【技术实现步骤摘要】
本专利技术属于电力系统领域，具体涉及一种基于bigru神经网络的低压用户电表错接线识别方法、系统。
技术介绍
1、当前，对于电表错接线的识别方法主要聚焦于传统的电气测量与人工巡检。尽管这些方法在识别问题上具有一定的效用，但在实际应用中却存在诸多局限性。首先，传统的电气测量法依赖于高精度的仪器设备和繁琐的数据处理流程，这不仅使得成本显著增加，而且操作过程也显得复杂繁琐。其次，人工巡检的效果往往受到巡检人员经验、技能水平以及工作环境等多重因素的制约，难以确保辨识结果的精确性和时效性。此外，这些方法往往无法对潜在的错接线问题进行预警和预防，只能在问题发生后才进行被动处理，无法有效防范风险。
技术实现思路
1、专利技术目的：本专利技术的目的在于提供一种基于bigru神经网络的低压用户电表错接线识别方法、系统，该方法通过对三相用户和单相用户的每日电流、功率数据进行深入分析，提取出统计、时序、频域和形状等关键特征，并结合正向、反向有功电量数据，实现了电表错接线异常的自动化识别与计算。
2、技术方案：本专利技术的一种基于bigru神经网络的低压用户电表错接线识别方法，包括：
3、数据获取：从用电信息采集系统中获取低压三相或单相用户的每日电流、功率、正向有功电量、反向有功电量、是否错接线数据；
4、数据预处理：对获取的用户数据进行数据清洗、数据归一化处理；
5、特征提取：从用户电流、功率数据中提取若干特征，包括统计特征、时序特征、频域特征和形状特征，
6、模型构建与训练：构建bigru神经网络模型，并将训练样本集输入预先构建的bigru神经网络模型中进行训练；将验证样本集输入经过训练的bigru神经网络模型，并运用反向传播算法与梯度下降优化算法调整bigru神经网络模型的参数，直至模型的拟合程度达到预期；
7、模型测试：通过测试样本集评估bigru神经网络模型的泛化能力和性能表现。
8、进一步地，所述数据清洗过程中，利用插值法填充电流缺失值，利用iqr四分位距统计方法识别异常值，并利用中位数进行替换。
9、进一步地，所述数据归一化处理过程中，利用z-score标准化，使得数据符合标准正态分布，表达式如下：
10、z＝(x-μ)/σ
11、其中，z表示标准化后的数据；x表示原始数据中的具体数值；μ表示原始数据的均值或平均数；σ表示原始数据的标准差。
12、进一步地，所述统计特征的获取过程如下：
13、获取用户电流和功率数据的平均值、中位数、标准差、偏度及峰度的统计维度特征，其中，偏度用于度量随机变量概率分布的不对称性，其表达式如下：
14、
15、峰度用于度量随机变量概率分布的陡峭程度，其表达式如下：
16、
17、其中，s表示峰度，k表示偏度，xi表示原始数据中的具体数值；μ表示原始数据的均值或平均数；σ表示原始数据的标准差。
18、进一步地，获取时序特征时，引入自相关系数，其表达式如下：
19、r(k)＝cov(xt,xt+k)/var(xt)
20、其中，cov(xt,xt+k)表示xt和xt+k的协方差，var(xt)表示xt的方差，k表示滞后，r(k)表示滞后k期的自相关系数。
21、进一步地，所述频域特征包括功率谱密度和主导频率，其中，对用户电流、功率数据通过傅里叶变换生成主导频率，功率谱密度psd(f)的表达式如下：
22、psd(f)＝|f(f)|2/t
23、其中，f(f)为电流和功率数据的傅里叶变换，t为数据的长度；
24、进一步地，所述形状特征包括波形因子、峰值因子和脉冲因子，其中，波形因子为均方根值与平均值的比率，峰值因子为峰值与均方根值的比率，脉冲因子通过峰值与平均值的比率进行量化。
25、进一步地，所述bigru神经网络模型的构建过程如下：
26、选取tensorflow库中的bigru神经网络，并选取sigmoid函数作为bigru神经网络模型训练时的激活函数；
27、确定bigru神经网络模型训练的优化器、学习率、损失函数、批次及训练轮数；
28、根据输入的特征维度设置输入层，并设置设置双向gru层、注意力层、dropout层、全连接层及输出层；其中，全连接层将最后输出转换为标量值，输出层作为全连接层的输出，用于表示电表是否接错线的概率。
29、进一步地，通过计算loss分数进行模型评估，直至模型的拟合程度达到预期；
30、评估bigru神经网络模型的泛化能力和性能表现时，将训练后的bigru神经网络模型在测试样本集上进行性能评价，根据得到的结果，计算精准率、召回率以及f1分数，评估模型的泛化能力。
31、基于相同的专利技术构思，本专利技术的一种基于bigru神经网络的低压用户电表错接线识别系统，包括：
32、数据获取模块，用于从用电信息采集系统中获取低压三相或单相用户的每日电流、功率、正向有功电量、反向有功电量、是否错接线数据；
