计量自动化主站的故障检测方法、装置、设备及存储介质.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115016965A(43)申请公布日2022.09.06(21)申请号202210603820.4G06N3/08(2006.01)(22)申请日2022.05.30(71)申请人广东电网有限责任公司地址510000广东省广州市越秀区东风东路757号申请人广东电网有限责任公司计量中心(72)发明人蔡乾乾孙勇刘日荣黄友朋姜晓黄盛吴敏冯小峰蔡永智郭文翀(74)专利代理机构广州三环专利商标代理有限公司44202专利代理师钟文瀚(51)Int.Cl.G06F11/07(2006.01)G06N3/04(2006.01)权利要求书2页说明书8页附图3页(54)发明名称计量自动化主站的故障检测方法、装置、设备及存储介质(57)摘要本申请公开了一种计量自动化主站的故障检测方法、装置、设备及存储介质，通过二维数据样本，对预设变分自编码器进行训练，直至预设变分自编码器收敛，得到目标变分自编码器；将解码器替换为预设卷积神经网络，得到初始故障检测模型；基于编码器对二维数据样本进行噪声处理后得到的目标二维数据样本，对初始故障检测模型中的预设卷积神经网络进行训练，得到目标故障检测模型；利用目标故障检测模型，根据计量自动化主站的目标运行数据，对计量自动化主站进行故障检测，得到计量自动化主站的故障结果数据。本发明通过对数据采集阶段引入的数据噪声进行降噪处理，以对数据进行一定程度的修复，提高了故障检测模型的鲁棒性。CN115016965ACN115016965A权利要求书1/2页1.一种计量自动化主站的故障检测方法，其特征在于，包括：对计量自动化主站的历史运行数据进行随机采样，并将随机采样结果生成为二维数据样本；基于所述二维数据样本，对预设变分自编码器进行训练，直至所述预设变分自编码器收敛，得到目标变分自编码器，所述目标变分自编码器包括编码器和解码器；将所述解码器替换为预设卷积神经网络，得到初始故障检测模型；基于所述编码器对所述二维数据样本进行噪声处理后得到的目标二维数据样本，对所述初始故障检测模型中的预设卷积神经网络进行训练，直至所述预设卷积神经网络收敛，得到目标故障检测模型；利用所述目标故障检测模型，根据所述计量自动化主站的目标运行数据，对所述计量自动化主站进行故障检测，得到所述计量自动化主站的故障结果数据。2.如权利要求1所述的计量自动化主站的故障检测方法，其特征在于，所述预设变分自编码器收敛，包括：利用预设的证据下界ELBO函数作为目标损失函数，对所述预设变分自编码器的编码器和解码器中的每个权重变量进行梯度下降，以更新所述权重变量，直至所述目标损失函数达到预设收敛条件。3.如权利要求2所述的计量自动化主站的故障检测方法，其特征在于，所述ELBO函数包括重建损失函数和KL散度损失函数，ELBO函数的表达式为：其中，表示ELBO函数，表示重建损失函数，表示KL散度损失函数，β表示控制KL散度损失函数的权重值。4.如权利要求3所述的计量自动化主站的故障检测方法，其特征在于，所述控制KL散度损失函数的权重值β为：其中c为常数，μ为防止β在初始阶段趋于无穷的常量，ithepoch为迭代次数，k为常数，5.如权利要求1所述的计量自动化主站的故障检测方法，其特征在于，所述将所述解码器替换为预设卷积神经网络，得到初始故障检测模型，包括：锁定所述目标变分自编码器中编码器的权重参数，并将所述解码器替换为所述预设卷积神经网络，得到所述初始故障检测模型。6.如权利要求1所述的计量自动化主站的故障检测方法，其特征在于，所述目标变分自编码器包括卷积层和全连接层，所述卷积层用于提取所述二维数据样本之间的关联特征。7.如权利要求1所述的计量自动化主站的故障检测方法，其特征在于，所述对计量自动化主站的历史运行数据进行随机采样，并将随机采样结果生成为二维数据样本，包括：以所述计量自动化主站采集所述历史运行数据时的采样频率，确定所述历史运行数据的多个采样时间段；2CN115016965A权利要求书2/2页利用随机采样窗口，随机提取所述历史运行数据在所述采样时间段中的最大值和最小值；将每个采样时间段对应的最大值和最小值组合为所述二维数据样本。8.一种计量自动化主站的故障检测装置，其特征在于，包括：采样模块，用于对计量自动化主站的历史运行数据进行随机采样，并将随机采样结果生成为二维数据样本；第一训练模块，用于基于所述二维数据样本，对预设变分自编码器进行训练，直至所述预设变分自编码器收敛，得到目标变分自编码器，所述目标变分自编码器包括编码器和解码器；替换模块，用于将所述解码器替换为预设卷积神经网络，得到初始故障检测模型；第二训练模块，用于基于所述编码器对所述二维数据样本进行噪声处理后得到的目标二维数据样本，对所述初始故障检测模型