CN117556715B - 基于信息融合的典型环境下智能电表退化分析方法及系统 - Google Patents
基于信息融合的典型环境下智能电表退化分析方法及系统 Download PDFInfo
- Publication number
- CN117556715B CN117556715B CN202410044729.2A CN202410044729A CN117556715B CN 117556715 B CN117556715 B CN 117556715B CN 202410044729 A CN202410044729 A CN 202410044729A CN 117556715 B CN117556715 B CN 117556715B
- Authority
- CN
- China
- Prior art keywords
- convolution
- feature
- layer
- humidity
- scale composite
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 84
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 53
- 230000015556 catabolic process Effects 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 53
- 238000000605 extraction Methods 0.000 claims abstract description 40
- 239000002131 composite material Substances 0.000 claims description 98
- 238000011176 pooling Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 230000010339 dilation Effects 0.000 claims description 11
- 150000001875 compounds Chemical class 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- BULVZWIRKLYCBC-UHFFFAOYSA-N phorate Chemical compound CCOP(=S)(OCC)SCSCC BULVZWIRKLYCBC-UHFFFAOYSA-N 0.000 claims description 3
- 230000002123 temporal effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 10
- 230000035882 stress Effects 0.000 description 9
- 230000000694 effects Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 5
- 230000006353 environmental stress Effects 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 238000010207 Bayesian analysis Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000009863 impact test Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于信息融合的典型环境下智能电表退化分析方法及系统，本发明方法包括采用多尺度复合卷积神经网络模型来融合输入的时间t、温度T、湿度H获得输出的智能电表测量误差y，多尺度复合卷积神经网络模型针对输入的时间t、温度T、湿度H采用独立的特征多尺度复合卷积层分别提取特征并将特征融合后用于预测输出智能电表测量误差y，特征多尺度复合卷积层包括采用一维复合卷积通过组合标准卷积与扩张卷积在提高信息感受野的同时减少特征盲点。本发明旨在提高传统卷积神经网络的特征提取与多源信息融合性能，充分考虑多源输入特征差异性实现信息融合与特征互补，提高对智能电表退化趋势预测的准确性与可靠性。
Description
技术领域
本发明属于智能电表退化分析技术领域，具体涉及一种基于信息融合的典型环境下智能电表退化分析方法及系统。
背景技术
不同地域自然环境对智能电表的运行状态影响差异明显。典型自然环境包括高干热、高严寒、高盐雾等极端气候环境。当下研究大多仅在环境影响实验箱中对智能电表的运行特性及失效机理进行研究，并未对其在真实现场环境下的运行情况及失效分析方面进行深入探索。环境影响试验箱中的加速试验并不能真实完整的复现智能电表在典型环境中多个自然环境应力叠加下的运行特性及退化趋势。通过对智能电表在典型自然环境下的退化趋势进行预测分析，有助于针对性地调整不同地区智能电表检修策略，减少运维成本以及提高电力服务，进而推动智能电网的发展。
