基于卷積神經(jīng)網(wǎng)絡(luò)的計(jì)量裝置運(yùn)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(duì)計(jì)量裝置運(yùn)行異常造成的負(fù)面影響且電網(wǎng)數(shù)據(jù)標(biāo)識(shí)不全的現(xiàn)狀，提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的計(jì)量裝置運(yùn)行狀態(tài)異常診斷方法。在借鑒傳統(tǒng)神經(jīng)網(wǎng)絡(luò)分析方法的基礎(chǔ)上，針對(duì)其表達(dá)能力不足以及容易過擬合的缺點(diǎn)，將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于計(jì)量裝置運(yùn)行狀態(tài)異常診斷，并與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的分類效果進(jìn)行了對(duì)比，通過算例分析證明了卷積神經(jīng)網(wǎng)絡(luò)在計(jì)量裝置運(yùn)行狀態(tài)異常診斷的問題上有著更好的準(zhǔn)確率。
關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；計(jì)量裝置；運(yùn)行狀態(tài)；異常診斷；深度學(xué)習(xí)
中圖分類號(hào)：TM930.1 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：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(xiàn)
[1] 朱俊丞，楊之樂，郭媛君，等. 深度學(xué)習(xí)在電力負(fù)荷預(yù)測(cè)中的應(yīng)用綜述[J]. 鄭州大學(xué)學(xué)報(bào)( 工學(xué)版)，2019，40(5)：12-21.
[2] 黃朝凱，林銳濤，姚偉智，等. 基于準(zhǔn)實(shí)時(shí)數(shù)據(jù)的反竊電在線監(jiān)測(cè)及診斷分析模型的研究[J]. 電子設(shè)計(jì)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(jì)量裝置異常分析系統(tǒng)[J]. 電測(cè)與儀表，2008，45(3)：9-11.
[4] 蔡繼東. 一種電能計(jì)量裝置異常狀態(tài)監(jiān)測(cè)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(jī)器學(xué)習(xí)算法在計(jì)量裝置電壓異常診斷中的應(yīng)用[J]. 電測(cè)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(jì)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(luò)的變壓器故障診斷方法[J]. 電測(cè)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(luò)的目標(biāo)檢測(cè)模型綜述[J]. 計(jì)算機(jī)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(luò)的目標(biāo)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(qiáng)度建模[D]. 淄博：山東理工大學(xué)，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(luò)的連續(xù)語(yǔ)音識(shí)別[J]. 工程科學(xué)學(xué)報(bào)，2015，37(9)：1212-1217.
[13] 姜亞東. 卷積神經(jīng)網(wǎng)絡(luò)的研究與應(yīng)用[D]. 成都：電子科技大學(xué)，2018.
[14] 楊世海，戴太文，盧樹峰，等. 基于數(shù)據(jù)挖掘的計(jì)量裝置在線監(jiān)測(cè)與故障診斷系統(tǒng)設(shè)計(jì)[J]. 電子設(shè)計(jì)工程，2016，24(23)：108-111.
[15] 張義娟. 電能計(jì)量裝置檢測(cè)及常見故障分析與處理[J]. 中國(guó)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(xué)習(xí)算法在反竊電系統(tǒng)中的應(yīng)用[J]. 電信科學(xué)，2019，35(2)：113-117.
