【技术实现步骤摘要】
本专利技术属于供电检测的，具体涉及一种基于轻量化07)3)1hw的供电异常检测方法及系统。
技术介绍
1、电力设备容易受到各种因素的影响，包括自然环境、气候、人为干预以及线路故障等。随着电力设备使用时间的变长，这些因素可能导致电力设备的损坏，进而引发停电事件，对经济和社会生活带来严重的损失。物联网技术已广泛应用于电力供应行业，通过将电力设备和终端设备与传感器和通信模块相连接，这些设备能够实时监测其运行状态，并将数据传输至云端服务器，以进行数据处理和深度分析。这样的系统允许电力供应商实时获取大量数据，包括电压、电流、温度、湿度等各种信息。这些数据在云端服务器上被汇集并存储，构成了一个庞大的大数据池。借助大数据分析技术，可以对这些数据进行深入挖掘和分析，以便发现潜在问题并预测可能的电力故障。通过大数据分析，可以监测和分析电力设备的运行状态，识别历史数据中的故障模式和趋势。这有助于提前发现潜在问题，采取维护措施，从而减少故障和停电的风险。此外，大数据和机器学习算法的应用使得可以构建预测模型，依据实时数据和历史数据来预测未来的电力供应情况。这些模型能够识别可能发生停电事件的位置或设备，并在必要时发出警报，以确保及时采取措施。通过预测和预防停电事件，可以显著减少经济损失，包括生产中断、设备维修成本以及设备替换成本。这有助于提高城市的电力供应可用性，促进经济和社会的稳定发展。
2、综合物联网和大数据分析技术，电力供应商能够实时监测电力设备的运行状态，预测可能的停电事件，降低损失并提高电力供应的可靠性。
3、目前，智慧
技术实现思路
1、为解决现有技术中存在的不足，本专利技术提供一种基于轻量化mtf-pfnet的供电异常检测方法，能够解决现有技术无法对大范围地区的供电异常实现检测的技术问题。
2、本专利技术采用如下的技术方案。
3、一种基于轻量化mtf-pfnet的供电异常检测方法，包括如下步骤：
4、步骤1，采集各智能终端的历史时间序列数据；
5、步骤2，基于马尔可夫变迁场将采集到的各智能终端的历史时间序列数据转化为二维向量数据，构建训练数据集；
6、步骤3，构建轻量化pfnet模型，并基于训练数据集对轻量化pfnet模型进行训练；
7、步骤4，采集智能终端的时间序列数据转化成二维向量后，输入到训练后的轻量化pfnet模型中，进行供电状态检测。
8、优选地，所述步骤1中，通过智能终端采集供电数据的历史时间序列数据x：
9、x＝(xt，t＝1，2，…，t)
10、具体的，xt表示t时刻智能终端所采集的供电数据，t为采集周期，将采集到的智能终端各时刻供电数据按照时间顺序排列得到历史时间序列数据x。
11、优选地，所述步骤2具体包括：
12、步骤2-1，设置分位箱的数量q，将时间序列数据x分为q个分位箱；
13、步骤2-2，将时间序列中每一个数据xt更改为其对应的分位箱的序号；
14、步骤2-3，构造转移矩阵w：
15、
16、其中，wij表示分位箱i转移到分位箱j的频率；
17、步骤2-4，根据转移矩阵构造马尔可夫转移场m：
18、
19、其中，qi、qj分别表示各智能终端的历史时间序列数据在转换成二维向量的过程中第i个和第j个可能状态；n表示可能状态的数量。
20、优选地，构建的所述轻量化pfnet模型的主干框架包括1个inception块、2个bnecks块和17个bnecnk块堆叠组成；
21、输入轻量化pfnet模型的数据在网络主干框架中以高维的形式进行特征提取，以低维的形式在块与块之间进行传输。
22、优选地，所述bnecnk块包括两个逐点卷积以及位于两个逐点卷积之间的深度卷积；
23、所述逐点卷积的卷积核大小为1×1，所述深度卷积的卷积核大小为3×3。
24、优选地，所述bnecks块包括两个3×3卷积、位于两个3×3卷积之间的通道注意力机制se、以及残差结构。
25、优选地，所述inception块为多尺度特征提取模块，包括两个平行分支和连接连个分支输出端的filter concatenation；filter concatenationet用于将平行分支输出的数据进行拼合；
26、其中，两个平行分支的一个分支上包括有依次连接的3×3卷积、psa模型、1×1卷积；另一个分支上包括依次连接的5×5卷积、psa模型、1×1卷积。
27、优选地，所述步骤4具体包括：
28、将二维向量数据输入训练后的轻量化pfnet模型中，模型输出时间序列数据的特征向量；
