一种基于BiGRU的智能电表计量模块故障预测与诊断方法技术

本发明专利技术提供一种基于BiGRU的智能电表故障诊断方法，所述方法包括：从智能电表处采集到的电压、电流、用电量信息分别构建成数据集并进行预处理；将数据集输入到BiGRU预测模型中预测未来一段时间智能电表的数据信息；将预测到的数据输入到BiGRU诊断模型中，通过诊断模型的分析得到智能电表的工作状态标签。本发明专利技术定义了一种全新的智能电表数据集构建方式，将BiGRU模型运用于智能电表故障预测与诊断领域，提高了计量模块故障时的检测精度，能够实际要求。

【技术实现步骤摘要】
一种基于BiGRU的智能电表计量模块故障预测与诊断方法
本专利技术涉及智能控制
，特别涉及一种基于BiGRU的智能电表计量模块故障预测与诊断方法。
技术介绍
随着用电信息采集系统规模的日益扩大，低压用户海量智能电表的故障检测、排查问题需要耗费大量的人力资源，且人工现场核查智能电表故障原因的作业方式解决问题的程序复杂、时效性差；2)在用电信息采集系统中，智能电表的故障问题往往是在其发生后的一段时间才被发现，这不仅给用户带来了困扰，同时也给供电企业造成了经济上的损失，工作状态异常的智能电表甚至会引发一系列的安全问题。智能电表是用电信息采集系统重要的终端，其采集到的数据广泛用于智能电网的各项应用服务中，缺乏可靠性的数据势必会影响到整个系统的正常运行。3)智能电表计量模块故障在智能电表全部故障中占据了很大的比重，计量模块故障是一个长时间的变化过程，在不产生较大影响的情况下很难被察觉到，现有的检测方法在诊断计量模块故障时精度无法达到实际的要求。传统的故障分析常采用故障树(FaultTree,FT)的分析方法,FT分析模型一旦建立很难对其结构做修改，所以只能用于某一型号智能电表的故障分析，而随着智能电表的更新换代，故障分析的指标也会不断的改变，显然FT模型难以适应这样的发展趋势；模糊逻辑推理模型具有严谨的逻辑性，基于逻辑推理的故障诊断方法有易扩充、易修正、易理解的优点，但其IF前提THEN结论的表达方式不足以全面的表达各前提与结论的复杂联系；近几年，人工智能技术的快速发展为故障诊断领域带来了全新的思路，其中深度学习技术拥有广阔的发展前景，能够很好的实现对海量数据的特征提取与分析，随着计算机硬件设备性能的提高，基于深度学习的故障诊断方法无论从效率还是准确率上都有了很大的提升。目前，基于深度学习的故障诊断技术主要分为基于栈式自编码网络(StackedAutoEncoder,SAE)的故障诊断方法、基于深度置信网络(DeepBeliefNetwork,DBN)的故障诊断方法、基于卷积神经网络(ConvolutionalNeuralNetworks,CNN)的故障诊断方法和基于循环神经网络(RecurrentNeuralNetwork,RNN)的故障诊断方法等。RNN是一种对时间序列建模分析的模型，其特点是考虑了历史状态对当前的影响，与其它智能算法相比RNN对全局数据的把握更好，常被用做文本数据的分类和预测，但是当输入数据过大时RNN网络存在梯度消失和梯度爆炸的问题；长短期记忆网络(LongShortTermMemory,LSTM)是一种基于RNN网络的优化模型，通过引入门控单元和细胞状态解决了传统RNN网络的梯度问题，但LSTM网络中需要考虑的参数较多，模型复杂，分析数据耗费的时间较长；Cho等人对LSTM的门控单元做了合并诞生了门控循环单元(GatedRecurrentUnit,GRU)网络,GRU模型处理数据的性能明显得到了提升；受到双向RNN模型的启发，基于GRU的双向门控循环单元BiGRU考虑到了输入数据上下文两个方向的影响，在预测精度上有了很大的改善。目前，深度学习算法在故障诊断领域的应用广泛，但是智能电表故障诊断的相关研究较少。
技术实现思路
为了解决
技术介绍
提出的技术问题，本专利技术提供一种基于BiGRU的智能电表计量模块故障预测与诊断方法，用于智能电表计量模块故障的诊断。为了达到上述目的，本专利技术采用以下技术方案实现：一种基于BiGRU的智能电表计量模块故障预测与诊断方法，包括以下步骤：步骤一：构造数据集采集已知工作状态的智能电压表上传的电压数据、电流数据和用电量数据，用V、I、W分别代表这三类数据，每一类数据都是对智能电表24小时内记录数据的均匀采样，采样点数为n个，数据格式为：V＝(v1，v2，v3，…，vn)(1)I＝(i1，i2，i3，…，in)(2)W＝(w1，w2，w3，…，wn)(3)其中V、I、W中相同编号的数据采样时刻相同，各点的采样时间si记录如下：S＝(s1，s2，s3，…，sn)(4)将上述的数据、采样时间、智能电表的编号信息N和智能电表的状态标签L整合到一起，构成单个电能表的数据集Ei如下：Ei＝(S；N；L；V；I；W)(5)将m个智能电表的信息整合，构建最终的数据集E如下：E＝(E1，E2，E3，…，Em)(6)步骤二：数据预处理为了提高数据分析的速度和精度，还需要对步骤一中的数据集进行预处理，数据集预处理的过程如下：(1)检查智能电表编号N、采样时间S、智能电表状态标签L和采样数据的对应关系是否正确；(2)检查V、I、W三种采样数据是否有数据缺失的情况，考虑到数据分析过程中数据预测的特性，应该舍弃不完整的数据，重新进行数据采样操作；(3)归一化处理；所述的归一化处理只对除数据标签和智能电表编号以外的数据部分进行操作，即Ei(i＝1,2,…,m)中包含的数据V、I、W逐项归一化，如其中的一项V＝(v1，v2，v3，…，vn),采样点vj(j＝1,2,3,…,n)的归一化处理如下：其中，vmax、vmin分别是这一组采样值内的最大值和最小值。步骤三：构建BiGRU模型BiGRU在GRU的基础上考虑了下一个隐藏状态对当前位置输出的影响，而智能电表的工作状态往往是前后联系紧密的，所以采用BiGRU模型预测智能电表的数据更加接近实际情况；本方法采用的BiGRU模型如下：BiGRU的计算公式如下：xt是模型输入，是模型输出，yt是训练模型时的期望输出，ht-1是上一时刻的隐藏状态，ht是当前更新的隐藏状态，是正向GRU的隐藏状态，是反向GRU的隐藏状态，和是模型参数。公式(13)表示t时刻正向GRU网络中输入xt得到正向隐藏状态公式(14)表示t时刻反向GRU输入xt得到反向隐藏状态公式(15)表示由正向和反向隐藏状态得到模型输出结果步骤四：训练BiGRU模型本方法中需要分别训练四个BiGRU模型，其中三个是BiGRU预测模型，功能是根据输入的智能电表电压、电流、用电量等三类数据预测格式相同的未来数据，另外一个BiGRU是诊断模型，功能是根据预测到的数据判断智能电表的工作状态，下文将分别介绍两种模型的训练过程；(1)BiGRU预测模型的训练；本步骤训练的预测模型可以根据输入数据预测未来一段时间的电表数据，本方法要预测电压、电流、用电量三类数据，所以要分别训练三个模型，训练过程相同，只是输入的数据不同；首先要构造适合模型训练的数据集，数据集应包括输入集和与之对应的输出集，假定输入集是以时间t为起始时刻的采样序列Dt，输出则应是间隔时间T的另一段采样点数相同的序列Dt+T，则数据集D＝(Dt，Dt+T)，按同样的方法得到测试集；将经过步骤二操作的数据集D输入到BiGRU模型中并保存网络学习到的参数信息，输入测试集检验模型预测效果，以上完成了测试模型的训本文档来自技高网...