在已知智能电表历史运行数据条件下，基于数据驱动的分析方法是当下智能电表退化研究的主流方向。数据驱动方法利用以往积累的性能数据，通过机器学习、深度学习等智能算法对设备退化趋势进行评估。这些智能算法包括层次贝叶斯、支持向量回归以及神经网络等预测方法。层次贝叶斯分析可以充分考虑设备退化过程的不确定性，通过合适的先验分布对设备的失效机理进行假设，从而对模型的输入特征进行合理评估。但在实际应用中，不同场景下的智能电表的退化趋势大不相同，固有的先验分布难以满足典型环境下退化分析的需要。
支持向量回归与神经网络模型无需对失效机理进行先验假设，因而适用于多应力影响下的设备退化预测问题。然而，支持向量回归中单一经验核函数难以体现不同特征的影响效果，且其多应用于小样本分析条件。相比之下，神经网络模型具有大样本数据条件下学习能力强的优势，因此更适用于大样本下智能电表退化趋势分析问题。随着计算机技术的发展，基于深度学习思想的卷积神经网络的应用愈发广泛。然而，以往卷积神经网络模型在对多环境影响下智能电表的退化趋势分析研究尚为有限。其对多源特征进行处理分析时难以考虑不同特征之间的差异性，且缺乏有效的多源特征信息提取与融合机制。
总而言之，对典型自然环境下智能电表的实际退化趋势分析已成为一项亟待解决的关键技术问题。但是，现有基于数据驱动的不同模式退化预测方法各有优劣，在大样本智能电表历史运行数据条件下，如何充分利用多个环境应力特征信息进而提供准确可靠的退化趋势预测结果有待进一步探索。
发明内容
本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于信息融合的典型环境下智能电表退化分析方法及系统，本发明旨在增强卷积信息感受野的同时减少特征盲点，提高传统卷积神经网络的特征提取与多源信息融合性能，充分考虑多源输入特征差异性实现信息融合与特征互补，提高对智能电表退化趋势预测的准确性与可靠性。
为了解决上述技术问题，本发明采用的技术方案为：
一种基于信息融合的典型环境下智能电表退化分析方法，包括采用多尺度复合卷积神经网络模型来融合输入的时间t、温度T、湿度H获得输出的智能电表测量误差y，所述多尺度复合卷积神经网络模型针对输入的时间t、温度T、湿度H采用独立的特征多尺度复合卷积层分别提取特征并将特征融合后用于预测输出智能电表测量误差y，所述特征多尺度复合卷积层包括采用下式所示的一维复合卷积通过组合标准卷积与扩张卷积在提高信息感受野的同时减少特征盲点：
，
上式中，为一维复合卷积的输出特征，/>为复合卷积比例因子，其取值范围为0到1，用来控制复合卷积中标准卷积/>与扩张卷积/>的比例；/>表示在第r个卷积层中时间，温度以及湿度所对应的标准卷积核权值，/>表示偏置项，符号/>表示标准卷积操作，f为激活函数，m为扩张因子，与/>分别表示扩张卷积的权值与偏置项，符号/>表示扩张卷积操作。
可选地，所述特征多尺度复合卷积层分别由卷积核尺寸为和/>的两个一维复合卷积组成。
可选地，所述特征多尺度复合卷积层的函数表达式为：
，
上式中，为特征多尺度复合卷积层的输出特征，/>，/>分别表示卷积核尺寸为时标准卷积的权值与偏置项，/>，/>分别表示卷积核尺寸为/>时扩张卷积的权值与偏执项，/>，/>分别表示卷积核尺寸为/>时标准卷积的权值与偏置项，/>，/>分别表示卷积核尺寸为/>时扩张卷积的权值与偏执项，利用填充操作确保卷积核尺寸为和卷积核尺寸为/>的两类特征多尺度复合卷积层的输出尺寸保持一致。
可选地，所述多尺度复合卷积神经网络模型分别包括输入为时间t的时间分支、输入为温度T的温度分支、输入为湿度H的湿度分支共三个分支，且由时间分支输出智能电表测量误差y，所述温度分支包括级联的两组温度特征提取单元，所述温度特征提取单元包括依次相连的特征多尺度复合卷积层、批量归一化层BN、激活函数层以及最大池化层，所述湿度分支包括级联的两组湿度特征提取单元，所述湿度特征提取单元包括依次相连的特征多尺度复合卷积层、批量归一化层BN、激活函数层以及最大池化层，所述时间分支包括级联的两组特征融合单元、一维复合卷积、最大池化层和一个或多个全连接层，所述特征融合单元包括依次相连的特征多尺度复合卷积层、批量归一化层BN、激活函数层、最大池化层以及特征融合层，且第一组特征融合单元的特征融合层将第一组温度特征提取单元、第一组湿度特征提取单元的输出作为输入以实现特征融合，第二组特征融合单元的特征融合层将第二组温度特征提取单元、第二组湿度特征提取单元的输出作为输入以实现特征融合。
可选地，所述特征融合层的函数表达式为：
，
上式中，为第r个特征融合层的输出特征，/>为输入第r个特征融合层的时间特征，/>为输入第r个特征融合层的温度特征，/>为输入第r个特征融合层的湿度特征，/>为通过取最大值后获得的时间特征；/>为通过取最大值后获得的温度特征，/>为通过取最大值后获得的湿度特征。
可选地，所述时间分支中全连接层前的最大池化层输出的特征长度为：
，
上式中，为时间分支中全连接层前的最大池化层输出的特征长度，/>为输入全连接层前的最大池化层的特征长度，p与/>为分别为下采样因子的长度与滑动步长。
可选地，所述时间分支中全连接层前的最大池化层所提取到的特征输出结果被展开其长度变为，其中d为多尺度复合卷积层的深度，/>为时间分支中全连接层前的最大池化层输出的特征长度。
可选地，所述多尺度复合卷积神经网络模型的训练包括：
S101，在典型自然环境下采集智能电表的运行状态数据集其中t为数据采集的时间，T为温度应力，H为湿度应力，Me为智能电表测量误差；
