基于时空卷积神经网络的智能电表故障预测-AET-电子技术应用

基于时空卷积神经网络的智能电表故障预测

2022年电子技术应用第3期

高文俊，薛斌斌，庞振江

北京智芯微电子科技有限公司，北京102299

摘要：针对智能电表故障具有的突发性、复杂性以及多面性等特点，提出一种基于时空卷积神经网络(ST-CNN)的故障预测方法。该方法首先采用滑动窗口将时间信息融入特征变量中，构建具有时空特性的输入矩阵，然后与CNN相结合，建立智能电表故障预测模型，并采用Adam算法对模型参数进行优化。最后应用现场的实际数据对基于ST-CNN的智能电表故障预测模型进行仿真，结果表明该方法预测精度高，泛化能力强。

关键词： 智能电表故障预测卷积神经网络时空

中图分类号：TP183；TM933.4
文献标识码：A
DOI：10.16157/j.issn.0258-7998.212289
中文引用格式：高文俊，薛斌斌，庞振江. 基于时空卷积神经网络的智能电表故障预测计[J].电子技术应用，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

我国电网从“信息化”向“智能化”发展是未来的必然趋势^[1]。智能电表是智能电网数据采集的基本设备之一，承担着原始电能数据采集、计量和传输的任务，是实现信息集成、分析优化和信息展现的基础。近年来，随着智能电网信息采集系统的建设，智能电表已经获得了大范围的推广和应用。如此大规模的智能电表一旦出现故障，会影响到电网的控制和管理，与人民的切身利益和社会的和谐稳定密切相关^[2-3]。

目前，国内主要是通过定期巡检的方式确定电表的故障信息，并作进一步处理。但是该方法需要耗费大量的人力、物力和时间资源，并且需要巡检人员具备一定的专业知识^[4]。随着我国科技的快速发展，越来越多的智能电表数据被采集和存储，采用数据挖掘的方法对智能电表的故障数据进行特征提取，捕捉各特征间的影响规律，实现对智能电表的故障预测成为未来发展的重要方向^[5]。

近年来，关于智能电表的故障预测研究仍处于初步阶段。文献[6]采用一种基于聚类分析和云模型的智能电表故障分类方法，但是聚类的方法很难定义故障的种类。文献[7]采用基于评分搜索的方法构建了贝叶斯网络结构，在此基础之上对智能电表的故障进行预测和决策分析。但是贝叶斯网络对输入数据的表达形式敏感，当属性个数较多或属性之间相关性较大，数据量较大时，分类效果会受到影响。文献[8]通过人为删除重复数据与无关数据，补全数据中的缺失值，获得预测数据和特征数据，采用神经网络的方法对智能电表的故障类型进行分析。该方法可以良好地针对海量数据进行建模，但是需要先对数据的输入特征和无关数据进行人为处理，人为选择的相关特征很有可能会舍弃掉一部分有用的数据信息，使故障预测精度受到影响。

本文详细内容请下载：http://www.chinaaet.com/resource/share/2000004004。

作者信息：

高文俊，薛斌斌，庞振江

(北京智芯微电子科技有限公司，北京102299)

原创声明：此内容为AET网站原创，未经授权禁止转载。

相关内容