CN110441725A - 基于自适应神经模糊推理的智能电表故障诊断方法及装置 - Google Patents

Abstract

本发明涉及智能电表故障诊断技术领域，特别是基于自适应神经模糊推理的智能电表故障诊断方法及装置。该装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行程序时实现获取电表的用电量、电气量和最大需量中的至少两个特征参数；对各连续的特征参数构成的特征参数数据进行自适应神经模糊推理***(ANFIS)结构参数的初值化，确定训练参数；训练与特征参数数据对应的ANFIS，当训练结束时，则给出对应的ANFIS诊断网络并根据获取的电表事件记录数据对各ANFIS诊断网络进行综合诊断，得到诊断结果，自动的对智能电能表故障进行分析和分类，解决智能电表故障分析、分类方法不足的问题。

Description

基于自适应神经模糊推理的智能电表故障诊断方法及装置

技术领域

本发明涉及智能电表故障诊断技术领域，特别是基于自适应神经模糊推理的智能电表故障诊断方法及装置。

背景技术

智能电能表是智能电网的最基础、最底层的组成部分，作为供电公司和用户进行互动结算的计量仪器，其运行的可靠性和测量的准确性对双方都具有十分重要的意义。在实际应用中可能出现大量的故障表，而故障表的分类管理、故障判断、故障定位、故障原因分析等工作目前一直是各个供电公司和仪表制造厂家面临的技术难题。按照国家电网公司发布的故障类型，智能电能表主要分为工作质量、外部因素和设备质量等5大类，5大类又细分为外观故障、计量性能、存储单、处理单元和控制单元故障等21种类型，每种故障类型对应多种故障原因，如计量性能就分为无差超差、潜动、不启动等多种故障。故障类型的判断和确定及故障发生的原因是故障表处理的难点。目前，部分电能表的故障是由于接线不规范、外力等人为或环境因素造成的，属于非质量故障，不需要供应商赔表，而有些故障是因为智能电能表本身故障缺陷造成，这部分质量故障电能表需要供应商陪表处理，所以确定电能表的故障原因非常重要。

运行统计情况表明，电能表现场可靠运行的风险主要来源于自身元器件失效导致的电能表故障和运行环境异常导致的异常运行状态，传统的质量管控只能通过电能表安装前的试验和安装后的运行抽检、周期检验来保证电能表的可靠运行，其缺点是实时性差，且用于管控分析的数据维度较少，难以及时、全面地掌握电能表运行状态。近年来，电能计量领域大范围开展计量装置在线监测与故障诊断的研究，但较多的是针对高压大用户电能表误差的监测，受监测设备成本等因素限制而没有大范围推广应用。

由中国专利公布号CN106646038A的专利文献公开了一种基于智能电表实时采集数据的低电压诊断***，包括数据采集装置、数据分析模块、低电压成因案例库和诊断模块，数据采集装置通过智能电表采集数据，数据分析模块确定低电压工况数据的聚类标准，构建低电压成因案例库，诊断模块基于低电压工况数据聚类标准和低电压成因案例库，将带诊断低电压工况数据，利用大数据特征比对方法，智能诊断低电压成因及概率。但是上述方法仅仅能够对低电压成因及概率进行判定，缺乏全面的诊断和监测，对智能电表的故障分类不足，在实际应用中不能全面的智能电表的故障分析。

发明内容

本发明的目的是提供基于自适应神经模糊推理的智能电表故障诊断方法及装置，用以解决智能电表故障分析、分类方法不足的问题。

为实现上述目的，本发明通过多级递阶自适应神经模糊推理***(ANFIS)结构对常见的智能电能表故障进行推理诊断，ANFIS通过将模糊推理***和人工神经网络结合，综合了神经网络的学习机制和模糊***的推理能力，与其他神经模糊***相比，ANFIS具有更强的自学习能力和自适应性，能够自动的对智能电能表故障进行分析和分类，解决智能电表故障分析、分类方法不足的问题。因此，提出一种基于自适应神经模糊推理的智能电表故障诊断方法，包括以下步骤：

1)获取电表的连续的特征参数构成样本，所述特征参数包括用电量、电气量和最大需量中的至少两个；

2)对所述各连续的特征参数构成的样本数据进行自适应神经模糊推理***模糊处理，得到与各样本数据对应的诊断网络；

3)对各诊断网络进行自适应神经模糊推理***模糊处理，得到综合诊断网络；

4)将获取的电表事件记录数据结合所述综合诊断网络，得到诊断结果。

有益效果是，通过对用电量、电气量和最大需量中的至少两个进行自适应神经模糊推理***模糊处理得到各自相应的诊断网络模型，在对各诊断网络模型进行自适应神经模糊推理***处理得到综合诊断网络模型，并根据电表事件记录数据得到诊断结果，能够对智能电表进行全面的诊断和监测，有效的对智能电表的故障进行分类，解决了智能电表故障分析、分类方法不足的问题。

