基于时空卷积神经网络的智能电表故障预测

论

文

赏

析

2022年电子技术应用第3期

高文俊，薛斌斌，庞振江

北京智芯微电子科技有限公司，北京102299

摘要：   

针对智能电表故障具有的突发性、复杂性以及多面性等特点，提出一种基于时空卷积神经网络(ST-CNN)的故障预测方法。该方法首先采用滑动窗口将时间信息融入特征变量中，构建具有时空特性的输入矩阵，然后与CNN相结合，建立智能电表故障预测模型，并采用Adam算法对模型参数进行优化。最后应用现场的实际数据对基于ST-CNN的智能电表故障预测模型进行仿真，结果表明该方法预测精度高，泛化能力强。

关键词：

智能电表，故障预测，卷积神经网络，时空

0 引言：

我国电网从“信息化”向“智能化”发展是未来的必然趋势[1]。智能电表是智能电网数据采集的基本设备之一，承担着原始电能数据采集、计量和传输的任务，是实现信息集成、分析优化和信息展现的基础。近年来，随着智能电网信息采集系统的建设，智能电表已经获得了大范围的推广和应用。如此大规模的智能电表一旦出现故障，会影响到电网的控制和管理，与人民的切身利益和社会的和谐稳定密切相关[2-3]。

目前，国内主要是通过定期巡检的方式确定电表的故障信息，并作进一步处理。但是该方法需要耗费大量的人力、物力和时间资源，并且需要巡检人员具备一定的专业知识[4]。随着我国科技的快速发展，越来越多的智能电表数据被采集和存储，采用数据挖掘的方法对智能电表的故障数据进行特征提取，捕捉各特征间的影响规律，实现对智能电表的故障预测成为未来发展的重要方向[5]。

近年来，关于智能电表的故障预测研究仍处于初步阶段。文献[6]采用一种基于聚类分析和云模型的智能电表故障分类方法，但是聚类的方法很难定义故障的种类。文献[7]采用基于评分搜索的方法构建了贝叶斯网络结构，在此基础之上对智能电表的故障进行预测和决策分析。但是贝叶斯网络对输入数据的表达形式敏感，当属性个数较多或属性之间相关性较大，数据量较大时，分类效果会受到影响。文献[8]通过人为删除重复数据与无关数据，补全数据中的缺失值，获得预测数据和特征数据，采用神经网络的方法对智能电表的故障类型进行分析。该方法可以良好地针对海量数据进行建模，但是需要先对数据的输入特征和无关数据进行人为处理，人为选择的相关特征很有可能会舍弃掉一部分有用的数据信息，使故障预测精度受到影响。