[发明专利]基于深度信念网络的计量装置故障溯源方法

权利要求书

1.一种基于深度信念网络的计量装置故障溯源方法，其特征在于：包括如下步骤：

使用卷积神经网络对已知故障电表的用电特征数据进行特征提取，构建用电曲线故障特征样本库；

使用待测运行电表的台账数据构建在线台账数据样本库；

使用深度信念网络模型对在线台账数据样本库的待测运行电表进行故障溯源，选取判断出故障的待测运行电表；

对故障的待测运行电表的用电特征数据使用卷积神经网络进行特征提取，得到运行曲线特征数据；

比对运行曲线特征数据与用电曲线故障特征样本库中故障曲线特征数据的相似度，当所有相似度超过设置阈值时，则待测运行电表最终故障溯源结果为故障。

2.根据权利要求1所述的基于深度信念网络的计量装置故障溯源方法，其特征在于：所述卷积神经网络采用离线台账数据样本库进行学习；所述离线台账数据样本库包括已故障电表和正常电表台账数据的使用地区、表记类别、生产厂家、行业类别、标定电流的属性数据；

所述深度信念网络是由多个受限玻尔兹曼机堆叠组成的神经网络模型，其核心是RBM单元；每一个RBM都包括一个隐含层和可见层；此结构中层内神经元之间没有连接，层间所有神经元通过权重全部互相连接；RBM是一种基于能量的模型，对于状态(v,h)确定的RBM系统所具有的能量表示为：

式中：θ＝(w_ij,a_i,b_j)为RBM参数，n、m分别为可见层与隐含层神经元数量；v为可见层输入，其表示异常电表的台账信息输入；v_i表示可见层神经元i的状态，设定其偏置值为a_i；h为隐含层输出，输出为0或1，表示电表未发生故障或电表发生故障；h_j表示隐含层神经元j的状态，设定偏置值为b_j；神经元i和j连接权重定义为w_ij；

由能量函数E，可得到(v,h)的联合概率分布为：

上式中Z(θ)为归一化因子，其表达式如下式：

当学习样本的数量为N时，参数θ通过学习样本的最大对数似然函数得到，公式如下：

上式中n′为学习样本，p(v|θ)为观测数据v的似然函数，其表达式如下式：

从可见层计算隐含层，再反馈到可见层；重建后的可见层神经元再一次计算隐含层神经元的实际状态；根据可见层神经元状态计算隐含层第j个神经元，激活概率为：

由隐含层重建可见层第i个神经元，设定p为激活的概率，公式如下：

由随机梯度上升法求解最大对数似然函数值，得到深度信念网络参数变化量计算准则为：

式中：Δw_ij、Δa_i、Δb_j分别为w_ij、a_i、b_j的变化量，＜·＞_data为原始观测数据模型定义的分布；＜·＞_recon为重构后模型定义的分布；

考虑学习率ε的深度信念网络参数更新准则为：

其中，k代表模型迭代计算的次数，ε为学习率，为模型迭代计算第k次的神经元i和j连接权重，为模型迭代计算第k+1次的神经元i和j连接权重，为模型迭代计算第k次的可见层神经元i的状态的偏置值，为模型迭代计算第k+1次的可见层神经元i的状态的偏置值，为模型迭代计算第k次的隐含层神经元j的状态的偏置值，为模型迭代计算第k+1次的隐含层神经元j的状态的偏置值。

3.根据权利要求1所述的基于深度信念网络的计量装置故障溯源方法，其特征在于：所述在线台账数据样本库包括待测运行电表台账数据的使用地区、表记类别、生产厂家、行业类别、标定电流的属性数据。

4.根据权利要求1所述的基于深度信念网络的计量装置故障溯源方法，其特征在于：所述用电特征数据包括：电流、功率曲线。