一种基于小样本学习的电能计量故障诊断方法及诊断终端技术

本发明专利技术提供一种基于小样本学习的电能计量故障诊断方法及诊断终端，涉及电能计量技术领域，对数据集合中的电气参数进行特征提取和分类；选取正常数据样本集合作为训练集样本，利用关联性分析计算各个电气参数之间的皮尔逊系数；建立各个电气参数之间的皮尔逊相关系数矩阵，利用熵权法计算各个电气参数的权重；定义电气参数，并基于修复的电气数据，采用孪生网络构建模型，通过计算待测样本和已知标签样本之间的距离，找到最邻近类别来确定最终的分类结果。孪生网络采用LSTM和CNN网络作为特征提取网络，使用两个权值共享的子网络同时接收两个输入样本，输出结果为两个样本的相似度，同时考虑改进损失函数，以提升分类的准确性。性。性。

【技术实现步骤摘要】
一种基于小样本学习的电能计量故障诊断方法及诊断终端


[0001]本专利技术涉及电能计量
，尤其涉及一种基于小样本学习的电能计量故障诊断方法及诊断终端。

技术介绍

[0002]电能计量是电网的核心业务之一，准确、可靠的电能计量数据是保证电网安全、经济运行的重要基础。电能计量采集设备分布广泛，由于部分设备部署环境恶劣、工况复杂，在采集和传输的过程中容易造成数据丢失或异常，将严重影响电网业务分析判断，尤其针对电能计量业务，数据缺失或异常数据的进行分析可能产生与实际情况偏差很大的计量结果。
[0003]电能计量相关数据缺失通常可以分为三个方面，（1）电能表本体故障，由于设备部署环境复杂，长时间内使用可能降低传感设备或内部关键芯片的寿命，从而造成设备本体不能正常工作；（2）传输网络故障，电能表与边缘设备采用有线或无线连接，一旦传输网络发生故障，将造成数据丢包、网络拥塞等情况；（3）环境因素引起故障，由于温度、湿度、强电磁场等干扰，可能造成电能表数据异常，更严重者可能导致配电网受损。
[0004]电网中各边缘物联设备采集数据间具有较强关联性，且采集数据多具有时间序列特性，数据缺失将影响后续电网业务的故障诊断与定位。因此，需要利用汇聚到边缘设备的不同感知装置多源数据，通过创建缺失数据补偿模型，进行数据预处理，弥补数据缺失问题。
[0005]现有技术中，对于电能计量数据异常除了数据缺失之外，还会由于电能计量故障引起，电能计量故障的快速诊断是电网安全运行的有效手段。针对常见的电网故障，这就需要根据电网故障类型，收集足够的故障样本数量，通过对收集数据处理，建立故障判断模型，实现准确的故障诊断。而针对于电能计量故障，由于难以有效的采集数据，导致样本数量少，无法对正常数据和异常数据进行有效的分类分析，造成故障诊断不准确，难以有效诊断故障状态以及故障类型。

