[发明专利]一种基于BiGRU的智能电表计量模块故障预测与诊断方法

权利要求书

1.一种基于BiGRU的智能电表计量模块故障预测与诊断方法，其特征在于，包括以下步骤：

步骤一：构造数据集

采集已知工作状态的智能电表上传的电压数据、电流数据和用电量数据，用V、I、W分别代表这三类数据，每一类数据都是对智能电表24小时内记录数据的均匀采样，采样点数为n个，数据格式为：

V＝(v₁，v₂，v₃，…，v_n) (1)

I＝(i₁，i₂，i₃，…，i_n) (2)

W＝(w₁，w₂，w₃，…，w_n) (3)

其中V、I、W中相同编号的数据采样时刻相同，各点的采样时间s_i记录如下：

S＝(s₁，s₂，s₃，…，s_n) (4)

将上述的数据、采样时间、智能电表的编号信息N和智能电表的状态标签L整合到一起，构成单个电能表的数据集E_i如下：

E_i＝(S；N；L；V；I；W) (5)

将m个智能电表的信息整合，构建最终的数据集E如下：

E＝(E₁，E₂，E₃，…，E_m) (6)

步骤二：数据预处理

为了提高数据分析的速度和精度，还需要对步骤一中的数据集进行预处理，数据集预处理的过程如下：

(1)检查智能电表编号N、采样时间S、智能电表状态标签L和采样数据的对应关系是否正确；

(2)检查V、I、W三种采样数据是否有数据缺失的情况，考虑到数据分析过程中数据预测的特性，应该舍弃不完整的数据，重新进行数据采样操作；

(3)归一化处理；

步骤三：构建BiGRU模型

BiGRU在GRU的基础上考虑了下一个隐藏状态对当前位置输出的影响，而智能电表的工作状态是前后联系紧密的，所以采用BiGRU模型预测智能电表的数据更加接近实际情况；采用的BiGRU模型如下：

BiGRU的计算公式如下：

x_t是模型输入，是模型输出，y_t是训练模型时的期望输出，h_t-1是上一时刻的隐藏状态，h_t是当前更新的隐藏状态，是正向GRU的隐藏状态，是反向GRU的隐藏状态，和是模型参数，σ是sigmoid激活函数；公式(7)表示t时刻正向GRU网络中输入x_t得到正向隐藏状态公式(8)表示t时刻反向GRU输入x_t得到反向隐藏状态公式(9)表示由正向和反向隐藏状态得到模型输出结果

步骤四：训练BiGRU模型

分别训练四个BiGRU模型，其中三个是BiGRU预测模型，功能是根据输入的智能电表电压、电流、用电量三类数据预测格式相同的未来数据，另外一个是BiGRU诊断模型，功能是根据预测到的数据判断智能电表的工作状态，下文将分别介绍两种模型的训练过程；

(1)BiGRU预测模型的训练；

本步骤训练的BiGRU预测模型根据输入数据预测未来一段时间的电表数据，本方法要预测电压、电流、用电量三类数据，所以要分别训练三个模型，训练过程相同，只是输入的数据不同；首先要构造适合模型训练的数据集，数据集应包括输入集和与之对应的输出集，假定输入集是以时间t为起始时刻的采样序列D_t，输出则应是间隔时间T的另一段采样点数相同的序列D_t+T，则数据集D＝(D_t，D_t+T)，按同样的方法得到测试集；将经过步骤二操作的数据集D输入到BiGRU预测模型中并保存网络学习到的参数信息，输入测试集检验模型预测效果，以上完成了BiGRU预测模型的训练过程；按照上述训练方法训练智能电表电压预测模型、电流预测模型、用电量预测模型；

(2)BiGRU诊断模型训练；智能电表上传的数据包含着电表的状态信息，其中包括计量模块的硬件状态信息，通过大量正常和故障电表数据的训练，模型可以判别电表的工作状态；

该步骤的训练集包括数据和状态标签两部分，数据部分是由智能电表电压数据、电流数据、用电量数据拼接而成，各类数据的格式与上述预测模型的输出数据保持一致，标签部分是电表故障类型的编码，需要注意的是，还需要给正常工作的电能表一组编码，编码方式为二进制编码；数据集构建完成后，将数据部分作为输入x_t，标签编码部分作为期望输出y_t，通过大量数据的训练后保存模型的参数信息，并输入测试集检验模型，以上便完成了BiGRU诊断模型的训练过程。

2.根据权利要求1所述的一种基于BiGRU的智能电表计量模块故障预测与诊断方法，其特征在于，所述的归一化处理只对除数据标签和智能电表编号以外的数据部分进行操作，即E_i(i＝1,2,…,m)中包含的数据V、I、W逐项归一化。