CN117630797A - 基于工作电流的电表健康状态检测方法、***及存储介质 - Google Patents
基于工作电流的电表健康状态检测方法、***及存储介质 Download PDFInfo
- Publication number
- CN117630797A CN117630797A CN202311582496.3A CN202311582496A CN117630797A CN 117630797 A CN117630797 A CN 117630797A CN 202311582496 A CN202311582496 A CN 202311582496A CN 117630797 A CN117630797 A CN 117630797A
- Authority
- CN
- China
- Prior art keywords
- model
- data
- ammeter
- working current
- time sequence
- 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
- 230000036541 health Effects 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000003062 neural network model Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 10
- 230000007246 mechanism Effects 0.000 claims abstract description 9
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract 12
- 238000011156 evaluation Methods 0.000 claims description 9
- 238000009826 distribution Methods 0.000 claims description 8
- 230000003862 health status Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 238000012423 maintenance Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 238000003064 k means clustering Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000000528 statistical test Methods 0.000 claims description 3
- 230000009897 systematic effect Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 239000013598 vector Substances 0.000 abstract 1
- 239000000306 component Substances 0.000 description 20
- 238000012544 monitoring process Methods 0.000 description 16
- 230000008859 change Effects 0.000 description 13
- 238000004458 analytical method Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 7
- 238000007418 data mining Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 238000005311 autocorrelation function Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000003648 Ljung–Box test Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于工作电流的电表健康状态检测方法、***及存储介质，采集时序数据并进行预处理，得到一维时序数据。对一维时序数据进行分解得到线性分量、非线性分量，并将线性分量输入ARIMA模型；将非线性分量处理为二维数据结构，并输入神经网络模型；将ARIMA模型与神经网络模型的预测结果进行数据融合得到预测的工作电流。本发明基于ARIMA模型和神经网络模型进行高精度预测，在输入神经网络模型之前将一维时序数据处理为二维数据结构，而且在神经网络模型中加入了基于自注意力机制的Transformer模块，有的放矢的考虑了各因素之间的相关性以及影响程度，提高了模型预测的精度，具有较好的实用性。
