[发明专利]一种基于1D-CNN的异常数据判别方法及系统

说明书

本发明公开了一种基于1D‑CNN的异常数据判别方法及装置，其中方法包括：建立一维卷积神经网络模型，确定所述一维积神经网络模型的结构；对所述一维卷积神经网络模型进行训练，基于训练后的所述一维卷积神经网络模型判别样本数据中的初始异常数据；对所述初始异常数据进行精度评估，基于评估结果，确定最终异常数据。本发明技术方案提出一种基于1D‑CNN的异常数据判别方法，为统计控制图的建立做好前期数据筛选，确保控制图的准确可靠。

技术领域

本发明涉及低压电流互感器检定数据判别技术领域，更具体地，涉及一种基于1D-CNN的异常数据判别方法及系统。

背景技术

低压电流互感器用于0.4kV配电线路中的电能计量。为了保证电能贸易结算的公平公正，低压电流互感器必须经检定合格后才能在现场进行安装和投运。随着我国经济的快速发展，各个地区对电力的需求与日俱增，计量用低压电流互感器的使用量也同步迅速增加。传统的手工方式检定低压电流互感器，工作效率较低，运营成本较高，难以保证检定标准和检定结果的高度一致。针对流水线研制特定的核查标准，同正常试品一样上流水线检定，并根据其在流水线上的检定数据和控制图反映流水线计量性能，使流水线的测量过程始终处于受控状态，给计量监督工作提供了强有力的数据支撑。

现有技术的控制图方法用于工业生产及开发应用，而现在控制图方法也广泛地应用于大范围的服务和辅助活动中。其主要用途是提供一种手段，以评估生产运行或管理过程是否处于“统计控制状态”。最初建立的控制图方法用于工业生产及开发应用，而现在控制图方法也广泛地应用于大范围的服务和辅助活动中。

因此，需要一种技术，以实现对低压电流互感器测量结果的异常数据进行判别。

发明内容

本发明技术方案提供一种基于1D-CNN的异常数据判别方法及系统，以解决如何对低压电流互感器测量结果的计量数据进行判别。

为了解决上述问题，本发明提供了一种基于1D-CNN的异常数据判别方法，所述方法包括：

建立一维卷积神经网络模型，确定所述一维积神经网络模型的结构；

对所述一维卷积神经网络模型进行训练，基于训练后的所述一维卷积神经网络模型判别样本数据中的初始异常数据；

对所述初始异常数据进行精度评估，基于评估结果，确定最终异常数据。

优选地，所述一维积神经网络模型包括：卷积层、池化层和全连接层；

所述卷积层通过训练得到满足损失函数最小的一组最优卷积核，基于所述最优卷积核进行样本数据的特征提取，获取提取特征；

通过池化层从所述卷积层中提取出所述样本数据的特征提取中的主要特征；

通过池化层确定所述卷积层中提取的所述提取特征的主要特征；

通过所述全连接层对所述主要特征进行处理，输出样本数据的分类结果。

优选地，所述卷积层的运算公式为：

f_r(z)＝max(z,0) (2)

公式(1)中：f_r为激活函数ReLu函数，X∈R^d为输入，d为输入数据特征的个数，*表示一维卷积运算；表示由卷积核生成的第j个特征映射，j∈[1,n_c]，n_c表示卷积核个数(多个卷积核可生成多个特征映射，并联后构成卷积层)；卷积核为一个权值矩阵，其中m为卷积核尺寸，对于时间序列，m表示提取时序特征的局部时间窗宽度；b为偏置；这里采用深度学习界主流激活函数ReLu，它可以加速模型收敛，增强模型的稀疏表示。