计,能对电能表运行状态进行有效的实时评估、分析和预测,提高了智能电表运行状态的预测、预警准确度。
基于相同的发明构思,本实施例提供一种电能表运行状态预警系统,该系统包括:
采集模块,用于采集待评估电能表运行时的N个类型数据,根据所述N个类型数据在相同时刻下采集的数据构建列向量x1(t):
根据其中一个类型数据在一段时间t内的采样数据构建行向量x2(t):
M为总采样时间;
构建模块,用于针对电能表的N个类型数据进行M次采样,按照采集模块中的步骤得到多个列向量与行向量,构建N行M列的分布矩阵:
第一计算模块,用于计算出所述分布矩阵在实数域及复数域的所有特征值及对应的特征向量;
第二计算模块,用于计算出第一评估特征R:
其中为所述分布矩阵的H个特征值;
定义模块,用于定义R基为电能表正常运行状态下的历史基准评估特征值;
比较模块,用于将所述第一评估特征R与K×R基进行比较,得到第一运行状态预警结果;K为调整阈值大小的常数;
搭建模块,用于基于多层感知机搭建知识图谱模型;知识图谱以三元组的形式表示,其中D表示所有头部实体d的集合,R表示所有关系r的集合,Q表示所有尾部实体q的集合;
输入输出模块,用于提取分布矩阵中的实体特征,实体特征包括分布矩阵中所有数据的众数、平均值、最大值和最小值;并将最大值与最小值的差值、众数相应数据的具体数目作为关系特征;
将所述实体特征和相应的关系特征输入预先训练完成的知识图谱模型,得到第二运行状态预警结果;
融合模块,用于将第一运行状态预警结果和第二运行状态预警结果进行有效融合,得到最终预测的智能电表的运行状态结果。
在可选的实施方式中,还包括:所述N个类型数据具体包括:测量点电流、电压、电能量、电功率、功率因数、电流相位角和电压相位角。
在可选的实施方式中,还包括:所述将第一运行状态预警结果和第二运行状态预警结果进行有效融合,得到最终预测的智能电表的运行状态结果,具体包括:
将第一运行状态预警结果和第二运行状态预警结果进行叠加组合,根据叠加后的结果查询预先建立的预警等级映射表,以获得最终的运行状态预警等级。
Claims (8)
1.一种电能表运行状态预警方法,其特征在于,包括:
步骤1,采集待评估电能表运行时的N个类型数据,根据所述N个类型数据在相同时刻下采集的数据构建列向量x1(t):
根据其中一个类型数据在一段时间t内的采样数据构建行向量x2(t):
M为总采样时间;
步骤2,针对电能表的N个类型数据进行M次采样,按照步骤1得到多个列向量与行向量,构建N行M列的分布矩阵:
步骤3,计算出所述分布矩阵在实数域及复数域的所有特征值及对应的特征向量;
步骤4,计算出第一评估特征R:
其中为所述分布矩阵的H个特征值;
步骤5,定义R基为电能表正常运行状态下的历史基准评估特征值;
步骤6,将所述第一评估特征R与K×R基进行比较,得到第一运行状态预警结果;K为调整阈值大小的常数;
步骤7,基于多层感知机搭建知识图谱模型;知识图谱以三元组的形式表示,其中D表示所有头部实体d的集合,R表示所有关系r的集合,Q表示所有尾部实体q的集合;具体包括:
步骤7.1,从历史数据库中获取同类型电能表历史运行时的N个类型数据,根据所述N个类型数据在相同时刻下采集的数据构建列向量y1(t):
根据其中一个类型数据在一段时间t内的采样数据构建行向量y2(t):
针对同类型电能表的N个类型数据进行M次采样,同时获取对应的历史运行状态并归并为集合Q,构建N行M列的训练分布矩阵:
步骤7.2,从所述训练分布矩阵中提取头部实体,将头部实体链接到所述知识图谱;头部实体包括所述训练分布矩阵中所有数据的众数、平均值、最大值和最小值,属于集合D;将最大值与最小值的差值、众数相应数据的具体数目作为实体之间的关系归为集合R;
步骤7.3,使用卷积神经网络提取所述知识图谱中头部实体和关系的特征,输入多层感知机以预测尾部实体;
步骤7.4,将预测的尾部实体与真实的尾部实体进行比较,根据比较结果调节模型参数来实现迭代训练知识图谱模型;
步骤8,提取所述步骤2中分布矩阵中的实体特征,实体特征包括分布矩阵中所有数据的众数、平均值、最大值和最小值;并将最大值与最小值的差值、众数相应数据的具体数目作为关系特征;
将所述实体特征和相应的关系特征输入预先训练完成的知识图谱模型,得到第二运行状态预警结果;
步骤9,将第一运行状态预警结果和第二运行状态预警结果进行有效融合,得到最终预测的智能电表的运行状态结果。
2.根据权利要求1所述的方法,其特征在于,所述步骤7.3,使用卷积神经网络提取所述知识图谱中头部实体和关系的特征,输入多层感知机以预测尾部实体,具体包括:
各类实体之间具有明确规定的关系,使用卷积神经网络提取所述知识图谱中头部实体和关系的特征以形成有关电能表运行数据的特征向量,后输入多层感知机进行电能表运行状态的预测。
3.根据权利要求2所述的方法,其特征在于,所述使用卷积神经网络提取所述知识图谱中头部实体和关系的特征以形成有关电能表运行数据的特征向量,具体包括:
