發(fā)布時間：2024-12-27 05:00

　　 針對電網海量大數(shù)據(jù)中存在異常的電表數(shù)據(jù),提出了一種基于深度信念網絡的計量裝置故障溯源模型。首先,分析了深度信念網絡(DBN)模型基本原理,提出了一種智能電表故障分類DBN結構模型,并給出了計量裝置故障溯源建模流程;然后,通過建立離線臺賬樣本庫、實時用電曲線故障特征樣本庫,實現(xiàn)了計量裝置故障樣本庫構建;最后,基于實際電表測試和數(shù)據(jù)異常識別,完成了計量裝置的臺賬樣本庫溯源測試,并與已有的貝葉斯、決策樹、隨機森林、決策樹提升等分類算法進行比較,測試結果驗證了所提模型和方法的正確性和有效性。

【文章頁數(shù)】：7 頁

【部分圖文】：

圖1 DBN網絡結構模型

RBM是一種基于能量的模型，對于狀態(tài)（v,h）確定的RBM系統(tǒng)所具有的能量可表示為：式中：θ=（wij,ai,bj）為RBM參數(shù)；n,m分別為可見層與隱含層神經元數(shù)量；v為可見層輸入，其表示異常電表的臺賬信息和電流功率特征等輸入；vi為可見層神經元i的狀態(tài)，設定其偏置值為ai;h....

圖2 卷積神經網絡結構圖

典型特征提取卷積神經網絡如圖2所示，其包含3層網絡結構：輸入層，卷積層和輸出層[23]。其特征選取步驟如下：

圖3 卷積網絡提取的特征結果

通過卷積神經網絡提取故障電表故障前的電流和功率特征，集中為兩種類型，如圖3所示的兩類特征簇。其中一類簇在序列首段集中為負值，另一類在序列首段為較大的正值，提取出的兩類特征簇為電表發(fā)生故障前的電流、功率特征。將故障電表的電流特征與功率特征分別歸結為兩類，構建用電曲線故障特征樣本庫。....

本文編號：4021171