基于深度信念网络的计量装置故障溯源研究

发布时间：2024-12-27 05:00

　　 针对电网海量大数据中存在异常的电表数据,提出了一种基于深度信念网络的计量装置故障溯源模型。首先,分析了深度信念网络(DBN)模型基本原理,提出了一种智能电表故障分类DBN结构模型,并给出了计量装置故障溯源建模流程;然后,通过建立离线台账样本库、实时用电曲线故障特征样本库,实现了计量装置故障样本库构建;最后,基于实际电表测试和数据异常识别,完成了计量装置的台账样本库溯源测试,并与已有的贝叶斯、决策树、随机森林、决策树提升等分类算法进行比较,测试结果验证了所提模型和方法的正确性和有效性。

【文章页数】：7 页

【部分图文】：

图1 DBN网络结构模型

RBM是一种基于能量的模型，对于状态（v,h）确定的RBM系统所具有的能量可表示为：式中：θ=（wij,ai,bj）为RBM参数；n,m分别为可见层与隐含层神经元数量；v为可见层输入，其表示异常电表的台账信息和电流功率特征等输入；vi为可见层神经元i的状态，设定其偏置值为ai;h....

图2 卷积神经网络结构图

典型特征提取卷积神经网络如图2所示，其包含3层网络结构：输入层，卷积层和输出层[23]。其特征选取步骤如下：

图3 卷积网络提取的特征结果

通过卷积神经网络提取故障电表故障前的电流和功率特征，集中为两种类型，如图3所示的两类特征簇。其中一类簇在序列首段集中为负值，另一类在序列首段为较大的正值，提取出的两类特征簇为电表发生故障前的电流、功率特征。将故障电表的电流特征与功率特征分别归结为两类，构建用电曲线故障特征样本库。....

本文编号：4021171