一种电能表故障融合预测方法及系统与流程

本发明涉及故障预测领域，具体涉及一种电能表故障融合预测方法及系统。

背景技术：

1、电能表作为当前被广泛使用的日常设备，对其进行有效的监控和故障预测，可以保障各个家庭、公司、单位等各个方面的正常生活和正常工作运行。然而，当前针对电能表的故障预测还处于简单的神经网络预测应用方面，并未涉及电能表运行特征的深度挖掘和融合预测方面。

2、知识图谱作为当下数据分析处理的一项基础技术，在各个领域均有广泛应用，而现有技术中还并未有将知识图谱模型应用于电能表相关设备的故障预测方面。因此，亟需一种充分利用知识图谱模型的优势来提高电能表领域故障预测准确度的方法。

技术实现思路

1、针对现有技术中的以上缺陷，本发明的目的在于提供一种电能表故障融合预测方法及系统，方法基于dwt（discrete wavelet transform）、gcn（graph convolutionalnetwork）模型、双通道gru网络（gru网络是门控逻辑单元，也称为门控循环单元）和知识图谱模型的组合来实现电能表的故障融合预测，挖掘出电能表运行数据序列的深度特征，大大提高了电能表设备领域故障预测的准确度。

2、为实现上述发明目的，本发明采用如下技术方案：

3、第一方面，本发明提供一种电能表故障融合预测方法，该方法包括：

4、步骤1，采集电能表的原始运行数据序列，并进行归一化操作；

5、步骤2，对所述归一化后的数据序列进行多级dwt分解，分解为近似参数d1、细节参数w1、细节参数w2、细节参数w3和细节参数w4；

6、步骤3，将所述近似参数d1、所述细节参数w1、所述细节参数w2、所述细节参数w3和所述细节参数w4分别输入gcn模型以提取出每组空间特征；

7、步骤4，将所述近似参数d1、所述细节参数w1、所述细节参数w2、所述细节参数w3和所述细节参数w4分别输入双通道gru网络以提取出每组时间特征；所述gcn模型和所述双通道gru网络是并行方式进行特征提取；

8、步骤5，将所述每组空间特征和对应的所述每组时间特征进行融合后分别输入分量预测模型以得到d1分量预测结果、w1分量预测结果、w2分量预测结果、w3分量预测结果和w4分量预测结果；

9、步骤6，对所述d1分量预测结果、所述w1分量预测结果、所述w2分量预测结果、所述w3分量预测结果和所述w4分量预测结果进行重构，以得到重构向量y=(y1,y2,y3,y4,y5)，其中，y1表示所述d1分量预测结果，y2表示所述w1分量预测结果，y3表示所述w2分量预测结果，y4表示所述w3分量预测结果，y5表示所述w4分量预测结果；

10、步骤7，将所述重构向量y输入知识图谱模型进行当前电能表异常工况的预测，并作为第一故障预测结果；

11、步骤8，针对所述步骤1中归一化后的数据序列，直接输入gcn模型以提取出空间类信息，将所述空间类信息转换成空间特征向量x1；

12、步骤9，针对所述步骤1中归一化后的数据序列，直接输入双通道gru网络以提取出时间序列信息，将所述时间序列信息转换成时间特征向量x2；

13、步骤10，电能表正常运行情况下的空间向量集合为gta1，电能表运行故障情况下的空间向量集合为gta2；电能表正常运行情况下的时间向量集合为gtb1，电能表运行故障情况下的时间向量集合为gtb2；

14、计算所述空间特征向量x1与向量集gta1中每一特征向量xi的相似度：，取其中的最大相似度作为第一相似度；表示向量的2范数；

15、计算所述空间特征向量x1与向量集gta2中每一特征向量xj的相似度：，取其中的最大相似度作为第二相似度；

16、计算所述时间特征向量x2与向量集gtb1中每一特征向量xh的相似度：，取其中的最大相似度作为第三相似度；

17、计算所述时间特征向量x2与向量集gtb2中每一特征向量xa的相似度：，取其中的最大相似度作为第四相似度；

18、步骤11，将第一相似度与第三相似度加权求和后与第一阈值进行比较，将第二相似度与第四相似度加权求和后与第二阈值进行比较；综合两项比较结果，得到电能表的异常工况情况，并作为第二故障预测结果；

19、步骤12，将所述第一故障预测结果和所述第二故障预测结果进行有效融合，得到最终的电能表故障预测结果。

20、进一步地，还包括：所述步骤1，采集电能表的原始运行数据序列，并进行归一化操作，具体包括：

21、获取当前电能表的输出电压、输出电流、输出功率、计算电能、接线方式、通信协议及年限并进行数据平滑、删除离群点、归一化操作。

22、进一步地，还包括：dwt离散小波变换采用mallat快速算法。

23、进一步地，还包括：所述步骤3，将所述近似参数d1、所述细节参数w1、所述细节参数w2、所述细节参数w3和所述细节参数w4分别输入gcn模型以提取出每组空间特征，具体包括：

24、提取出的空间特征为与近似参数d1对应的空间特征d11、与细节参数w1对应的空间特征w11、与细节参数w2对应的空间特征w21、与细节参数w3对应的空间特征w31、与细节参数w4对应的空间特征w41。

25、进一步地，还包括：所述步骤4，将所述近似参数d1、所述细节参数w1、所述细节参数w2、所述细节参数w3和所述细节参数w4分别输入双通道gru网络以提取出每组时间特征，具体包括：

