【技術實現步驟摘要】
本專利技術涉及智能電網信息管理，具體地涉及一種用電信息采集終端現場故障遠程診斷系統。
技術介紹
1、用電信息采集終端是安裝在一個用電管理片區中的一臺終端設備，其與該片區內的多個用戶電表連接，通過定時通訊來管理所有連接的用戶電表。
2、實際使用中，用電信息采集終端會對上述用戶電表的正常的或異常的用電信息進行通訊交互，并生成運行日志；其中異常的用電信息被讀出則代表對應的用戶電表發生了故障。供電公司的運維人員會定時線下訪問上述用電信息采集終端，進行運行日志的物理下載和人工解析，從而確定發生了故障的用戶電表的故障類型，從而幫助進行下一步針對性地電表維修恢復工作。
3、上述現有的針對用電信息采集終端的故障診斷方法需要運維人員現場訪問用電信息采集終端，并通過數據線等通訊方式進行運行日志地下載，由于每臺用電信息采集終端均對應管理數量眾多的用戶電表，因此運行日志往往文件體積較大，需要耗費較長的下載時間；并且，進行人工解析也需要額外的時間，使得故障解決效率大大降低。此外，大量投入人力資源進行線下維護，耗費的管理成本較高。
技術實現思路
1、本專利技術的目的是為了提供一種基于blstm-gru模型的用電信息采集終端現場故障遠程診斷系統，該系統可以自動在遠程獲取并對用電信息采集終端的故障類型進行實時分析診斷，除去了運維人員耗費在現場的下載和解析時間，直接提高了故障解決效率；并且縮減了運維人員的需求數量，進而降低了管理成本。
2、為了實現上述目的，本專利技術采取的技術方
3、一種基于blstm-gru模型的用電信息采集終端現場故障遠程診斷系統，包含用電信息采集終端和云端控制中心，其特征在于，還包含：
4、日志獲取模塊，用于獲取用電信息采集終端的原始運行日志并發送至預處理模塊；
5、預處理模塊，用于根據所述原始運行日志獲取異常的目標報文序列，對所述目標報文序列進行分類，并打包形成原始數據集；
6、數據集準備模塊，用于獲取原始數據集并根據預設數量比例劃分獲得訓練集、測試集和驗證集；
7、blstm-gru模型訓練模塊，用于使用所述訓練集對已構建的blstm-gru模型進行迭代訓練，更新模型參數并使用測試集和驗證集進行評估，獲取訓練完成后的最優blstm-gru模型；
8、故障診斷模塊，用于實時無線獲取用電信息采集終端的現場運行日志，并發送給所述云端控制中心部署的最優blstm-gru模型進行故障診斷，獲取預測診斷結果。
9、由此，本專利技術的目的是為了在云端控制中心部署一個可以無線獲取用電信息采集終端的運行日志，并基于運行日志進行故障診斷，以獲取預測診斷結果。該過程為周期性的自動執行，使得用電信息采集終端連接管理的各用戶電表的故障類型可以被運維人員直接獲取，省去了運維人員現場訪問用電信息采集終端并進行運行日志的下載和人工解析的過程。
10、本專利技術首先由云端控制中心和與該云端控制中心無線通訊連接的多個用電信息采集終端組成遠程故障診斷網絡。
11、日志獲取模塊用于獲取用電信息采集終端的原始運行日志并發送至預處理模塊。運行日志是按照時間順序收集的通訊交互的內容，體現為多個報文按照時間戳排列而形成的報文序列，每個報文可以視為一個數據點，而數據點之間存在順序性和潛在的相關性，即一個時間戳對應的通訊信息可能會影響下一個時間戳對應的通訊信息。例如：用電信息采集終端在某一時間點采集某用戶電表的數據失敗，因此在該時間戳的存儲數據為空，并且后期主動讀取該時間戳數據會失敗。這個故障就是一個依賴關系，三個問題具有順序性和相關性。原始運行日志作為前序的訓練數據來源，可以從歷史數據或針對性的實驗數據中獲取。
12、預處理模塊用于根據原始運行日志獲取異常的目標報文序列，對目標報文序列進行分類并打包形成原始數據集。報文序列包含無異常的和存在異常的兩種，本專利技術提取異常的報文序列，并定義為目標報文序列。目標報文序列對應的故障類型存在多種，例如包括電表數據采集失敗、數據存儲失敗、讀取終端數據失敗、終端數據上報失敗、數據召測失敗和事件采集失敗等。在生成原始數據集之前，需要對目標報文序列對應的故障類型進行分類，分類方式可以為工程師經驗判斷或設備手冊對比分類等，通過分類操作類可以對應標注各原始數據集的故障類型標簽用以區分。
13、數據集準備模塊用于獲取原始數據集并根據預設數量比例劃分獲得訓練集、測試集和驗證集；預設數量比例可以認為設定，遵循多數訓練集，少數測試集和驗證集的原則，以保證模型訓練的有效性和準確性。
14、blstm-gru模型為事先構建好的雙向長短期記憶網絡-門控循環單元混合網絡，其中雙向長短期記憶網絡blstm是lstm(長短期記憶網絡)的一種變體，它通過在前向和后向兩個方向上處理序列數據，能夠捕捉到序列中的雙向信息。這種特性使得blstm在處理需要理解整個序列上下文的任務時非常有效，如自然語言處理中的情感分析、機器翻譯等。gru是另一種循環神經網絡(rnn)的變體，它旨在解決傳統rnn在處理長序列時容易出現的梯度消失或梯度爆炸問題。與lstm相比，gru的結構更為簡單，只有兩個門(更新門和重置門)來控制信息的流動，這使得gru在訓練時更加高效，同時仍能保持對長期依賴關系的捕捉能力。
