【技术实现步骤摘要】
本专利技术涉及电能表状态监测领域，尤其涉及一种基于变异系数法和k-means的电能表状态评价方法及系统。
技术介绍
1、电能表，承担着电压、电流、电能量等重要信息的测量、存储和传输任务，电能计量和信息传输的准确、及时关系到电力公司与客户之间电费结算的质量和效率。对于数百万只计量电量较大的运行电能表，目前一般都采用定期现场检验的方式监控其运行状态。交通和人力方面投入量巨大，难以满足目前企业减员增效的管理方向。
2、由于电能表的数量多且容易受到较多因素影响，导致搜集的数据存在较大的噪声，通过常规的状态评估方案进行评价，误差较大，可靠性低。
技术实现思路
1、为了解决上述问题，本专利技术的目的在于提供一种基于变异系数法和k-means的电能表状态评价方法，有效地监控和管理电能表，提升供电系统的可靠性和稳定性。
2、为实现上述目的，本专利技术采用以下技术方案：
3、一种基于变异系数法和k-means的电能表状态评价方法，包括以下步骤：
4、s1:获取电能表的历史工作数据和环境数据，并对数据进行预处理；
5、s2:对预处理后的数据进行特征提取，并对特征进行归一化处理；
6、s3:计算每个特征的变异系数，根据变异系数来筛选出重要特征，去除变异系数较小、波动较低的冗余特征，得到初始特征组合，并将初始特征集合输入k-means聚类算法，得到更具代表性和相关性的特征组合；
7、所述将初始特征集合输入k-means聚类
8、(1)选择聚类的个数k′；
9、(2)随机初始化k′个中心点；
10、(3)重复以下步骤直到中心点收敛或达到最大迭代次数：
11、a对于每个数据点，计算它与所有中心点的欧式距离，分配到最近的中心点对应的簇中；
12、b重新计算每个簇的中心点；
13、
14、其中，uk′是簇ck的中心点，|ck′|是簇中心点的个数；zi′为属于簇ck的i′个点的坐标向量；
15、根据聚类结果，每个簇中的特征具有相似的性质，从每个簇中选取一个具有代表性的特征组成最终特征组合；
16、s4:利用拉索回归结合k-means聚类结果进行特征选择，形成最终的特征组合，并构建训练数据集；
17、所述利用拉索回归结合k-means聚类结果进行特征选择，形成最终的特征组合，并构建训练数据集，具体如下：
18、结合k-means聚类得到的最终特征组合，将每个簇中的代表性特征输入拉索回归，通过拉索回归进一步选择最具代表性的特征，所述拉索回归，如下：
19、
20、其中，β为回归模型的待估参数；m为样本总数；p为特征总数；yu为第u个观测值的实际输出/响应变量；xuv为第u个观测值的第v个特征变量的值；λ为正则化参数；
21、提取拉索回归得到的重要特征，形成最终的特征组合，并构建训练数据集；
22、s5:基于深度神经网络构建电能表状态评价模型并基于训练数据集训练；
23、s6:建立实时监控单元，基于训练后的电能表状态评价模型监测电能表状态评价结果，设置阈值并实时报警，提醒运维人员进行处理。
24、进一步的，所述步骤s1具体为：
25、获取电能表的历史工作数据包括电压、电流、功率、能耗、频率、相位角；环境数据包括温度、湿度、气压；
26、采用插值法处理缺失值，并基于3σ原则识别并处理异常值；
27、通过计算固定窗口c内数据的平均值来平滑时间序列数据，去除短期波动：
28、对于时间序列xt，其移动平均值为：
29、
30、其中，t为时间。
31、进一步的，所述特征提取包括时域特征、频域特征和时频域特征的提取，具体如下：
32、所述时域特征包括均值、方差、峰值、偏度、峰峰值，具体如下
33、
34、p2p＝max(x)-min(x)；
35、其中，μ为均值、σ2为方差、s为偏度、p2p为峰峰值；xi为第i个数据；n为数据数量；
36、通过傅里叶变换提取频域特征，包括频率幅值、频带能量；
37、
38、其中，xk为频域信号在第k个频率分量的值；j为虚数单位；|xk|为频域信号在第k个频率分量的频率幅值；eband频带k1-k2的能量；r(xk)为频域信号在第k个频率分量的的实部，s(xk)为频域信号在第k个频率分量的的虚部；
39、最后通过小波变换得到时频域能量分布。
40、进一步的，所述基于深度神经网络构建电能表状态评价模型，具体如下：
