基于GRU优化用电信息采集终端故障预测模型的方法及系统技术方案

本发明专利技术公开了一种基于GRU优化的用电信息采集终端故障预测方法及系统，所述方法包括：接收终端故障的样本数据，提取与终端故障相关的属性特征；根据属性特征中与终端采集数据稳定状态、传输网络数据稳定状态相关的属性特征，利用GRU门控机制进行稳定状态预测；基于所述属性特征和稳定状态预测结果，采用评分搜索的方法构建并迭代优化贝叶斯网络拓扑结构；基于贝叶斯网络拓扑结构，对贝叶斯网络结构进行参数学习，训练终端故障预测模型；基于所述故障预测模型对在运终端进行故障预测。

The method and system of optimizing the fault prediction model of electric power information acquisition terminal based on Gru

【技术实现步骤摘要】
基于GRU优化用电信息采集终端故障预测模型的方法及系统
本专利技术涉及智能用电领域，特别涉及一种基于GRU优化用电信息采集终端故障预测模型的方法及系统。
技术介绍
用电信息采集终端是智能用电的重要组成部分，是实现电能表数据采集、数据管理、数据双向传输以及转发或执行控制命令的基础设备。随着用电采集服务的全覆盖建设和用电采集终端的广泛应用，通讯延时、设备损坏等各方面原因常会造成终端不能正常工作现象，同时由于终端设备的生产厂家众多，终端设备型号、参数、使用寿命等均存在差异，以及终端故障时间上的不确定性，导致在运终端设备维护工作量大且繁杂，而终端数据采集质量低，直接影响电力企业基础业务及高级应用业务的开展。，因此，基于终端设备采集的海量数据，通过对数据指标的异常分析和故障预测，提高终端故障的识别和判断的准确性，提高终端变更的工作效率，从而节省电力企业的投资和运维成本。当前用电采集终端的维护工作，通常依赖于人工监察处理，即通过对终端在线率、采集成功率等指标的监测，发现数据异常后派单处理，相关业务人员必须快速到现场排查，不仅耗费大量的人力和物力且效率低下，为电力工作的正常开展带来阻碍。
技术实现思路
为克服上述现有技术的不足，本专利技术提供了一种基于GRU优化的用电信息采集终端故障预测方法及系统，基于终端日常采集数据终端档案和外部环境等信息，利用有效的数据挖掘技术建立终端故障预测模型，并结合业务知识对预测的故障终端进行及时处理，实现对在运终端的有效监控。为实现上述目的，本专利技术的一个或多个实施例提供了如下技术方案：一种基于GRU优化的用电信息采集终端故障预测方法，包括以下步骤：接收终端故障的样本数据，提取与终端故障相关的属性特征；根据属性特征中与终端采集数据稳定状态、传输网络数据稳定状态相关的属性特征，利用GRU门控机制进行稳定状态预测；基于所述属性特征和稳定状态预测结果，采用评分搜索的方法构建并迭代优化贝叶斯网络拓扑结构；基于贝叶斯网络拓扑结构，对贝叶斯网络结构进行参数学习，训练终端故障预测模型；基于所述故障预测模型对在运终端进行故障预测。一个或多个实施例提供了一种基于GRU优化的用电信息采集终端故障预测系统，包括：数据获取模块，接收终端故障的样本数据，提取与终端故障相关的属性特征；数据稳定状态预测模块，根据属性特征中与终端采集数据稳定状态、传输网络数据稳定状态相关的属性特征，利用GRU门控机制进行稳定状态预测；预测模型构建模块，基于所述属性特征和稳定状态预测结果，采用评分搜索的方法构建并迭代优化贝叶斯网络拓扑结构；基于贝叶斯网络拓扑结构，对贝叶斯网络结构进行参数学习，训练终端故障预测模型；故障预测模块，基于所述故障预测模型对在运终端进行故障预测。一个或多个实施例提供了一种计算装置，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现所述的基于GRU优化的用电信息采集终端故障预测方法。一个或多个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述的基于GRU优化的用电信息采集终端故障预测方法。以上一个或多个技术方案存在以下有益效果：本专利技术采用结合GRU门控机制的贝叶斯网络模型方法，主要包括两部分，一是利用GRU门控机制对终端采集数据稳定状态和传输网络数据稳定状态进行预测，二是在此基础上结合终端的其他属性建立贝叶斯网络模型对终端进行故障预测，解决了预测问题中存在的不确定性、关联性问题，充分利用先验信息和样本信息，使推理结果更为准确可信，实现快速故障诊断预测，采用故障事前排除的方式，指导安排巡检和轮换计划，降低终端故障的影响，节省现场维护的成本。附图说明构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。图1为本专利技术一个或多个实施例中基于GRU优化贝叶斯网络的终端故障预测方法整体流程图；图2为本专利技术一个或多个实施例中数据预处理方法流程图；图3为本专利技术一个或多个实施例中基于GRU优化贝叶斯网络故障预测方法的整体原理图；图4为本专利技术一个或多个实施例中基于GRU机制的时间步单元；图5为本专利技术一个或多个实施例中基于GRU机制预测采集成功率和在线率的方法步骤流程图；图6为本专利技术一个或多个实施例中基于评分搜索的构建贝叶斯网络拓扑的步骤流程图图7为本专利技术一个或多个实施例中贝叶斯网络拓扑有向无环图；图8为本专利技术一个或多个实施例中贝叶斯网络终端故障预测方法步骤流程图；图9为本专利技术一个或多个实施例中基于GRU优化贝叶斯网络用电采集终端故障预测方法计算流程图。具体实施方式应该指出，以下详细说明都是示例性的，旨在对本专利技术提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本专利技术所属
的普通技术人员通常理解的相同含义。需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本专利技术的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。在不冲突的情况下，本专利技术中的实施例及实施例中的特征可以相互组合。实施例一本实施例提供了一种基于GRU优化用电信息采集终端故障预测模型的方法，用以解决建设智能电网过程中终端故障发生时的负面损失问题，通过利用大数据分析技术，实现一种准确有效的终端故障预测方法，对在运终端的状态和故障可能性进行定时定量分析预警，提前作出相应的处理措施，满足正常的业务需求，避免了终端发生故障时，外勤人员须快速奔波于各个故障终端所在地进行维护，耗费大量的人力和物力。本实施例基于贝叶斯网络模型，利用时序性历史信息和相关特征，实时完成对所有在运终端故障预测服务。如图1和9所示，具体包括以下步骤：步骤1：收集终端故障的样本，并建立终端故障样本库，提取出与终端故障相关联的特征，包括终端属性、外部环境和终端运行数据；本实施例中，从电力现场获取某地区下的2143个终端的运行状态数据以及档案等有关终端的所有数据，根据已查明的故障终端数据库中提取数据特征，从中收集的与终端相关联的属性集合为：采集成功率、在线率、使用时间、终端类型、生产厂家、生产批次、通信流量、通信规约、信道类型、上送重要事项次数、时钟超差次数、终端地址。步骤2：数据预处理，包括数据的清洗、特征因素的分析与选择，通过对终端历史数据样本的学习，筛选与终端故障发生紧密相关的特征因素；如图2所示，所述步骤2具体包括：步骤2.1：数据清洗，对原始采集数据删除重复错误数据、补全缺失数据、剔除噪音点，保证终端采集数据的质量；步骤2.2：基于数据清洗后获取的样本数据，采用reliefF特征选择的方法，分析相关属性对终端故障的影响，去除冗余的不相关因素和较弱相关因素，为贝叶斯网络优化模型提供高关联特征，从而提高模型的泛化能力，具体实现步骤如下：(1)基于终端故障样本库的样本采集数据，设定样本个数为n，对标称属性进行统计量化处理，同时为避免各特征的数值差距对筛选结果的影响，对数据进行归一化处理，取每个属性输入的最小值Xmin和最大值Xmax，X'为归一化后的数本文档来自技高网...

【技术保护点】
1.一种基于GRU优化的用电信息采集终端故障预测方法，其特征在于，包括以下步骤：接收终端故障的样本数据，提取与终端故障相关的属性特征；根据属性特征中与终端采集数据稳定状态、传输网络数据稳定状态相关的属性特征，利用GRU门控机制进行稳定状态预测；基于所述属性特征和稳定状态预测结果，采用评分搜索的方法构建并迭代优化贝叶斯网络拓扑结构；基于贝叶斯网络拓扑结构，对贝叶斯网络结构进行参数学习，训练终端故障预测模型；基于所述故障预测模型对在运终端进行故障预测。

【技术特征摘要】
1.一种基于GRU优化的用电信息采集终端故障预测方法，其特征在于，包括以下步骤：接收终端故障的样本数据，提取与终端故障相关的属性特征；根据属性特征中与终端采集数据稳定状态、传输网络数据稳定状态相关的属性特征，利用GRU门控机制进行稳定状态预测；基于所述属性特征和稳定状态预测结果，采用评分搜索的方法构建并迭代优化贝叶斯网络拓扑结构；基于贝叶斯网络拓扑结构，对贝叶斯网络结构进行参数学习，训练终端故障预测模型；基于所述故障预测模型对在运终端进行故障预测。2.如权利要求1所述的一种基于GRU优化的用电信息采集终端故障预测方法，其特征在于，接收终端故障的样本数据后，还进行数据清洗删除重复数据、补全缺失数据和删除错误数据。3.如权利要求1所述的一种基于GRU优化的用电信息采集终端故障预测方法，其特征在于，提取与终端故障相关的特征，包括：对样本数据进行数据清理，并进行归一化处理；分析各属性特征对终端故障的影响权重；筛选影响权重大于设定阈值的特征，作为与终端故障相关的特征。4.如权利要求3所述的一种基于GRU优化的用电信息采集终端故障预测方法，其特征在于，分析各属性特征对终端故障的影响权重方法为：从归一化之后的样本数据中随机选择一个元组，先在其同类样本中寻找k个近邻，再从异类样本中寻找k个近邻；对于每一个待分析特征，分别计算该元组与同类样本在待分析特征上的差值，以及该元组与异类样本在待分析特征上的差值；根据所述差值计算所述待分析特征的影响权重。5.如权利要求1所述的一种基于GRU优化的用电信息采集终端故障预测方法，其特征在于，利用GRU门控机制进行稳定状态预测包括：将属性特征中与终端采集数据稳定状态、传输网络稳定状态相关的属性特征，根据采集时间形成时间序列数据；利用GR...

【专利技术属性】
技术研发人员：史玉良，陈智智，张坤，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37