电能表质量监测方法技术

本发明专利技术提供了一种电能表质量监测方法，为了对电能表制造过程中进行质量控制，本发明专利技术引入BP神经网络作为异常主题模式集合的分类工具，出以形态相似性为主要约束条件的相似性分类方法度量研究，采用最长公共子序列算法和中心时间序列算法对异常主题模式集合进行相似性度量和故障特征提取。最后对7种出现频率较高的典型异常主题模式集合之间的关联进行分析，以判定不良品率上升的原因。本方法能够有重点的分析电能表的故障原因，对于提升电能表质量有重大的指导意义。

Quality monitoring method of electric energy meter

【技术实现步骤摘要】
电能表质量监测方法
本专利技术涉及一种电能表质量监测方法。
技术介绍
智能电能表作为计量器具，其制造过程产品质量控制通常采用不良品率结合控制图来监测生产过程是否处于受控状态。在制造过程中按先后顺序形成的一组不良品率有序观测值称为不良品率时间序列数据控制图(P-控制图)。时间序列相似性可描述为给定序列的某些特殊趋势形态在备选时间序列集合中能否搜索到相似的规律，是序列特征的近似表示即特征提取。现有技术中，将时间序列分析方法引入控制图理论，将时间序列模型ARIMA拟合并与残差控制图结合进行趋势预测，但没有对控制图的相似性进行分类度量。或者，将控制图模式识别引入电能表全生命质量管理中，对实际生产数据生成的P一控制图进行模式识别，同样也没有进行控制图形态相似性的分类度量。
技术实现思路
本专利技术的目的在于提供一种电能表质量监测方法。为解决上述问题，本专利技术提供一种电能表质量监测方法，包括：利用BP神经网络作为异常主题模式集合的分类工具，得到异常主题模式集合；采用最长公共子序列算法对异常主题模式集合中的各类异常主题模式进行相似性度量，以得到时间序列的形态特征分类；基于时间序列的形态特征分类，采用中心时间序列算法合并以形态相似的序列为中心的时间序列，以提取每类异常主题模式的故障形态特征；基于每类异常主题模式的故障形态特征，对出现频率大于预设阈值的异常主题模式之间的关联进行分析，以判定电能表不良品率上升的原因。进一步的，在上述方法中，利用BP神经网络作为异常主题模式集合的分类工具，，得到各个异常主题模式集合，包括：采用三层BP神经网络对P-控制图进行模式分类，分类后的相似序列构成异常主题模式集合。进一步的，在上述方法中，利用BP神经网络作为异常主题模式集合的分类工具中，BP神经网络每次数据训练后，检查输出误差是否在允许范围内，即输入信息的正向传播和误差的反向传播。进一步的，在上述方法中，所述最长公共子序列算法，包括：在两条不同的模式序列中，查找具有相同方向的最长且可不连续的方向的子序列作为最长公共子序列，计算该子序列在整个模式序列之中所占的比重，根据其长度衡量两序列之间的相似程度。进一步的，在上述方法中，采用最长公共子序列算法对异常主题模式集合中的各类异常主题模式进行相似性度量，以得到时间序列的形态特征分类，包括：求取最长公共子序列前把异常主题模式集合中的序列进行符号化表示，即利用序列曲线节点处斜率来描述形态变化，斜率数值越相近表示其方向相似性越高；采用不同粒度对斜率数值变化进行划分并符号化处理，以确定斜率和形态模式之间的关系；在形成形态符号序列后，查找具有相同方向的最长公共子序列，最长公共子序列越长表示异常主题模式集合中的子序列的相似性越高，以得到时间序列的形态特征分类。进一步的，在上述方法中，基于时间序列的形态特征分类，采用中心时间序列算法合并以形态相似的序列为中心的时间序列，以提取每类异常主题模式的故障形态特征，包括：中心时间序列算法通过多次迭代，不断精炼中心时间序列，最终使得中心序列与异常主题模式集合中的其他序列的中心时间序列距离之和最小，以提取每类异常主题模式的故障形态特征。与现有技术相比，为了对电能表制造过程中进行质量控制，本专利技术引入BP神经网络作为异常主题模式集合的分类工具，出以形态相似性为主要约束条件的相似性分类方法度量研究，采用最长公共子序列算法和中心时间序列算法对异常主题模式集合进行相似性度量和故障特征提取。最后对7种出现频率较高的典型异常主题模式集合之间的关联进行分析，以判定不良品率上升的原因。本方法能够有重点的分析电能表的故障原因，对于提升电能表质量有重大的指导意义。附图说明图1是本专利技术一实施例的BP网络拓扑结构图；图2a是本专利技术一实施例的上升类型序列的上升趋势图；图2b是本专利技术一实施例的上升类型序列的上升阶跃图；图3是本专利技术一实施例的弯曲矩阵示意图；图4是本专利技术一实施例的中心时间序列示意图；图5是本专利技术一实施例的基于DBA算法的故障特征提取示意图；图6是本专利技术一实施例的液晶黑屏主要故障特征曲线。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本专利技术作进一步详细的说明。如图1所示，本专利技术提供一种电能表质量监测方法，包括：步骤S1，利用BP神经网络作为异常主题模式集合的分类工具，得到异常主题模式集合；步骤S2，采用最长公共子序列算法对异常主题模式集合中的各类异常主题模式进行相似性度量，以得到时间序列的形态特征分类；步骤S3，基于时间序列的形态特征分类，采用中心时间序列算法合并以形态相似的序列为中心的时间序列，以提取每类异常主题模式的故障形态特征；步骤S4，基于每类异常主题模式的故障形态特征，对出现频率大于预设阈值的异常主题模式之间的关联进行分析，以判定电能表不良品率上升的原因。在此，为了对电能表制造过程中进行质量控制，本专利技术引入BP神经网络作为异常主题模式集合的分类工具，出以形态相似性为主要约束条件的相似性分类方法度量研究，采用最长公共子序列算法和中心时间序列算法对异常主题模式集合进行相似性度量和故障特征提取。最后对7种出现频率较高的典型异常主题模式集合之间的关联进行分析，以判定不良品率上升的原因。本方法能够有重点的分析电能表的故障原因，对于提升电能表质量有重大的指导意义。本专利技术的电能表质量监测方法一实施例中，步骤S1，利用BP神经网络作为异常主题模式集合的分类工具，，得到各个异常主题模式集合，包括：采用三层BP神经网络对P-控制图进行模式分类，分类后的相似序列构成异常主题模式集合。本专利技术的电能表质量监测方法一实施例中，步骤S1，利用BP神经网络作为异常主题模式集合的分类工具中，BP神经网络每次数据训练后，检查输出误差是否在允许范围内，即输入信息的正向传播和误差的反向传播。本专利技术的电能表质量监测方法一实施例中，所述最长公共子序列算法，包括：在两条不同的模式序列中，查找具有相同方向的最长且可不连续的方向的子序列作为最长公共子序列，计算该子序列在整个模式序列之中所占的比重，根据其长度衡量两序列之间的相似程度。本专利技术的电能表质量监测方法一实施例中，步骤S2，采用最长公共子序列算法对异常主题模式集合中的各类异常主题模式进行相似性度量，以得到时间序列的形态特征分类，包括：求取最长公共子序列前把异常主题模式集合中的序列进行符号化表示，即利用序列曲线节点处斜率来描述形态变化，斜率数值越相近表示其方向相似性越高；采用不同粒度对斜率数值变化进行划分并符号化处理，以确定斜率和形态模式之间的关系；在形成形态符号序列后，查找具有相同方向的最长公共子序列，最长公共子序列越长表示异常主题模式集合中的子序列的相似性越高，以得到本文档来自技高网...