S102，将运行状态数据集D进行处理，以时间t、温度T、湿度H构建维数为3的输入变量，以智能电表测量误差Me构建维数为1的输出变量/>，利用z分数法对输入进行归一化处理，将输入变量/>和输出变量/>构建训练集和测试集；
S103，将输入变量作为多尺度复合卷积神经网络模型的输入、输出变量/>作为多尺度复合卷积神经网络模型的输出，基于训练集训练多尺度复合卷积神经网络模型，并保存最优的多尺度复合卷积神经网络模型；
S104，基于测试集测试最优的多尺度复合卷积神经网络模型，得到最优的多尺度复合卷积神经网络模型的准确度，若准确度满足要求，则判定多尺度复合卷积神经网络模型训练完毕，否则，跳转步骤S103继续迭代训练多尺度复合卷积神经网络模型。
此外，本发明还提供一种基于信息融合的典型环境下智能电表退化分析系统，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述基于信息融合的典型环境下智能电表退化分析方法。
此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序用于被微处理器编程或配置以执行所述基于信息融合的典型环境下智能电表退化分析方法。
和现有技术相比，本发明主要具有下述优点：
1、针对典型自然环境下智能电表退化趋势分析过程中对特征信息利用率不足，预测准确度较低的问题，本发明结合智能电表在我国新疆维吾尔自治区高干热试验基地的运行状态数据，提出基于多尺度复合卷积神经网络的智能电表误差预测方法。依据不同输入应力的数据特征，构建不同的特征信息提取子模块，提出一维复合卷积代替传统的标准卷积以实现准确可靠的特征信息提取，在复合卷积基础上采用不同尺寸的卷积核提取多个尺度的特征信息并组合，随后进一步提出特征融合层实现多源特征信息的有效结合，以提高智能电表退化趋势预测的准确性。依据本发明的研究结果，可为多应力下智能电表退化分析作出技术指导，为电网公司在不同典型自然环境下智能电表的选型、运维提供理论支撑。
2、本发明既适用于智能电表，也可应用于不同典型环境下其他计量设备的退化趋势评估，具有通用性强的特点。
附图说明
图1为本发明实施例方法的基本流程示意图。
图2为本发明实施例中标准卷积（a）与扩张卷积（b）的原理图。
图3为本发明实施例中多尺度复合卷积神经网络模型的网络结构示意图。
图4为本发明实施例中多尺度复合卷积神经网络模型的训练流程示意图。
具体实施方式
在多环境应力作用下对智能电表退化趋势进行准确的预测是一项富有挑战性的任务。因此迫切需要具有多视域效果的分析模型以同时考虑多源特征的作用效果，实现有效的多源特征信息提取与融合以提高对智能电表退化趋势预测的准确性与可靠性。下文将结合具体的实施例对本发明进行进一步的详细说明。
如图1所示，本实施例基于信息融合的典型环境下智能电表退化分析方法包括采用多尺度复合卷积神经网络模型来融合输入的时间t、温度T、湿度H获得输出的智能电表测量误差y，所述多尺度复合卷积神经网络模型针对输入的时间t、温度T、湿度H采用独立的特征多尺度复合卷积层分别提取特征并将特征融合后用于预测输出智能电表测量误差y。
在输入层面，为了充分考虑应力特征的差异性，在多尺度复合卷积神经网络模型中利用不同的特征提取模块对时间，温度以及湿度信息分别进行提取。此外，一个一维复合卷积被提出并应用于时间t、温度T、湿度H的三个特征提取子模块以提高特征有效性。具体地，本实施例中特征多尺度复合卷积层包括采用下式所示的一维复合卷积通过组合标准卷积与扩张卷积在提高信息感受野的同时减少特征盲点：
，
上式中，为一维复合卷积的输出特征，/>为复合卷积比例因子，其取值范围为0到1，用来控制复合卷积中标准卷积/>与扩张卷积/>的比例；/>表示在第r个卷积层中时间，温度以及湿度所对应的标准卷积核权值，/>表示偏置项，符号/>表示标准卷积操作，f为激活函数，m为扩张因子，与/>分别表示扩张卷积的权值与偏置项，符号/>表示扩张卷积操作。本实施例中，一维复合卷积由标准卷积与扩张卷积组成。对于输入/>，一维标准卷积表达式为：
，
其中，表示在第r个卷积层中时间，温度以及湿度所对应的标准卷积核权值，/>表示偏置项，符号/>表示标准卷积操作，f为激活函数，本发明中使用ReLU作为激活函数。
对于输入，一维扩张卷积表达式为：
，
其中，m为扩张因子，与/>分别表示扩张卷积的权值与偏置项，符号/>表示扩张卷积操作。相较于标准卷积，扩张卷积在进行特征提取时，通过调节扩张因子能提供更为广阔的感受野。然而，当卷积层中的卷积操作全部替换为扩张卷积，容易出现特征盲点问题，造成信息损失。如图2中的（a）所示，当卷积核尺寸为3时，标准卷积的感受野范围即为3；如图2中的（b）所示，而使用扩张因子m=2的扩张卷积时，感受野范围增加到5，其信息感受野得到了有效的提升，但感受野扩大易出现特征盲点问题。为此本实施例提出一维复合卷积，通过组合标准卷积与扩张卷积，在提高信息感受野的同时减少特征盲点。
在一维复合卷积中，卷积核的尺寸直接影响其对特征信息的提取结果。作为传统单一的卷积核尺寸的改进，本实施例在前述一维复合卷积基础上提出采用两种不同尺寸的卷积核即征多尺度复合卷积层分别由卷积核尺寸为和/>的两个一维复合卷积组成。通过/>和/>的两个一维复合卷积分别提取低维特征信息/>与高维特征信息/>，随后进行组合，以实现有效的特征信息融合，具体地本实施例中特征多尺度复合卷积层的函数表达式为：
，
