一種電能計量裝置中傳感器故障診斷方法及系統(tǒng)與流程
本發(fā)明涉及電能計量裝置中互感器故障診斷技術領域，尤其涉及一種電能計量裝置中傳感器故障診斷方法及系統(tǒng)。
背景技術：
在電能計量中，通過電流互感器或電壓互感器將交流電中的高電壓、大電流變換成一個安全且標準化的低電壓、小電流，以便連接標準化的計量儀表，用于測量電壓、電流、電功率、電能等參數，同時有效地避免了高電壓、大電流對人體和計量儀表可能造成的不良影響。電流互感器、電壓互感器作為電能計量裝置的重要組成部分，對電能計量的準確度影響重大。但是，由于工作環(huán)境的影響，電能計量裝置長期帶電運行過程中，可能出現電流互感器或電壓互感器故障，從而降低電能計量的準確度，導致用戶用電數據出現異常，因此有必要對電能計量裝置中的互感器進行故障診斷，降低互感器因素對電能計量準確度的影響。
目前，一般通過處理用戶的用電數據來進行故障診斷，所述用電數據包括峰值有功功率、平值有功功率、谷值有功功率、總無功功率以及總有功功率等。目前常用的診斷方法為神經網絡算法，即BP(Back Propagation)算法，具體步驟為：將一個訓練樣本對作為輸入信息輸入到BP網絡中；信息流正向傳播，分別求取隱含層與輸出層的輸出，即oi與yk；求出真實輸出與目標輸出的差值；從輸出層開始反向傳播計算到第一個隱含層，按特定的原則向縮小誤差的方向調整整個BP網絡的連接權值；對其他所有訓練樣本對重復以上步驟，直到對整個網絡訓練樣本的總誤差到達設置要求。
但是，上述方法雖然能夠處理這些用電數據，但需要人為設置大量的網絡訓練參數，必須要有足夠的訓練樣本才能保證準確度，未能充分利用歷史經驗，這樣耗費的時間會越來越長。
技術實現要素：
為克服相關技術中存在的問題，本發(fā)明提供一種電能計量裝置中傳感器故障診斷方法及系統(tǒng)。
根據本發(fā)明實施例的第一方面，提供一種電能計量裝置中傳感器故障診斷方法，包括：
獲取預設時間段內用戶的用電數據作為測試樣本，所述用戶的歷史用電數據作為訓練樣本，其中，所述訓練樣本為傳感器無故障時所述用戶的歷史用電數據；
分別對所述測試樣本和訓練樣本采用主成分分析提取特征向量，將所述測試樣本的特征向量構建測試樣本集，所述訓練樣本的特征向量構建訓練樣本集；
將所述訓練樣本集輸入預設極端學習機模型進行訓練，得到所述極端學習機模型中隱層的輸出權值；
將所述隱層的輸出權值更新到所述極端學習機模型；
將所述測試樣本輸入更新的所述極端學習模型進行訓練，輸出發(fā)生故障的權值和未發(fā)生故障的權值，確定所述用戶的電能計量裝置中的傳感器在所述預設時間段內是否發(fā)生故障。
優(yōu)選地，所述將所述訓練樣本集輸入預設極端學習機模型進行訓練，得到所述極端學習機模型中隱層的輸出權值，包括：
以所述訓練樣本集的特征向量作為輸入節(jié)點，以發(fā)生故障和未發(fā)生故障為輸出節(jié)點，建立所述極端學習機模型；
將所述訓練樣本集輸入所述極端學習機模型進行訓練，得到所述極端學習機模型中隱層的輸出權值。
優(yōu)選地，所述將所述訓練樣本集輸入所述極端學習機模型進行訓練，得到所述極端學習機模型中隱層的輸出權值，包括：
預設激活函數和隱層節(jié)點數，將所述訓練樣本集輸入所述極端學習機模型；
設定隱層的輸入權值和隱層偏差；
根據所述隱層的輸入權值和隱層偏差，計算隱層輸出函數；
對所述隱層輸出函數求解，得到的最小二乘解作為所述隱層的輸出權值。
根據本發(fā)明實施例的第二方面，提供一種電能計量裝置中傳感器故障診斷系統(tǒng)，包括：
