[发明专利]一种堆叠循环神经网络的电表故障诊断方法及装置

说明书

本发明公开了一种堆叠循环神经网络的电表故障诊断方法和装置，所述方法，包括以下步骤:获取与待诊断电表关联的电流时序数据，将预处理后的电流时序数据输入训练好的堆叠循环神经网络模型，得到所述电流时序数据对应的输出其中，所述为一个L维的向量，L等于所述模型需要判别的故障类别总数；根据所述电流时序数据对应的输出确定待诊断电表的诊断类别。本发明可以有效表征不同类型的电表故障，实现电表故障的自动诊断；而且，堆叠循环神经网络模型的输入为电流时序数据，可有效的提取动态时序特征，而非独立的静态特征，从而可提升模型对故障类型的表征能力和通用性。

技术领域

本发明涉及电表故障诊断技术领域，具体涉及一种堆叠循环神经网络的电表故障诊断方法及装置。

背景技术

随着国家电网全面推进电表智能化改造，已有数以亿级的智能电表部署到全国各地，其中对电能表故障有效诊断是智能电表日常运维一个重要工作。传统的诊断方式，是通过对电表的抽样和轮换来进行在诊断，但这将耗费大量的人力和时间。随着智能电表的普及，这种方式越来越难以满足需求，因此，基于海量的智能电表用采数据(即用电信息采集系统的数据)，构建计算机自动判别模型，已经成为应对当前现状有效解决方式。

传统的诊断方法如下：1)专利CN110794360A-一种基于机器学习预测智能电能表故障的方法及系统，提出了一种基于机器学习预测智能电能表故障的方法及系统，通过智能电表故障数据进行分析，可以有效的预测出智能电表的故障类型；2)专利CN106154209A-基于决策树算法的电能表故障预测方法，提出了一种基于决策树算法的电能表故障预测算法，通过采集装置采集用户的相关数据，用决策树算法简历电能表故障预测模型。3)专利CN108732528A-一种基于深度置信网络的数字化电能表故障诊断方法，提出了一种基于深度置信网络模型，自动学习各种故障下各采集数据的变化特征，实现对数字化电能表故障诊断。

但专利CN106154209A-基于决策树算法的电能表故障预测方法和专利CN106154209A-基于决策树算法的电能表故障预测方法，使用机器学习模型，需要根据不同故障类型和相关故障类型，人工设置模型特征，模型构建前期，需要耗费大量时间进行模型特征设计，如果有新增故障类型，需要重新人工设计模型特征，重新训练，扩展性较低；专利CN108732528A-一种基于深度置信网络的数字化电能表故障诊断方法，构建了一种深度置信网络模型，可以基于原始用采数据，实现自动提取特征，但是所采用的原始数据，本质是静态的，没有时序相关性，同时所设计的网络结构本身也无法提取时序信息，降低了模型对故障的表征能力。

发明内容

鉴于以上技术问题，本发明的目的在于提供一种堆叠循环神经网络的电表故障诊断方法及装置，解决传统的电表故障诊断方法需要耗费大量时间进行模型特征设计或没有时序相关性的问题。

本发明采用以下技术方案：

一种堆叠循环神经网络的电表故障诊断方法，包括以下步骤:

获取与待诊断电表关联的电流时序数据，并对所述电流时序数据进行预处理，得到预处理后的电流时序数据；所述预处理后的电流时序数据为I＝(I₁,I₂,...I_a,...In),其中，I₁为第1天的电流时序数据,I_a为第a天的电流时序数据，I_n为第n天的电流时序数据；其中，a和n均为自然数；

将预处理后的电流时序数据输入训练好的堆叠循环神经网络模型，得到所述电流时序数据对应的输出其中，所述为一个L维的向量，L等于所述模型需要判别的故障类别总数；所述堆叠循环神经网络模型包括第一循环神经网络和第二循环神经网络；第一循环神经网络第a天的输入为第a天生成的行向量H_a和第a-1天循环神经网络单元的中间状态输出S_a-1；所述输出由第一循环神经网络的中间状态Sn通过仿射变换和非线性激活得到；所述第a天生成的行向量H_a由第二循环神经网络的隐藏向量通过仿射变换和非线性激活得到；