26、提取出的时间特征为与近似参数d1对应的时间特征d12、与细节参数w1对应的时间特征w12、与细节参数w2对应的时间特征w22、与细节参数w3对应的时间特征w32、与细节参数w4对应的时间特征w42。

27、进一步地，还包括：所述将所述每组空间特征和对应的所述每组时间特征进行融合后分别输入分量预测模型，具体包括：

28、将空间特征d11与时间特征d12的组合、空间特征w11与时间特征w12的组合、空间特征w21与时间特征w22的组合、空间特征w31与时间特征w32的组合、空间特征w41与时间特征w42的组合分别输入分量预测模型。

29、进一步地，还包括：所述分量预测模型和所述知识图谱模型均是通过预先训练完成的。

30、进一步地，还包括：所述步骤11，将第一相似度与第三相似度加权求和后与第一阈值进行比较，将第二相似度与第四相似度加权求和后与第二阈值进行比较；综合两项比较结果，得到电能表的异常工况情况，并作为第二故障预测结果，具体包括：

31、第一相似度与第三相似度加权求和后为第五相似度，第二相似度与第四相似度加权求和后为第六相似度；

32、当第五相似度小于第一阈值且第六相似度大于第二阈值时，则表明当前电能表有故障；

33、当第五相似度大于第一阈值且第六相似度小于第二阈值时，则表明当前电能表无故障；

34、当第五相似度小于第一阈值且第六相似度小于第二阈值时，则表明当前电能表有故障可能性；

35、当第五相似度大于第一阈值且第六相似度大于第二阈值时，则表明当前电能表有故障可能性。

36、进一步地，还包括：在所述步骤12，将所述第一故障预测结果和所述第二故障预测结果进行有效融合，得到最终的电能表故障预测结果之后，还包括：

37、根据叠加后的最终电能表故障预测结果进行分层分级报警。

38、第二方面，本发明还提供一种电能表故障融合预测系统，该系统包括：

39、采集模块，用于采集电能表的原始运行数据序列，并进行归一化操作；

40、dwt模块，用于对所述归一化后的数据序列进行多级dwt分解，分解为近似参数d1、细节参数w1、细节参数w2、细节参数w3和细节参数w4；

41、第一提取模块，用于将所述近似参数d1、所述细节参数w1、所述细节参数w2、所述细节参数w3和所述细节参数w4分别输入gcn模型以提取出每组空间特征；

42、第二提取模块，用于将所述近似参数d1、所述细节参数w1、所述细节参数w2、所述细节参数w3和所述细节参数w4分别输入双通道gru网络以提取出每组时间特征；所述gcn模型和所述双通道gru网络是并行方式进行特征提取；

43、分量预测模块，用于将所述每组空间特征和对应的所述每组时间特征进行融合后分别输入分量预测模型以得到d1分量预测结果、w1分量预测结果、w2分量预测结果、w3分量预测结果和w4分量预测结果；

44、重构模块，用于对所述d1分量预测结果、所述w1分量预测结果、所述w2分量预测结果、所述w3分量预测结果和所述w4分量预测结果进行重构，以得到重构向量y=(y1,y2,y3,y4,y5)，其中，y1表示所述d1分量预测结果，y2表示所述w1分量预测结果，y3表示所述w2分量预测结果，y4表示所述w3分量预测结果，y5表示所述w4分量预测结果；

45、第一预测模块，用于将所述重构向量y输入知识图谱模型进行当前电能表异常工况的预测，并作为第一故障预测结果；

46、第三提取模块，用于针对归一化后的数据序列，直接输入gcn模型以提取出空间类信息，将所述空间类信息转换成空间特征向量x1；

47、第四提取模块，用于针对归一化后的数据序列，直接输入双通道gru网络以提取出时间序列信息，将所述时间序列信息转换成时间特征向量x2；

48、设置计算模块，用于设置电能表正常运行情况下的空间向量集合为gta1，电能表运行故障情况下的空间向量集合为gta2；电能表正常运行情况下的时间向量集合为gtb1，电能表运行故障情况下的时间向量集合为gtb2；

49、计算所述空间特征向量x1与向量集gta1中每一特征向量xi的相似度：，取其中的最大相似度作为第一相似度；表示向量的2范数；

50、计算所述空间特征向量x1与向量集gta2中每一特征向量xj的相似度：，取其中的最大相似度作为第二相似度；

51、计算所述时间特征向量x2与向量集gtb1中每一特征向量xh的相似度：，取其中的最大相似度作为第三相似度；

52、计算所述时间特征向量x2与向量集gtb2中每一特征向量xa的相似度：，取其中的最大相似度作为第四相似度；

53、第二预测模块，用于将第一相似度与第三相似度加权求和后与第一阈值进行比较，将第二相似度与第四相似度加权求和后与第二阈值进行比较；综合两项比较结果，得到电能表的异常工况情况，并作为第二故障预测结果；

54、预测融合模块，用于将所述第一故障预测结果和所述第二故障预测结果进行有效融合，得到最终的电能表故障预测结果。

55、有益效果：

56、1.本发明基于dwt、gcn模型、双通道gru网络和知识图谱模型的组合来实现电能表的故障融合预测，挖掘出电能表运行数据序列的深度特征，使得特征挖掘和故障预测方法可以达到快速高效的目标，大大提高了电能表设备领域故障预测的准确度。

57、2. 本发明通过空间特征向量和时间特征向量的相似度分别计算和计算后的组合分析故障预测，避开了传统的直接将空间特征和时间特征进行融合，有效利用了单独类别的空间特征和时间特征的相似度计算，以此来实现对故障的预测，大大提高了故障预测的准确度。