《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 其他 > 设计应用 > 基于时空卷积神经网络的智能电表故障预测
基于时空卷积神经网络的智能电表故障预测
2022年电子技术应用第3期
高文俊，薛斌斌，庞振江
北京智芯微电子科技有限公司，北京102299
摘要： 针对智能电表故障具有的突发性、复杂性以及多面性等特点，提出一种基于时空卷积神经网络(ST-CNN)的故障预测方法。该方法首先采用滑动窗口将时间信息融入特征变量中，构建具有时空特性的输入矩阵，然后与CNN相结合，建立智能电表故障预测模型，并采用Adam算法对模型参数进行优化。最后应用现场的实际数据对基于ST-CNN的智能电表故障预测模型进行仿真，结果表明该方法预测精度高，泛化能力强。
中圖分類號： TP183；TM933.4
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.212289
中文引用格式： 高文俊，薛斌斌，龐振江. 基于時空卷積神經(jīng)網(wǎng)絡(luò)的智能電表故障預(yù)測計[J].電子技術(shù)應(yīng)用，2022，48(3)：59-63.
英文引用格式： Gao Wenjun，Xue Binbin，Pang Zhenjiang. Fault prediction of smart meter based on spatio-temporal convolution neural network[J]. Application of Electronic Technique，2022，48(3)：59-63.
Fault prediction of smart meter based on spatio-temporal convolution neural network
Gao Wenjun，Xue Binbin，Pang Zhenjiang
Beijing Zhixin Microelectronics Technology Co.，Ltd.，Beijing 102299，China
Abstract： The faults of smart meters are sudden, complex and multifaceted. A fault prediction method based on spatio-temporal convolutional neural network(ST-CNN) is proposed. Firstly, the sliding window is used to integrate the time information into the characteristic variables, and the input matrix with space-time characteristics is constructed. Then, combined with CNN, the fault prediction model of smart meter is established, and the model parameters are optimized by adaptive momentum estimation (Adam) algorithm. Finally, the actual field data are used to simulate the fault prediction model of smart meter based on ST-CNN. The results show that this method has high prediction accuracy and strong generalization ability.
Key words : smart meter；fault prediction；CNN；spatio-temporal

0 引言

    我國電網(wǎng)從“信息化”向“智能化”發(fā)展是未來的必然趨勢[1]。智能電表是智能電網(wǎng)數(shù)據(jù)采集的基本設(shè)備之一，承擔著原始電能數(shù)據(jù)采集、計量和傳輸?shù)娜蝿?wù)，是實現(xiàn)信息集成、分析優(yōu)化和信息展現(xiàn)的基礎(chǔ)。近年來，隨著智能電網(wǎng)信息采集系統(tǒng)的建設(shè)，智能電表已經(jīng)獲得了大范圍的推廣和應(yīng)用。如此大規(guī)模的智能電表一旦出現(xiàn)故障，會影響到電網(wǎng)的控制和管理，與人民的切身利益和社會的和諧穩(wěn)定密切相關(guān)[2-3]。

    目前，國內(nèi)主要是通過定期巡檢的方式確定電表的故障信息，并作進一步處理。但是該方法需要耗費大量的人力、物力和時間資源，并且需要巡檢人員具備一定的專業(yè)知識[4]。隨著我國科技的快速發(fā)展，越來越多的智能電表數(shù)據(jù)被采集和存儲，采用數(shù)據(jù)挖掘的方法對智能電表的故障數(shù)據(jù)進行特征提取，捕捉各特征間的影響規(guī)律，實現(xiàn)對智能電表的故障預(yù)測成為未來發(fā)展的重要方向[5]。

    近年來，關(guān)于智能電表的故障預(yù)測研究仍處于初步階段。文獻[6]采用一種基于聚類分析和云模型的智能電表故障分類方法，但是聚類的方法很難定義故障的種類。文獻[7]采用基于評分搜索的方法構(gòu)建了貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)，在此基礎(chǔ)之上對智能電表的故障進行預(yù)測和決策分析。但是貝葉斯網(wǎng)絡(luò)對輸入數(shù)據(jù)的表達形式敏感，當屬性個數(shù)較多或?qū)傩灾g相關(guān)性較大，數(shù)據(jù)量較大時，分類效果會受到影響。文獻[8]通過人為刪除重復(fù)數(shù)據(jù)與無關(guān)數(shù)據(jù)，補全數(shù)據(jù)中的缺失值，獲得預(yù)測數(shù)據(jù)和特征數(shù)據(jù)，采用神經(jīng)網(wǎng)絡(luò)的方法對智能電表的故障類型進行分析。該方法可以良好地針對海量數(shù)據(jù)進行建模，但是需要先對數(shù)據(jù)的輸入特征和無關(guān)數(shù)據(jù)進行人為處理，人為選擇的相關(guān)特征很有可能會舍棄掉一部分有用的數(shù)據(jù)信息，使故障預(yù)測精度受到影響。




本文詳細內(nèi)容請下載：http://m.ihrv.cn/resource/share/2000004004。




作者信息：

高文俊，薛斌斌，龐振江

(北京智芯微電子科技有限公司，北京102299)




wd.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。

相關(guān)內(nèi)容