《電子技術應用》
您所在的位置：首頁 > 其他 > 設計應用 > 基于時空卷積神經網絡的智能電表故障預測
基于時空卷積神經網絡的智能電表故障預測
2022年電子技術應用第3期
高文俊，薛斌斌，龐振江
北京智芯微電子科技有限公司，北京102299
摘要： 針對智能電表故障具有的突發(fā)性、復雜性以及多面性等特點，提出一種基于時空卷積神經網絡(ST-CNN)的故障預測方法。該方法首先采用滑動窗口將時間信息融入特征變量中，構建具有時空特性的輸入矩陣，然后與CNN相結合，建立智能電表故障預測模型，并采用Adam算法對模型參數進行優(yōu)化。最后應用現場的實際數據對基于ST-CNN的智能電表故障預測模型進行仿真，結果表明該方法預測精度高，泛化能力強。
中圖分類號： TP183；TM933.4
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.212289
中文引用格式： 高文俊，薛斌斌，龐振江. 基于時空卷積神經網絡的智能電表故障預測計[J].電子技術應用，2022，48(3)：59-63.
英文引用格式： Gao Wenjun，Xue Binbin，Pang Zhenjiang. Fault prediction of smart meter based on spatio-temporal convolution neural network[J]. Application of Electronic Technique，2022，48(3)：59-63.
Fault prediction of smart meter based on spatio-temporal convolution neural network
Gao Wenjun，Xue Binbin，Pang Zhenjiang
Beijing Zhixin Microelectronics Technology Co.，Ltd.，Beijing 102299，China
Abstract： The faults of smart meters are sudden, complex and multifaceted. A fault prediction method based on spatio-temporal convolutional neural network(ST-CNN) is proposed. Firstly, the sliding window is used to integrate the time information into the characteristic variables, and the input matrix with space-time characteristics is constructed. Then, combined with CNN, the fault prediction model of smart meter is established, and the model parameters are optimized by adaptive momentum estimation (Adam) algorithm. Finally, the actual field data are used to simulate the fault prediction model of smart meter based on ST-CNN. The results show that this method has high prediction accuracy and strong generalization ability.
Key words : smart meter；fault prediction；CNN；spatio-temporal

0 引言

    我國電網從“信息化”向“智能化”發(fā)展是未來的必然趨勢[1]。智能電表是智能電網數據采集的基本設備之一，承擔著原始電能數據采集、計量和傳輸的任務，是實現信息集成、分析優(yōu)化和信息展現的基礎。近年來，隨著智能電網信息采集系統(tǒng)的建設，智能電表已經獲得了大范圍的推廣和應用。如此大規(guī)模的智能電表一旦出現故障，會影響到電網的控制和管理，與人民的切身利益和社會的和諧穩(wěn)定密切相關[2-3]。

    目前，國內主要是通過定期巡檢的方式確定電表的故障信息，并作進一步處理。但是該方法需要耗費大量的人力、物力和時間資源，并且需要巡檢人員具備一定的專業(yè)知識[4]。隨著我國科技的快速發(fā)展，越來越多的智能電表數據被采集和存儲，采用數據挖掘的方法對智能電表的故障數據進行特征提取，捕捉各特征間的影響規(guī)律，實現對智能電表的故障預測成為未來發(fā)展的重要方向[5]。

    近年來，關于智能電表的故障預測研究仍處于初步階段。文獻[6]采用一種基于聚類分析和云模型的智能電表故障分類方法，但是聚類的方法很難定義故障的種類。文獻[7]采用基于評分搜索的方法構建了貝葉斯網絡結構，在此基礎之上對智能電表的故障進行預測和決策分析。但是貝葉斯網絡對輸入數據的表達形式敏感，當屬性個數較多或屬性之間相關性較大，數據量較大時，分類效果會受到影響。文獻[8]通過人為刪除重復數據與無關數據，補全數據中的缺失值，獲得預測數據和特征數據，采用神經網絡的方法對智能電表的故障類型進行分析。該方法可以良好地針對海量數據進行建模，但是需要先對數據的輸入特征和無關數據進行人為處理，人為選擇的相關特征很有可能會舍棄掉一部分有用的數據信息，使故障預測精度受到影響。




本文詳細內容請下載：http://ihrv.cn/resource/share/2000004004。




作者信息：

高文俊，薛斌斌，龐振江

(北京智芯微電子科技有限公司，北京102299)




wd.jpg

此內容為AET網站原創(chuàng)，未經授權禁止轉載。