上式中，为特征多尺度复合卷积层的输出特征，/>，/>分别表示卷积核尺寸为时标准卷积的权值与偏置项，/>，/>分别表示卷积核尺寸为/>时扩张卷积的权值与偏执项，/>，/>分别表示卷积核尺寸为/>时标准卷积的权值与偏置项，/>，/>分别表示卷积核尺寸为/>时扩张卷积的权值与偏执项，利用填充操作确保卷积核尺寸为和卷积核尺寸为/>的两类特征多尺度复合卷积层的输出尺寸保持一致。
需要说明的是，卷积神经网络模型一般由特征提取和分类预测组成，因此前述特征多尺度复合卷积层可根据需要代替现有卷积神经网络模型中的卷积模块，即可达到通过组合标准卷积与扩张卷积在提高信息感受野的同时减少特征盲点，能够提高传统卷积神经网络的特征提取与多源信息融合性能，可充分考虑多源输入特征差异性，进而实现信息融合与特征互补，提高对智能电表退化趋势预测的准确性与可靠性，提供准确有效的典型环境下智能电表退化趋势预测结果。
作为一种可选的实施方式，如图3所示，本实施例的多尺度复合卷积神经网络模型分别包括输入为时间t的时间分支、输入为温度T的温度分支、输入为湿度H的湿度分支共三个分支，且由时间分支输出智能电表测量误差y，所述温度分支包括级联的两组温度特征提取单元，所述温度特征提取单元包括依次相连的特征多尺度复合卷积层（图中表示为a1）、批量归一化层BN（图中省略未绘出）、激活函数层（图中省略未绘出）以及最大池化层（图中表示为a2），所述湿度分支包括级联的两组湿度特征提取单元，所述湿度特征提取单元包括依次相连的特征多尺度复合卷积层（图中表示为b1）、批量归一化层BN（图中省略未绘出）、激活函数层（图中省略未绘出）以及最大池化层（图中表示为b2），所述时间分支包括级联的两组特征融合单元、一维复合卷积（图中表示为c1）、最大池化层（图中表示为c2）和一个或多个全连接层（图中表示为c3），所述特征融合单元包括依次相连的特征多尺度复合卷积层（图中表示为c11）、批量归一化层BN（图中省略未绘出）、激活函数层（图中省略未绘出）、最大池化层（图中表示为c12）以及特征融合层（图中表示为c13），且第一组特征融合单元的特征融合层将第一组温度特征提取单元、第一组湿度特征提取单元的输出作为输入以实现特征融合，第二组特征融合单元的特征融合层将第二组温度特征提取单元、第二组湿度特征提取单元的输出作为输入以实现特征融合。本实施例在获得特征多尺度复合卷积层的结果后，为加快多尺度复合卷积神经网络模型的收敛同时减少过拟合，引入批量归一化层BN将特征多尺度复合卷积层的输出转化为一个新的高斯分布，其计算函数表达式为：
，
上式中，E与V分别表示特征多尺度复合卷积层的输出特征的均值与方差，/>与则分别表示尺度与位移参数。随后使用激活函数层进行激活操作，本实施例中具体采用ReLU函数进行激活操作，其函数表达式为：
，
上式中，为ReLU函数的输出，/>为ReLU函数的输入。
本实施例中时间分支中全连接层前的最大池化层输出的特征长度为：
，
上式中，为时间分支中全连接层前的最大池化层输出的特征长度，/>为输入全连接层前的最大池化层的特征长度，p与/>为分别为下采样因子的长度与滑动步长。
假设最大池化层的输出为，在三个特征提取子模块分别获得时间、温度以及湿度的特征提取结果后，本实施例进一步提出特征融合层实现对不同特征信息的有效融合。假定在第r个融合层的特征为/>，本实施例特征融合层的函数表达式为：
，
上式中，为第r个特征融合层的输出特征，/>为输入第r个特征融合层的时间特征，/>为输入第r个特征融合层的温度特征，/>为输入第r个特征融合层的湿度特征，/>为通过取最大值后获得的时间特征；/>为通过取最大值后获得的温度特征，/>为通过取最大值后获得的湿度特征。可以看出，在智能电表退化预测中，相较于单一特征提取层，融合层可以获得更为全面的特征信息，包括时间，温度以及湿度信息。这三类特征信息相辅相成，即使当其中某一信息较弱时也仍然能通过另外两类信息获取较强的信号特征，进而提高智能电表退化预测的准确性。
本实施例的时间分支包括级联的两组特征融合单元、一维复合卷积、最大池化层和一个或多个全连接层，通过两组特征融合单元的特征融合层后，再利用一维复合卷积进行特征提取，本发明中该复合卷积尺寸设置为，随后进行一次最大池化。本实施例时间分支中全连接层前的最大池化层所提取到的特征输出结果被展开其长度变为/>，其中d为多尺度复合卷积层的深度，/>为时间分支中全连接层前的最大池化层输出的特征长度。最后，在经过多个全连接层（参见图3，本实施例中具体为三个权连接层）传递后，可以获得智能电表测量误差的最终预测结果并进行退化评估。
如图4所示，本实施例中多尺度复合卷积神经网络模型的训练包括：
S101，在典型自然环境下采集智能电表的运行状态数据集其中t为数据采集的时间，T为温度应力，H为湿度应力，Me为智能电表测量误差；本实施例中具体为将待测智能电表在高干热自然环境下带电实时运行，利用某地的高干热试验基地标准源产生电能消耗，标准表计量待测智能电表的测量误差，采用温度、湿度传感器记录智能电表所处的温度与湿度应力数值。数据采集时间从2017年12月到2020年1月，按天进行整理，再上传至基地数据采集系统，存储、积累智能电表在高干热自然环境下的运行状态数据集D；
S102，将运行状态数据集D进行处理，以时间t、温度T、湿度H构建维数为3的输入变量，以智能电表测量误差Me构建维数为1的输出变量/>，利用z分数法对输入进行归一化处理，将输入变量/>和输出变量/>构建训练集和测试集，例如作为一种可选的实施方式，本实施例中划分比例按照4:1进行分配；