Description
技术领域
本发明属于智能电表健康评估的技术领域，具体涉及基于工作电流的电表健康状态检测方法、***及存储介质。
背景技术
随着电力行业的快速发展，智能电表在现代电网***中的应用日益普及。智能电表是电力***的核心组成部分，智能电表通过监测和记录电力消耗情况，实现了电力的远程抄表和管理。然而，由于智能电表长时间运行和受外界环境影响，例如温度、电磁干扰、电力质量等因素，导致智能电表内部部件的老化和故障风险增加，可能导致电表数据不准确，甚至引发安全问题。如果电表出现问题，可能会导致数据错误、能源盗窃、电网短路等安全风险。
现有技术通过定期健康检测实现及早发现电表的故障或损坏，采取相应的维护措施，确保电力***的安全和稳定运行。传统电表的健康状态监测通常依赖于人工巡检、手动检测或周期性维护，存在效率低、不及时、成本高、易忽略问题的缺陷。尤其对于大规模部署的智能电表网络来说，传统的方法已经无法满足实时监测和维护的需求。近年来，智能电表的自动健康检测***越来越成熟且多样化，现有常见的智能电表健康状态监测技术主要包括以下几种：
1.基于电流变化分析法：
该方法通过检测智能电表的工作电流变化来监测健康状态。当电表内部出现异常或故障时，工作电流的波形、频率或振幅等特征会发生变化。通过对工作电流进行实时监测和对比分析，可以判断智能电表的健康状况。然而，电流变化法为了准确捕捉电流的微小变化，对采样频率和传感器的精度要求较高，这可能增加设备的复杂性和成本，并且比较容易受到噪音和干扰影响。在实际应用中，其他电器设备磁场、电网负荷变化等因素都可能会对电流变化的监测精度和分析结果产生影响。
2.基于功率因数分析法：
该方法通过计算智能电表的功率因数来评估其健康状态。一般来说，功率因数是衡量电能转换效率和电路质量的重要指标。当智能电表内部存在故障或老化情况时，功率因数会出现异常变化。通过对功率因数进行连续监测和分析，可以及时发现电表的故障或健康状态的变化。然而，对于功率因数法来说，功率因数法主要关注电表的功率因数变化，因此对于其他潜在的电表问题，例如电流波形失真、测量误差等，可能没有很高的灵敏度。
3.基于电能计量误差分析法：
该方法通过对智能电表的电能计量误差进行分析和比对来判断其健康状态。电能计量误差通常是指实际测量值与标准值之间的差异。当智能电表的内部元件损坏、校准失效或被非法篡改时，电能计量误差会超出可接受范围。通过对电能计量误差进行定期检测和分析，可以实时监测智能电表的健康状态。然而，而对于电能量计量误差分析法来说，需要历史数据，这种测算方法需要基于历史的电能量数据进行分析和对比，以识别电表计量误差。因此需要收集一定时间范围内的数据才能获得准确的评估结果，实时性较差。
4.基于数据挖掘技术：
该方法利用数据挖掘技术对智能电表的工作数据进行分析，通过建立和训练模型来监测和诊断电表的健康状态。常用的数据挖掘技术包括聚类分析、关联规则挖掘、分类和预测等方法。通过对大量的智能电表工作数据进行学习和模式识别，可以实现对电表健康状态的准确监测。然而，对于数据挖掘技术而言，使用数据挖掘技术进行监测时，模型的可靠性和解释性可能会受到一定影响，难以准确理解模型在健康评估状态中的判断依据。并且一些数据挖掘的算法比较复杂，需要较高的计算资源才能进行模型评估和建立。
发明内容
本发明的目的在于提供基于工作电流的电表健康状态检测方法、***及存储介质，旨在解决上述的问题，通过分析电表的工作电流实现电表健康状态的监测，提高智能电表的维护效率和安全性。
本发明主要通过以下技术方案实现：
为了更好地实现本发明，进一步地，
基于工作电流的电表健康状态检测方法，包括以下步骤：
步骤S1：采集数据：实时采集电表的时序数据，所述时序数据包括环境参数、负载时间、维修次数、负载程度、工作电流和采集时间；
步骤S2：对时序数据进行预处理，然后，确定时间间隔，对每个时间间隔内的数据点进行聚类处理，得到一维时序数据；
步骤S3：对一维时序数据进行分解得到符合高斯分布的线性分量以及非高斯分布的非线性分量；
步骤S4：将线性分量输入ARIMA模型；将非线性分量处理为二维数据结构，并输入神经网络模型；将ARIMA模型与神经网络模型的预测结果进行数据融合得到最终的未来一段时间的预测的工作电流；
步骤S5：将预测的工作电流与电表的正常工作范围的工作电流进行比较，判断当前电表的健康状态。
为了更好地实现本发明，进一步地，所述步骤S2中，进行数据清洗，去除重复值和非法值，填补缺失值，将数据进行序列化，采用K-Means聚类方法进行聚类处理，得到一维时序数据。
为了更好地实现本发明，进一步地，所述步骤S4中，将非线性分量进行归一化处理，然后基于马尔可夫变迁场将一维时序信号变换为二维图像。
为了更好地实现本发明，进一步地，所述步骤S5中，采用滑窗进行异常检测，设置一个宽度为1的滑窗，对于每一次滑动，若窗口内每一个预测值与实际值之差都超过设定阈值，则认为从这一时段开始出现误差。