作为本发明提供的一种基于自适应神经模糊推理的智能电表故障诊断方法的改进，步骤2)中对所述各连续的特征参数构成的样本数据进行自适应神经模糊推理***结构初值化，通过有监督学习确定各类样本数据对应的训练参数，根据各训练参数训练自适应神经模糊推理***，得到与各类样本数据对应的诊断网络。

作为本发明提供的一种基于自适应神经模糊推理的智能电表故障诊断方法的进一步改进，所述自适应神经模糊推理***的结构为双输入单输出。

作为本发明提供的一种基于自适应神经模糊推理的智能电表故障诊断方法的再一步改进，所述自适应神经模糊推理***的结构分为5层，包括模糊化层、规则推理层、归一化层、逆模糊化层和输出层。

本发明提供一种基于自适应神经模糊推理的智能电表故障诊断装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

1)获取电表的连续的特征参数构成样本，所述特征参数包括用电量、电气量和最大需量中的至少两个；

2)对所述各连续的特征参数构成的样本数据进行自适应神经模糊推理***模糊处理，得到与各样本数据对应的诊断网络；

3)对各诊断网络进行自适应神经模糊推理***模糊处理，得到综合诊断网络；

4)将获取的电表事件记录数据结合所述综合诊断网络，得到诊断结果。

作为本发明提供的一种基于自适应神经模糊推理的智能电表故障诊断装置的改进，步骤2)中对所述各连续的特征参数构成的样本数据进行自适应神经模糊推理***结构初值化，通过有监督学习确定各类样本数据对应的训练参数，根据各训练参数训练自适应神经模糊推理***，得到与各类样本数据对应的诊断网络。

作为本发明提供的一种基于自适应神经模糊推理的智能电表故障诊断装置的进一步改进，所述自适应神经模糊推理***的结构为双输入单输出。

作为本发明提供的一种基于自适应神经模糊推理的智能电表故障诊断装置的进一步改进，所述自适应神经模糊推理***的结构分为5层，包括模糊化层、规则推理层、归一化层、逆模糊化层和输出层。

附图说明

图1是ANFIS典型结构图；

图2是多级递阶ANFIS结构图；

图3是一种ANFIS智能电能表诊断方法流程图。

具体实施方式

下面结合附图对本发明做进一步详细的说明。

本发明提供一种基于自适应神经模糊推理的智能电表故障诊断方法及装置，其中，该装置包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行程序时实现基于自适应神经模糊推理的智能电表故障诊断方法，该诊断方法的数据基础是对智能电能表的运行工况进行实时监测所得到的监测数据，包括事件记录、电量信息、电气量信息和最大需量信息。

本发明提供的诊断方法运用多级递阶自适应神经模糊推理***对这些电量信息、电气量信息、最大需量信息进行综合处理，结合终端事件记录综合给出故障分类信息，包括以下步骤：

(1)分别利用电量、电气量、最大需量的特征参数作为ANFIS的输入，进而给出智能电能表的运行状态。但这些输入量可能隶属不同的范畴，且它们不能用相似的模糊集合来区分。因此对于这些对象，如果采用单级的ANFIS结构，很难将这些因素考虑周全得到有意义的输出结果，同时由于输入变量的大量增多，模糊规则数量会急剧增加导致“维数灾难”。因此，本发明采用多级递阶ANFIS结构模型来评估操作机构的运行状态，其结构框图如图1所示。

(2)如图2所示：对于每一类输入数据：电量数据、电气量数据、最大需量数据依次进行ANFIS结构参数的初值化、确定训练参数、训练ANFIS，依据判断条件确定训练过程是否结束，如果训练结束则给出训练好的ANFIS诊断网络，否则继续训练。

ANFIS的工作原理如下：

若只采用电量数据、电气量数据和最大需量数据中的两个，则以双输入单输出的ANFIS进行运算；若上述三者都采用，则需要以三输入单输出的ANFIS进行运算，因此，以双输入单输出的ANFIS结构为例说明其工作原理。其典型结构如图3所示，可由以下两条规则描述：

规则1：if x₁ is A₁ and x₂ is B₁ then y₁＝p₁x₁+q₁x₂+r₁ (1)

规则2：if x₁ is A₂ and x₂ is B₂ then y₂＝p₂x₁+q₂x₂+r₂ (2)

