电能表自动化检定流水线表位运行状态评估方法及系统与流程

1.本发明涉及电力计量在线监测技术领域，特别是涉及一种电能表自动化检定流水线表位运行状态评估方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
3.电能表自动化检定流水线为智能电能表的正常运行提供保障，然而流水线的长期运行过程中，智能电能表频繁接入表位，会导致表位机械压接端子出现形变；同时长期带电运行会加速机械压接端子表面材料的氧化速度，导致端子锈蚀。表位机械压接环节的形变与锈蚀将直接影响误差试验结果的可靠性，进而影响智能电能表的检定质量。而目前人工定期检测方法无法及时响应流水线运维间隔中出现的异常工况。


技术实现要素：

4.为了解决上述问题，本发明提出了一种电能表自动化检定流水线表位运行状态评估方法及系统，有效识别表位由于性能退化引起的异常状态，克服传统人工排查存在可靠性不足、人力成本高的问题，实现检定流水线表位状态的在线判别。
5.为了实现上述目的，本发明采用如下技术方案：
6.第一方面，本发明提供一种电能表自动化检定流水线表位运行状态评估方法，包括：
7.获取检定流水线上表位在不同运行状态下的历史试验数据，以正常表位数据为基础，对历史试验数据进行批次效应去除，并构建不同运行状态下各表位的特征向量；
8.构建孪生神经网络，基于各表位的特征向量对孪生神经网络进行训练时通过设定边界值更新网络参数，且通过引入状态判断阈值，构建状态评估模型；
9.采用乌燕鸥优化算法，以模型评估可靠度为适应度函数，对状态评估模型进行参数寻优，得到优化后的状态评估模型；
10.采用优化后的状态评估模型，对待测表位进行状态评估。
11.作为可选择的实施方式，以正常表位数据为基础，采用平均中心法进行批次效应去除；
[0012][0013]
其中，ε
ik
为第i个表位第k项试验的试验结果，为第i个表位第k项试验批次效应去除后的试验结果；为第k项试验批次效应的误差。
[0014]
作为可选择的实施方式，所述孪生神经网络采用对比损失函数l
loss
进行训练：
[0015]
[0016]
其中，margin为边界值，d(x1,x2)为样本x1、x2的相似性度量，y为支撑集对应标签，q为支撑集数量。
[0017]
作为可选择的实施方式，所述适应度函数k为：
[0018][0019][0020][0021]
其中，h0为观察符合率，a1、a2、a3分别代表实际为正常、告警、异常的样本经预测为正常、告警、异常的样本个数，s为总样本个数，he表示机遇符合率，b1、b2、b3分别为正常、告警、异常样本的真实个数，c1、c2、c3分别为预测为正常、告警、异常的样本个数。
[0022]
作为可选择的实施方式，所述参数寻优过程是优化边界值和状态判断阈值。
[0023]
作为可选择的实施方式，所述乌燕鸥优化算法中提出一种非线性控制参数a：
[0024][0025]
其中，fc为控制a频率的参数，r为迭代次数，r为最大迭代次数。
[0026]
作为可选择的实施方式，将待测表位的待测样本与已知状态样本生成待测样本对，计算待测样本与已知状态样本的相似度，取各运行状态下的相似度均值作为最终相似度，根据最终相似度与状态判断阈值进行待测样本的表位状态判断。
[0027]
第二方面，本发明提供一种电能表自动化检定流水线表位运行状态评估系统，包括：
[0028]
训练集获取模块，被配置为获取检定流水线上表位在不同运行状态下的历史试验数据，以正常表位数据为基础，对历史试验数据进行批次效应去除，并构建不同运行状态下各表位的特征向量；
[0029]
模型构建模块，被配置为构建孪生神经网络，基于各表位的特征向量对孪生神经网络进行训练时通过设定边界值更新网络参数，且通过引入状态判断阈值，构建状态评估模型；
[0030]
参数寻优模块，被配置为采用乌燕鸥优化算法，以模型评估可靠度为适应度函数，对状态评估模型进行参数寻优，得到优化后的状态评估模型；
[0031]
状态评估模块，被配置为采用优化后的状态评估模型，对待测表位进行状态评估。
[0032]
第三方面，本发明提供一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成第一方面所述的方法。
[0033]
第四方面，本发明提供一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
