CN112595918A - 一种低压集抄故障的检测方法及装置 - Google Patents
一种低压集抄故障的检测方法及装置 Download PDFInfo
- Publication number
- CN112595918A CN112595918A CN202011569390.6A CN202011569390A CN112595918A CN 112595918 A CN112595918 A CN 112595918A CN 202011569390 A CN202011569390 A CN 202011569390A CN 112595918 A CN112595918 A CN 112595918A
- Authority
- CN
- China
- Prior art keywords
- fault
- model
- meter reading
- training
- feature vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本申请公开了一种低压集抄故障的检测方法及装置,方法包括:根据集抄***故障建立故障断面特征向量,选取的一定数量故障断面特征向量与故障原因的对应关系构建训练集;通过训练集对CAEs模型训练得到CAEs故障深层特征向量提取模型,将训练集故障深层特征向量输入到XGboost进行训练得到XGboost故障诊断模型;接着通过训练好的CAEs故障深层特征向量提取模型对***实时故障断面特征向量进行提取得到故障深层特征向量,并输入到性能稳定、泛化能力强的决策树模型XGboost故障诊断模型进行故障识别得到集抄***的故障原因,从而达到准确且快速研判低压集抄故障的效果,解决了现有技术依靠人工经验对低压集抄的故障进行分析,导致无法准确且快速地判断出故障原因的技术问题。
Description
技术领域
本申请涉及电力技术领域,尤其涉及一种低压集抄故障的检测方法及装置。
背景技术
随着智能电网的不断发展,集抄***得到了广泛的应用。集抄***通过信道远程抄读用户电能表信息,是保证电费正确核收等业务的基础,对于电网运营精细化管理具有重大意义。集抄***包括计量自动化主站、低压集抄设备以及电能表等层级组成,每一层级涉及的设备数量众多、类型繁杂、厂家各异。主站-集中器-采集器-电能表等不同设备层级存在多种通信模块、组网方式以及运行特征,导致集抄***设备故障形式及其原因多种多样,出现的故障特征多样且特征间的关联关系复杂,给低压集抄运维与故障处理带来较大难度。
现阶段的低压集抄运维主要依靠人工经验对低压集抄的故障进行分析,工作量大、运维效率低,而且缺乏统一、科学规范的快速判断故障的辅助研判方法,导致无法准确且快速地判断出故障原因。
发明内容
本申请实施例提供了一种低压集抄故障的检测方法及装置,用于解决现有技术主要依靠人工经验对低压集抄的故障进行分析,导致无法准确且快速地判断出故障原因的技术问题。
有鉴于此,本申请第一方面提供了一种低压集抄故障的检测方法,所述方法包括:
对集抄***中的各模块出现的故障,定义对应的模块故障特征向量,根据所述模块的状态对所述模块的故障特征状态量进行赋值后,得到所述集抄***的故障断面特征向量;
根据所述故障断面特征向量与故障原因的对应关系建立训练集,将所述训练集输入到CAEs模型进行训练,得到训练集故障深层特征向量和CAEs故障深层特征向量提取模型,所述CAEs模型由多个卷积自编器堆叠而成;
将所述训练集故障深层特征向量输入到XGboost进行训练,得到XGboost故障诊断模型;
基于所述CAEs故障深层特征向量提取模型,对所述集抄***的实时故障断面特征向量进行提取,得到故障深层特征向量;
将所述故障深层特征向量输入到所述XGboost故障诊断模型进行故障识别,输出所述集抄***的故障原因。
可选地,所述根据所述模块的状态对所述模块的故障特征状态量进行赋值,具体包括:
判断所述模块是否处于正常状态,若是,将所述模块的故障特征状态量赋值为“0”,否则,将所述模块的故障特征状态量赋值为“1”。
可选地,所述将所述训练集输入到CAEs模型进行训练,得到训练集故障深层特征向量和CAEs故障深层特征向量提取模型,具体包括:
将所述训练集输入到CAEs模型进行训练,输出所述训练集故障深层特征向量;
通过随机梯度下降法计算所述CAEs模型的卷积核参数,并根据卷积核参数更新方程对卷积核参数进行更新,当获得最优卷积核参数时,得到所述CAEs故障深层特征向量提取模型。
可选地,所述将所述训练集故障深层特征向量输入到XGboost进行训练,得到XGboost故障诊断模型,具体包括:
