[发明专利]基于GRU优化用电信息采集终端故障预测模型的方法及系统

权利要求书

1.一种基于GRU优化的用电信息采集终端故障预测方法，其特征在于，包括以下步骤：

接收终端故障的样本数据，提取与终端故障相关的属性特征；

根据属性特征中与终端采集数据稳定状态、传输网络数据稳定状态相关的属性特征，利用GRU门控机制进行稳定状态预测；

基于所述属性特征和稳定状态预测结果，采用评分搜索的方法构建并迭代优化贝叶斯网络拓扑结构，具体为：

将属性特征和稳定状态预测结果作为节点输入无向图，初始化无向图的最大父节点数目和节点次序，初始化父节点集；

按照顺序逐个考察无向图中的节点，计算加入其父节点集后网络的评分；采用评分搜索的方法迭代优化贝叶斯网络拓扑结构；

基于贝叶斯网络拓扑结构，通过接收关于终端的数据元组集合，并确定类别，即故障发生或未发生；

采用最大似然估计学习得到贝叶斯网络条件概率表对贝叶斯网络结构进行参数学习，训练终端故障预测模型；

基于所述故障预测模型对在运终端进行故障预测。

2.如权利要求1所述的一种基于GRU优化的用电信息采集终端故障预测方法，其特征在于，接收终端故障的样本数据后，还进行数据清洗删除重复数据、补全缺失数据和删除错误数据。

3.如权利要求1所述的一种基于GRU优化的用电信息采集终端故障预测方法，其特征在于，提取与终端故障相关的特征，包括：

对样本数据进行数据清理，并进行归一化处理；

分析各属性特征对终端故障的影响权重；

筛选影响权重大于设定阈值的特征，作为与终端故障相关的特征。

4.如权利要求3所述的一种基于GRU优化的用电信息采集终端故障预测方法，其特征在于，分析各属性特征对终端故障的影响权重方法为：

从归一化之后的样本数据中随机选择一个元组，先在其同类样本中寻找k个近邻，再从异类样本中寻找k个近邻；

对于每一个待分析特征，分别计算该元组与同类样本在待分析特征上的差值，以及该元组与异类样本在待分析特征上的差值；根据两种所述差值计算所述待分析特征的影响权重。

5.如权利要求1所述的一种基于GRU优化的用电信息采集终端故障预测方法，其特征在于，利用GRU门控机制进行稳定状态预测包括：

将属性特征中与终端采集数据稳定状态、传输网络稳定状态相关的属性特征，根据采集时间形成时间序列数据。

6.一种基于GRU优化的用电信息采集终端故障预测系统，其特征在于，包括：

数据获取模块，接收终端故障的样本数据，提取与终端故障相关的属性特征；

数据稳定状态预测模块，根据属性特征中与终端采集数据稳定状态、传输网络数据稳定状态相关的属性特征，利用GRU门控机制进行稳定状态预测；

预测模型构建模块，基于所述属性特征和稳定状态预测结果，采用评分搜索的方法构建并迭代优化贝叶斯网络拓扑结构，具体为：

将属性特征和稳定状态预测结果作为节点输入无向图，初始化无向图的最大父节点数目和节点次序，初始化父节点集；

按照顺序逐个考察无向图中的节点，计算加入其父节点集后网络的评分；采用评分搜索的方法迭代优化贝叶斯网络拓扑结构；

基于贝叶斯网络拓扑结构，通过接收关于终端的数据元组集合，并确定类别，即故障发生或未发生；

采用最大似然估计学习得到贝叶斯网络条件概率表对贝叶斯网络结构进行参数学习，训练终端故障预测模型；

故障预测模块，基于所述故障预测模型对在运终端进行故障预测。

7.一种计算装置，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计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的基于GRU优化的用电信息采集终端故障预测方法。

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一项所述的基于GRU优化的用电信息采集终端故障预测方法。