樣本獲取模塊，用于獲取預設時間段內用戶的用電數據作為測試樣本，所述用戶的歷史用電數據作為訓練樣本，其中，所述訓練樣本為傳感器無故障時所述用戶的歷史用電數據；
降維模塊，用于分別對所述測試樣本和訓練樣本采用主成分分析提取特征向量，將所述測試樣本的特征向量構建測試樣本集，所述訓練樣本的特征向量構建訓練樣本集；
極端學習機訓練模塊，用于將所述訓練樣本集輸入預設極端學習機模型進行訓練，得到所述極端學習機模型中隱層的輸出權值；
極端學習機更新模塊，用于將所述隱層的輸出權值更新到所述極端學習機模型；
故障確定模塊，用于將所述測試樣本輸入更新的所述極端學習模型進行訓練，輸出發(fā)生故障的權值和未發(fā)生故障的權值，確定所述用戶的電能計量裝置中的傳感器在所述預設時間段內是否發(fā)生故障。
優(yōu)選地，所述極端學習機訓練模塊包括：
極端學習機模型建立單元，用于以所述訓練樣本集的特征向量作為輸入節(jié)點，以發(fā)生故障和未發(fā)生故障為輸出節(jié)點，建立所述極端學習機模型；
訓練單元，用于將所述訓練樣本集輸入所述極端學習機模型進行訓練，得到所述極端學習機模型中隱層的輸出權值。
優(yōu)選地，所述訓練單元包括：
樣本輸入子單元，用于預設激活函數和隱層節(jié)點數，將所述訓練樣本集輸入所述極端學習機模型；
參數設定子單元，用于設定隱層的輸入權值和隱層偏差；
隱層輸出函數計算子單元，用于根據所述隱層的輸入權值和隱層偏差，計算隱層輸出函數；
輸出權值計算子單元，用于對所述隱層輸出函數求解，得到的最小二乘解作為所述隱層的輸出權值。
本發(fā)明的實施例提供的技術方案可以包括以下有益效果：
本發(fā)明實施例提供一種電能計量裝置中傳感器故障診斷方法及系統(tǒng)，包括：獲取預設時間段內用戶的用電數據作為測試樣本，所述用戶的歷史用電數據作為訓練樣本，其中，所述訓練樣本為傳感器無故障時所述用戶的歷史用電數據；分別對所述測試樣本和訓練樣本采用主成分分析提取特征向量，將所述測試樣本的特征向量構建測試樣本集，所述訓練樣本的特征向量構建訓練樣本集；將所述訓練樣本集輸入預設極端學習機模型進行訓練，得到所述極端學習機模型中隱層的輸出權值；將所述隱層的輸出權值更新到所述極端學習機模型；將所述測試樣本輸入更新的所述極端學習模型進行訓練，輸出發(fā)生故障的權值和未發(fā)生故障的權值，確定所述用戶的電能計量裝置中的傳感器在所述預設時間段內是否發(fā)生故障。本發(fā)明實施例提供的一種電能計量裝置中傳感器故障診斷方法，利用主成分分析對用戶的當前用電數據和歷史用電數據進行降維處理，獲取測試樣本集和訓練樣本集；利用極端學習機模型將對傳感器無故障時所述用戶的歷史用電數據對應的訓練樣本集進行訓練，獲取極端學習機模型中隱層的輸出權值；將測試樣本集輸入極端學習機模型輸出傳感器是否發(fā)生故障的分類結果。本方法利用主成分分析降維處理，降低了測試樣本和訓練樣本的維數，大大降低了極端學習機對電能計量裝置中傳感器故障分析的計算量；利用極端學習機對電能計量裝置中傳感器故障進行故障分析，只需一個訓練樣本進行訓練，根據訓練結果，對測試樣本進行訓練，計算工作量小，故障診斷準確。
應當理解的是，以上的一般描述和后文的細節(jié)描述僅是示例性和解釋性的，并不能限制本發(fā)明。
附圖說明
此處的附圖被并入說明書中并構成本說明書的一部分，示出了符合本發(fā)明的實施例，并與說明書一起用于解釋本發(fā)明的原理。
為了更清楚地說明本發(fā)明實施例或現有技術中的技術方案，下面將對實施例或現有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，對于本領域普通技術人員而言，在不付出創(chuàng)造性勞動性的前提下，還可以根據這些附圖獲得其他的附圖。
