本发明属于数据处理,尤其涉及一种基于残差网络的电力计量设备故障诊断方法。
背景技术:
1、为了实现对异常电力计量设备的故障诊断和定位,在发明专利授权公告号cn114371438b《基于物联网的计量设备失准判断方法》中通过校核监测区域内总计电量误差,将具有计量误差的监测区域标记为异常区域,通过分析模型对采集的电表计量数据进行分析,获得异常电表计量数据对应的电能表,标记为异常电表,获取异常电表前n天的计量数据,获得异常电表的失准判断结果,但是却存在以下技术问题:
2、未考虑结合电力计量设备的波形特征进行故障的诊断,仅仅依靠单一的历史计量数据往往不能准确反应电表的运行状态,用户可能由于使用习惯的不同会导致计量数据有所偏差,因此若不能结合电力计量设备的波形特征,则无法准确的实现对故障结果的准确判断。
3、未考虑结合电力计量设备的用户的差异进行偏差量的确定,对于工业负荷以及居民负荷,工业负荷的稳定性明显要大于居民负荷,若采用相同的偏差量,则有可能导致故障诊断的准确性明显降低。
4、针对上述技术问题,本发明提供了一种基于残差网络的电力计量设备故障诊断方法。
技术实现思路
1、根据本发明的一个方面,提供了一种基于残差网络的电力计量设备故障诊断方法。
2、一种基于残差网络的电力计量设备故障诊断方法,其特征在于,具体包括:
3、s11根据预设负荷量将供电区域进行划分得到校验检测区域,并基于所述校验检测区域的负荷变动量筛选得到疑似问题区域;
4、s12基于所述疑似问题区域的负荷变动量、校验次数、校验时间对所述疑似问题区域进行筛选,从而得到筛选校验区域;
5、s13基于所述筛选校验区域内部的电力计量设备的用户的不同至少将所述用户划分为工业用户和居民用户,基于所述工业用户的负荷量、预设时间内的最大负荷偏差量、疑似异常次数构建工业偏差量,基于所述居民用户的负荷量、预设时间内的最大负荷偏差量、疑似异常次数构建居民偏差量,并基于所述工业偏差量和居民偏差量进行疑似工业用户和疑似居民用户的筛选;
6、s14基于所述疑似工业用户和疑似居民用户的电力计量设备的电压波形、电流波形,采用基于卷积神经网络的特征提取模型进行故障特征量的提取,并基于所述故障特征量采用基于残差神经网络的判断模型确定所述电力计量设备的故障类型。
7、通过首先对疑似问题区域的确定,从而避免了由于电力计量设备的数量过多导致的电力计量设备的评估的效率和准确率都较低的技术问题,进一步提升了整体的评估的效率和准确性。
8、通过结合疑似问题区域的负荷变动量、校验次数、校验时间对所述疑似问题区域进行筛选,从而得到筛选校验区域,从而不仅仅结合负荷变动量,同时也和校验次数和校验时间等历史校验情况相结合,进一步提升了电力计量装置的故障诊断的针对性。
9、通过基于所述工业用户的负荷量、预设时间内的最大负荷偏差量、疑似异常次数构建工业偏差量,基于所述居民用户的负荷量、预设时间内的最大负荷偏差量、疑似异常次数构建居民偏差量,从而实现了对不同的居民用户和工业用户采用不同的判断标准,保证了故障筛选的准确性,同时也减少了误判的情况的出现。
10、通过采用基于卷积神经网络的特征提取模型进行故障特征量的提取,并基于所述故障特征量采用基于残差神经网络的判断模型确定所述电力计量设备的故障类型,从而进一步提升了故障特征提取的准确性,同时采用基于残差神经网络的判断模型,也进一步提升了判断的效率。
11、进一步的技术方案在于,所述预设负荷量根据所述供电区域的用户的数量以及用电负荷的大小进行确定,其中所述供电区域的用户的数量越多,用电负荷越大,则所述预设负荷量越大。
12、进一步的技术方案在于,所述筛选校验区域确定的具体步骤为:
