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(jīng)網(wǎng)絡(luò)的智能電表故障預測計[J].電子技術(shù)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.
0 引言
我國電網(wǎng)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(wǎng)數(shù)據(jù)采集的基本設(shè)備之一,承擔著原始電能數(shù)據(jù)采集,、計量和傳輸?shù)娜蝿?wù),,是實現(xiàn)信息集成、分析優(yōu)化和信息展現(xiàn)的基礎(chǔ),。近年來,,隨著智能電網(wǎng)信息采集系統(tǒng)的建設(shè),智能電表已經(jīng)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(xiàn)故障,,會影響到電網(wǎng)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(guān)[2-3],。
目前,,國內(nèi)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(shù)據(jù)被采集和存儲,采用數(shù)據(jù)挖掘的方法對智能電表的故障數(shù)據(jù)進行特征提取,,捕捉各特征間的影響規(guī)律,,實現(xiàn)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(guān)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(gòu)建了貝葉斯網(wǎng)絡(luò)結(jié)構(gòu),,在此基礎(chǔ)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(wǎng)絡(luò)對輸入數(shù)據(jù)的表達形式敏感,,當屬性個數(shù)較多或?qū)傩灾g相關(guān)性較大,,數(shù)據(jù)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(shù)據(jù)與無關(guān)數(shù)據(jù),,補全數(shù)據(jù)中的缺失值,獲得預測數(shù)據(jù)和特征數(shù)據(jù),,采用神經(jīng)網(wǎng)絡(luò)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(shù)據(jù)進行建模,但是需要先對數(shù)據(jù)的輸入特征和無關(guān)數(shù)據(jù)進行人為處理,,人為選擇的相關(guān)特征很有可能會舍棄掉一部分有用的數(shù)據(jù)信息,,使故障預測精度受到影響,。
本文詳細內(nèi)容請下載:http://forexkbc.com/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)