技术实现思路

[0006]本专利技术提供的基于小样本学习的电能计量故障诊断方法，是利用K最邻近（K Nearest Neighbors, KNN）聚类算法技术，LSTM和CNN网络技术等模型，可以结合传感器监控、数据传输等技术，实现对电能计量数据缺失或异常的修复、补齐。并构建基于小样本学习的电能计量故障诊断模型，通过长短期记忆人工神经网络、卷积神经网络和池化层组合的特征提取网络，引入带自适应系数的L2权重衰减系数，实现基于多维数据融合的高准确度电能计量故障诊断。
[0007]对于本专利技术来讲，小样本学习：也称为低样本学习（LSL），是一种机器学习方法，它会训练包含有限信息的数据集。机器学习应用领域的常见做法是提供可以接收尽可能多数据的模型。这是因为在大多数机器学习应用程序中，提供更多数据使模型能够更好地预测。
然而，小样本学习旨在用较少的训练数据构建准确的机器学习模型。
[0008]聚类：将物理或抽象对象的集合分成由类似的对象组成的多个类的过程被称为聚类。由聚类所生成的簇是一组数据对象的集合，这些对象与同一个簇中的对象彼此相似，与其他簇中的对象相异。“物以类聚，人以群分”，在自然科学和社会科学中，存在着大量的分类问题。聚类分析又称群分析，它是研究（样品或指标）分类问题的一种统计分析方法。聚类分析起源于分类学，但是聚类不等于分类。聚类与分类的不同在于，聚类所要求划分的类是未知的。聚类分析内容非常丰富，有系统聚类法、有序样品聚类法、动态聚类法、模糊聚类法、图论聚类法、聚类预报法等。
[0009]电能计量故障诊断：通过对采集电能计量数据分析，判断出电能计量装置的可能出现的故障，包括电能表本体故障、网络传输故障以及环境因素等的故障。常见的电能计量异常故障，包括电能表停走、电压电流异常以及功率因数异常等。
[0010]具体来讲，方法定义采集的数据集合为，即数据集合包含m个电气参数；故障诊断方法包括：S1：对数据集合X
i
中的电气参数进行特征提取，并对异常数据和正常数据进行分类，形成异常数据样本集合和正常数据样本集合；S2：选取正常数据样本集合作为训练集样本，利用关联性分析计算各个电气参数之间的皮尔逊系数；基于异常电气参数，筛选出与其强相关的电气参数，并建立各个电气参数之间的皮尔逊相关系数矩阵Σ，利用熵权法计算各个电气参数的权重；S3：定义电气参数的任一条异常数据表示为，针对电气参数的一个强关联属性，在数据集合中寻找与相同时间序列点的数据，表示为，配置所处类的聚类中心为；S4：基于电气参数，选取所有m个电气参数，并对m个电气参数进行加权求和，获得异常数据的最优修正结果：，进而实现异常数据的修复、补齐。
[0011]S5：基于修复的电气数据，采用孪生网络构建模型，通过计算待测样本和已知标签样本之间的距离，找到最邻近类别来确定最终的分类结果。孪生网络采用LSTM和CNN网络作为特征提取网络，使用两个权值共享的子网络同时接收两个输入样本，输出结果为两个样本的相似度，同时考虑改进损失函数，以提升分类的准确性。
[0012]进一步需要说明的是，步骤S1还通过聚类和相关性分析结合的方式构建数据缺失修复模型，利用KNN聚类算法，将所有输入电气参数聚成不同集合，在通过数据相关性分析，实现数据缺失修复。
[0013]进一步需要说明的是，步骤S2中，皮尔逊相关系数用于评价两个数据之间的相关性，当皮尔逊相关系数大于预设的特点值时，判定为两个数据具有强相关性。
[0014]进一步需要说明的是，各个电气参数之间的皮尔逊系数表示为：(1
‑
1)
其中，分别为两个n维数据变量，分别为的标准差，是两个变量之间的协方差；协方差计算公式如下：(1
‑
2)其中、为n维变量和的数据平均值。
[0015]进一步需要说明的是，步骤S2中，熵权法通过指标含信息量大小来确定权重，计算变量j与其他各个变量之间的熵表示为：(1
‑
3)其中，S为变量个数。
[0016]进一步需要说明的是，步骤S2中各个电气参数的权重，表示为：(1
‑
4)其中，权重表示指标信息量的大小，。
[0017]进一步需要说明的是，方法中，KNN聚类算法以高斯函数为基础进行加权处理，高斯函数形式如下：(1
‑
15)其中，a为高斯曲线尖峰的高度，且a>0；b为高斯曲线尖峰中心的x坐标值；c为标准差，控制这高斯曲线的宽度；KNN算法的权重函数表示为：(1
‑
16)为待测电气参数与第l个邻近点之间的距离，k为选取的邻近数量。
[0018]进一步需要说明的是，方法还对采集的电气参数进行线性比例归一化处理，对于i时刻的原始电气参数，则归一化后的数据可以表示为：(1
‑
13)
式中，为对应数据通道的最大值；方法还定义电流反相标志和平均电流；具体表示为：(1
‑
11)(1
‑
12)。
[0019]进一步需要说明的是，本专利技术基于小样本学习中度量学习由于计算简单，便于操作，比较适本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小样本学习的电能计量故障诊断方法，方法定义采集的数据集合为，即数据集合包含m个电气参数；其特征在于，故障诊断方法包括：S1：对数据集合X
i
中的电气参数进行特征提取，并对异常数据和正常数据进行分类，形成异常数据样本集合和正常数据样本集合；S2：选取正常数据样本集合作为训练集样本，利用关联性分析计算各个电气参数之间的皮尔逊系数；基于异常电气参数，筛选出与其强相关的电气参数，并建立各个电气参数之间的皮尔逊相关系数矩阵Σ，利用熵权法计算各个电气参数的权重；S3：定义电气参数的任一条异常数据表示为，针对电气参数的一个强关联属性，在数据集合中寻找与相同时间序列点的数据，表示为，配置所处类的聚类中心为；S4：基于电气参数，选取所有m个电气参数，并对m个电气参数进行加权求和，获得异常数据的最优修正结果：，进而实现异常数据的修复、补齐；S5：基于修复的电气数据，采用孪生网络构建模型，通过计算待测样本和已知标签样本之间的距离，找到最邻近类别来确定最终的分类结果；孪生网络采用LSTM和CNN网络作为特征提取网络，使用两个权值共享的子网络同时接收两个输入样本，结合改进损失函数，输出结果为两个样本的相似度。2.根据权利要求1所述的基于小样本学习的电能计量故障诊断方法，其特征在于，步骤S1还通过聚类和相关性分析结合的方式构建数据缺失修复模型，利用KNN聚类算法，将所有输入电气参数聚成不同集合，在通过数据相关性分析，实现数据缺失修复。3.根据权利要求2所述的基于小样本学习的电能计量故障诊断方法，其特征在于，步骤S2中，皮尔逊相关系数用于评价两个数据之间的相关性，当皮尔逊相关系数大于预设的特点值时，判定为两个数据具有强相关性。4.根据权利要求3所述的基于小样本学习的电能计量故障诊断方法，其特征在于，各个电气参数之间的皮尔逊系数表示为：(1
‑
1)其中，分别为两个n维数据变量，分别为的标准差，是两个变量之间的协方差；协方差计算公式如下：(1
‑
2)其中、为n维变量...

【专利技术属性】
技术研发人员：王永贵，李温静，刘柱，刘迪，黄吕超，邓思阳，李云鹏，张帅，杜月，
申请(专利权)人：国网信息通信产业集团有限公司，
类型：发明
国别省市：