设计不同大小的卷积窗口对所述知识图谱中头部实体和关系的特征进行特征提取,将所得的特征映射经过最大池化层后进行拼接,以得到特征向量。
4.根据权利要求1所述的方法,其特征在于,还包括:所述N个类型数据具体包括:测量点电流、电压、电能量、电功率、功率因数、电流相位角和电压相位角。
5.根据权利要求1所述的方法,其特征在于,所述步骤9,将第一运行状态预警结果和第二运行状态预警结果进行有效融合,得到最终预测的智能电表的运行状态结果,具体包括:
将第一运行状态预警结果和第二运行状态预警结果进行叠加组合,根据叠加后的结果查询预先建立的预警等级映射表,以获得最终的运行状态预警等级。
6.一种电能表运行状态预警系统,其特征在于,该系统包括:
采集模块,用于采集待评估电能表运行时的N个类型数据,根据所述N个类型数据在相同时刻下采集的数据构建列向量x1(t):
根据其中一个类型数据在一段时间t内的采样数据构建行向量x2(t):
M为总采样时间;
构建模块,用于针对电能表的N个类型数据进行M次采样,按照采集模块中的步骤得到多个列向量与行向量,构建N行M列的分布矩阵:
第一计算模块,用于计算出所述分布矩阵在实数域及复数域的所有特征值及对应的特征向量;
第二计算模块,用于计算出第一评估特征R:
其中为所述分布矩阵的H个特征值;
定义模块,用于定义R基为电能表正常运行状态下的历史基准评估特征值;
比较模块,用于将所述第一评估特征R与K×R基进行比较,得到第一运行状态预警结果;K为调整阈值大小的常数;
搭建模块,用于基于多层感知机搭建知识图谱模型;知识图谱以三元组的形式表示,其中D表示所有头部实体d的集合,R表示所有关系r的集合,Q表示所有尾部实体q的集合;具体包括:
从历史数据库中获取同类型电能表历史运行时的N个类型数据,根据所述N个类型数据在相同时刻下采集的数据构建列向量y1(t):
根据其中一个类型数据在一段时间t内的采样数据构建行向量y2(t):
针对同类型电能表的N个类型数据进行M次采样,同时获取对应的历史运行状态并归并为集合Q,构建N行M列的训练分布矩阵:
从所述训练分布矩阵中提取头部实体,将头部实体链接到所述知识图谱;头部实体包括所述训练分布矩阵中所有数据的众数、平均值、最大值和最小值,属于集合D;将最大值与最小值的差值、众数相应数据的具体数目作为实体之间的关系归为集合R;
使用卷积神经网络提取所述知识图谱中头部实体和关系的特征,输入多层感知机以预测尾部实体;
将预测的尾部实体与真实的尾部实体进行比较,根据比较结果调节模型参数来实现迭代训练知识图谱模型;
输入输出模块,用于提取分布矩阵中的实体特征,实体特征包括分布矩阵中所有数据的众数、平均值、最大值和最小值;并将最大值与最小值的差值、众数相应数据的具体数目作为关系特征;
将所述实体特征和相应的关系特征输入预先训练完成的知识图谱模型,得到第二运行状态预警结果;
融合模块,用于将第一运行状态预警结果和第二运行状态预警结果进行有效融合,得到最终预测的智能电表的运行状态结果。
7.根据权利要求6所述的系统,其特征在于,还包括:所述N个类型数据具体包括:测量点电流、电压、电能量、电功率、功率因数、电流相位角和电压相位角。
8.根据权利要求6所述的系统,其特征在于,所述将第一运行状态预警结果和第二运行状态预警结果进行有效融合,得到最终预测的智能电表的运行状态结果,具体包括:
将第一运行状态预警结果和第二运行状态预警结果进行叠加组合,根据叠加后的结果查询预先建立的预警等级映射表,以获得最终的运行状态预警等级。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311661988.1A CN117371623B (zh) | 2023-12-06 | 2023-12-06 | 一种电能表运行状态预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311661988.1A CN117371623B (zh) | 2023-12-06 | 2023-12-06 | 一种电能表运行状态预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117371623A CN117371623A (zh) | 2024-01-09 |
CN117371623B true CN117371623B (zh) | 2024-03-01 |
Family
ID=89393217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311661988.1A Active CN117371623B (zh) | 2023-12-06 | 2023-12-06 | 一种电能表运行状态预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117371623B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115618098A (zh) * | 2022-09-08 | 2023-01-17 | 淮阴工学院 | 基于知识增强与空洞卷积的冷链物流推荐方法及装置 |