【技术保护点】
1.一种电能表质量监测方法，其特征在于，包括：/n利用BP神经网络作为异常主题模式集合的分类工具，得到异常主题模式集合；/n采用最长公共子序列算法对异常主题模式集合中的各类异常主题模式进行相似性度量，以得到时间序列的形态特征分类；/n基于时间序列的形态特征分类，采用中心时间序列算法合并以形态相似的序列为中心的时间序列，以提取每类异常主题模式的故障形态特征；/n基于每类异常主题模式的故障形态特征，对出现频率大于预设阈值的异常主题模式之间的关联进行分析，以判定电能表不良品率上升的原因。/n

【技术特征摘要】
1.一种电能表质量监测方法，其特征在于，包括：
利用BP神经网络作为异常主题模式集合的分类工具，得到异常主题模式集合；
采用最长公共子序列算法对异常主题模式集合中的各类异常主题模式进行相似性度量，以得到时间序列的形态特征分类；
基于时间序列的形态特征分类，采用中心时间序列算法合并以形态相似的序列为中心的时间序列，以提取每类异常主题模式的故障形态特征；
基于每类异常主题模式的故障形态特征，对出现频率大于预设阈值的异常主题模式之间的关联进行分析，以判定电能表不良品率上升的原因。


2.如权利要求1所述的电能表质量监测方法，其特征在于，利用BP神经网络作为异常主题模式集合的分类工具，，得到各个异常主题模式集合，包括：
采用三层BP神经网络对P-控制图进行模式分类，分类后的相似序列构成异常主题模式集合。


3.如权利要求1所述的电能表质量监测方法，其特征在于，利用BP神经网络作为异常主题模式集合的分类工具中，
BP神经网络每次数据训练后，检查输出误差是否在允许范围内，即输入信息的正向传播和误差的反向传播。


4.如权利要求1所述的电能表质量监测方法，其特征在于，所述最长公共子序列算法，包括：
在两条不同的...

【专利技术属性】
技术研发人员：魏雯，赵展，卜树坡，
申请(专利权)人：苏州工业职业技术学院，
类型：发明
国别省市：江苏;32