圖1為本發(fā)明實施例提供的一種電能計量裝置中傳感器故障診斷方法的流程示意圖；
圖2為本發(fā)明實施例提供的一種對訓練樣本集訓練的方法流程示意圖；
圖3為本發(fā)明實施例提供的一種電能計量裝置中傳感器故障診斷系統(tǒng)的結構示意圖。
具體實施方式
這里將詳細地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數字表示相同或相似的要素。以下示例性實施例中所描述的實施方式并不代表與本發(fā)明相一致的所有實施方式。相反，它們僅是與如所附權利要求書中所詳述的、本發(fā)明的一些方面相一致的裝置和方法的例子。
本發(fā)明實施例提供一種電能計量裝置中傳感器故障診斷方法，參見圖1，包括：
S100：獲取預設時間段內用戶的用電數據作為測試樣本，所述用戶的歷史用電數據作為訓練樣本。
在具體實施過程中，通過在各類用電客戶或關口安裝遠程監(jiān)控終端，通過遠程控終端遠程實時采集用戶的用電數據，通過共用網絡或系統(tǒng)專用網絡把采集的用戶的用電數據傳給系統(tǒng)中心服務器，系統(tǒng)中心服務器將所述用電數據發(fā)送給電能計量裝置中傳感器故障系統(tǒng)，所述電能計量裝置中傳感器故障系統(tǒng)將所述用電數據作為測試樣本進行傳感器故障診斷。在具體實施過程中，所述用電數據包括峰值有功功率、平值有功功率、谷值有功功率、總無功功率以及總有功功率等，所述預設時間段包括半年、1年、2年等，技術人員可根據實際情況選取任意時間段，在此不做具體限定。
為了分析所述用戶的電能計量裝置中的傳感器是否故障，所述用戶的歷史用電數據作為訓練樣本，所述訓練樣本為傳感器無故障時所述用戶的歷史用電數據，在具體實施過程中，所述用戶的歷史用電數據包括半年、1年或2年的歷史用電數據，技術人員可根據實際情況選取任意時間段，在此不做具體限定。
S200：分別對所述測試樣本和訓練樣本采用主成分分析提取特征向量，將所述測試樣本的特征向量構建測試樣本集，所述訓練樣本的特征向量構建訓練樣本集。
由于獲取的用戶的用電數據較多，包括峰值有功功率、平值有功功率、谷值有功功率、總無功功率、總有功功率等，由于數據中存在一些冗余數據和噪聲，導致在在進行故障診斷時，增加了計算工作量。
本發(fā)明實施例中，通過對所述測試樣本和訓練樣本采用主成分分析提取特征向量，將所述測試樣本的特征向量構建測試樣本集，所述訓練樣本的特征向量構建訓練樣本集，去除噪聲和冗余數據。
主成分分析降維處理一方面可以有效地找出用戶的用電數據中最主要的元素和結構，另外一方面能夠去除噪音和冗余數據為后續(xù)故障診斷減小計算工作量。其本質是在數據空間的基礎上通過構造出一組新的潛隱變量來降低原始數據空間的維數，再抽取出新的映射空間的主要變化，提取出特征向量，由此構成對原始數據空間特性的理解。
S300：將所述訓練樣本集輸入預設極端學習機模型進行訓練，得到所述極端學習機模型中隱層的輸出權值。
在具體實施過程中，步驟S300的具體實施方式包括以下步驟：
S310：以所述訓練樣本集的特征向量作為輸入節(jié)點，以發(fā)生故障和未發(fā)生故障為輸出節(jié)點，建立所述極端學習機模型；
S320：將所述訓練樣本集輸入所述極端學習機模型進行訓練，得到所述極端學習機模型中隱層的輸出權值。
在具體實施過程中，參見圖2所示，步驟S320的具體實施方式包括以下步驟：
S321：預設激活函數和隱層節(jié)點數，將所述訓練樣本集輸入所述極端學習機模型。