[0034]
与现有技术相比，本发明的有益效果为：
[0035]
本发明提出的一种电能表自动化检定流水线表位运行状态评估方法及系统，采用
孪生神经网络对电能表自动化检定流水线表位的运行状态进行判别，解决了小样本学习问题。
[0036]
本发明提出的一种电能表自动化检定流水线表位运行状态评估方法及系统，采用乌燕鸥优化算法对孪生深度神经网络与状态判断机制引入的超参数边界值和阈值进行迭代寻优，提高模型评估的准确性与可靠性。
[0037]
本发明提出的一种电能表自动化检定流水线表位运行状态评估方法及系统，采用批次效应消除，消除不同批次的电能表可能存在试验数据的分布差异，构建了以误差期望为时序特征的特征向量。
[0038]
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
[0039]
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
[0040]
图1为本发明实施例1提供的电能表自动化检定流水线表位运行状态评估方法流程图；
[0041]
图2为本发明实施例1提供的状态评估模型图。
具体实施方式
[0042]
下面结合附图与实施例对本发明做进一步说明。
[0043]
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
[0044]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0045]
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
[0046]
实施例1
[0047]
本实施例提出一种电能表自动化检定流水线表位运行状态评估方法，如图1所示，包括：
[0048]
获取检定流水线上表位在不同运行状态下的历史试验数据，以正常表位数据为基础，对历史试验数据进行批次效应去除，并构建不同运行状态下各表位的特征向量；
[0049]
构建孪生神经网络，基于各表位的特征向量对孪生神经网络进行训练时通过设定边界值更新网络参数，且通过引入状态判断阈值，构建状态评估模型；
[0050]
采用乌燕鸥优化算法，以模型评估可靠度为适应度函数，对状态评估模型进行参数寻优，得到优化后的状态评估模型；
[0051]
采用优化后的状态评估模型，对待测表位进行状态评估。
[0052]
在本实施例中，所述运行状态包括正常、告警、异常。考虑到不同批次的电能表可能存在试验数据的分布差异，为消除由批次差异带来的影响，对历史试验数据进行批次效应去除处理，具体为：
[0053]
以正常表位数据为基础，采用“平均中心方法”进行批次效应去除：
[0054][0055]
其中，ε
ik
为第i个表位第k项误差试验测得的误差试验结果，为第i个表位第k项误差试验批次效应去除后的误差试验结果；
[0056][0057]
其中，为误差试验批次效应的误差，n为同一检定单元中正常表位的数量，ε
jk
为第j个表位第k项误差试验测得的误差结果，其中每个表位进行k项误差试验，k＝1,2,...,10。
[0058]
在本实施例中，基于批次效应去除后的试验结果，以t天的数据为时间窗口，构建正常、告警、异常等运行状态下各表位的时序特征向量x；
[0059][0060][0061][0062]
其中，m为表位i检测的电能表数量，表示表位i对第v个电能表进行第k项误差试验得到的批次效应去除后的误差结果，t为当前时刻，t天的数据为t与其之前的t-1天共同构成；
[0063]
为第t天表位i对m个电能表进行第k项误差试验而计算得到的误差期望，为t-u天前当天表位i对m个电能表进行第k项误差试验而计算得到的误差期望。
[0064]
在本实施例中，以各表位的特征向量为训练集构建孪生神经网络，状态评估模型包括孪生神经网络和阈值判断模块；如图2所示。
[0065]
孪生神经网络包括两个相同模型参数的子神经网络，其目的是衡量输入样本经子神经网络所提取特征向量后的相似性，使子神经网络提取的特征更具备判别性；具体地：
[0066]
(1)基于批次效应去除后的流水线各表位的特征向量，构建输入样本对(x1,x2)；
[0067]
基于批次效应去除后的流水线各表位的特征向量构建训练集和测试集，从训练集中选取部分样本构建样本对形成支持集，对于支持集中每个样本，又分别在同类数据中和异类数据中随机选择一个数据组成数据对，进而构成支撑集；
