基于卷積神經(jīng)網(wǎng)絡的計量裝置運行狀態(tài)異常診斷方法
馬吉科，祝永晉，許杰雄
（江蘇方天電力技術(shù)有限公司，江蘇 南京 210006）
摘 要：針對計量裝置運行異常造成的負面影響且電網(wǎng)數(shù)據(jù)標識不全的現(xiàn)狀，提出了一種基于卷積神經(jīng)網(wǎng)絡的計量裝置運行狀態(tài)異常診斷方法。在借鑒傳統(tǒng)神經(jīng)網(wǎng)絡分析方法的基礎(chǔ)上，針對其表達能力不足以及容易過擬合的缺點，將卷積神經(jīng)網(wǎng)絡應用于計量裝置運行狀態(tài)異常診斷，并與傳統(tǒng)神經(jīng)網(wǎng)絡的分類效果進行了對比，通過算例分析證明了卷積神經(jīng)網(wǎng)絡在計量裝置運行狀態(tài)異常診斷的問題上有著更好的準確率。
關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡；計量裝置；運行狀態(tài)；異常診斷；深度學習
中圖分類號：TM930.1 文獻標識碼：A 文章編號：1007-3175(2020)12-0056-05
Abnormal Diagnosis Method of Measurement Device Operation State Based on Convolutional Neural Network
MA Ji-ke, ZHU Yong-jin, XU Jie-xiong
（Jiangsu Fangtian Power Technology Co., Ltd, Nanjing 210006, China）
Abstract: This paper proposes a method for diagnosing the abnormal operation status of the metering device based on the convolutional neural network in view of the negative impact caused by the abnormal operation of the metering device and the incomplete identification of grid data. Based on the traditional neural network analysis method, the convolutional neural network is applied to the abnormal diagnosis of the operating status of the metering device for its insufficient expressive ability and easy over-fitting, and the classification effect of the traditional neural network is compared. The analysis of a numerical example proves that the convolutional neural network has a better accuracy in the diagnosis of abnormal operation status of the metering device.
Key words: convolutional neural network; measurement device; operating status; abnormal diagnosis; deep learning
參考文獻
[1] 朱俊丞，楊之樂，郭媛君，等. 深度學習在電力負荷預測中的應用綜述[J]. 鄭州大學學報( 工學版)，2019，40(5)：12-21.
[2] 黃朝凱，林銳濤，姚偉智，等. 基于準實時數(shù)據(jù)的反竊電在線監(jiān)測及診斷分析模型的研究[J]. 電子設(shè)計工程，2015，23(14)：155-157.
[3] 張文愛，高蜀燕，邸哲清，等. 基于PDA的電能計量裝置異常分析系統(tǒng)[J]. 電測與儀表，2008，45(3)：9-11.
[4] 蔡繼東. 一種電能計量裝置異常狀態(tài)監(jiān)測系統(tǒng)的研究[J]. 硅谷，2008(23)：31.
[5] 李亦非，武赫，龐帥，等. 有監(jiān)督機器學習算法在計量裝置電壓異常診斷中的應用[J]. 電測與儀表，2016，53(S1)：58-62.
[6] 王涓，吳旭鳴，尤鋆，等. 基于灰色GM (1，1) 模型的電能計量異常分析及判斷[J]. 電力需求側(cè)管理，2015，17(3)：21-24.
[7] 賈京龍，余濤，吳子杰，等. 基于卷積神經(jīng)網(wǎng)絡的變壓器故障診斷方法[J]. 電測與儀表，2017，54(13)：62-67.
[8] 許必宵，宮婧，孫知信. 基于卷積神經(jīng)網(wǎng)絡的目標檢測模型綜述[J]. 計算機技術(shù)與發(fā)展，2019，29(12)：87-92.
[9] 張海波. 基于正則化卷積神經(jīng)網(wǎng)絡的目標跟蹤算法[J]. 信息技術(shù)，2019，43(6)：82-86.
[10] 高幫鵬. 串聯(lián)質(zhì)譜中肽碎片離子強度建模[D]. 淄博：山東理工大學，2018.
[11] 陶輝. 基于密度峰值選取聚類中心的優(yōu)化[J]. 內(nèi)江科技，2016，37(10)：31-33.
[12] 張晴晴，劉勇，潘接林，等. 基于卷積神經(jīng)網(wǎng)絡的連續(xù)語音識別[J]. 工程科學學報，2015，37(9)：1212-1217.
[13] 姜亞東. 卷積神經(jīng)網(wǎng)絡的研究與應用[D]. 成都：電子科技大學，2018.
[14] 楊世海，戴太文，盧樹峰，等. 基于數(shù)據(jù)挖掘的計量裝置在線監(jiān)測與故障診斷系統(tǒng)設(shè)計[J]. 電子設(shè)計工程，2016，24(23)：108-111.
[15] 張義娟. 電能計量裝置檢測及常見故障分析與處理[J]. 中國高新技術(shù)企業(yè)，2017(11)：112-113.
[16] 李丹丹，葛冰玉，黃文雯，等. DBN 深度學習算法在反竊電系統(tǒng)中的應用[J]. 電信科學，2019，35(2)：113-117.