29、进一步的，模型输出时间序列数据的特征向量，根据时间序列数据的特征向量通过sigmoid函数得到异常的概率值；
30、预设阈值n，当连续n个输出的概率值小于0.5，则认为供电正常，当连续n个输出的概率值大于等于0.5，则认为供电异常；
31、本专利技术还提出了一种基于轻量化mtf-pfnet的供电异常检测系统，用于实现所述基于轻量化mtf-pfnet的供电异常检测方法，包括：采集模块、数据转化模块、模型构建及训练模块、状态检测模块；
32、采集模块用于采集各智能终端的历史时间序列数据；
33、数据转化模块基于马尔可夫变迁场用于将采集到的各智能终端的历史时间序列数据转化为二维向量数据；
34、模型构建及训练模块用于构建轻量化pfnet模型，通过数据转化模块的结果构建训练数据集并基于训练数据集对轻量化pfnet模型进行训练；
35、状态检测模块根据二维向量数据和训练后的轻量化pfnet模型进行供电状态检测。
36、本专利技术还提出了一种终端，包括处理器及存储介质；
37、所述存储介质用于存储指令；
38、所述处理器用于根据所述指令进行操作以执行所述基于轻量化mtf-pfnet的供电异常检测方法的步骤。
39、本专利技术还提出了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述基于轻量化mtf-pfnet的供电异常检测方法的步骤。
40、本专利技术的有益效果在于，与现有技术相比，本申请提出一种基于轻量化mtf-pfnet的供电异常检测方法，通过对电力终端数据进行处理，并构建轻量化的小模型，提高数据处理的速度，进一步基于mobilenetv3 small对模型的主干框架进行改进，并增加了psa注意力机制和inception结构，可以将构建的模型直接部署在嵌入式设备中进行在线事件诊断，无需建立庞大的云端数据库和云端事件检测模型即可对供本文档来自技高网...
【技术保护点】
1.一种基于轻量化MTF-PFNet的供电异常检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于轻量化MTF-PFNet的供电异常检测方法，其特征在于，
3.根据权利要求1所述的基于轻量化MTF-PFNet的供电异常检测方法，其特征在于，
4.根据权利要求1所述的基于轻量化MTF-PFNet的供电异常检测方法，其特征在于，
5.根据权利要求1所述的基于轻量化MTF-PFNet的供电异常检测方法，其特征在于，
6.根据权利要求1所述的基于轻量化MTF-PFNet的供电异常检测方法，其特征在于，
7.根据权利要求1所述的基于轻量化MTF-PFNet的供电异常检测方法，其特征在于，
8.根据权利要求1所述的基于轻量化MTF-PFNet的供电异常检测方法，其特征在于，
9.一种基于轻量化MTF-PFNet的供电异常检测系统，用于实现权利要求1-8任一项权利要求所述基于轻量化MTF-PFNet的供电异常检测方法，其特征在于，包括：采集模块、数据转化模块、模型构建及训练模块、状态检
10.一种终端，包括处理器及存储介质；其特征在于：
11.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-8任一项所述方法的步骤。
...【技术特征摘要】
1.一种基于轻量化mtf-pfnet的供电异常检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于轻量化mtf-pfnet的供电异常检测方法，其特征在于，
3.根据权利要求1所述的基于轻量化mtf-pfnet的供电异常检测方法，其特征在于，
4.根据权利要求1所述的基于轻量化mtf-pfnet的供电异常检测方法，其特征在于，
5.根据权利要求1所述的基于轻量化mtf-pfnet的供电异常检测方法，其特征在于，
6.根据权利要求1所述的基于轻量化mtf-pfnet的供电异常检测方法，其特征在于，
7.根据权利要...
【专利技术属性】
技术研发人员：黄申茂，庄宇峰，胡坚中，钱炜妍，叶云成，张瑞华，庄壬，孙一峰，徐佳凝，高海力，
申请(专利权)人：国网江苏省电力有限公司常州供电分公司，
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。