将所述训练集故障深层特征向量输入到XGboost进行训练,并通过启发式加法训练模型计算所述XGboost的目标函数,当所述目标函数为最小时,得到所述XGboost故障诊断模型。
可选地,所述XGboost故障诊断模型为:
式中,n为树的数目,ft为函数空间F中的一个函数,为预测值,Hi为输入的第i个数据,F为所有可能的CART集合,T为所述训练集故障深层特征向量,Xobj为目标函数,为训练误差值;Ω(ft)为正则化惩罚函数。
可选地,所述模块包括:计量主站、集中器、采集器和电能表。
本申请第二方面提供了一种低压集抄故障的检测装置,所述装置包括:
获取单元,用于对集抄***中的各模块出现的故障,定义对应的模块故障特征向量,根据所述模块的状态对所述模块的故障特征状态量进行赋值后,获得所述集抄***的故障断面特征向量;
第一训练单元,用于根据所述故障断面特征向量与故障原因的对应关系建立训练集,将所述训练集输入到CAEs模型进行训练,得到训练集故障深层特征向量和CAEs故障深层特征向量提取模型,所述CAEs模型由多个卷积自编器堆叠而成;
第二训练单元,用于将所述训练集故障深层特征向量输入到XGboost进行训练,得到XGboost故障诊断模型;
提取单元,用于基于所述CAEs故障深层特征向量提取模型,对所述集抄***的实时故障断面特征向量进行提取,得到故障深层特征向量;
检测单元,用于将所述故障深层特征向量输入到所述XGboost故障诊断模型进行故障识别,输出所述集抄***的故障原因。
可选地,所述获取单元,具体用于:
对集抄***中的各模块出现的故障定义对应的模块故障特征向量;
判断所述模块是否处于正常状态,若是,将所述模块的故障特征状态量赋值为“0”,否则,将所述模块的故障特征状态量赋值为“1”,得到所述集抄***的故障断面特征向量。
可选地,所述第一训练单元,具体用于:
根据所述故障断面特征向量与故障原因的对应关系建立训练集,将所述训练集输入到CAEs模型进行训练,输出所述训练集故障深层特征向量;
通过随机梯度下降法计算所述CAEs模型的卷积核参数,并根据卷积核参数更新方程对卷积核参数进行更新,当获得最优卷积核参数时,得到所述CAEs故障深层特征向量提取模型。
可选地,所述第二训练单元,具体用于:
将所述训练集故障深层特征向量输入到XGboost进行训练,并通过启发式加法训练模型计算所述XGboost的目标函数,当所述目标函数为最小时,得到所述XGboost故障诊断模型。
从以上技术方案可以看出,本申请实施例具有以下优点:
本申请实施例中,提供了一种低压集抄故障的检测方法,包括:对集抄***中的各模块出现的故障,定义对应的模块故障特征向量,根据模块的状态对模块的故障特征状态量进行赋值后,得到集抄***的故障断面特征向量;根据故障断面特征向量与故障原因的对应关系建立训练集,将训练集输入到CAEs模型进行训练,得到训练集故障深层特征向量和CAEs故障深层特征向量提取模型,CAEs模型由多个卷积自编器堆叠而成;将训练集故障深层特征向量输入到XGboost进行训练,得到XGboost故障诊断模型;基于CAEs故障深层特征向量提取模型,对集抄***的实时故障断面特征向量进行提取,得到故障深层特征向量;将故障深层特征向量输入到XGboost故障诊断模型进行计算,输出集抄***的故障原因。
本申请的低压集抄故障的检测方法,根据集抄***的故障建立集抄***的故障断面特征向量,并根据故障断面特征向量与故障原因的对应关系构建训练集;通过训练集对CAEs模型进行训练得到CAEs故障深层特征向量提取模型,并将输出的训练集故障深层特征向量输入到XGboost进行训练,得到XGboost故障诊断模型;接着通过训练好的CAEs故障深层特征向量提取模型对集抄***的实时故障断面特征向量进行提取得到故障深层特征向量,并输入到性能稳定、泛化能力强的决策树模型XGboost故障诊断模型训练,得到集抄***的故障原因,从而达到准确且快速研判低压集抄故障的效果,解决了现有技术主要依靠人工经验对低压集抄的故障进行分析,导致无法准确且快速地判断出故障原因的技术问题。
附图说明
图1为本申请实施例提供的一种低压集抄故障的检测方法的实施例一的流程示意图;
图2为本申请实施例提供的一种低压集抄故障的检测方法的实施例二的流程示意图;
图3为本申请实施例提供的一种低压集抄故障的检测装置的实施例的流程示意图;
图4a为本申请实施例提供的CAEs模型第一层编解码误差示意图;
图4b为本申请实施例提供的CAEs模型第二层编解码误差示意图;
图4c为本申请实施例提供的CAEs模型第三层编解码误差示意图;
图5为本申请实施例提供的XGboost故障诊断模型算法训练收敛特性图;
图6为本申请实施例提供的XGboost故障诊断模型目标值与训练值对比图;
