一种堆叠循环神经网络的电表故障诊断方法及装置制造方法及图纸

本发明专利技术公开了一种堆叠循环神经网络的电表故障诊断方法和装置，所述方法，包括以下步骤:获取与待诊断电表关联的电流时序数据，将预处理后的电流时序数据输入训练好的堆叠循环神经网络模型，得到所述电流时序数据对应的输出其中，所述为一个L维的向量，L等于所述模型需要判别的故障类别总数；根据所述电流时序数据对应的输出确定待诊断电表的诊断类别。本发明专利技术可以有效表征不同类型的电表故障，实现电表故障的自动诊断；而且，堆叠循环神经网络模型的输入为电流时序数据，可有效的提取动态时序特征，而非独立的静态特征，从而可提升模型对故障类型的表征能力和通用性。提升模型对故障类型的表征能力和通用性。提升模型对故障类型的表征能力和通用性。

【技术实现步骤摘要】
一种堆叠循环神经网络的电表故障诊断方法及装置


[0001]本专利技术涉及电表故障诊断
，具体涉及一种堆叠循环神经网络的电表故障诊断方法及装置。

技术介绍

[0002]随着国家电网全面推进电表智能化改造，已有数以亿级的智能电表部署到全国各地，其中对电能表故障有效诊断是智能电表日常运维一个重要工作。传统的诊断方式，是通过对电表的抽样和轮换来进行在诊断，但这将耗费大量的人力和时间。随着智能电表的普及，这种方式越来越难以满足需求，因此，基于海量的智能电表用采数据(即用电信息采集系统的数据)，构建计算机自动判别模型，已经成为应对当前现状有效解决方式。
[0003]传统的诊断方法如下：1)专利CN110794360A
‑
一种基于机器学习预测智能电能表故障的方法及系统，提出了一种基于机器学习预测智能电能表故障的方法及系统，通过智能电表故障数据进行分析，可以有效的预测出智能电表的故障类型；2)专利CN106154209A
‑
基于决策树算法的电能表故障预测方法，提出了一种基于决策树算法的电能表故障预测算法，通过采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种堆叠循环神经网络的电表故障诊断方法，其特征在于，包括以下步骤:获取与待诊断电表关联的电流时序数据，并对所述电流时序数据进行预处理，得到预处理后的电流时序数据；所述预处理后的电流时序数据为I＝(I1,I2,...I
a
,...In),其中，I1为第1天的电流时序数据,I
a
为第a天的电流时序数据，I
n
为第n天的电流时序数据；其中，a和n均为自然数；将预处理后的电流时序数据输入训练好的堆叠循环神经网络模型，得到所述电流时序数据对应的输出其中，所述为一个L维的向量，L等于所述模型需要判别的故障类别总数；所述堆叠循环神经网络模型包括第一循环神经网络和第二循环神经网络；第一循环神经网络第a天的输入为第a天生成的行向量H
a
和第a
‑
1天循环神经网络单元的中间状态输出S
a
‑1；所述输出由第一循环神经网络的中间状态Sn通过仿射变换和非线性激活得到；所述第a天生成的行向量H
a
由第二循环神经网络的隐藏向量通过仿射变换和非线性激活得到；根据所述电流时序数据对应的输出确定待诊断电表的诊断类别。2.根据权利要求1所述的堆叠循环神经网络的电表故障诊断方法，其特征在于，每天的电流时序数据通过以下方法得到：按等时间间隔将每天的24个小时划分为m个时间点，分别获取各个时间点的电流数据，每天的电流时序数据包括各个时间点的电流数据。3.根据权利要求2所述的堆叠循环神经网络的电表故障诊断方法，其特征在于，所述时间间隔为1小时，每天的电流时序数据包括24个时间点的电流数据，每天的电流时序数据或其中，[i
1A
,i
1C
]为待诊断电表为三相三线型电表时采集的第1小时的电流，[i
24A
,i
24C
]为待诊断电表为三相三线型电表时采集的第24小时的电流；[i
1A
,i
1B
,i
1C
]为待诊断电表为三相三线型电表时采集的第1小时的电流，[i
24A
,i
24B
,i
24C
][i
24A
,i
24C
]为待诊断电表为三相三线型电表时采集的第24小时的电流。4.根据权利要求3所述的堆叠循环神经网络的电表故障诊断方法，其特征在于，所述第二循环神经网络的参数满足以下公式：f
k
＝σ(x
k
U
f
+h
k
‑1W
f
+b
f
)；g
k
＝σ(x
k
U
g
+h
k
‑1W
g
+b
g
)；o
k
＝σ(x
k
U
o
+h
k
‑1W
o
+b
o
)；其中，x
k
表示第k小时的电流数据，c
k
和h
k
分别表示第二循环神经网络内部的状态向量和隐藏向量；f

【专利技术属性】
技术研发人员：陈聪，罗海军，匡启帆，官新锋，程晓军，郑超，林涛，余随，
申请(专利权)人：天目数据福建科技有限公司，
类型：发明
国别省市：