S103，将输入变量作为多尺度复合卷积神经网络模型的输入、输出变量/>作为多尺度复合卷积神经网络模型的输出，基于训练集训练多尺度复合卷积神经网络模型，并保存最优的多尺度复合卷积神经网络模型；
S104，基于测试集测试最优的多尺度复合卷积神经网络模型，得到最优的多尺度复合卷积神经网络模型的准确度，若准确度满足要求，则判定多尺度复合卷积神经网络模型训练完毕，否则，跳转步骤S103继续迭代训练多尺度复合卷积神经网络模型。
本实施例中多尺度复合卷积神经网络模型搭建基于Pytorch平台，所配置的GPU为GTX 1650，在基于训练集训练多尺度复合卷积神经网络模型时，采用均方误差（MSE）损失函数计算模型的预测损失，整个训练过程的目标即是最小化预测损失，选择Adam优化器，利用反向传播更新模型参数。设置网络学习率为0.001，迭代训练次数为60次。模型训练完成后，利用测试集数据测试本实施例中多尺度复合卷积神经网络模型的预测性能，选择均方根误差（RMSE）、平均绝对误差（MAE）作为评价指标，计算表达式为：
，/>，
其中，N为测试集样本长度，为实际的智能电表测量误差值，/>为模型预测智能电表测量误差值。
为验证环境应力的影响效果，同时测试本实施例提出的多尺度复合卷积神经网络模型的信息融合效果，本实施例中分别比较了输入为时间，时间+温度，时间+湿度，以及时间+温度+湿度时模型的预测性能。需要指出的是，当输入仅为时间时，温度子模块与湿度子模块将不产生效果，当输入为时间与温度时，融合层仅融合时间信息与温度信息，以此类推。不同输入特征下，多尺度复合卷积神经网络模型的预测性能如表1所示。
表1 不同输入特征下模型预测性能表：
由表1可以看出，环境信息对智能电表退化趋势具有不同程度的影响，同时本实施例提出的多尺度复合卷积神经网络模型可以有效融合不同环境信息以提高预测性能。如仅考虑时间输入时，其均方根误差（RMSE）、平均绝对误差（MAE）为0.0518与0.0414，当利用多尺度复合卷积神经网络融合时间，温度以及湿度信息后，其均方根误差（RMSE）、平均绝对误差（MAE）分别降低为0.0419与0.0257，验证了模型的有效性。此外，相比湿度特征，温度对智能电表退化趋势具有更高的影响，其对模型均方根误差（RMSE）、平均绝对误差（MAE）的降低幅度更为明显。依据实验结果，对该型号智能电表，在其设计改造中，应加强其温度适应能力，从而提高在该高干热环境下的运行稳定性。
此外，为验证本实施例中复合卷积的特征信息提取效果，在本实施例中当固定输入为时间+温度+湿度时，分别比较了卷积层为标准卷积，扩张卷积，以及复合卷积时的模型预测性能，实验结果如表2所示。
表2 不同卷积方式时模型预测性能表：
由表2可以看出，不同的卷积方式直接影响多尺度复合卷积神经网络模型的特征学习能力。相比一维标准卷积，一维扩张卷积通过提高信息感受野可以增强模型的整体预测性能。通过整合标准卷积与扩张卷积，一维复合卷积可以获得最低的均方根误差（RMSE）、平均绝对误差（MAE），进一步验证了本实施例所提出的一维复合卷积优越的信息提取性能。
综上所述，本实施例基于信息融合的典型环境下智能电表退化分析方法利用改进的一维复合卷积，通过组合标准卷积与扩张卷积在提高信息感受野的同时减少特征盲点，能够提高传统卷积神经网络的特征提取与多源信息融合性能，可充分考虑多源输入特征差异性，进而实现信息融合与特征互补，提高对智能电表退化趋势预测的准确性与可靠性，提供准确有效的典型环境下智能电表退化趋势预测结果。
此外，本实施例还提供一种基于信息融合的典型环境下智能电表退化分析系统，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述基于信息融合的典型环境下智能电表退化分析方法。本实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序用于被微处理器编程或配置以执行所述基于信息融合的典型环境下智能电表退化分析方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种基于信息融合的典型环境下智能电表退化分析方法，其特征在于，包括采用多尺度复合卷积神经网络模型来融合输入的时间t、温度T、湿度H获得输出的智能电表测量误差y，所述多尺度复合卷积神经网络模型针对输入的时间t、温度T、湿度H采用独立的特征多尺度复合卷积层分别提取特征并将特征融合后用于预测输出智能电表测量误差y，所述特征多尺度复合卷积层包括采用下式所示的一维复合卷积通过组合标准卷积与扩张卷积在提高信息感受野的同时减少特征盲点：
，
上式中，为一维复合卷积的输出特征，/>为复合卷积比例因子，其取值范围为0到1，用来控制复合卷积中标准卷积/>与扩张卷积/>的比例；表示在第r个卷积层中时间，温度以及湿度所对应的标准卷积核权值，表示偏置项，符号/>表示标准卷积操作，f为激活函数，m为扩张因子，/>与分别表示扩张卷积的权值与偏置项，符号/>表示扩张卷积操作；
所述特征多尺度复合卷积层分别由卷积核尺寸为和/>的两个一维复合卷积组成；所述特征多尺度复合卷积层的函数表达式为：
，
上式中，为特征多尺度复合卷积层的输出特征，/>，/>分别表示卷积核尺寸为/>时标准卷积的权值与偏置项，/>，/>分别表示卷积核尺寸为/>时扩张卷积的权值与偏执项，/>，/>分别表示卷积核尺寸为/>时标准卷积的权值与偏置项，/>，/>分别表示卷积核尺寸为/>时扩张卷积的权值与偏执项，利用填充操作确保卷积核尺寸为/>和卷积核尺寸为/>的两类特征多尺度复合卷积层的输出尺寸保持一致；