图7为本申请实施例提供的XGboost故障诊断模型故障判断结果。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参阅图1,本申请实施例提供的一种低压集抄故障的检测方法的实施例一,包括:
步骤101、对集抄***中的各模块出现的故障,定义对应的模块故障特征向量,根据模块的状态对模块的故障特征状态量进行赋值后,得到集抄***的故障断面特征向量。
集抄***中接入的设备模块数量众多、***内故障断面特征信息数量庞大且信息间的关联关系复杂,为实现***故障研判,需要对集抄***故障特征建模,进而获取集抄***故障断面特征向量;本实施例根据模块的状态对模块的故障特征状态量进行赋值得到集抄***的故障断面特征向量,完成对集抄***故障特征建模。
步骤102、根据故障断面特征向量与故障原因的对应关系建立训练集,将训练集输入到CAEs模型进行训练,得到训练集故障深层特征向量和CAEs故障深层特征向量提取模型,CAEs模型由多个卷积自编器堆叠而成。
需要说明的是,卷积自编码器(CAE)是一种由一个输入层、一个隐含层和一个输出层构成的对称神经网络。它通过编码和解码两个步骤使输入数据的重构误差达到最小,从而获得最佳的数据隐含层表达,从而实现对特征的有效提取。
为了高效地利用故障特征对集抄***故障原因进行研判,本申请实施例采用多个卷积自编码器堆叠而成CAEs模型,对故障断面特征向量进行特征提取。本领域技术人员知道,具体的将故障断面特征向量与故障原因的对应关系构建的训练集输入到CAEs模型的第一层进行训练,通过编解码过程,输出隐含层序列,将隐含层序列作为第二层输入,以此类推,将最后一层的隐含层输出作为提取的故障深层特征向量,并得到训练好的CAEs故障深层特征向量提取模型。
步骤103、将训练集故障深层特征向量输入到XGboost进行训练,得到XGboost故障诊断模型。
需要说明的是,XGBoost是一种提升树模型,其核心思想是将许多弱分类器集成在一起形成一个强分类器,通过不断的生成新树,并拟合前一棵树的残差,不断提高模型精度。本申请实施例通过将CAEs模型提取的训练集故障深层特征向量输入到XGboost进行训练得到XGboost故障诊断模型,从而能够更高效地利用故障特征对集抄***故障原因进行研判。
步骤104、基于CAEs故障深层特征向量提取模型,对集抄***的实时故障断面特征向量进行提取,得到故障深层特征向量。
将集抄***的实时故障断面特征向量输入到训练好的CAEs故障深层特征向量提取模型进行提取,得到故障深层特征向量。
步骤105、将故障深层特征向量输入到XGboost故障诊断模型进行计算,输出集抄***的故障原因。
最后,将提取的故障深层特征向量输入到训练好的XGboost故障诊断模型,输出集抄***的故障原因,从而能够准确快速的判断出集抄***的故障原因。
本申请的低压集抄故障的检测方法,根据集抄***的故障建立集抄***的故障断面特征向量,并根据故障断面特征向量与故障原因的对应关系构建训练集;通过训练集对CAEs模型进行训练得到CAEs故障深层特征向量提取模型,并将输出的训练集故障深层特征向量输入到XGboost进行训练,得到XGboost故障诊断模型;接着通过训练好的CAEs故障深层特征向量提取模型对集抄***的实时故障断面特征向量进行提取得到故障深层特征向量,并输入到性能稳定、泛化能力强的决策树模型XGboost故障诊断模型训练,得到集抄***的故障原因,从而达到准确且快速研判低压集抄故障的效果,解决了现有技术主要依靠人工经验对低压集抄的故障进行分析,导致无法准确且快速地判断出故障原因的技术问题。
以上为本申请实施例提供的一种低压集抄故障的检测方法的实施例一,以下为本申请实施例提供的一种低压集抄故障的检测方法的实施例二。
请参阅图2,本申请实施例提供的一种低压集抄故障的检测方法的实施例二,包括:
步骤201、对集抄***中的各模块出现的故障定义对应的模块故障特征向量;判断模块是否处于正常状态,若是,将模块的故障特征状态量赋值为“0”,否则,将模块的故障特征状态量赋值为“1”,得到集抄***的故障断面特征向量,模块包括:计量主站、集中器、采集器和电能表。
集抄***中出现的故障主要在计量主站、集中器、采集器和电能表,因此本实施例选取计量主站、集中器、采集器和电能表的故障特征进行研究,根据各个模块的状态,对其故障特征状态量进行赋值,从而获得集抄***故障断面特征向量。
步骤202、根据故障断面特征向量与故障原因的对应关系建立训练集,将训练集输入到CAEs模型进行训练,输出训练集故障深层特征向量。
步骤203、通过随机梯度下降法计算CAEs模型的卷积核参数,并根据卷积核参数更新方程对卷积核参数进行更新,当获得最优卷积核参数时,得到CAEs故障深层特征向量提取模型。