33、数据预处理模块，用于对获取的用户数据进行数据清洗、数据归一化处理；
34、特征提取模块，用于从用户电流、功率数据中提取若干特征，包括统计特征、时序特征、频域特征和形状特征，并结合正向有功电量、反向有功电量构建特征集；根据是否错接线数据对特征集中的特征打上是否错接线标签，形成样本集；将样本集划分为训练样本集、验证样本集、测试样本集；
35、模型构建与训练模块，用于构建bigru神经网络模型，并将训练样本集输入预先构建的bigru神经网络模型中进行训练；将验证样本集输入经过训练的bigru神经网络模型，并运用反向传播算法与梯度下降优化算法调整bigru神经网络模型的参数，直至模型的拟合程度达到预期；
36、模型测试模块，通过测试样本集评估bigru神经网络模型的泛化能力和性能表现。
37、有益效果：本专利技术的技术方案与现有技术相比，其有益效果在于：
38、本方案通过系统地搜集三相电流、功率等关键数据，深度挖掘其中的统计规律、时序变化、频域特征以及形状特性，并结合有功无功电量数据的综合分析，全面准确地揭示了电表错接线的核心信息，极大地提升了识别过程的可靠性。相较于传统的识别方式，本方案以其卓越的精确性和稳健性，更好地适应了复杂多变的电力系统环境，为实际应用提供了强有力的支持。
39、经过实验验证，本专利技术的bigru神经网络模型在电表错接线识别任务中展现出了卓越的性能和显著的效果提升。该模型充分利用了深度学习在处理序列数据方面的强大能力，显著提高了电表接错线识别的准确性和效率，为电表错接线识本文档来自技高网...
【技术保护点】
1.一种基于BiGRU神经网络的低压用户电表错接线识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于BiGRU神经网络的低压用户电表错接线识别方法，其特征在于，所述数据清洗过程中，利用插值法填充电流缺失值，利用IQR四分位距统计方法识别异常值，并利用中位数进行替换。
3.根据权利要求1所述的一种基于BiGRU神经网络的低压用户电表错接线识别方法，其特征在于，所述数据归一化处理过程中，利用Z-score标准化，使得数据符合标准正态分布，表达式如下：
4.根据权利要求1所述的一种基于BiGRU神经网络的低压用户电表错接线识别方法，其特征在于，所述统计特征的获取过程如下：
5.根据权利要求1所述的一种基于BiGRU神经网络的低压用户电表错接线识别方法，其特征在于，获取时序特征时，引入自相关系数，其表达式如下：
6.根据权利要求1所述的一种基于BiGRU神经网络的低压用户电表错接线识别方法，其特征在于，所述频域特征包括功率谱密度和主导频率，其中，对用户电流、功率数据通过傅里叶变换生成主导频率，功率谱密度PSD(f)的
7.根据权利要求1所述的一种基于BiGRU神经网络的低压用户电表错接线识别方法，其特征在于，所述形状特征包括波形因子、峰值因子和脉冲因子，其中，波形因子为均方根值与平均值的比率，峰值因子为峰值与均方根值的比率，脉冲因子通过峰值与平均值的比率进行量化。
8.根据权利要求1所述的一种基于BiGRU神经网络的低压用户电表错接线识别方法，其特征在于，所述BiGRU神经网络模型的构建过程如下：
9.根据权利要求1所述的一种基于BiGRU神经网络的低压用户电表错接线识别方法，其特征在于，通过计算Loss分数进行模型评估，直至模型的拟合程度达到预期；
10.一种基于BiGRU神经网络的低压用户电表错接线识别系统，其特征在于，包括：
...【技术特征摘要】
1.一种基于bigru神经网络的低压用户电表错接线识别方法，其特征在于，包括：
2.根据权利要求1所述的一种基于bigru神经网络的低压用户电表错接线识别方法，其特征在于，所述数据清洗过程中，利用插值法填充电流缺失值，利用iqr四分位距统计方法识别异常值，并利用中位数进行替换。
3.根据权利要求1所述的一种基于bigru神经网络的低压用户电表错接线识别方法，其特征在于，所述数据归一化处理过程中，利用z-score标准化，使得数据符合标准正态分布，表达式如下：
4.根据权利要求1所述的一种基于bigru神经网络的低压用户电表错接线识别方法，其特征在于，所述统计特征的获取过程如下：
5.根据权利要求1所述的一种基于bigru神经网络的低压用户电表错接线识别方法，其特征在于，获取时序特征时，引入自相关系数，其表达式如下：
6.根据权利要求1所述的一种基于bigru神经网络的低...
【专利技术属性】
技术研发人员：周祉君，陈烨，陈锦铭，赵新冬，蔡云峰，梁伟，袁宇波，焦昊，陈雯嘉，黄哲忱，安海云，李娟，贾萌萌，陈静，
申请(专利权)人：江苏省电力试验研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。