[发明专利]计量自动化主站的故障预测方法、装置、设备及介质

权利要求书

1.一种计量自动化主站的故障预测方法，其特征在于，包括：

对计量自动化主站的运行数据进行数据清洗，得到目标运行数据；

利用目标故障预测模型中的卷积神经网络，对所述目标运行数据进行特征提取，得到所述目标运行数据的特征序列；

利用所述目标故障预测模型中的长短期记忆网络，根据所述特征序列，对所述计量自动化主站进行故障预测，得到所述计量自动化主站在未来目标时刻的故障概率值；

对所述故障概率值与预设故障阈值进行对比，以确定所述计量自动化主站在未来目标时刻的状态信息，所述状态信息为故障状态或未故障状态。

2.如权利要求1所述的计量自动化主站的故障预测方法，其特征在于，所述利用目标故障预测模型中的卷积神经网络，对所述目标运行数据进行特征提取，得到所述目标运行数据的特征数据之前，还包括：

对计量自动化主站的历史运行数据进行数据清洗，得到运行数据样本；

对所述运行数据样本进行过采样，得到目标运行数据样本；

基于预设的两级时间窗口，对所述目标运行数据样本进行采样，得到包含两级时间窗口的目标样本集，其中所述目标样本集的第一级时间窗口用于记录所述目标运行数据样本，第二级时间窗口用于记录所述计量自动化主站在未来时刻的故障状态标签，所述第一级时间窗口与所述第二级时间窗口的时间长度相同；

利用所述目标样本集，对预设故障预测模型的卷积神经网络和长短期记忆网络进行训练，直至所述预设故障预测模型收敛，得到所述目标故障预测模型。

3.如权利要求2所述的计量自动化主站的故障预测方法，其特征在于，所述对计量自动化主站的历史运行数据进行数据清洗，得到运行数据样本，包括：

获取计量自动化主站采集到的历史运行数据；

对所述历史运行数据进行离群点处理，以去除所述历史运行数据的冗余数据，得到所述运行数据样本。

4.如权利要求2所述的计量自动化主站的故障预测方法，其特征在于，所述对所述运行数据样本进行过采样，得到目标运行数据样本，包括：

对所述运行数据样本进行分类，得到正样本集和负样本集；

生成随机数，并基于所述随机数，从所述正样本集中随机抽取一个正样本，以及从所述负样本集中随机抽取一个负样本；

根据所述正样本和负样本生成新的负样本，并将新的负样本加入到所述负样本集，直至所述正样本集和所述负样本集的样本数量相同。

5.如权利要求1所述的计量自动化主站的故障预测方法，其特征在于，所述利用目标故障预测模型中的卷积神经网络，对所述目标运行数据进行特征提取，得到所述目标运行数据的特征序列，包括：

利用所述卷积神经网络，将所述目标运行数据转换为向量矩阵；

基于所述卷积神经网络的多级卷积层，对所述向量矩阵进行卷积操作，得到每级卷积层输出的特征矩阵；

基于所述卷积神经网络的多级池化层，对每级卷积层输出的特征矩阵进行特征聚合，得到所述目标运行数据的特征序列。

6.如权利要求5所述的计量自动化主站的故障预测方法，其特征在于，所述卷积操作的表达式为：

S＝f(WZ+b)；

其中，S为卷积操作后得到的特征矩阵，W为卷积层的权重矩阵，Z为向量矩阵，b为偏移向量，f表示卷积操作。

7.如权利要求1所述的计量自动化主站的故障预测方法，其特征在于，所述利用所述目标故障预测模型中的长短期记忆网络，根据所述特征序列，对所述计量自动化主站进行故障预测，得到所述计量自动化主站在未来目标时刻的故障概率值，包括：

利用所述长短期记忆网络，对所述特征序列进行特征筛选，得到矢量矩阵；

对所述矢量矩阵进行全连接和激活，得到所述计量自动化主站在未来目标时刻的故障概率值。