【技术实现步骤摘要】
本专利技术涉及电表故障预测，特别是涉及一种基于深度学习的电表故障预测方法、系统、设备及存储介质。
技术介绍
1、电表是电能计量的重要设备，其正常运行对于电力系统的稳定和用户的用电安全至关重要。然而，电表在长期使用过程中可能会出现各种故障，如电量计量不准确、电流异常、运行状态字错误等。这些故障不仅会影响用户的用电体验，还可能导致电力系统的不稳定和安全隐患。
2、传统的电表故障检测方法主要依赖于人工巡检和定期维护，这种方法效率低下、成本高，且无法及时发现故障。随着智能电网的发展，电表的智能化程度越来越高，数据采集和传输技术也得到了广泛应用。因此，利用电表采集到的数据进行故障预测成为了一种新的解决方案。
技术实现思路
1、基于此，有必要针对现有技术对电表故障检测的方法效率低下，且不及时的问题，提供一种基于深度学习的电表故障预测方法、系统、设备及存储介质。
2、一种基于深度学习的电表故障预测方法，其包括以下步骤：
3、周期性采集电表的各类数据；
4、将采集到的各类数据经过预处理后进行聚类处理，得到多个聚类簇；多个聚类簇中的数据均输入到深度学习模型中，每个不同的聚类簇通过相似度对应深度学习模型不同的门结构权重，最终得到与数据对应的具有时间序列特征的结果值；
5、将结果值与设定的阈值区间进行比较，若结果值位于阈值区间外，则将此次结果值定义为异常点；在单位时间内，出现异常点则计数器加1，出现正常的结果值则计数器减1；当计数器达到计数阈值
6、其中，深度学习模型在使用前进行训练，所述训练的方法包括以下步骤：
7、将电表数据的训练集进行聚类处理，得到n个集群，每个集群内有i个电表；
8、选择其中一个集群中心点p的历史数据训练现有模型得到初始模型m1；
9、计算得到该集群中与中心点p数据特征相似度最高的电表q；
10、将电表q的历史数据输入初始模型m1中进行训练，得到下一个模型m2；寻找与电表q数据特征相似度最高的电表a，将电表a的历史数据输入模型m2中进行训练，得到下一个模型m3；循环进行模型训练和寻找的过程直至得到模型mi+1；n个集群得到n个模型mi+1；n个模型mi+1构成深度学习模型，整个深度学习模型训练完毕。
11、作为优选实例，所述电表的各类数据包括电压、电流、用电量、运行状态。
12、作为优选实例所述预处理包括数据清洗处理、归一化处理和特征提取处理。
13、作为优选实例所述聚类处理采用k-means算法；所述聚类簇的数量采用肘部法则选择最优簇类数。
14、作为优选实例所述阈值区间的设定方法包括以下步骤：
15、计算模型训练过程中测试集的残差，其计算公式为：
16、
17、式中，e表示测试集每日残差；表示每日用电量预测；表示电表每日读数；
18、通过k-sigma算法计算能够满足测试集预测的残差e的最小k值；确定k值后计算阈值区间：
19、tu＝tmean+(k×irange)
20、tl＝tmean-(k×lrange)
21、式中，为阈值区间的上限，tl为阈值区间的下限，tmean是数据的切尾均值，irange是数据的四分位距。
22、作为优选实例在每个集群中，模型训练用到的历史数据归于集合t，未用到的历史数据归于集合m；模型训练过程中集合m为空集时，整个深度学习模型训练完毕。
23、作为优选实例当判断电表处于故障状态时，立即触发预警机制；所述预警机制包括声音提醒和发送短信派单。
24、一种基于深度学习的电表故障预测系统，其使用如上所述的基于深度学习的电表故障预测方法；所述电表故障预测系统包括：
25、数据采集模块，其用于周期性采集电表的各类数据；
26、数据预处理模块，其用于将采集的各类数据进行预处理，使得数据标准化；
27、训练模块，其用于创建并训练深度学习模型；
28、故障预测模块，其用于根据深度学习模型的输出结果预测电表故障情况；
29、预警和处理模块，其用于根据电表故障预测的结果发出故障预警与进行监测处理。
30、一种电子设备，其包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上所述的基于深度学习的电表故障预测方法的步骤。