所述多尺度复合卷积神经网络模型分别包括输入为时间t的时间分支、输入为温度T的温度分支、输入为湿度H的湿度分支共三个分支，且由时间分支输出智能电表测量误差y，所述温度分支包括级联的两组温度特征提取单元，所述温度特征提取单元包括依次相连的特征多尺度复合卷积层、批量归一化层BN、激活函数层以及最大池化层，所述湿度分支包括级联的两组湿度特征提取单元，所述湿度特征提取单元包括依次相连的特征多尺度复合卷积层、批量归一化层BN、激活函数层以及最大池化层，所述时间分支包括级联的两组特征融合单元、一维复合卷积、最大池化层和一个或多个全连接层，所述特征融合单元包括依次相连的特征多尺度复合卷积层、批量归一化层BN、激活函数层、最大池化层以及特征融合层，且第一组特征融合单元的特征融合层将第一组温度特征提取单元、第一组湿度特征提取单元的输出作为输入以实现特征融合，第二组特征融合单元的特征融合层将第二组温度特征提取单元、第二组湿度特征提取单元的输出作为输入以实现特征融合。
2.根据权利要求1所述的基于信息融合的典型环境下智能电表退化分析方法，其特征在于，所述特征融合层的函数表达式为：
，
上式中，为第r个特征融合层的输出特征，/>为输入第r个特征融合层的时间特征，/>为输入第r个特征融合层的温度特征，/>为输入第r个特征融合层的湿度特征， />为通过取最大值后获得的时间特征；/>为通过取最大值后获得的温度特征，为通过取最大值后获得的湿度特征。
3.根据权利要求1所述的基于信息融合的典型环境下智能电表退化分析方法，所述时间分支中全连接层前的最大池化层输出的特征长度为：
，
上式中，为时间分支中全连接层前的最大池化层输出的特征长度，/>为输入全连接层前的最大池化层的特征长度，p与/>为分别为下采样因子的长度与滑动步长。
4.根据权利要求3所述的基于信息融合的典型环境下智能电表退化分析方法，其特征在于，所述时间分支中全连接层前的最大池化层所提取到的特征输出结果被展开其长度变为，其中d为多尺度复合卷积层的深度，/>为时间分支中全连接层前的最大池化层输出的特征长度。
5.根据权利要求1所述的基于信息融合的典型环境下智能电表退化分析方法，其特征在于，所述多尺度复合卷积神经网络模型的训练包括：
S101，在典型自然环境下采集智能电表的运行状态数据集 其中t为数据采集的时间，T为温度应力，H为湿度应力，Me为智能电表测量误差；
S102，将运行状态数据集D进行处理，以时间t、 温度T、湿度H构建维数为3的输入变量，以智能电表测量误差Me构建维数为1的输出变量/>，利用z分数法对输入进行归一化处理，将输入变量/>和输出变量/>构建训练集和测试集；
S103，将输入变量作为多尺度复合卷积神经网络模型的输入、输出变量/>作为多尺度复合卷积神经网络模型的输出，基于训练集训练多尺度复合卷积神经网络模型，并保存最优的多尺度复合卷积神经网络模型；
S104，基于测试集测试最优的多尺度复合卷积神经网络模型，得到最优的多尺度复合卷积神经网络模型的准确度，若准确度满足要求，则判定多尺度复合卷积神经网络模型训练完毕，否则，跳转步骤S103继续迭代训练多尺度复合卷积神经网络模型。
6.一种基于信息融合的典型环境下智能电表退化分析系统，包括相互连接的微处理器和存储器，其特征在于，所述微处理器被编程或配置以执行权利要求1～5中任意一项所述基于信息融合的典型环境下智能电表退化分析方法。
7.一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其特征在于，所述计算机程序用于被微处理器编程或配置以执行权利要求1～5中任意一项所述基于信息融合的典型环境下智能电表退化分析方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410044729.2A CN117556715B (zh) | 2024-01-12 | 2024-01-12 | 基于信息融合的典型环境下智能电表退化分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410044729.2A CN117556715B (zh) | 2024-01-12 | 2024-01-12 | 基于信息融合的典型环境下智能电表退化分析方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117556715A CN117556715A (zh) | 2024-02-13 |
| CN117556715B true CN117556715B (zh) | 2024-03-26 |
Family
ID=89821936
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410044729.2A Active CN117556715B (zh) | 2024-01-12 | 2024-01-12 | 基于信息融合的典型环境下智能电表退化分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117556715B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543901A (zh) * | 2018-11-20 | 2019-03-29 | 国网辽宁省电力有限公司经济技术研究院 | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 |
