【技术实现步骤摘要】
本专利技术涉及智能电表，具体而言，涉及一种智能电表异常检测方法、装置及可读存储介质。
技术介绍
1、电表是电能系统的关键组成部分，负责记录电能使用和提供数据支持。智能电表异常检测对于确保电表系统的安全性、可靠性和效率至关重要。对电表进行异常检测能够减少事故风险、服务中断和延误，并提高整体运输效率，同时节省维护和修复成本。因此，智能电表系统的运营者和管理者应高度重视异常检测，并投入必要的资源和技术来确保系统的正常运行。
2、然而，目前仍存在一些问题需要解决。首先，现有的方法智能化程度低，多基于人工检修，且采集的用电量数据通常包含大量噪声信息。其次，在进行专业知识的故障识别之前，需要精心设计特征提取方案。这一过程既需要大量的先验知识，也耗费大量的时间。选定的特征不能保证准确地反映所有工况的特征，从而降低了故障诊断的性能。因此，采用智能诊断系统，对电表健康状态进行智能健康状态管理具有重要意义。
技术实现思路
1、本申请的主要目的在于提供一种智能电表异常检测方法、装置及可读存储介质,以至少解决现有技术中的对电表健康状态诊断不准确的问题。
2、为实现上述目的，根据本申请的一个方面，提供了一种智能电表异常检测方法，包括：
3、采集智能电表的用电量数据；
4、随机将用电量数据分为训练数据和测试数据，并将训练数据和测试数据进行预处理；
5、将预处理后的训练数据和测试数据输入集成经验模态分解-卷积深度信念网络进行去噪和无监督特征学习，提取电
6、将特征输入分类器进行异常检测。
7、可选地，所述预处理采用归一化处理。
8、可选地，将预处理后的训练数据和测试数据输入集成经验模态分解-卷积深度信念网络进行去噪和无监督特征学习，包括以下步骤：
9、通过集合经验模态分解，将输入的数据分解成多个本征模态函数imf；
10、对imf进行信号重建，得到重建数据；
11、将重建的数据输入卷积深度信念网络进行训练，使卷积深度信念网络输出电表的用电量的特征。
12、可选地，将输入的数据分解成多个本征模态函数imf包括以下步骤：
13、步骤s3101、设置imf的系综数为e；
14、步骤s3102、初始化噪声信号(n1,n2,…,ne)，即初始化训练数据和测试数据，其中，测试数据为e个白噪声序列ne，e为索引，初始值为1；
15、步骤s3103、对于每个索引e，e＝1,2,…,e，将白噪声序列ne添加到原始信号x上，得到加入噪声后的新信号，表示为：
16、xe＝x+ne
17、其中，xe是加入噪声后的信号，x是原始信号，ne是白噪声序列，即噪声信号；
18、步骤s3104、将信号步骤s3103得到的新信号xe通过emd进行分解，得到imfi,e，其中i＝1,…,i，i为imf的总数；
19、步骤s3105、对索引e进行判断，如果e≤e，重复步骤s3102和步骤s3103，生成新的白噪声序列ne，并将其添加到原始信号x上；
20、步骤s3106、对于每个imf的索引i，计算e次试验中第i个imf的集合均值，作为该imf的最终分解结果eemd，即：
21、
22、其中，∑imfi,e表示对e次试验中第i个imf的结果求和。
23、可选地，通过相关系数来选择imf进行信号重建包括：计算imf的相关系数；从计算的相关系数中选取相关系数最大的imf进行重建数据。
24、可选地，相关系数cc的表达式为：
25、
26、其中，xi(t)和imfi(t)表示原始信号x(t)和第i个imf中的第i个点；m表示信号x(t)和imf(t)中的总点数；x和imfi分别表示x(t)和imf(t)的均值；
27、重建数据的表达式为：
28、
29、其中，k和nw是权重矩阵w的数量和维度；nv表示信号的输入维度；nh表示隐藏层中阵列的尺寸；bk和c分别是隐藏层和可见层的共享偏置，i为可见层的索引，k为隐藏层索引，r为卷积操作中的行索引，j为隐藏层中的神经元索引，为第k个隐藏层的第j个神经元的状态，vi为可见层中的第i个神经元的状态，vj+r-1为可见层中的一个输入神经元，它与隐藏层的神经元和权重进行卷积操作，其中j+r-1是卷积核在水平方向上的位置。
30、可选地，将重建的数据输入卷积深度信念网络进行训练包括：