需要说明的是,本实施例采用随机梯度下降法对CAEs模型进行训练,从而得到CAEs故障深层特征向量提取模型,本技术领域人员可以根据实际情况进行选取,在此不做限定。
本实施例通过对故障深层特征提取,在保证故障特征有效表达的同时,显著降低数据维度,有利于故障研判效率的提高,通过图4a、4b、4c可以知道,通过每一层CAE编解码过程所输出的重构序列与原输入序列的成本函数均方误差分布在0%-0.5%之间,误差较小,即每一层CAE提取的深层特征序列均能很好地体现原输入序列的信息。
步骤204、将训练集故障深层特征向量输入到XGboost进行训练,并通过启发式加法训练模型计算XGboost的目标函数,当目标函数为最小时,得到XGboost故障诊断模型。
本实施例采用启发式加法训练模型来对XGboost进行训练得到XGboost故障诊断模型,本技术领域人员可以根据实际情况进行选取,在此不做限定。
其中,XGboost故障诊断模型为:
式中,n为树的数目,ft为函数空间F中的一个函数,为预测值,Hi为输入的第i个数据,F为所有可能的CART集合,T为训练集故障深层特征向量,Xobj为目标函数,为训练误差值;Ω(ft)为正则化惩罚函数。
图5、图6为本实施例的训练效果图,通过图5、图6可以知道,XGboost故障诊断模型在训练过程中收敛速度快,仅迭代21次便训练完成,为实现快速诊断奠定基础,通过对目标值与训练值对比,可以发现XGboost故障诊断模型对训练样本的学习效果理想,能对低压集抄故障类型进行准确诊断。
步骤205、基于CAEs故障深层特征向量提取模型,对集抄***的实时故障断面特征向量进行提取,得到故障深层特征向量。
步骤205与实施例步骤104描述相同,请参见步骤104描述,在此不再赘述。
步骤206、将第二故障深层特征向量输入到XGboost故障诊断模型进行计算,输出集抄***的故障原因。
步骤206与实施例步骤105描述相同,请参见步骤105描述,在此不再赘述。
需要说明的是,本实施例通过使用50条低压集抄故障处理数据作为测试集对XGboost故障诊断模型训练效果进行验证,通过图7以及表1可以知道,XGboost故障诊断模型对于故障判断效果良好,准确判断率达到95%。表1中网络输出结果为对应位置发生故障的概率,将输出最大值对应的故障视为诊断结果。
表1 XGboost故障诊断模型故障判断结果
考虑到集抄***和收集的故障特征向量可能存在着信息遗漏或错误的情况,设置含有错误信息的测试样本检验XGboost故障诊断模型的容错性能,通过表2可以知道,XGboost故障诊断模型针对故障特征不全或不准的情况仍能进行准确研判,具有较好的容错性能。
表2 XGboost故障诊断模型容错性分析结果
以上为本申请实施例提供的一种低压集抄故障的检测方法的实施例二,以下为本申请实施例提供的一种低压集抄故障的检测装置的实施例。
请参阅图3,本申请实施例提供的一种低压集抄故障的检测装置的实施例,包括:
获取单元301,用于对集抄***中的各模块出现的故障定义对应的模块故障特征向量,根据模块的状态对模块的故障特征状态量进行赋值后,获得集抄***的故障断面特征向量。
第一训练单元302,用于根据故障断面特征向量与故障原因的对应关系建立训练集,将训练集输入到CAEs模型进行训练,得到训练集故障深层特征向量和CAEs故障深层特征向量提取模型,CAEs模型由多个卷积自编器堆叠而成。
第二训练单元303,用于将训练集故障深层特征向量输入到XGboost进行训练,得到XGboost故障诊断模型。
提取单元304,用于基于CAEs故障深层特征向量提取模型,对集抄***的实时故障断面特征向量进行提取,得到故障深层特征向量。
检测单元305,用于将故障深层特征向量输入到XGboost故障诊断模型进行计算,输出集抄***的故障原因。
本申请的低压集抄故障的检测装置,根据集抄***的故障建立集抄***的故障断面特征向量,并根据故障断面特征向量与故障原因的对应关系构建训练集;通过训练集对CAEs模型进行训练得到CAEs故障深层特征向量提取模型,并将输出的训练集故障深层特征向量输入到XGboost进行训练,得到XGboost故障诊断模型;接着通过训练好的CAEs故障深层特征向量提取模型对集抄***的实时故障断面特征向量进行提取得到故障深层特征向量,并输入到性能稳定、泛化能力强的决策树模型XGboost故障诊断模型训练,得到集抄***的故障原因,从而达到准确且快速研判低压集抄故障的效果,解决了现有技术主要依靠人工经验对低压集抄的故障进行分析,导致无法准确且快速地判断出故障原因的技术问题。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本申请中,“至少一个(项)”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,用于描述关联对象的关联关系,表示可以存在三种关系,例如,“A和/或B”可以表示:只存在A,只存在B以及同时存在A和B三种情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b或c中的至少一项(个),可以表示:a,b,c,“a和b”,“a和c”,“b和c”,或“a和b和c”,其中a,b,c可以是单个,也可以是多个。