在具體實施過程中，對于訓練樣本(xi，ti)，i＝1，2，…N，其中xi∈Rn，ti＝[ti1,…tim]T∈Rm，在本例中xi表示訓練樣本集中總的數據，在具體實施過程中，所述用戶的歷史用電數據包括所述用戶兩年的用電數據，ti表示發(fā)生故障和未發(fā)生故障的特征數據。
預設激活函數g(x)和隱層節(jié)點數L，在本發(fā)明實施例中，預設所述激勵函數為g(x)為正弦函數，預設隱層節(jié)點數L為8。當然，在具體實施過程中，正弦函數為所述激勵函數為g(x)的優(yōu)選函數，用戶可根據實際情況選取其他函數，但是，所選擇的激活函數必須滿足無窮階次可微的條件。8為優(yōu)選隱層節(jié)點數，用戶可根據實際情況選取任意數字作為隱層節(jié)點數，在此不作具體限定。
S322：設定隱層的輸入權值和隱層偏差。
在本發(fā)明實施例中，設定隱層的輸入權值和隱層偏差，具體的，wi＝[wi1，wi2，…win]T是連接隱含層第i節(jié)點與輸入層節(jié)點的權值，即隱層的輸入權值；bi是隱層第i節(jié)點的隱層偏差，在具體實施過程中，隱層的輸入權值wi和隱含層節(jié)點偏差bi可包括選取任意數字，在此不做具體限定。
S323：根據所述隱層的輸入權值和隱層偏差，計算隱層輸出函數。
在具體實施過程中，根據步驟S301和步驟S302中的設定，對于訓練樣本(xi，ti)，i＝1，2，…N，其中xi∈Rn，ti＝[ti1,…tim]T∈Rm，含有L個隱含層節(jié)點的極端學習機模型的輸出函數為
其中，βi＝[βi1,…,βim]T是連接隱層第i節(jié)點和輸出層節(jié)點的權值。
S324：對所述隱層輸出函數求解，得到的最小二乘解作為所述隱層的輸出權值。
在具體實施過程中，由于i＝1，2，…N，式(1)包括N個方程，可以寫為矩陣形式：
Hβ＝T (2)
其中，
(3)式中，H為神經網絡的隱層輸出矩陣，H的第i列是相對于輸入x1，…，xN的第i個隱含層節(jié)點的輸出向量，輸出權值β＝H+T，由β可以得出個各種故障原因的所占比重，達到最終目的最終診斷的方法分類。其中，H+是所述隱層輸出矩陣H的穆爾-彭羅斯廣義逆矩陣。式(2)的最小二乘解。
在本發(fā)明實施例中，利用極端學習機模型進行訓練，只需一個訓練樣本集，即只需傳感器無故障時所述用戶的歷史用電數據作為一個訓練樣本，對訓練樣本主成分分析降維處理后進行極端學習機訓練，獲得極端學習機模型隱層的輸出權值。本過程計算工作量小，計算速度快。
S400：將所述隱層的輸出權值更新到所述極端學習機模型。
根據步驟S300計算的隱層的輸出權值，更新所述極端學習機模型。
S500：將所述測試樣本輸入更新的所述極端學習模型進行訓練，輸出發(fā)生故障的權值和未發(fā)生故障的權值，確定所述用戶的電能計量裝置中的傳感器在所述預設時間段內是否發(fā)生故障。
將步驟S200獲得的測試樣本集輸入更新后的極端學習機模型，發(fā)生故障和未發(fā)生故障作為2個輸出節(jié)點，進行訓練，得出所述測試樣本集的最終分類結果，即發(fā)生故障的權值和未發(fā)生故障的權值，從而確定所述電能計量裝置的傳感器在預設時間段內是否發(fā)生故障。