31、建立能量函数方程；根据能量函数方程计算联合概率；能量函数方程用于描述模型的能量，与权重矩阵、隐藏层状态和可见层状态之间的相互作用有关；
32、计算条件概率方程，条件概率方程用于计算隐藏层神经元的激活状态，激活状态由权重矩阵和可见层的状态决定；
33、通过能量函数方程和条件概率方程的计算来训练权重矩阵和隐藏层状态提取特征。
34、根据本申请的再一方面，还提供了一种智能电表异常检测装置，包括：
35、数据采集模块，用于采集智能电表的用电量数据；
36、数据处理模块，用于随机将用电量数据分为训练数据和测试数据，并将训练数据和测试数据进行预处理；
37、eemd-cdbn模块，用于将预处理后的训练数据和测试数据输入集成经验模态分解-卷积深度信念网络进行去噪和无监督特征学习，提取电表的用电量的特征；
38、异常检测模块，用于将特征输入分类器进行异常检测。
39、根据本申请的一方面，提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一项一种所述的智能电表异常检测方法。
40、根据本申请的又一个方面，一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行任意一项一种所述的智能电表异常检测方法。
41、与现有的技术相比，本专利技术具有如下有益效果：
42、应用本申请的技术方案，通过采集智能电表的用电量数据；随机将用电量数据分为训练数据和测试数据，并将训练数据和测试数据进行预处理；将预处理后的训练数据和测试数据输入集成经验模态分解-卷积深度信念网络进行去噪和无监督特征学习，提取电表的用电量的特征；将特征输入分类器进行异常检测。该方法通过自适应降噪，增强了故障诊断的鲁棒性。该方法收集了来自工业界的数据以验证所提出的方法，结果证明了所提出的方法在智能电表异常检测中的优异性能。
本文档来自技高网...【技术保护点】
1.一种智能电表异常检测方法，其特征在于，包括：
2.根据权利要求1所述的智能电表异常检测方法，其特征在于，所述预处理采用归一化处理。
3.根据权利要求1所述的智能电表异常检测方法，其特征在于，将预处理后的训练数据和测试数据输入集成经验模态分解-卷积深度信念网络进行去噪和无监督特征学习，包括以下步骤：
4.根据权利要求3所述的智能电表异常检测方法，其特征在于，将输入的数据分解成多个本征模态函数IMF包括以下步骤：
5.根据权利要求3所述的智能电表异常检测方法，其特征在于，通过相关系数来选择IMF进行信号重建包括：计算IMF的相关系数；从计算的相关系数中选取相关系数最大的IMF进行重建数据。
6.根据权利要求5所述的智能电表异常检测方法，其特征在于，相关系数CC的表达式为：
7.根据权利要求6所述的智能电表异常检测方法，其特征在于，将重建的数据输入卷积深度信念网络进行训练包括：
8.一种智能电表异常检测装置，其特征在于，包括：
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介
10.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为通过所述计算机程序执行权利要求1至7中任意一项所述的智能电表异常检测方法。
...【技术特征摘要】
1.一种智能电表异常检测方法，其特征在于，包括：
2.根据权利要求1所述的智能电表异常检测方法，其特征在于，所述预处理采用归一化处理。
3.根据权利要求1所述的智能电表异常检测方法，其特征在于，将预处理后的训练数据和测试数据输入集成经验模态分解-卷积深度信念网络进行去噪和无监督特征学习，包括以下步骤：
4.根据权利要求3所述的智能电表异常检测方法，其特征在于，将输入的数据分解成多个本征模态函数imf包括以下步骤：
5.根据权利要求3所述的智能电表异常检测方法，其特征在于，通过相关系数来选择imf进行信号重建包括：计算imf的相关系数；从计算的相关系数中选取相关系数最大的imf进行重建数据。
【专利技术属性】
技术研发人员：杨舟，张晨，陈珏羽，李彦夫，周政雷，张颖，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。