一种基于BiLSTM-CNN模型的智能电表故障预测方法及系统技术方案

本发明专利技术涉及智能电表故障预测技术领域，提出了一种基于BiLSTM

A fault prediction method and system of intelligent watt hour meter based on bilstm CNN model

【技术实现步骤摘要】
一种基于BiLSTM
‑
CNN模型的智能电表故障预测方法及系统


[0001]本专利技术涉及智能电表故障预测
，具体的，涉及一种基于BiLSTM
‑
CNN模型的智能电表故障预测方法及系统。

技术介绍

[0002]智能电能表作为电力生产过程中的重要环节，是电力企业重要的技术经济考核指标之一，在我国经济建设中起着重要作用，直接关系到发电、供电与用电三方的经济利益。随着智能电表设备的逐步增加，电能表的故障问题也越来越突出，传统的智能电表故障预测方法大多都是使用机器学习或单一神经网络模型对智能电表的设备信息、运行信息等电表自身信息进行建模分析，而忽略了外在的如温度、湿度等环境因素对智能电表故障造成的影响，因此，传统的智能电表故障预测方法并不能很好的提取智能电表故障数据中的有效信息，在一定程度上还降低了智能电表故障预测的准确率。

技术实现思路

[0003]本专利技术提出一种基于BiLSTM
‑
CNN模型的智能电表故障预测方法及系统，解决了相关技术中单一的神经网络模型不能很好的提取智能电表故障数据中有效信息的问题。
[0004]本专利技术的技术方案如下：
[0005]第一方面，一种基于BiLSTM
‑
CNN模型的智能电表故障预测方法，包括以下步骤：
[0006]获取智能电表的历史故障数据作为特征数据，包括设备数据、运行数据、故障类型、故障时间、温度、湿度；
[0007]将所述设备数据、运行数据、故障时间、温度、湿度作为模型输入X，将所述故障类型作为模型输出Y，构建训练样本集(X，Y)；
[0008]初始化模型训练参数，重复执行模型训练步骤直至达到模型预设的迭代次数；
[0009]所述模型训练步骤包括：
[0010]将所述训练样本集输入到(N*N)维度的全连接神经网络，输出每个特征数据的归一化向量；
[0011]将训练样本集的归一化向量输入到BiLSTM模型，分别经过BiLSTM模型中的输入门、遗忘门和输出门，得到包含上下文特征信息的隐含层向量：
[0012][0013]其中，表示当前时刻的前向输出，当前时刻的反向输出；
[0014]将所述隐含层向量输入到CNN卷积神经网络中，经过卷积层和池化层，输出包含局部位置信息的特征向量C；
[0015]将所述特征向量C输入到softmax层得到训练样本对应的多分类概率分布结果其中，z
i
是第i个节点的输出值，K为softmax层的输出个数；
[0016]选择概率分布结果最大的类别作为模型预测值，比较模型预测值与训练样本集的故障类型特征，利用交叉熵损失函数计算模型误差Loss；
[0017]根据模型误差Loss，使用梯度下降算法进行神经网络反向传播，更新BiLSTM模型的权重参数。
[0018]第二方面，一种基于BiLSTM
‑
CNN模型的智能电表故障预测系统，包括，
[0019]获取模块，用于获取智能电表的历史故障数据作为特征数据，包括设备数据、运行数据、故障类型、故障时间、温度、湿度；
[0020]样本模块，用于将所述设备数据、运行数据、故障时间、温度、湿度作为模型输入X，将所述故障类型作为模型输出Y，构建训练样本集(X，Y)；
[0021]训练模块，用于初始化模型训练参数，重复执行模型训练步骤直至达到模型预设的迭代次数；
[0022]归一化模块，用于通过所述训练样本集输入到(N*N)维度的全连接神经网络，输出每个特征数据的归一化向量；
[0023]隐含层向量模块，用于将训练样本集的归一化向量输入到BiLSTM模型，分别经过BiLSTM模型中的输入门、遗忘门和输出门，得到包含上下文特征信息的隐含层向量：
[0024][0025]其中，表示当前时刻的前向输出，当前时刻的反向输出；
[0026]特征向量模块，用于将所述隐含层向量输入到CNN卷积神经网络中，经过卷积层和池化层，输出包含局部位置信息的特征向量C；
[0027]多分类概率分布模块，用于将所述特征向量C输入到softmax层得到训练样本对应的多分类概率分布结果其中，z
i
是第i个节点的输出值，K为softmax层的输出个数；
[0028]模型误差模块，选择概率分布结果最大的类别作为模型预测值，比较模型预测值与训练样本集的故障类型特征，利用交叉熵损失函数计算模型误差Loss；
[0029]更新模块，根据模型误差Loss，使用梯度下降算法进行神经网络反向传播，更新BiLSTM模型的权重参数。
[0030]第三方面，一种计算机可读存储介质，其中，所述计算机可读存储介质中存储有计算机程序，所述计算机程序被处理器执行时实现所述的一种基于BiLSTM
‑
CNN模型的智能电表故障预测方法的步骤。
[0031]本专利技术的工作原理及有益效果为：
[0032]本专利技术中运用深度学习方法，分析智能电表的故障类型受到各种因素的影响，发现数据内在联系，实现合理的故障分类和预测。基于此，进行故障预测，为智能电表的检修提供方便，降低运维成本。