本發(fā)明實施例提供一種電能計量裝置中傳感器故障診斷方法及系統(tǒng)，包括：獲取預設時間段內用戶的用電數據作為測試樣本，所述用戶的歷史用電數據作為訓練樣本，其中，所述訓練樣本為傳感器無故障時所述用戶的歷史用電數據；分別對所述測試樣本和訓練樣本采用主成分分析提取特征向量，將所述測試樣本的特征向量構建測試樣本集，所述訓練樣本的特征向量構建訓練樣本集；將所述訓練樣本集輸入預設極端學習機模型進行訓練，得到所述極端學習機模型中隱層的輸出權值；將所述隱層的輸出權值更新到所述極端學習機模型；將所述測試樣本輸入更新的所述極端學習模型進行訓練，輸出發(fā)生故障的權值和未發(fā)生故障的權值，確定所述用戶的電能計量裝置中的傳感器在所述預設時間段內是否發(fā)生故障。本發(fā)明實施例提供的一種電能計量裝置中傳感器故障診斷方法，利用主成分分析對用戶的當前用電數據和歷史用電數據進行降維處理，獲取測試樣本集和訓練樣本集；利用極端學習機模型將對傳感器無故障時所述用戶的歷史用電數據對應的訓練樣本集進行訓練，獲取極端學習機模型中隱層的輸出權值；將測試樣本集輸入極端學習機模型輸出傳感器是否發(fā)生故障的分類結果。本方法利用主成分分析降維處理，降低了測試樣本和訓練樣本的維數，大大降低了極端學習機對電能計量裝置中傳感器故障分析的計算量；利用極端學習機對電能計量裝置中傳感器故障進行故障分析，只需一個訓練樣本進行訓練，根據訓練結果，對測試樣本進行訓練，計算工作量小，故障診斷準確。
基于相同的技術構思，本發(fā)明實施例還提供一種電能計量裝置中傳感器故障診斷系統(tǒng)，參見圖3所示，包括：依次連接的樣本獲取模塊100、降維模塊200、極端學習機訓練模塊300、極端學習機更新模塊400和故障確定模塊500。
所述樣本獲取模塊100，用于獲取預設時間段內用戶的用電數據作為測試樣本，所述用戶的歷史用電數據作為訓練樣本，其中，所述訓練樣本為傳感器無故障時所述用戶的歷史用電數據。
所述降維模塊200，用于分別對所述測試樣本和訓練樣本采用主成分分析提取特征向量，將所述測試樣本的特征向量構建測試樣本集，所述訓練樣本的特征向量構建訓練樣本集。
所述極端學習機訓練模塊300，用于將所述訓練樣本集輸入預設極端學習機模型進行訓練，得到所述極端學習機模型中隱層的輸出權值。
在一種可能的實施例中，所述極端學習機訓練模塊300包括：
極端學習機模型建立單元，用于以所述訓練樣本集的特征向量作為輸入節(jié)點，以發(fā)生故障和未發(fā)生故障為輸出節(jié)點，建立所述極端學習機模型；
訓練單元，用于將所述訓練樣本集輸入所述極端學習機模型進行訓練，得到所述極端學習機模型中隱層的輸出權值。
在具體實施過程中，所述訓練單元包括：
樣本輸入子單元，用于預設激活函數和隱層節(jié)點數，將所述訓練樣本集輸入所述極端學習機模型；
參數設定子單元，用于設定隱層的輸入權值和隱層偏差；
隱層輸出函數計算子單元，用于根據所述隱層的輸入權值和隱層偏差，計算隱層輸出函數；
輸出權值計算子單元，用于對所述隱層輸出函數求解，得到的最小二乘解作為所述隱層的輸出權值。
所述極端學習機更新模塊400，用于將所述隱層的輸出權值更新到所述極端學習機模型。
所述故障確定模塊500，用于將所述測試樣本輸入更新的所述極端學習模型進行訓練，輸出發(fā)生故障的權值和未發(fā)生故障的權值，確定所述用戶的電能計量裝置中的傳感器在所述預設時間段內是否發(fā)生故障。
本領域技術人員在考慮說明書及實踐這里發(fā)明的公開后，將容易想到本發(fā)明的其它實施方案。本申請旨在涵蓋本發(fā)明的任何變型、用途或者適應性變化，這些變型、用途或者適應性變化遵循本發(fā)明的一般性原理并包括本發(fā)明未公開的本技術領域中的公知常識或慣用技術手段。說明書和實施例僅被視為示例性的，本發(fā)明的真正范圍和精神由下面的權利要求指出。
應當理解的是，本發(fā)明并不局限于上面已經描述并在附圖中示出的精確結構，并且可以在不脫離其范圍進行各種修改和改變。本發(fā)明的范圍僅由所附的權利要求來限制。
- 還沒有人留言評論。精彩留言會獲得點贊！