31、一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上所述的基于深度学习的电表故障预测方法的步骤。
32、本专利技术的有益效果在于：
33、1、本专利技术利用电表采集到的数据输入到深度学习网络进行故障预测，其可以自动从数据中学习特征和模式，并进行预测和分类。在电表故障预测领域，深度学习可以通过分析电表的历史数据，学习用户的用电习惯和电表的运行模式，从而预测电表可能出现的故障。相比现有人工巡检的方式，大大提高了故障检测效率，且故障发现及时。
34、2、本专利技术可以实时监测电表的运行状态，及时发现故障并发出预警，提高了电力系统的稳定性和安全性以及预防性，并且通过对用户用电习惯的分析，可以为用户提供更加个性化的用电服务，提高用户的用电了解以及满意度。
35、3、在用户数量较多的情况下，依次建立电表运行评估模型工作量很大，本专利技术利用迁移学习将模型参数在簇内进行传递的方法对深度学习模型进行训练，在更多相似的电表之间发生数据迁移，使得深度学习模型预测的准确率更高，除了准确性，在更高的相似度间进行模型迁移，会进一步减少深度学习时间。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的电表故障预测方法，其特征在于，其包括以下步骤：
2.根据权利要求1所述的基于深度学习的电表故障预测方法，其特征在于，所述电表的各类数据包括电压、电流、用电量、运行状态。
3.根据权利要求1所述的基于深度学习的电表故障预测方法，其特征在于，所述预处理包括数据清洗处理、归一化处理和特征提取处理。
4.根据权利要求1所述的基于深度学习的电表故障预测方法，其特征在于，所述聚类处理采用K-means算法；所述聚类簇的数量采用肘部法则选择最优簇类数。
5.根据权利要求1所述的基于深度学习的电表故障预测方法，其特征在于，所述阈值区间的设定方法包括以下步骤：
6.根据权利要求1所述的基于深度学习的电表故障预测方法，其特征在于，在每个集群中，模型训练用到的历史数据归于集合T，未用到的历史数据归于集合M；模型训练过程中集合M为空集时，整个深度学习模型训练完毕。
7.根据权利要求1所述的基于深度学习的电表故障预测方法，其特征在于，当判断电表处于故障状态时，立即触发预警机制；所述预警机制包括声音提醒和发送短信派
8.一种基于深度学习的电表故障预测系统，其特征在于，其使用如权利要求1至7中任意一项所述的基于深度学习的电表故障预测方法；所述电表故障预测系统包括：
9.一种电子设备，其特征在于，其包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的基于深度学习的电表故障预测方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的基于深度学习的电表故障预测方法的步骤。
...【技术特征摘要】
1.一种基于深度学习的电表故障预测方法，其特征在于，其包括以下步骤：
2.根据权利要求1所述的基于深度学习的电表故障预测方法，其特征在于，所述电表的各类数据包括电压、电流、用电量、运行状态。
3.根据权利要求1所述的基于深度学习的电表故障预测方法，其特征在于，所述预处理包括数据清洗处理、归一化处理和特征提取处理。
4.根据权利要求1所述的基于深度学习的电表故障预测方法，其特征在于，所述聚类处理采用k-means算法；所述聚类簇的数量采用肘部法则选择最优簇类数。
5.根据权利要求1所述的基于深度学习的电表故障预测方法，其特征在于，所述阈值区间的设定方法包括以下步骤：
6.根据权利要求1所述的基于深度学习的电表故障预测方法，其特征在于，在每个集群中，模型训练用到的历史数据归于集合t，未用到的历史数据归于集合m；...
【专利技术属性】
技术研发人员：黄燕，左勇，周显龙，
申请(专利权)人：安徽南瑞中天电力电子有限公司，
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。