[0033]通过分析智能电表属性、运行环境、环境因素等因素与故障类型之间的相关关系建立故障多分类模型，实现对智能电表发生故障类型的准确判断，从而指导运维人员指定合理的维护措施，保证电网的高质量运行。
附图说明
[0034]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。
[0035]图1为本专利技术流程示意图；
[0036]图2为本专利技术不平衡数据采样的流程图；
[0037]图3为本专利技术BiLSTM
‑
CNN模型结构图。
具体实施方式
[0038]下面将结合本专利技术实施例，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都涉及本专利技术保护的范围。
[0039]实施例1
[0040]如图1～图2所示，本实施例提出了一种基于BiLSTM
‑
CNN模型的智能电表故障预测方法，包括以下三个主要步骤：
[0041]1、数据预处理
[0042]数据预处理步骤包括特征选择、数据清洗。
[0043](1)特征选择：除选择智能电表设备数据、运行数据以及故障数据外，还需要选择温度、湿度等智能电表所在的运行环境中的环境因素。
[0044](2)数据清洗：清洗数据中包含的重复值、缺失值、异常值等影响模型分析结果的数据。
[0045]2、不平衡数据采样
[0046]通过故障数据特征进行数据清洗之后存在类别数据不平衡问题，因此在建模前需要进行不平衡数据的采样。
[0047]对于数据不平衡问题，本专利技术提出一种本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BiLSTM
‑
CNN模型的智能电表故障预测方法，其特征在于，包括以下步骤：获取智能电表的历史故障数据作为特征数据，包括设备数据、运行数据、故障类型、故障时间、温度、湿度；将所述设备数据、运行数据、故障时间、温度、湿度作为模型输入X，将所述故障类型作为模型输出Y，构建训练样本集(X，Y)；初始化模型训练参数，重复执行模型训练步骤直至达到模型预设的迭代次数；所述模型训练步骤包括：将所述训练样本集输入到(N*N)维度的全连接神经网络，输出每个特征数据的归一化向量；将训练样本集的归一化向量输入到BiLSTM模型，分别经过BiLSTM模型中的输入门、遗忘门和输出门，得到包含上下文特征信息的隐含层向量：其中，表示当前时刻的前向输出，当前时刻的反向输出；将所述隐含层向量输入到CNN卷积神经网络中，经过卷积层和池化层，输出包含局部位置信息的特征向量C；将所述特征向量C输入到softmax层得到训练样本对应的多分类概率分布结果其中，z
i
是第i个节点的输出值，K为softmax层的输出个数；选择概率分布结果最大的类别作为模型预测值，比较模型预测值与训练样本集的故障类型特征，利用交叉熵损失函数计算模型误差Loss；根据模型误差Loss，使用梯度下降算法进行神经网络反向传播，更新BiLSTM模型的权重参数。2.根据权利要求1所述的一种基于BiLSTM
‑
CNN模型的智能电表故障预测方法，其特征在于，在所述获取智能电表的历史故障数据特征，包括设备数据、运行数据、故障类型、故障时间、温度、湿度之后，还包括，将所述特征数据进行数据清洗，所述数据清洗包括清洗历史故障数据特征中包含的重复值、缺失值、异常值。3.根据权利要求2所述的一种基于BiLSTM
‑
CNN模型的智能电表故障预测方法，其特征在于，在所述将所述故障数据特征进行数据清洗之后，还包括，对所述故障数据特征进行不平衡采样，所述不平衡采样包括过采样和欠采样；所述过采样包括，采用ADASYN算法，根据特征数据分布情况为特征数据量较少的样本生成不同数据的新样本；所述欠采样包括，采用EasyEnsemble算法，多次从特征数据量较多的样本中抽取与特征数据量较少的样本数据量近似的数据，然后与特征数据量较少的样本进行组合形成新的特征数据。4.根据权利要求1所述的一种基于BiLSTM
‑
CNN模型的智能电表故障预测方法，其特征在于，所述将所述设备数据、运行数据、故障时间、温度、湿度作为模型输入X，将所述故障类
型作为模型输出Y，构建训练样本集(X，Y)，包括，所述将所述设备数据、运行数据、故障时间、温度、湿度作为模型输入X，将所述故障类型作为模型输出Y，构建数据集(X，Y)；对所述数据集(X，Y)，采用训练集：验证集：测试集＝7:1.5:1.5的比例进行数据随机抽取，得到训练样本集、验证样本集和测试样本集。5.根据权利要求1所述的一种基于BiLSTM
‑
CNN模型的智能电表故障预测方法，其特征在于，将训练样本集的归一化向量输入到BiLSTM模型，分别经过BiLSTM模型中的输入门、遗忘门和输出门的计算方式，包括f
t
＝σ(W
f
·
[h
t
‑1,x
t
]+b
f
)，i
t
＝σ(W
i
·
[h
t
‑1,x
t
]+b
i
)，)，o
t
＝σ(W
o
·
[h
t
‑1,x
t
]+b<...

【专利技术属性】
技术研发人员：杨舟，陈珏羽，周政雷，梁炜皓，蒋雯倩，唐志涛，林秀清，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：