13、s21基于所述疑似问题区域的负荷变动量对所述疑似问题区域进行筛选,确定是否为筛选校验区域,若是,则将所述疑似问题区域作为筛选校验区域,若否,则进入步骤s22;
14、s22基于所述疑似问题区域的电力计量设备的校验次数确定是否进一步筛选,若是,则进入步骤s23,若否,则进入步骤s24;
15、s23基于所述疑似问题区域的电力计量设备的上次的校验时间,确定是否为筛选校验区域,若是,则将所述疑似问题区域作为筛选校验区域,若否,则进入步骤s24;
16、s24基于所述疑似问题区域的负荷变动量、校验次数、上次的校验时间对所述疑似问题区域进行筛选,从而得到筛选校验区域。
17、进一步的技术方案在于,基于所述疑似问题区域的负荷变动量、校验次数、上次的校验时间构建筛选值,并基于所述筛选值实现对所述疑似问题区域的筛选得到筛选校验区域。
18、进一步的技术方案在于,所述工业用户的疑似异常次数根据所述工业用户被认定为疑似工业用户的次数进行确定。
19、进一步的技术方案在于,所述工业偏差量构建的具体步骤为:
20、s31基于所述工业用户的负荷量以及所述工业用于在预设时间内的负荷偏差量的平均值确定所述工业用户的工业偏差基准值;
21、s32判断所述工业用户在预设时间内的负荷偏差量超过设定偏差值的次数是否大于预设次数,若是,则基于所述工业用户在预设时间内的负荷偏差量超过设定偏差值的次数对所述工业偏差基准值进行修正,得到工业偏差量,若否,则进入步骤s33;
22、s33基于所述工业用户在预设时间内的最大负荷偏差量是否大于预设偏差值,若是,则基于所述最大负荷偏差量对所述工业偏差基准值进行修正,得到工业偏差量,若否,则进入步骤s34;
23、s34基于所述工业用户在预设时间内的最大负荷偏差量、疑似异常次数、在预设时间内的负荷偏差量超过设定偏差值的次数构建修正量,并基于所述修正量以及工业用户的工业偏差基准值得到所述工业用户的工业偏差量。
24、进一步的技术方案在于,当所述工业用户的负荷变动量大于所述工业用户的工业偏差量时,确定所述工业用户为疑似工业用户。
25、进一步的技术方案在于,所述电力设备的故障类型确定的具体步骤为:
26、s41提取所述电力计量设备的电压波形、电流波形,并基于所述电压波形、电流波形是否能够进行所述电力设备的故障类型的判断,若是,则基于所述电压波形、电流波形进行电力设备的故障类型的判断,若否,则进入步骤s42;
27、s42将所述电力计量设备的电压波形、电流波形输入到基于卷积神经网络的特征提取模型进行故障特征量的提取得到电压时域特征、电流时域特征,并基于所述电压时域特征、电流时域特征,采用基于残差神经网络的判断模型确定所述电力计量设备的故障类型,并当所述故障类型为不存在故障时,进入步骤s43;
28、s43基于所述电力计量设备的电压波形、电流波形进行fft分析得到电压频域信号、电流频域信号,将所述电压频域信号、电流频域信号输入到基于卷积神经网络的特征提取模型进行故障特征量的提取得到电压频率特征、电流频域特征;
29、s44基于所述电压时域特征、电流时域特征、电压频率特征、电流频域特征,采用基于残差神经网络的判断模型确定所述电力计量设备的故障类型。
30、进一步的技术方案在于,所述故障类型包括疑似故障、故障、正常。
31、另一方面,本发明提供了一种终端装置,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程序,所述处理器执行所述程序时,实现上述的一种基于残差网络的电力计量设备故障诊断方法。
32、其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
33、为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。