在本申请所提供的几个实施例中,应该理解到,所揭露的***,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种低压集抄故障的检测方法,其特征在于,包括:
对集抄***中的各模块出现的故障,定义对应的模块故障特征向量,根据所述模块的状态对所述模块的故障特征状态量进行赋值后,得到所述集抄***的故障断面特征向量;
根据所述故障断面特征向量与故障原因的对应关系建立训练集,将所述训练集输入到CAEs模型进行训练,得到训练集故障深层特征向量和CAEs故障深层特征向量提取模型,所述CAEs模型由多个卷积自编器堆叠而成;
将所述训练集故障深层特征向量输入到XGboost进行训练,得到XGboost故障诊断模型;
基于所述CAEs故障深层特征向量提取模型,对所述集抄***的实时故障断面特征向量进行提取,得到故障深层特征向量;
将所述故障深层特征向量输入到所述XGboost故障诊断模型进行故障识别,输出所述集抄***的故障原因。
2.根据权利要求1所述的低压集抄故障的检测方法,其特征在于,所述根据所述模块的状态对所述模块的故障特征状态量进行赋值,具体包括:
判断所述模块是否处于正常状态,若是,将所述模块的故障特征状态量赋值为“0”,否则,将所述模块的故障特征状态量赋值为“1”。
3.根据权利要求1所述的低压集抄故障的检测方法,其特征在于,所述将所述训练集输入到CAEs模型进行训练,得到训练集故障深层特征向量和CAEs故障深层特征向量提取模型,具体包括:
将所述训练集输入到CAEs模型进行训练,输出所述训练集故障深层特征向量;
通过随机梯度下降法计算所述CAEs模型的卷积核参数,并根据卷积核参数更新方程对卷积核参数进行更新,当获得最优卷积核参数时,得到所述CAEs故障深层特征向量提取模型。
4.根据权利要求1所述的低压集抄故障的检测方法,其特征在于,所述将所述训练集故障深层特征向量输入到XGboost进行训练,得到XGboost故障诊断模型,具体包括:
将所述训练集故障深层特征向量输入到XGboost进行训练,并通过启发式加法训练模型计算所述XGboost的目标函数,当所述目标函数为最小时,得到所述XGboost故障诊断模型。
6.根据权利要求1所述的低压集抄故障的检测方法,其特征在于,所述模块包括:计量主站、集中器、采集器和电能表。
7.一种低压集抄故障的检测装置,其特征在于,包括:
获取单元,用于对集抄***中的各模块出现的故障,定义对应的模块故障特征向量,根据所述模块的状态对所述模块的故障特征状态量进行赋值后,获得所述集抄***的故障断面特征向量;
第一训练单元,用于根据所述故障断面特征向量与故障原因的对应关系建立训练集,将所述训练集输入到CAEs模型进行训练,得到训练集故障深层特征向量和CAEs故障深层特征向量提取模型,所述CAEs模型由多个卷积自编器堆叠而成;
第二训练单元,用于将所述训练集故障深层特征向量输入到XGboost进行训练,得到XGboost故障诊断模型;
提取单元,用于基于所述CAEs故障深层特征向量提取模型,对所述集抄***的实时故障断面特征向量进行提取,得到故障深层特征向量;
检测单元,用于将所述故障深层特征向量输入到所述XGboost故障诊断模型进行故障识别,输出所述集抄***的故障原因。
8.根据权利要求7所述的低压集抄故障的检测装置,其特征在于,所述获取单元,具体用于:
对集抄***中的各模块出现的故障定义对应的模块故障特征向量;
判断所述模块是否处于正常状态,若是,将所述模块的故障特征状态量赋值为“0”,否则,将所述模块的故障特征状态量赋值为“1”,得到所述集抄***的故障断面特征向量。
9.根据权利要求7所述的低压集抄故障的检测装置,其特征在于,所述第一训练单元,具体用于:
根据所述故障断面特征向量与故障原因的对应关系建立训练集,将所述训练集输入到CAEs模型进行训练,输出所述训练集故障深层特征向量;
通过随机梯度下降法计算所述CAEs模型的卷积核参数,并根据卷积核参数更新方程对卷积核参数进行更新,当获得最优卷积核参数时,得到所述CAEs故障深层特征向量提取模型。