| AU2020101900A4 (en) * | 2020-08-21 | 2020-11-05 | Qinghu Rising Sunshine Data Technology (Beijing) Co., Ltd. | A method, device and equipment for detecting abnormal electric meter |
| CN113642255A (zh) * | 2021-09-01 | 2021-11-12 | 中国人民解放军国防科技大学 | 基于多尺度卷积循环神经网络的光伏发电功率预测方法 |
| CN114819315A (zh) * | 2022-04-17 | 2022-07-29 | 北京化工大学 | 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法 |
| 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 |
| WO2022252272A1 (zh) * | 2021-06-03 | 2022-12-08 | 江苏大学 | 一种基于迁移学习的改进vgg16网络猪的身份识别方法 |
| CN115640542A (zh) * | 2022-10-25 | 2023-01-24 | 安徽南瑞中天电力电子有限公司 | 基于贝叶斯理论的智能电能表状态评估方法及评估装置 |
| CN115661034A (zh) * | 2022-09-22 | 2023-01-31 | 北京工业大学 | 基于机器视觉的公路边坡微小位移形变监测方法 |
| CN116862252A (zh) * | 2023-06-13 | 2023-10-10 | 河海大学 | 一种基于复合卷积算子的城市建筑物损失应急评估方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| ES2813777B2 (es) * | 2019-09-23 | 2023-10-27 | Quibim S L | Metodo y sistema para la segmentacion automatica de hiperintensidades de sustancia blanca en imagenes de resonancia magnetica cerebral |
| US11360155B2 (en) * | 2020-09-03 | 2022-06-14 | Volkswagen Aktiengesellschaft | Battery state of health estimator |
| CN114692788B (zh) * | 2022-06-01 | 2022-08-19 | 天津大学 | 基于增量学习的厄尔尼诺极端天气预警方法及装置 |
-
2024
- 2024-01-12 CN CN202410044729.2A patent/CN117556715B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109543901A (zh) * | 2018-11-20 | 2019-03-29 | 国网辽宁省电力有限公司经济技术研究院 | 基于信息融合卷积神经网络模型的短期电力负荷预测方法 |
| AU2020101900A4 (en) * | 2020-08-21 | 2020-11-05 | Qinghu Rising Sunshine Data Technology (Beijing) Co., Ltd. | A method, device and equipment for detecting abnormal electric meter |
| WO2022252272A1 (zh) * | 2021-06-03 | 2022-12-08 | 江苏大学 | 一种基于迁移学习的改进vgg16网络猪的身份识别方法 |
| CN113642255A (zh) * | 2021-09-01 | 2021-11-12 | 中国人民解放军国防科技大学 | 基于多尺度卷积循环神经网络的光伏发电功率预测方法 |
| CN114819315A (zh) * | 2022-04-17 | 2022-07-29 | 北京化工大学 | 基于多参数融合健康因子和时间卷积神经网络的轴承退化趋势预测方法 |
| CN115661034A (zh) * | 2022-09-22 | 2023-01-31 | 北京工业大学 | 基于机器视觉的公路边坡微小位移形变监测方法 |
| 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 |
| CN115640542A (zh) * | 2022-10-25 | 2023-01-24 | 安徽南瑞中天电力电子有限公司 | 基于贝叶斯理论的智能电能表状态评估方法及评估装置 |
| CN116862252A (zh) * | 2023-06-13 | 2023-10-10 | 河海大学 | 一种基于复合卷积算子的城市建筑物损失应急评估方法 |