[0068]
支撑集的数据组成形式有：正常和正常、正常和告警、正常和异常、告警和告警、告警和异常、异常和异常6种，以此得到输入样本对(x1,x2)。
[0069]
(2)孪生神经网络中的network模块采用1-d cnn-lstm子网络模型，基于1-d cnn-lstm子网络模型，得到输入样本对(x1,x2)的特征向量g(x1)和g(x2)：
[0070]
将样本x1、x2作为输入数据，分别输入特征提取模型中的两个相同神经网络模块network中，这两个神经网络模块有共享参数权值w和偏置b，特征提取模块将两个输入样本x1、x2分别映射到子网络相同特征空间中，得到两个输入样本x1、x2的特征向量g(x1)、g(x2)。
[0071]
(3)相似度计算；
[0072]
相似度度量是用于计算样本对中两个样本特征向量之间的距离，以评定两个样本之间相似程度的一种度量，本实施例采用欧式距离，输入样本对(x1,x2)相似性度量为：
[0073]
d(x1,x2)＝||g(x1)-g(x2)||
ꢀꢀꢀ
(6)
[0074]
(4)孪生神经网络使用对比损失函数l
loss
进行模型训练：
[0075][0076]
其中，margin为设定的边界值，当d(x1,x2)值小于边界值margin时，需要对孪生神经网络的权值w进行调整；y为支撑集对应标签，q为支撑集数量。
[0077]
当输入样本是两个子网络输入类别相同的样本时，对应标签为1，使最后一层特征映射向量的g(x1)和g(x2)距离函数尽可能相近；当输入样本为不同类别样本时，对应标签为0，使得特征向量距离函数尽可能远离。
[0078]
在本实施例中，为实现表位状态的判断，在孪生神经网络后接入阈值判断模块，通过状态判断阈值β，完成待测样本的表位状态判断；
[0079]
将待测样本与已知状态样本生成待测样本对，将其输入到孪生神经网络中分别计算待测样本与已知状态样本的相似度，取各状态下的样本相似度均值作为最终的样本相似度dw；若dw＜β，则为同类；反之，则为异类。
[0080]
在本实施例中，基于孪生神经网络与状态判断机制构建的状态评估模型，引入了两个新的超参数margin、β，两者的变化对状态评估模型的评估性能具有较大的影响，因此本实施例采用乌燕鸥优化算法，以模型评估的可靠度为适应度函数，对margin、β进行迭代寻优，以提高模型状态评估的可靠性。
[0081]
将乌燕鸥的初始位置映射为边界值margin和状态判断阈值β，步骤如下：
[0082]
(1)以模型评估的可靠度k作为适应度函数：
[0083][0084]
其中，h0为观察符合率，a1、a2、a3分别代表实际为正常、告警、异常的样本经过模型预测为正常、告警、异常的样本的个数，s为总样本个数；he表示机遇符合
率，其中b1、b2、b3分别为正常、告警、异常样本的真实个数，c1、c2、c3分别为模型预测为正常、告警、异常的样本个数。
[0085]
(2)乌燕鸥优化算法(sto)，迁徙和攻击猎物是乌燕鸥的独特行为，在迁徙过程中，乌燕鸥向群体中最强的乌燕鸥移动，然后，其他乌燕鸥开始更新它们的初始位置，需要避免乌燕鸥间的碰撞；具体的，乌燕鸥优化算法(sto)参数的更新方法如下：
[0086]
①
初始化种群规模num，最大迭代次数r，随机初始化乌燕鸥的初始位置；
[0087]
②
评价适应度函数：根据适应度函数计算每只乌燕鸥位置的适应度，通过比较找出最优适应度值，确定种群最佳位置p
best
(r)；
[0088]
③
乌燕鸥进行迁移操作：
[0089][0090]
其中，cs表示不会和其他燕鸥碰撞的新位置；ps(r)表示乌燕鸥当前所在位置，a为乌燕鸥在给定空间的运动方式；r表示迭代的次数；r表示最大迭代次数；fc用来控制a的频率，这里fc取值为2，控制a从2下降到0；b是一个随机变量；ms是当前位置向最优位置移动的过程；p
best
(r)是乌燕鸥的全局最优位置；randvalue是一个介于0和1之间的随机数；ls是当前位置向最优位置更新的轨迹。
[0091]
然而，线性控制参数不能表征实际收敛过程，实际收敛过程是非线性的，由此，本实施例提出一种非线性控制参数a：
[0092][0093]