【技术保护点】
1.一种基于BiGRU的智能电表计量模块故障预测与诊断方法，其特征在于，包括以下步骤：/n步骤一：构造数据集/n采集已知工作状态的智能电压表上传的电压数据、电流数据和用电量数据，用V、I、W分别代表这三类数据，每一类数据都是对智能电表24小时内记录数据的均匀采样，采样点数为n个，数据格式为：/nV＝(v

【技术特征摘要】
1.一种基于BiGRU的智能电表计量模块故障预测与诊断方法，其特征在于，包括以下步骤：
步骤一：构造数据集
采集已知工作状态的智能电压表上传的电压数据、电流数据和用电量数据，用V、I、W分别代表这三类数据，每一类数据都是对智能电表24小时内记录数据的均匀采样，采样点数为n个，数据格式为：
V＝(v1，v2，v3，…，vn)(1)
I＝(i1，i2，i3，…，in)(2)
W＝(w1，w2，w3，…，wn)(3)
其中V、I、W中相同编号的数据采样时刻相同，各点的采样时间si记录如下：
S＝(s1，s2，s3，…，sn)(4)
将上述的数据、采样时间、智能电表的编号信息N和智能电表的状态标签L整合到一起，构成单个电能表的数据集Ei如下：
Ei＝(S；N；L；V；I；W)(5)
将m个智能电表的信息整合，构建最终的数据集E如下：
E＝(E1，E2，E3，…，Em)(6)
步骤二：数据预处理
为了提高数据分析的速度和精度，还需要对步骤一中的数据集进行预处理，数据集预处理的过程如下：
(1)检查智能电表编号N、采样时间S、智能电表状态标签L和采样数据的对应关系是否正确；
(2)检查V、I、W三种采样数据是否有数据缺失的情况，考虑到数据分析过程中数据预测的特性，应该舍弃不完整的数据，重新进行数据采样操作；
(3)归一化处理；
步骤三：构建BiGRU模型
BiGRU在GRU的基础上考虑了下一个隐藏状态对当前位置输出的影响，而智能电表的工作状态往往是前后联系紧密的，所以采用BiGRU模型预测智能电表的数据更加接近实际情况；本方法采用的BiGRU模型如下：
BiGRU的计算公式如下：









xt是模型输入，是模型输出，yt是训练模型时的期望输出，ht-1是上一时刻的隐藏状态，ht是当前更新的隐藏状态，是正向GRU的隐藏状态，是反向GRU的隐藏状态，和是模型参数；公式(7)表示t时刻正向GRU网络中输入xt得到正向隐藏状态公式(8)表示t时刻反向GRU输入xt得到反向隐藏状态公式(9)表示由正向和反向隐藏状态得到模型输出结果
步骤四：训练BiGRU模型

【专利技术属性】
技术研发人员：田浩杰，周宝忠，王天博，扬爽，侯昝宇，王浩淼，金宇坤，张迪，才思远，贺欢，韩一品，李娉婷，龚钢军，马洪亮，孟芷若，
申请(专利权)人：国网辽宁省电力有限公司鞍山供电公司，华北电力大学，国网辽宁省电力有限公司，国家电网有限公司，
类型：发明
国别省市：辽宁;21