为了更好地实现本发明，进一步地，所述步骤S4中，训练ARIMA模型包括以下步骤：
步骤SA1：首先确定ARIMA模型的参数，且参数包括自回归阶数、差分阶数和滑动平均阶数；
步骤SA2：使用训练数据拟合ARIMA模型；
步骤SA3：对训练好的ARIMA模型进行诊断，评估模型的拟合效果和模型的残差序列是否符合模型假设；
步骤SA4：检查模型残差的自相关性和偏自相关性，判断是否存在***性的模型残差；
步骤SA5：使用统计检验来检验模型残差的白噪声性质。
为了更好地实现本发明，进一步地，所述ARIMA模型的表达公式如下：
X(t)＝μ+φ1Xt-1+φ2Xt-2+…φpXt-p+θ1εt-1+θ2εt-2+…+θpεt-q+εt
其中：
μ为常数项，
为自回归系数，
Xt为一维时序数据，
θ为移动平均系数，
εt为在t时间点的误差项；
p是自回归项的数量，
d是差分操作的次数，
q是移动平均项的数量。
为了更好地实现本发明，进一步地，所述步骤S4中，所述神经网络模型包括基于自注意力机制的Transformer模块，所述基于自注意力机制的Transformer模块采用全局均值pooling来提取通道特征，采用全连接层来生成权重，每一个通道的权重计算都包含了所有通道特征的信息。
本发明主要通过以下技术方案实现：
基于工作电流的电表健康状态检测***，采用上述的方法进行，包括数据采集模块、数据处理模块、模型检测模块、数据融合模块和健康状态评估模块；所述数据采集模块用于采集电表的时序数据，并处理得到一维时序数据；所述数据处理模块用于将一维时序数据分解得到线性分量和非线性分量；所述模型检测模块用于分别将线性分量和非线性分量输入训练好的ARIMA模型和神经网络模型；所述数据融合模块用于将ARIMA模型和神经网络模型输出的预测结果融合得到未来一段时间的预测的工作电流；所述健康状态评估模块用于基于滑窗法将预测的工作电流与电表的正常工作范围的工作电流进行比较，判断当前电表的健康状态。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的方法。
本发明的有益效果：
本发明基于高斯分布将数据分成线性数据和非线性数据，并分别输入ARIMA模型和神经网络模型进行高精度预测，最终通过乘积处理的方式融合数据。在输入神经网络模型之前将一维时序数据处理为二维数据结构，而且在神经网络模型中加入了基于自注意力机制的Transformer模块，有的放矢的考虑了各因素之间的相关性以及影响程度，进一步提高了模型预测的精度，具有较好的实用性。
附图说明
图1为本发明基于ARIMA模型预测的流程图；
图2为本发明基于工作电流的电表健康状态检测方法的流程图。
具体实施方式
实施例1：
基于工作电流的电表健康状态检测方法，如图1所示，包括以下步骤：
步骤S1：采集数据：实时采集电表的时序数据，所述时序数据包括环境参数、负载时间、维修次数、负载程度、工作电流和采集时间；
步骤S2：对时序数据进行预处理，然后，确定时间间隔，对每个时间间隔内的数据点进行聚类处理，得到一维时序数据；
步骤S3：对一维时序数据进行分解得到符合高斯分布的线性分量以及非高斯分布的非线性分量；
步骤S4：将线性分量输入ARIMA模型；将非线性分量处理为二维数据结构，并输入神经网络模型；将ARIMA模型与神经网络模型的预测结果进行数据融合得到最终的未来一段时间的预测的工作电流；
步骤S5：将预测的工作电流与电表的正常工作范围的工作电流进行比较，判断当前电表的健康状态。优选地，所述步骤S5中，采用滑窗进行异常检测，设置一个宽度为1的滑窗，对于每一次滑动，若窗口内每一个预测值与实际值之差都超过设定阈值，则认为从这一时段开始出现误差。
优选地，所述步骤S2中，进行数据清洗，去除重复值和非法值，填补缺失值，将数据进行序列化，采用K-Means聚类方法进行聚类处理，得到一维时序数据。优选地，所述步骤S4中，将非线性分量进行归一化处理，然后基于马尔可夫变迁场将一维时序信号变换为二维图像。
优选地，针对ARIMA模型：
采用电流变化分析与机器学习相结合的算法可实现对异常状态的准确监测和识别，具有重要的意义，尤其在识别欺诈、异常行为和故障等方面。
首先，电流变化分析法作为一种基于实时电流数据的监测方法，具备实时性高和监测指标全的优势。通过实时采集电流数据并分析其变化情况，可以快速发现潜在的异常状态，并及时采取相应的措施。然而，单独采用电流变化法可能存在些许局限，例如无法提供具体问题的详细信息或无法准确区分异常的类型。这时，引入机器学习技术可以弥补这些不足。机器学习利用算法和模型对数据进行分析和学习，能够挖掘数据中的复杂模式、关联关系和异常行为，从而提高检测和识别的准确性。
通过将电流变化数据作为输入特征，结合机器学习模型进行训练和预测，可以建立准确而可靠的异常状态监测***。机器学习算法能够通过大量的历史数据进行模拟学习，并根据学到的知识和规律，对未知的电流变化进行分类和预测。借助机器学习的强大数据分析能力，我们能够更精确地识别出欺诈行为、异常行为和故障情况。
