[发明专利]基于深度信念网络的计量装置故障溯源方法

说明书

本发明公开了一种基于深度信念网络的计量装置故障溯源方法，综合智能电表的台账数据和故障电表用电特征数据构建样本库，使用深度信念网络模型对离线台账数据样本库进行学习；对训练完成的深度信念网络模型输入在线台账数据样本库所包含的属性数据，实现对计量装置运行状态正常与故障的判断；将检测出故障的电表通过用电曲线故障特征样本库进行进一步故障溯源，最终得到精确的计量装置故障溯源结果。本发明提供的基于深度信念网络的计量装置故障溯源方法，为计量装置轮换周期及检修策略提供科学合理的指导。

技术领域

本发明涉及一种基于深度信念网络的计量装置故障溯源方法，属于电力系统配变数据处理技术领域。

背景技术

目前，电力系统在实际运行过程中产生海量的数据，这些数据的高效采集及使用是智能电网大数据亟待解决的一个重要问题。截止2018年1月，国家电网公司智能电表及用电信息采集已经覆盖经营范围内99％的电力用户，智能电表所采集到的时间序列数据中包含了电力用户丰富的用电行为信息和特征，从而为电力系统用户负荷预测、计划停电管理、电气设备检修、优化调度、合理应对大用户电力负荷变化对电网造成破坏性冲击、控制电网稳定、经济高效运行等工作的建模与预测工作提供了科学的数据基础与指导依据，有助于实现电网企业为电力用户提供个性化可靠供电服务。

随着用采数据的层层传输，如果不及时对异常数据进行清洗，最终用户的电量数据与实际电量数据产生巨大差额。供电企业通过对用户电量的测量、采集和汇总来进行抄核收工作。若不能及时处理用户电量异常数据，会产生极其严重的后果。监察人员在用电监察中没有对用户的实际用电量认真的核对，那么在收取电费时则会出现误收，给供电企业和用电用户必然有一方会遭受损失，甚至引发两者之间的矛盾，影响企业的社会形象。在当前的故障溯源算法方面，人工神经网络要优化的目标函数复杂，处理电网大数据存在效率问题；支持向量等传统机器学习方法数据训练时间较长，处理海量数据样本同样面临严峻挑战，尤其对高维特征数据会出现维度灾难。

发明内容

目的：为了克服现有技术中存在的不足，通过深度学习作为机器学习神经网络算法的扩展与延伸，能有效处理海量数据分类与回归处理时的高维场景问题。针对传统方法在处理海量数据时的处理速度慢、占用内存大、难以处理高维特征等问题，本发明提供一种基于深度信念网络的计量装置故障溯源方法。

技术方案：为解决上述技术问题，本发明采用的技术方案为：

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，当所有相似度均超过设置阈值时，则待测运行电表最终故障溯源结果为故障。

作为优选方案，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：