Non-Patent Citations (4)
| Title |
|---|
| A Novel Multisource Feature Fusion Framework for Measurement Error Prediction of Smart Electricity Meters;Jun Ma 等;《IEEE Sensors Journal 》;20230711;第23卷(第17期);19571 - 19581 * |
| 基于IGA-BP神经网络的智能电能计量设备退化趋势研究;马健 等;《仪器仪表学报》;20211130;第42卷(第22期);123-131 * |
| 基于多尺度卷积策略CNN的滚动轴承故障诊断;张明德;卢建华;马婧华;;重庆理工大学学报(自然科学);20201231(第06期);110-118 * |
| 基于多模态医学图像的Alzheimer病分类方法;韩坤;潘海为;张伟;边晓菲;陈春伶;何舒宁;;清华大学学报(自然科学版);20191218(第08期);664-671+682 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117556715A (zh) | 2024-02-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Modi et al. | Estimation of energy consumption of electric vehicles using deep convolutional neural network to reduce driver’s range anxiety | |
| Alencar et al. | Hybrid approach combining SARIMA and neural networks for multi-step ahead wind speed forecasting in Brazil | |
| 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 | |
| CN115293415A (zh) | 计及时间演变和空间相关的多风电场短期功率预测方法 | |
| CN109784473A (zh) | 一种基于双时序特征学习的短期风功率预测方法 | |
| CN110648014A (zh) | 一种基于时空分位数回归的区域风电预测方法及系统 | |
| CN109615860A (zh) | 一种基于非参数贝叶斯框架的信号交叉口状态估计方法 | |
| CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
| CN102222313A (zh) | 基于核主成分分析的城市演化模拟元胞模型处理方法 | |
| CN110321940A (zh) | 飞行器遥测数据特征提取与分级分类方法及装置 | |
| CN113469427A (zh) | 基于卷积lstm的光伏电站日前发电量预测方法及系统 | |
| CN115618732A (zh) | 核反应堆数字孪生关键参数自主优化数据反演方法 | |
| CN113642255A (zh) | 基于多尺度卷积循环神经网络的光伏发电功率预测方法 | |
| CN114498619A (zh) | 一种风电功率预测方法及装置 | |
| CN115063972B (zh) | 基于图卷积和门控循环单元的交通速度预测方法和系统 | |
| CN113988415B (zh) | 一种中长期电力负荷预测方法 | |
| CN201716727U (zh) | 基于遥感与gis的地理模拟系统 | |
| CN113408192B (zh) | 基于ga-fsvr的智能电表误差预测方法 | |
| CN117556715B (zh) | 基于信息融合的典型环境下智能电表退化分析方法及系统 | |
| CN117833231A (zh) | 基于Bi-LSTM和双重注意力机制的负荷预测方法 | |
| Ji et al. | Multi-indicators prediction in microservice using Granger causality test and Attention LSTM | |
| Zhang et al. | Structural Vibration Data Anomaly Detection Based on Multiple Feature Information Using CNN‐LSTM Model | |
| Xiong et al. | A Unifying Framework of Attention-Based Neural Load Forecasting | |
| CN115186927A (zh) | 一种基于数值天气预报和模型融合的风向预测方法及系统 | |
| Fankhauser et al. | Impute Water Temperature in the Swiss River Network Using LSTMs. |
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 |