该方法中a的值在递减的过程中呈现一个非线性的变化趋势，可以更好的改善全局寻优能力，每次迭代既能避免乌燕鸥之间的位置冲突，也可以更好的平衡探索与开发。
[0094]
④
乌燕鸥进行攻击操作：
[0095]
乌燕鸥在迁徙过程中可以通过翅膀增加飞行高度，也可以调整速度和攻击角度，攻击猎物时，乌燕鸥在空中的盘旋行为可被定义：
[0096][0097]
其中，x
′
，y
′
，z
′
为模拟燕鸥在三维空间中盘旋的位置，λ是盘旋螺旋的半径；θ是[0,2π]的随机角度；w0，ω是定义螺旋形状的常数，本实施例设置为1，e是自然对数的底数；
[0098]
⑤
乌燕鸥更新位置：
[0099]
ps(r+1)＝(ls×
(x
′
+y
′
+z
′
))
×
p
best
(r)
ꢀꢀꢀ
(12)
[0100]
其中，ps(r+1)为乌燕鸥更新后的位置，ls是当前位置向最优位置更新的轨迹，p
best
(r)是种群最佳位置；
[0101]
⑥
计算各乌燕鸥个体位置的适应度值，并记录全局最优值：
[0102][0103]
其中，表示乌燕鸥位置更新后模型评估的可靠度，为乌燕鸥位置更新后的观察符合率，a
1更
、a
2更
、a
3更
分别为乌燕鸥位置更新后实际为正常、告警、异常的样本经过模型预测为正常、告警、异常的样本的个数，s
更
为乌燕鸥位置更新后的总样本个数；表示乌燕鸥位置更新后的机遇符合率，其中b
1更
、b
2更
、b
3更
分别为正常、告警、异常样本的真实个数，c
1更
、c
2更
、c
3更
分别为模型预测为正常、告警、异常的样本个数。
[0104]
式(13)为将乌燕鸥更新后(即r+1次迭代时)的个体位置，带入式(8)，算出每个个体的适应度，选出最优适应度的具体计算过程。
[0105]
求出乌燕鸥群体中适应度值的全局最优值，并记录位置：
[0106]
[k
best p
best
(r+1)]＝max(k)
ꢀꢀꢀ
(14)
[0107]
⑦
判断可靠度是否大于设定阈值：若是，则以当前乌燕鸥位置映射的边界值margin、阈值β作为模型的最佳超参数；若否，则更新乌燕鸥优化算法的参数及最佳位置，重复步骤
③‑⑦
，直到满足最大迭代次数。
[0108]
在本实施例中，基于训练后的状态评估模型，以待测表位的特征向量为输入，对流水线各表位进行状态判别。
[0109]
实施例2
[0110]
本实施例提供一种电能表自动化检定流水线表位运行状态评估系统，包括：
[0111]
训练集获取模块，被配置为获取检定流水线上表位在不同运行状态下的历史试验数据，以正常表位数据为基础，对历史试验数据进行批次效应去除，并构建不同运行状态下各表位的特征向量；
[0112]
模型构建模块，被配置为构建孪生神经网络，基于各表位的特征向量对孪生神经网络进行训练时通过设定边界值更新网络参数，且通过引入状态判断阈值，构建状态评估模型；
[0113]
参数寻优模块，被配置为采用乌燕鸥优化算法，以模型评估可靠度为适应度函数，对状态评估模型进行参数寻优，得到优化后的状态评估模型；
[0114]
状态评估模块，被配置为采用优化后的状态评估模型，对待测表位进行状态评估。
[0115]
此处需要说明的是，上述模块对应于实施例1中所述的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
[0116]
在更多实施例中，还提供：
[0117]
一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1中所述的方法。为了简洁，在此不再赘述。
[0118]
应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0119]
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
[0120]
一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1中所述的方法。
[0121]
实施例1中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
[0122]
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0123]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。