基于卷积神经网络的计量装置运行状态异常诊断方法
马吉科，祝永晋，许杰雄
（江苏方天电力技术有限公司，江苏 南京 210006）
摘 要：针对计量装置运行异常造成的负面影响且电网数据标识不全的现状，提出了一种基于卷积神经网络的计量装置运行状态异常诊断方法。在借鉴传统神经网络分析方法的基础上，针对其表达能力不足以及容易过拟合的缺点，将卷积神经网络应用于计量装置运行状态异常诊断，并与传统神经网络的分类效果进行了对比，通过算例分析证明了卷积神经网络在计量装置运行状态异常诊断的问题上有着更好的准确率。
关键词：卷积神经网络；计量装置；运行状态；异常诊断；深度学习
中图分类号：TM930.1 文献标识码：A 文章编号：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
参考文献
[1] 朱俊丞，杨之乐，郭媛君，等. 深度学习在电力负荷预测中的应用综述[J]. 郑州大学学报( 工学版)，2019，40(5)：12-21.
[2] 黄朝凯，林锐涛，姚伟智，等. 基于准实时数据的反窃电在线监测及诊断分析模型的研究[J]. 电子设计工程，2015，23(14)：155-157.
[3] 张文爱，高蜀燕，邸哲清，等. 基于PDA的电能计量装置异常分析系统[J]. 电测与仪表，2008，45(3)：9-11.
[4] 蔡继东. 一种电能计量装置异常状态监测系统的研究[J]. 硅谷，2008(23)：31.
[5] 李亦非，武赫，庞帅，等. 有监督机器学习算法在计量装置电压异常诊断中的应用[J]. 电测与仪表，2016，53(S1)：58-62.
[6] 王涓，吴旭鸣，尤鋆，等. 基于灰色GM (1，1) 模型的电能计量异常分析及判断[J]. 电力需求侧管理，2015，17(3)：21-24.
[7] 贾京龙，余涛，吴子杰，等. 基于卷积神经网络的变压器故障诊断方法[J]. 电测与仪表，2017，54(13)：62-67.
[8] 许必宵，宫婧，孙知信. 基于卷积神经网络的目标检测模型综述[J]. 计算机技术与发展，2019，29(12)：87-92.
[9] 张海波. 基于正则化卷积神经网络的目标跟踪算法[J]. 信息技术，2019，43(6)：82-86.
[10] 高帮鹏. 串联质谱中肽碎片离子强度建模[D]. 淄博：山东理工大学，2018.
[11] 陶辉. 基于密度峰值选取聚类中心的优化[J]. 内江科技，2016，37(10)：31-33.
[12] 张晴晴，刘勇，潘接林，等. 基于卷积神经网络的连续语音识别[J]. 工程科学学报，2015，37(9)：1212-1217.
[13] 姜亚东. 卷积神经网络的研究与应用[D]. 成都：电子科技大学，2018.
[14] 杨世海，戴太文，卢树峰，等. 基于数据挖掘的计量装置在线监测与故障诊断系统设计[J]. 电子设计工程，2016，24(23)：108-111.
[15] 张义娟. 电能计量装置检测及常见故障分析与处理[J]. 中国高新技术企业，2017(11)：112-113.
[16] 李丹丹，葛冰玉，黄文雯，等. DBN 深度学习算法在反窃电系统中的应用[J]. 电信科学，2019，35(2)：113-117.