10.根据权利要求7所述的低压集抄故障的检测装置,其特征在于,所述第二训练单元,具体用于:
将所述训练集故障深层特征向量输入到XGboost进行训练,并通过启发式加法训练模型计算所述XGboost的目标函数,当所述目标函数为最小时,得到所述XGboost故障诊断模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011569390.6A CN112595918A (zh) | 2020-12-26 | 2020-12-26 | 一种低压集抄故障的检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011569390.6A CN112595918A (zh) | 2020-12-26 | 2020-12-26 | 一种低压集抄故障的检测方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112595918A true CN112595918A (zh) | 2021-04-02 |
Family
ID=75202548
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011569390.6A Pending CN112595918A (zh) | 2020-12-26 | 2020-12-26 | 一种低压集抄故障的检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112595918A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114062997A (zh) * | 2021-11-05 | 2022-02-18 | 中国南方电网有限责任公司超高压输电公司广州局 | 电能表的校验方法、***以及装置 |
CN116990744A (zh) * | 2023-09-25 | 2023-11-03 | 北京志翔科技股份有限公司 | 一种电能表检测方法、装置、设备及介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506695A (zh) * | 2017-07-28 | 2017-12-22 | 武汉理工大学 | 视频监控设备故障自动检测方法 |
CN109840541A (zh) * | 2018-12-05 | 2019-06-04 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于XGBoost的电网变压器故障分类方法 |
KR102027389B1 (ko) * | 2019-03-20 | 2019-10-01 | (주)브이엠에스 | 오토인코더와 딥러닝을 이용한 기계 장비 고장 진단 장치 |
CN110374822A (zh) * | 2019-08-07 | 2019-10-25 | 电子科技大学 | 基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法 |
CN110691336A (zh) * | 2019-10-12 | 2020-01-14 | 黑龙江大学 | 一种基于集成学习和相对定位的双尺度定位算法 |
CN111190072A (zh) * | 2019-12-11 | 2020-05-22 | 贵州电网有限责任公司 | 集抄***诊断模型建立方法、故障诊断方法及装置 |
CN111444940A (zh) * | 2020-02-28 | 2020-07-24 | 山东大学 | 风机关键部位故障诊断方法 |
-
2020
- 2020-12-26 CN CN202011569390.6A patent/CN112595918A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107506695A (zh) * | 2017-07-28 | 2017-12-22 | 武汉理工大学 | 视频监控设备故障自动检测方法 |
CN109840541A (zh) * | 2018-12-05 | 2019-06-04 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于XGBoost的电网变压器故障分类方法 |
KR102027389B1 (ko) * | 2019-03-20 | 2019-10-01 | (주)브이엠에스 | 오토인코더와 딥러닝을 이용한 기계 장비 고장 진단 장치 |