采用电流变化分析法与机器学习相结合的算法，不仅能够保留电流变化分析法的实时性和全面监测优势，还能够借助机器学习的强大分析能力提高异常状态的识别准确性和预测精确度。这种综合应用可以为各个领域带来更精确的监测和分析结果，并为决策者提供更准确的信息支持和决策基础。
优选地，ARIMA模型预测具体包括以下步骤：
步骤1：数据采集
利用电表内置的电流传感器，实时采集所需要的工作电流数据。
步骤2：数据准备
数据预处理-对采集到的电流数据进行滤波处理和去噪，以消除噪声和异常数据，从而获得准确的电流特征。
确定时间间隔(每小时、每天、每周等)，并确定数据点的数量
步骤3：模型训练
对于ARIMA模型，首先需要确定模型的参数，包括自回归阶数(AR阶数)、差分阶数(差分次数)和滑动平均阶数(MA阶数)。
可以使用自相关函数(ACF)和偏自相关函数(PACF)来帮助确定这些参数。
使用训练数据拟合ARIMA模型，可以使用统计软件(如Python中的statsmodels库)来实现。
步骤4：模型诊断
对训练好的ARIMA模型进行诊断，评估模型的拟合效果和模型的残差序列是否符合模型假设。
检查模型残差的自相关性和偏自相关性，判断是否存在***性的模型残差。
使用统计检验(如Ljung-Box检验)来检验模型残差的白噪声性质。
步骤5：模型预测
利用训练好的ARIMA模型对未来一段时间的工作电流进行预测。
根据模型预测结果，观察电流数据的趋势、波动性等特征。
步骤6：健康状态监测与预测
将预测的工作电流与电表的正常工作范围进行比较，判断当前电表的健康状态。
如果预测的工作电流在正常范围内，则认为电表状态良好；否则，可能存在异常或故障。
ARIMA(Autoregressive Integrated Moving Average Model)是算法的核心驱动部分，用来研究电表工作电流的变化趋势和模式，以判断其健康状态。其公式为：
X(t)＝μ+φ1Xt-1+φ2Xt-2+…φpXt-p+θ1εt-1+θ2εt-2+…+θpεt-q+εt
其中：
μ为常数项，
为自回归系数，
Xt为一维时序数据，
θ为移动平均系数，
εt为在t时间点的误差项；
p是自回归项的数量，
d是差分操作的次数，
q是移动平均项的数量。
这种算法的模型主要是由自回归模型(AR)和移动平均模型(MA)的结合，同时考虑差分(I)操作来处理非平稳时间序列推导而成的，主要由三部分构成：
①差分操作(Differencing)：
ARIMA模型中通常使用差分操作来消除数据的非平稳性。差分操作可通过计算当前时刻与前一时刻的差值来实现。如果数据的差分操作可以将数据转化为平稳时间序列，则称为一阶差分。
②自回归模型(Autoregressive Model)：
自回归模型是基于时间序列自身的历史值来预测当前值的模型。其公式如下：
X(t)＝c+Φ1Xt-1+Φ2Xt-2+…+ΦpXt-p+εt
其中X(t)表示当前时间点的观测值，p表示模型使用的历史观测值的数量，c是常数项，Φ1、Φ2、…、Φp是自回归系数，ε(t)是误差项。
③移动平均模型(Moving Average Model)：
移动平均模型是基于观测值的误差项的加权平均来预测当前值的模型。其公式如下：
X(t)＝μ+εt+θ1εt-1+θ2εt-2+…+θpεt-q
其中X(t)表示当前时间点的观测值，q表示模型使用的误差项的数量，μ是整体均值，ε(t)是当前时间点的误差项，θ1、θ2、…、θp是移动平均系数。
ARIMA模型的参数估计可以使用最大似然估计法或其他优化算法进行。通过对历史观测值的拟合，得到估计的模型参数，并用该模型来预测未来时间点的观测值。
优选地，所述步骤S4中，所述神经网络模型包括基于自注意力机制的Transformer模块，所述基于自注意力机制的Transformer模块采用全局均值pooling来提取通道特征，采用全连接层来生成权重，每一个通道的权重计算都包含了所有通道特征的信息。
本发明基于高斯分布将数据分成线性数据和非线性数据，并分别输入ARIMA模型和神经网络模型进行高精度预测，最终通过乘积处理的方式融合数据。在输入神经网络模型之前将一维时序数据处理为二维数据结构，而且在神经网络模型中加入了基于自注意力机制的Transformer模块，有的放矢的考虑了各因素之间的相关性以及影响程度，进一步提高了模型预测的精度，具有较好的实用性。
实施例2：
基于工作电流的电表健康状态检测***，采用上述的方法进行，包括数据采集模块、数据处理模块、模型检测模块、数据融合模块和健康状态评估模块；所述数据采集模块用于采集电表的时序数据，并处理得到一维时序数据；所述数据处理模块用于将一维时序数据分解得到线性分量和非线性分量；所述模型检测模块用于分别将线性分量和非线性分量输入训练好的ARIMA模型和神经网络模型；所述数据融合模块用于将ARIMA模型和神经网络模型输出的预测结果融合得到未来一段时间的预测的工作电流；所述健康状态评估模块用于基于滑窗法将预测的工作电流与电表的正常工作范围的工作电流进行比较，判断当前电表的健康状态。