式中x₁、x₂为***输入；y₁、y₂为规则1、规则2的输出；A₁、A₂、B₁、B₂为模糊集合；p₁、p₂、q₁、q₂、r₁、r₂为常数。

图3所示的典型结构分为5层，图中Π、N、∑分别表示第2层、第三层和第5层的计算过程。本文中用O_j,i表示第j层第i个节点的输出。

第一层：模糊化层，该层将输入变量模糊化，计算输入数据对模糊集合的隶属度，其输出表达式为：

式中和为模糊集的隶属函数；O_1,i为模糊集的隶属度。隶属度函数可以是任意合适的参数化隶属函数，此处采用高斯函数：

式中：c_i、σ_i为隶属函数的参数，也称为前件参数。

第二层：规则推理层，该层计算各条规则的激励强度，其输出表达式为：

式中wi表示对应规则的激励强度，即各模糊规则的权值。

第三层：归一化层，该层将各条规则的激励强度归一化，即计算第i条规则的激励强度与所有规则激励强度之和的比值，其输出表达式为：

式中为第i条规则归一化后的激励强度，表示第i条规则对最终结果的贡献。

第四层：逆模糊化层，该层计算每条规则的输出，其输出表达式为：

式中：参数p_i、q_i和r_i称为该层各个节点的后件参数，由ANFIS得到。

第五层：输出层，该层计算所有逆模糊化节点输出的总和，并产生最后的ANFIS输出：

式中：Y为***的总输出；y_i表示第i条规则的输出。

ANFIS的学习算法采用通过梯度下降法和最小二乘法的混合学习算法来辨识***的前件参数和后件参数，进而实现模糊模型的建立。对于混合算法，每个周期的学习过程都包含正向传递和反向传播两个部分。

(3)如图2所示，将三个不同的输入：输入电量样本数据、输入电气量样本数据和输入最大需量样本数据各自经自身的ANFIS训练好的***在经过ANFIS得到综合诊断网络，最终结合事件记录数据进行综合诊断最终给出诊断结果。

如上所述，该方法将三类输入数据：电量样本数据、电气量样本数据和最大需量样本数据分别输入到各自的ANFIS模型中进行训练，将最终的训练结果输入到下一级ANFIS模型中，并综合事件记录数据综合给出故障诊断结果，所提出的方法充分利用了ANFIS的推理能力和自适应自学习能力，为当前智能电能表基于数据的故障诊断提供了一种新思路。

以上给出了本发明涉及的具体实施方式，但本发明不局限于所描述的实施方式。在本发明给出的思路下，采用对本领域技术人员而言容易想到的方式对上述实施例中的技术手段进行变换、替换、修改，并且起到的作用与本发明中的相应技术手段基本相同、实现的发明目的也基本相同，这样形成的技术方案是对上述实施例进行微调形成的，这种技术方案仍落入本发明的保护范围内。

Claims (8)

1.一种基于自适应神经模糊推理的智能电表故障诊断方法，其特征在于，包括以下步骤：

1)获取电表的连续的特征参数构成样本，所述特征参数包括用电量、电气量和最大需量中的至少两个；

2)对所述各连续的特征参数构成的样本数据进行自适应神经模糊推理***模糊处理，得到与各样本数据对应的诊断网络；

3)对各诊断网络进行自适应神经模糊推理***模糊处理，得到综合诊断网络；

4)将获取的电表事件记录数据结合所述综合诊断网络，得到诊断结果。

2.根据权利要求1所述的基于自适应神经模糊推理的智能电表故障诊断方法，其特征在于，步骤2)中对所述各连续的特征参数构成的样本数据进行自适应神经模糊推理***结构初值化，通过有监督学习确定各类样本数据对应的训练参数，根据各训练参数训练自适应神经模糊推理***，得到与各类样本数据对应的诊断网络。

3.根据权利要求2所述的基于自适应神经模糊推理的智能电表故障诊断方法，其特征在于，所述自适应神经模糊推理***的结构为双输入单输出。

4.根据权利要求3所述的基于自适应神经模糊推理的智能电表故障诊断方法，其特征在于，所述自适应神经模糊推理***的结构分为5层，包括模糊化层、规则推理层、归一化层、逆模糊化层和输出层。

5.一种基于自适应神经模糊推理的智能电表故障诊断装置，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：

1)获取电表的连续的特征参数构成样本，所述特征参数包括用电量、电气量和最大需量中的至少两个；

2)对所述各连续的特征参数构成的样本数据进行自适应神经模糊推理***模糊处理，得到与各样本数据对应的诊断网络；

3)对各诊断网络进行自适应神经模糊推理***模糊处理，得到综合诊断网络；

4)将获取的电表事件记录数据结合所述综合诊断网络，得到诊断结果。

6.根据权利要求5所述的基于自适应神经模糊推理的智能电表故障诊断装置，其特征在于，步骤2)中对所述各连续的特征参数构成的样本数据进行自适应神经模糊推理***结构初值化，通过有监督学习确定各类样本数据对应的训练参数，根据各训练参数训练自适应神经模糊推理***，得到与各类样本数据对应的诊断网络。

7.根据权利要求6所述的基于自适应神经模糊推理的智能电表故障诊断装置，其特征在于，所述自适应神经模糊推理***的结构为双输入单输出。

8.根据权利要求7所述的基于自适应神经模糊推理的智能电表故障诊断装置，其特征在于，所述自适应神经模糊推理***的结构分为5层，包括模糊化层、规则推理层、归一化层、逆模糊化层和输出层。