CN110374822A (zh) * | 2019-08-07 | 2019-10-25 | 电子科技大学 | 基于深度卷积自编码器和XGBoost的风力发电机叶片故障诊断方法 |
CN110691336A (zh) * | 2019-10-12 | 2020-01-14 | 黑龙江大学 | 一种基于集成学习和相对定位的双尺度定位算法 |
CN111190072A (zh) * | 2019-12-11 | 2020-05-22 | 贵州电网有限责任公司 | 集抄***诊断模型建立方法、故障诊断方法及装置 |
CN111444940A (zh) * | 2020-02-28 | 2020-07-24 | 山东大学 | 风机关键部位故障诊断方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114062997A (zh) * | 2021-11-05 | 2022-02-18 | 中国南方电网有限责任公司超高压输电公司广州局 | 电能表的校验方法、***以及装置 |
CN114062997B (zh) * | 2021-11-05 | 2024-03-19 | 中国南方电网有限责任公司超高压输电公司广州局 | 电能表的校验方法、***以及装置 |
CN116990744A (zh) * | 2023-09-25 | 2023-11-03 | 北京志翔科技股份有限公司 | 一种电能表检测方法、装置、设备及介质 |
CN116990744B (zh) * | 2023-09-25 | 2023-12-05 | 北京志翔科技股份有限公司 | 一种电能表检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
CN111612650B (zh) | 一种基于dtw距离的电力用户分群方法及*** | |
CN108376982B (zh) | 负载相序的识别方法及装置 | |
CN109919217A (zh) | 充电行为识别方法、装置、终端设备及存储介质 | |
CN107807860B (zh) | 一种基于矩阵分解的电力故障分析方法及*** | |
CN116401532B (zh) | 一种电力***受扰后频率失稳识别方法及*** | |
CN112595918A (zh) | 一种低压集抄故障的检测方法及装置 | |
CN114386537A (zh) | 基于CatBoost的锂电池故障诊断方法、装置及电子设备 | |
CN112381351A (zh) | 一种基于奇异谱分析的用电行为变化检测方法及*** | |
CN115015683B (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
CN114707754A (zh) | 一种基于BiLSTM-CNN模型的智能电表故障预测方法及*** | |
CN110739692B (zh) | 一种基于概率图模型的配电网结构识别方法 | |
CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及*** | |
CN112085111A (zh) | 一种负荷辨识方法和装置 | |
CN112614004A (zh) | 用电信息的处理方法及装置 | |
CN116306806A (zh) | 故障诊断模型确定方法、装置及非易失性存储介质 | |
CN112926686B (zh) | 基于brb和lstm模型的电力大数据用电异常检测方法及装置 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN117495422A (zh) | 基于电力通信网建设的造价管理***及其方法 | |
CN111090679B (zh) | 基于时序影响和图嵌入的时序数据表示学习方法 | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的***及方法 | |
CN116908727A (zh) | 一种基于多特征组合的储能电站锂电池容量估计方法 | |
CN115936926A (zh) | 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质 | |
CN115902557A (zh) | 开关柜故障诊断处理方法、装置及非易失性存储介质 | |
CN113158134B (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |