一种电能表状态评价方法及装置制造方法及图纸

本发明专利技术公开了一种电能表状态评价方法及装置，评价方法包括：获取待评价电能表的最新时刻的电能表数据；将所述最新时刻的电能表数据输入至预先构建的基于L2正则化的逻辑回归模型；根据逻辑回归模型输出结果评价所述电能表的状态，其中逻辑回归模型为利用电能表的静态属性数据集与时序型数据集对LSTM深度学习网络进行训练得到的。本发明专利技术通过深度网络和常规机器学习方法的融合建模，针对运行状态数据自动提取运行特征，结合电能表的静态属性数据，通过分布式训练，实现基于大数据的模型训练，实时对电能表运行状态进行监控和状态评价，实现电能表的精准评价，及时发现电能表的异常情况，提高电能表的维护效率并降低运营费用。

【技术实现步骤摘要】
一种电能表状态评价方法及装置
本专利技术涉及电力行业计量设备(如电能表)的状态评价领域，具体涉及一种基于LSTM(LongShort-TermMemory，长短期记忆)的深度学习和回归融合模型的电能表状态评价方法及装置。
技术介绍
智能电能表是智能电网的重要组成部分,其可靠性关系到整个电网安全可靠的运行。国家电网公司开展智能电能表安装工作以来，以重庆为例，现有1500余万只智能电能表运行，按照国家相关规定及国家电网公司要求，智能电能表运行过程中，在一定时间内开展运行抽检工作，当智能电能表运行达到8年时开展更换工作。由于设计工艺和技术水平的不断提高，智能电能表的运行寿命大大延长，并且新表的采购安装造成人力物力的巨大浪费，旧表的拆除回收存在环境污染的风险。提高智能电能表的精益化管理，合理延长智能电能表的运行寿命，减少环境污染延续绿色循环发展，通过大数据及人工智能等技术开展智能电能表运行状态的评价势在必行。从对智能电能表的运行误差，寿命影响因素分析的其他研究中可知，电压，电流，功率，负载等因素对智能电能表的运行状态有一定的影响，同时智能电能表的运行环境(温度、湿度等)及运行时长等都会对智能电能表运行状态造成影响，依靠智能电能表运行过程中产生的大量数据支撑开展运行状态评价是可实现的。但智能电能表运行的相关数据不仅数据量较大，且数据属性较为复杂，不仅具有动态的时序型数据，也存在大量静态属性数据，因此，智能电能表的运行状态评价方法研究具有一定的复杂性。目前，在智能电能表的状态评价研究中，主要集中于某个时间段的相关智能电能表运行数据，通过传统的机器学习开展建模研究。传统机器学习主要存在以下几点问题：1)对大数据的训练存在效率低、过程复杂、效果不显著等问题；2)对时间序列的特征需要人工介入，具有一定的主观性和片面性；3)智能电能表的寿命周期过程不能很好的刻画。另外也有基于物理能量守恒的角度来开展智能电能表的状态评价，主要以台区为基本单位，开展智能电能表运行状态评价，其主要存在以下几点问题：1)对台区户变关系要求过高，不符合实际情况，且结果不易验证；2)台区的范围太大，其中线损的变化、固定损耗的变化都会对智能电能表的状态评价造成影响；3)模型的使用条件过于苛刻，普适性较差，应用成本过高。
技术实现思路
为了解决现有的智能表状态评价方法的普适性差，特征提取过于片面，计算过程复杂，模型表达能力不足等问题，本专利技术提出了一种基于LSTM网络和回归融合模型的电能表状态评价方法及装置，基于动态和静态数据结合，自动对动态数据进行特征抽取，并结合电能表静态属性实现电能表的状态实时评价，实现高效、实时、精准的智能电能表运行状态评价，及时发现电能表故障，科学动态的指导智能电能表的更换工作。本专利技术是根据以下技术方案实现的：一种电能表状态评价方法，包括以下几个步骤：获取待评价电能表的最新时刻的电能表数据；将所述最新时刻的电能表数据输入至预先构建的基于L2正则化的逻辑回归模型；根据逻辑回归模型输出结果评价所述电能表的状态；其中，所述基于L2正则化的逻辑回归模型为利用电能表的静态属性数据集与时序型数据集对长短期记忆LSTM深度学习网络进行训练得到的；所述静态属性数据集与时序型数据集中均包括电能表的标签数据。优选地，所述基于L2正则化的逻辑回归模型的构建过程为：获取电能表的时序型数据集，所述时序型数据集包括预设时间范围内电能表的动态样本数据；根据所述时序型数据集训练得到LSTM深度学习网络；根据电能表的静态属性数据集与所述LSTM深度学习网络的全连接层输出的特征得到融合后的特征；根据融合后的特征构建基于L2正则化的逻辑回归模型。优选地，在获取到电能表的时序型数据集之后、根据所述时序型数据集训练得到LSTM深度学习网络之前，进一步包括：根据预设的批处理batch的大小将所述时序型数据集中的数据进行划分；在根据时序型数据集训练LSTM深度学习网络时，每次抽取batch大小的样本进行训练。优选地，所述时序型数据集包含三维(N，T，D1)的电能表样本数据以及二维(N，0或1)的标签数据，其中N表示样本数量，T表示时间维度的时间，D1表示样本数据集的特征维度，0或1表示电能表的状态类别标签，其中0表示正常，1表示异常。优选地，所述根据电能表的静态属性数据集与所述LSTM深度学习网络的全连接层输出的特征得到融合后的特征，包括：通过堆叠或追加的方式将电能表的静态属性数据集与所述LSTM深度学习网络的全连接层进行融合。优选地，所述LSTM深度学习网络包括单层LSTMLayer或由多个单层LSTMLayer连接构建的多层结构。优选地，所述LSTMLayer包括LSTMCell和Dropper两层结构，通过LSTMCell对时序特征进行提取，通过Dropper层防止过拟合和提升泛化能力；Dropper层的输入参数为dropout，Dropper层在训练阶段使用；所述LSTMCell的输入参数包括：unit_size值和batch数据，在多层LSTMLayer时，unit_size的值满足不变或递增规律。优选地，所述根据融合后的特征构建基于L2正则化的逻辑回归模型，包括：将融合后的特征作为输入，建立逻辑回归模型，其损失函数增加L2正则；其中，逻辑回归模型的参数包括正则化惩罚参数，通过正则化来控制模型的复杂程度，同时降低模型的过拟合，提升泛化能力。本专利技术还提供了一种电能表状态评价装置，包括：数据获取模块，用于获取待评价电能表的最新时刻的电能表数据；输入模块，用于将所述最新时刻的电能表数据输入至预先构建的基于L2正则化的逻辑回归模型；状态评价模块，用于根据逻辑回归模型输出结果评价所述电能表的状态；其中，所述基于L2正则化的逻辑回归模型为利用电能表的静态属性数据集与时序型数据集对长短期记忆LSTM深度学习网络进行训练得到的；所述静态属性数据集与时序型数据集中均包括电能表的标签数据。优选地，进一步包括：样本数据获取模块，用于按照规定的数据格式要求获取电能表的时序型数据集的电能表样本数据以及标签数据；数据划分模块，用于按照batch的大小将获取得到的时序性数据集的数据进行划分；全连接层模块，用于利用预先建立的LSTM深度学习网络构造全连接层；静态数据输入模块，用于输入静态属性数据集，静态属性数据集与时序性数据集样本一一对应；逻辑回归模块，用于通过堆叠或追加的方式将静态属性数据集和全连接层进行融合，并使用融合后的所有特征构建基于L2正则化的逻辑回归模型；数据训练模块，用于利用时序性数据集以及静态属性数据集对LSTM深度学习网络以及逻辑回归模型进行训练，得到最终的基于L2正则化的逻辑回归模型。由于采用上述技术方案，本专利技术具有如下优点：1.本专利技术在普通的机器学习基础上加入了LSTM深度时序网络，LSTM深度时序网络从时本文档来自技高网...