41、所述深度神经网络神经网络包含l个隐藏层，在第l层中，由权重矩阵w(l)、偏置向量b(l)和激活函数leakyrelu组成，具体如下：
42、每一层的输入a[l-1]经过线性变换，得到z[l]：
43、z(l)＝w(l)a(l-1)+b(l)；
44、其中，z(l)为第l层的线性变换结果；
45、z(l)
46、对进行批量归一化以保证每层的输入分布相近，提高训练稳定性：
47、
48、其中，ub为批量归一化中计算的均值，为批量归一化中计算的方差，ε为平滑项：为批量归一化后的第l层的线性变换结果
49、激活函数leaky relu为：
50、
51、其中，α为leaky relu激活函数中的斜率参数；
52、基于dropout随机丢弃神经元，使得模型在训练过程中变得更加鲁棒，减少过拟合的风险，
53、
54、其中，p是保留神经元的比例；
55、输出层为：
56、
57、进一步的，所述电能表状态评价模型，基于训练集，结合带有l2正则化的损失函数与adam优化器进行训练，得到训练后的电能表状态评价模型，损失函数具体如下：
58、
59、其中，m是类别数量，是第q个样本在第c类别上的实际标签；是模型对第q个样本在第c类别上的预测概率；
60、初始化模型参数,包括权重矩阵w(l)、偏置向量b(l)，设置基准学习率α、超参数β1、β2、∈，正则化系数λ和迭代次数t；
61、每个时间步更新参数，对每个参数θ进行如下处理：
62、时间步更新：t＝t+1；
63、计算梯度：
64、
65、计算一阶矩估计值：
66、mt＝β1mt-1+(1-β1)gt；
67、计算二阶矩估计值：
68、
69、对一阶矩估计值进行偏差校正：
70、
71、对二阶矩估计值进行偏差校正本文档来自技高网...
【技术保护点】
1.一种基于变异系数法和K-means的电能表状态评价方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于变异系数法和K-means的电能表状态评价方法，其特征在于，所述步骤S1具体为：
3.根据权利要求2所述的一种基于变异系数法和K-means的电能表状态评价方法，其特征在于，所述特征提取包括时域特征、频域特征和时频域特征的提取，具体如下：
4.根据权利要求1所述的一种基于变异系数法和K-means的电能表状态评价方法，其特征在于，所述基于深度神经网络构建电能表状态评价模型，具体如下：
5.根据权利要求4所述的一种基于变异系数法和K-means的电能表状态评价方法，其特征在于，所述电能表状态评价模型，基于训练集，结合带有L2正则化的损失函数与ADAM优化器进行训练，得到训练后的电能表状态评价模型，损失函数具体如下：
6.根据权利要求1所述的一种基于变异系数法和K-means的电能表状态评价方法，其特征在于，所述S6具体为：
7.一种基于权利要求1-6任一所述基于变异系数法和K-means的电能
...【技术特征摘要】
1.一种基于变异系数法和k-means的电能表状态评价方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于变异系数法和k-means的电能表状态评价方法，其特征在于，所述步骤s1具体为：
3.根据权利要求2所述的一种基于变异系数法和k-means的电能表状态评价方法，其特征在于，所述特征提取包括时域特征、频域特征和时频域特征的提取，具体如下：
4.根据权利要求1所述的一种基于变异系数法和k-means的电能表状态评价方法，其特征在于，所述基于深度神经网络构建电能表状态评价模型，具体如下：
5.根据权利要求4所述的一种基于变异系数法和k-means的电能表状态评价方法，其特征在于，所述电能表状态评价模型，基于训练集，结合带有l2正则化的损失函数与...
【专利技术属性】
技术研发人员：王晓明，王嘉宏，王熙，路鑫，贾武军，常志峰，李雅楠，魏敬辉，任临科，张思宵，曲喆，李战国，郭昕，徐昕，任志丹，邢亮，齐火箭，石碧炜，张庚，
申请(专利权)人：国网冀北电力有限公司张家口供电公司，
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。