15、本專利技術中，首先使用blstm網絡來捕捉目標報文序列的雙向信息，然后將blstm層的輸出作為gru層的輸入。這種結構可以利用blstm在捕捉雙向信息方面的優勢，并通過gru層進一步提取和精煉這些信息。在這種情況下，blstm-gru模型能夠通過其雙向學習的能力來理解不同時間段內電表設備狀態之間的聯系，并通過gru機制高效地篩選出有助于故障識別的重要特征。這意味著模型不僅可以根據當前時刻的數據來做出判斷，還可以考慮到過去和未來的信息，這在實踐中是非常有用的，因為設備的故障往往不是瞬間發生的，而是由一段時間內的多種因素累積造成的。因此，相比于只考慮當前輸入的傳統方法或單向的時間序列模型，blstm-gru模型由于其能夠捕捉時間序列數據中的長期依賴關系，在處理如電表設備故障預測這樣的任務時，可以提高分類的準確性。
16、blstm-gru模型訓練模塊用于使用訓練集對已構建的blstm-gru模型進行迭代訓練，更新模型參數并使用測試集和驗證集進行評估，獲取訓練完成后的最優blstm-gru模型。
17、將最優blstm-gru模型部署至云端控制中心。
18、故障診斷模塊與云端控制中心連接，用于實時無線獲取用電信息采集終端的現場運行日志，具體地，其周期性地將用電信息采集終端的現場運行日志通過無線傳輸的方式進行自動下載，免去了人工一次性下載大量數據的長耗時問題；并發送給云端控制中心部署的最優blstm-gru模型進行故障診斷；最優blstm-gru模型自動生成預測診斷結果后再將其發送至故障診斷模塊，運維人員可以根據上述預測診斷結果直接對用戶電表進行針對性維修。
本文檔來自技高網...
【技術保護點】
1.一種基于BLSTM-GRU模型的用電信息采集終端現場故障遠程診斷系統，包含用電信息采集終端和云端控制中心，其特征在于，還包含：
2.根據權利要求1所述的一種基于BLSTM-GRU模型的用電信息采集終端現場故障遠程診斷系統，其特征在于，所述預處理模塊對目標報文序列進行分類的具體方式為：設備手冊對比分類法；具體為，將用電信息采集終端的生產手冊中的報文序列故障示意碼與目標報文序列中的數據點進行人工對比，獲取目標報文序列的故障類型。
3.根據權利要求1所述的一種基于BLSTM-GRU模型的用電信息采集終端現場故障遠程診斷系統，其特征在于，所述BLSTM-GRU模型的網絡架構具體為：依次連接的順序輸入層、單詞嵌入層、BLSTM層、第一dropout層、GRU層、第二dropout層、LSTM層、第一全連接層和第二全連接層。
4.根據權利要求3所述的一種基于BLSTM-GRU模型的用電信息采集終端現場故障遠程診斷系統，其特征在于，所述第二全連接層使用Softmax函數來生成每個故障類別的概率；所述Softmax函數具體為：
5.根據權利要求
6.根據權利要求1所述的一種基于BLSTM-GRU模型的用電信息采集終端現場故障遠程診斷系統，其特征在于，所述目標報文序列對應的故障類型包含：電表數據采集失敗、數據存儲失敗、讀取終端數據失敗、終端數據上報失敗、數據召測失敗、事件采集失敗、事件上報失敗、事件存儲失敗、事件記錄失敗、事件召測失敗、逾期未控、控制后狀態未變。
7.根據權利要求4所述的一種基于BLSTM-GRU模型的用電信息采集終端現場故障遠程診斷系統，其特征在于，所述數據集準備模塊根據預設數量比例劃分獲得訓練集、測試集和驗證集時對應的預設數量比例具體為14：3：3。
8.一種基于BLSTM-GRU的用電信息采集終端遠程故障診斷方法，其特征在于，該方法包括：
...【技術特征摘要】
1.一種基于blstm-gru模型的用電信息采集終端現場故障遠程診斷系統，包含用電信息采集終端和云端控制中心，其特征在于，還包含：
2.根據權利要求1所述的一種基于blstm-gru模型的用電信息采集終端現場故障遠程診斷系統，其特征在于，所述預處理模塊對目標報文序列進行分類的具體方式為：設備手冊對比分類法；具體為，將用電信息采集終端的生產手冊中的報文序列故障示意碼與目標報文序列中的數據點進行人工對比，獲取目標報文序列的故障類型。
3.根據權利要求1所述的一種基于blstm-gru模型的用電信息采集終端現場故障遠程診斷系統，其特征在于，所述blstm-gru模型的網絡架構具體為：依次連接的順序輸入層、單詞嵌入層、blstm層、第一dropout層、gru層、第二dropout層、lstm層、第一全連接層和第二全連接層。
4.根據權利要求3所述的一種基于blstm-gru模型的用電信息采集終端現場故障遠程診斷系統，其特征在于，所述第二全連接層使用softmax函數來生成每個故障類別的概率；所述softmax函...
【專利技術屬性】
技術研發人員：馬昆，陳曦鳴，丁建順，嵇愛瓊，莊磊，疏奇奇，梁曉偉，王凱，藺菲，孫偉紅，張穎，李欣然，張文琪，李雙雙，李旋，
申請(專利權)人：國網安徽省電力有限公司營銷服務中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。