以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。
Claims (9)
1.基于工作电流的电表健康状态检测方法，其特征在于，包括以下步骤：
步骤S1：采集数据：实时采集电表的时序数据，所述时序数据包括环境参数、负载时间、维修次数、负载程度、工作电流和采集时间；
步骤S2：对时序数据进行预处理，然后，确定时间间隔，对每个时间间隔内的数据点进行聚类处理，得到一维时序数据；
步骤S3：对一维时序数据进行分解得到符合高斯分布的线性分量以及非高斯分布的非线性分量；
步骤S4：将线性分量输入ARIMA模型；将非线性分量处理为二维数据结构，并输入神经网络模型；将ARIMA模型与神经网络模型的预测结果进行数据融合得到最终的未来一段时间的预测的工作电流；
步骤S5：将预测的工作电流与电表的正常工作范围的工作电流进行比较，判断当前电表的健康状态。
2.根据权利要求1所述的基于工作电流的电表健康状态检测方法，其特征在于，所述步骤S2中，进行数据清洗，去除重复值和非法值，填补缺失值，将数据进行序列化，采用K-Means聚类方法进行聚类处理，得到一维时序数据。
3.根据权利要求1所述的基于工作电流的电表健康状态检测方法，其特征在于，所述步骤S4中，将非线性分量进行归一化处理，然后基于马尔可夫变迁场将一维时序信号变换为二维图像。
4.根据权利要求1所述的基于工作电流的电表健康状态检测方法，其特征在于，所述步骤S5中，采用滑窗进行异常检测，设置一个宽度为1的滑窗，对于每一次滑动，若窗口内每一个预测值与实际值之差都超过设定阈值，则认为从这一时段开始出现误差。
5.根据权利要求1-4任一项所述的基于工作电流的电表健康状态检测方法，其特征在于，所述步骤S4中，训练ARIMA模型包括以下步骤：
步骤SA1：首先确定ARIMA模型的参数，且参数包括自回归阶数、差分阶数和滑动平均阶数；
步骤SA2：使用训练数据拟合ARIMA模型；
步骤SA3：对训练好的ARIMA模型进行诊断，评估模型的拟合效果和模型的残差序列是否符合模型假设；
步骤SA4：检查模型残差的自相关性和偏自相关性，判断是否存在***性的模型残差；
步骤SA5：使用统计检验来检验模型残差的白噪声性质。
6.根据权利要求5所述的基于工作电流的电表健康状态检测方法，其特征在于，所述ARIMA模型的表达公式如下：
X(t)＝μ+φ1Xt-1+φ2Xt-2+…φpXt-p+θ1εt-1+θ2εt-2+…+θpεt-q+εt
其中：
μ为常数项，
为自回归系数，
Xt为一维时序数据，
θ为移动平均系数，
εt为在t时间点的误差项；
p是自回归项的数量，
d是差分操作的次数，
q是移动平均项的数量。
7.根据权利要求1所述的基于工作电流的电表健康状态检测方法，其特征在于，所述步骤S4中，所述神经网络模型包括基于自注意力机制的Transformer模块，所述基于自注意力机制的Transformer模块采用全局均值pooling来提取通道特征，采用全连接层来生成权重，每一个通道的权重计算都包含了所有通道特征的信息。
8.基于工作电流的电表健康状态检测***，采用权利要求1-7任一项所述的方法进行，其特征在于，包括数据采集模块、数据处理模块、模型检测模块、数据融合模块和健康状态评估模块；所述数据采集模块用于采集电表的时序数据，并处理得到一维时序数据；所述数据处理模块用于将一维时序数据分解得到线性分量和非线性分量；所述模型检测模块用于分别将线性分量和非线性分量输入训练好的ARIMA模型和神经网络模型；所述数据融合模块用于将ARIMA模型和神经网络模型输出的预测结果融合得到未来一段时间的预测的工作电流；所述健康状态评估模块用于基于滑窗法将预测的工作电流与电表的正常工作范围的工作电流进行比较，判断当前电表的健康状态。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311582496.3A CN117630797A (zh) | 2023-11-23 | 2023-11-23 | 基于工作电流的电表健康状态检测方法、***及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311582496.3A CN117630797A (zh) | 2023-11-23 | 2023-11-23 | 基于工作电流的电表健康状态检测方法、***及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117630797A true CN117630797A (zh) | 2024-03-01 |
Family