【技术保护点】
1.一种电能表状态评价方法，其特征在于，包括以下几个步骤：/n获取待评价电能表的最新时刻的电能表数据；/n将所述最新时刻的电能表数据输入至预先构建的基于L2正则化的逻辑回归模型；/n根据逻辑回归模型输出结果评价所述电能表的状态；/n其中，所述基于L2正则化的逻辑回归模型为利用电能表的静态属性数据集与时序型数据集对长短期记忆LSTM深度学习网络进行训练得到的；所述静态属性数据集与时序型数据集中均包括电能表的标签数据。/n

【技术特征摘要】
1.一种电能表状态评价方法，其特征在于，包括以下几个步骤：
获取待评价电能表的最新时刻的电能表数据；
将所述最新时刻的电能表数据输入至预先构建的基于L2正则化的逻辑回归模型；
根据逻辑回归模型输出结果评价所述电能表的状态；
其中，所述基于L2正则化的逻辑回归模型为利用电能表的静态属性数据集与时序型数据集对长短期记忆LSTM深度学习网络进行训练得到的；所述静态属性数据集与时序型数据集中均包括电能表的标签数据。


2.根据权利要求1所述的电能表状态评价方法，其特征在于，所述基于L2正则化的逻辑回归模型的构建过程为：
获取电能表的时序型数据集，所述时序型数据集包括预设时间范围内电能表的动态样本数据；
根据所述时序型数据集训练得到LSTM深度学习网络；
根据电能表的静态属性数据集与所述LSTM深度学习网络的全连接层输出的特征得到融合后的特征；
根据融合后的特征构建基于L2正则化的逻辑回归模型。


3.根据权利要求2所述的电能表状态评价方法，其特征在于，在获取到电能表的时序型数据集之后、根据所述时序型数据集训练得到LSTM深度学习网络之前，进一步包括：根据预设的批处理batch的大小将所述时序型数据集中的数据进行划分；
在根据时序型数据集训练LSTM深度学习网络时，每次抽取batch大小的样本进行训练。


4.根据权利要求2所述的电能表状态评价方法，其特征在于，所述时序型数据集包含三维(N，T，D1)的电能表样本数据以及二维(N，0或1)的标签数据，其中N表示样本数量，T表示时间维度的时间，D1表示样本数据集的特征维度，0或1表示电能表的状态类别标签，其中0表示正常，1表示异常。


5.根据权利要求2所述的电能表状态评价方法，其特征在于，所述根据电能表的静态属性数据集与所述LSTM深度学习网络的全连接层输出的特征得到融合后的特征，包括：
通过堆叠或追加的方式将电能表的静态属性数据集与所述LSTM深度学习网络的全连接层进行融合。


6.根据权利要求5所述的电能表状态评价方法，其特征在于，所述LSTM深度学习网络包括单层LSTMLayer或由多个单层LSTMLayer连接构建的多层结构。


7....

【专利技术属性】
技术研发人员：李刚，尹心，侯兴哲，周全，李斌勤，黄磊，
申请(专利权)人：国网重庆市电力公司电力科学研究院，国家电网有限公司，
类型：发明
国别省市：重庆;50