CN115964504A (zh) * | 2021-12-28 | 2023-04-14 | 北方工业大学 | 一种食品安全风险预测方法及系统 |
CN115964503A (zh) * | 2021-12-28 | 2023-04-14 | 北方工业大学 | 基于社区设备设施的安全风险预测方法及系统 |
CN116183195A (zh) * | 2022-12-19 | 2023-05-30 | 广东电网有限责任公司广州供电局 | 开关机械状态评估方法、装置、设备及存储介质 |
-
2023
- 2023-12-06 CN CN202311661988.1A patent/CN117371623B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115964504A (zh) * | 2021-12-28 | 2023-04-14 | 北方工业大学 | 一种食品安全风险预测方法及系统 |
CN115964503A (zh) * | 2021-12-28 | 2023-04-14 | 北方工业大学 | 基于社区设备设施的安全风险预测方法及系统 |
CN115618098A (zh) * | 2022-09-08 | 2023-01-17 | 淮阴工学院 | 基于知识增强与空洞卷积的冷链物流推荐方法及装置 |
CN116183195A (zh) * | 2022-12-19 | 2023-05-30 | 广东电网有限责任公司广州供电局 | 开关机械状态评估方法、装置、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN117371623A (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
CN110609200B (zh) | 一种基于模糊度量融合判据的配电网接地故障保护方法 | |
CN109767054A (zh) | 基于深度神经网络算法的能效云评估方法及边缘能效网关 | |
CN108133225A (zh) | 一种基于支持向量机的覆冰闪络故障预警方法 | |
CN110619479B (zh) | 光伏组件的故障判别模型建模方法及故障判别方法 | |
CN110879377B (zh) | 基于深度信念网络的计量装置故障溯源方法 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及系统 | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN114723285A (zh) | 一种电网设备安全性评估预测方法 | |
CN116401532B (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
CN110348683A (zh) | 电能质量扰动事件主成因分析方法、装置设备及存储介质 | |
CN116011158A (zh) | 一种低压台区的拓扑识别方法、系统及装置 | |
CN112684295A (zh) | 一种基于相似离度的高渗透率下配电网故障选线方法及系统 | |
CN115526258A (zh) | 基于Spearman相关系数特征提取的电力系统暂稳评估方法 | |
CN116027158A (zh) | 一种高压电缆局放故障预测方法及系统 | |
Liu et al. | An approach for online smart meter error estimation | |
CN114116832A (zh) | 一种基于数据驱动的配电网异常识别方法 | |
CN117371623B (zh) | 一种电能表运行状态预警方法及系统 | |
CN111626559A (zh) | 一种基于主因子分析法的中压配电网线损关键特征指标提取方法及系统 | |
CN116879672A (zh) | 一种基于时间卷积网络的台区总表故障智能辨识方法 | |
CN115880472A (zh) | 一种电力红外图像数据智能诊断分析系统 | |
CN114372640A (zh) | 一种基于波动序列分类校正的风电功率预测方法 | |
CN115545422A (zh) | 一种基于改进决策机制的台区户变关系识别方法 | |
Wu et al. | Power system bad load data detection based on an improved fuzzy C-means clustering algorithm |
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 |