ID=90024670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311582496.3A Pending CN117630797A (zh) | 2023-11-23 | 2023-11-23 | 基于工作电流的电表健康状态检测方法、***及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117630797A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117932501A (zh) * | 2024-03-22 | 2024-04-26 | 深圳市江机实业有限公司 | 一种电能表运行状态管理方法和*** |
-
2023
- 2023-11-23 CN CN202311582496.3A patent/CN117630797A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117932501A (zh) * | 2024-03-22 | 2024-04-26 | 深圳市江机实业有限公司 | 一种电能表运行状态管理方法和*** |
| CN117932501B (zh) * | 2024-03-22 | 2024-05-28 | 深圳市江机实业有限公司 | 一种电能表运行状态管理方法和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109186813B (zh) | 一种温度传感器自检装置及方法 | |
| CN116879662B (zh) | 基于数据分析的变压器故障检测方法 | |
| Coble et al. | Applying the general path model to estimation of remaining useful life | |
| CN112731260B (zh) | 基于概念漂移识别的电压互感器误差状态在线评估方法 | |
| CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
| CN117630797A (zh) | 基于工作电流的电表健康状态检测方法、***及存储介质 | |
| CN103103570B (zh) | 基于主元相似性测度的铝电解槽况诊断方法 | |
| CN116552306B (zh) | 直流桩的监控***及其方法 | |
| CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
| CN111964909A (zh) | 滚动轴承运行状态检测方法、故障诊断方法及*** | |
| CN111611294A (zh) | 星敏感器数据异常检测方法 | |
| Jiang et al. | A multisensor cycle-supervised convolutional neural network for anomaly detection on magnetic flux leakage signals | |
| CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
| CN112395684A (zh) | 一种高速列车走行部***智能故障诊断方法 | |
| CN112733446A (zh) | 一种数据驱动的自适应异常检测方法 | |
| CN114371677B (zh) | 基于谱半径-区间主成分分析的工业过程状态监测方法 | |
| CN113672658B (zh) | 基于复相关系数的电力设备在线监测错误数据识别方法 | |
| Dzakowic et al. | Advanced Techniques for the verification and validation of prognostics & health management capabilities | |
| CN111931574B (zh) | 一种气动调节阀鲁棒故障诊断方法 | |
| CN115047853A (zh) | 基于递推规范变量残差和核主元分析的微小故障检测方法 | |
| CN114112390A (zh) | 一种非线性复杂***早期故障诊断方法 | |
| Abdubrani et al. | Achieving Unprecedented Precision in Multiphase Flow Meter Monitoring with Deep Learning-Driven Abnormality Detection | |
| CN116342110B (zh) | 一种列车多温度测量回路智能故障诊断和容错测量方法 | |
| CN114330515A (zh) | 一种桥梁监测数据异常诊断与修复方法 | |
| CN115015691A (zh) | 基于多测点振动特征的gil故障定位方法及*** |
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 |