【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及電能計(jì)量，并且更具體地，涉及一種基于對抗對比的電能表故障分類方法及系統(tǒng)。
技術(shù)介紹
1、智能電表的需求量在我國電網(wǎng)改造的持續(xù)推進(jìn)的同時不斷增加。智能電表的故障類型表現(xiàn)為多樣性和復(fù)雜性，其原因包括電表本身的內(nèi)因和其所處環(huán)境的外因。不同的智能電表制造商在生產(chǎn)智能電表時會采用不同的設(shè)計(jì)方案、工藝流程，選擇不同的基礎(chǔ)元器件，所以智能電表本身種類繁多，容易發(fā)生的故障類型也各不相同；再加上我國不同地區(qū)地理環(huán)境和氣候等智能電表外部運(yùn)行條件的差異較大，導(dǎo)致智能電表故障類型的多樣和復(fù)雜程度進(jìn)一步增加。此外，當(dāng)前的電網(wǎng)系統(tǒng)維護(hù)主要依賴于運(yùn)維人員，由于智能電表故障類型的復(fù)雜性，僅憑運(yùn)維人員的經(jīng)驗(yàn)很難快速準(zhǔn)確地判斷故障類型，這可能導(dǎo)致對故障的處理不精確、不及時，甚至導(dǎo)致不合理的維修方案，有時還會引發(fā)不必要的電表更換，導(dǎo)致運(yùn)維成本上升。
2、隨著計(jì)算機(jī)技術(shù)的快速發(fā)展以及大數(shù)據(jù)時代的到來，計(jì)算機(jī)的處理能力和硬件性能顯著提升，人工智能的蓬勃發(fā)展為從智能電表中激增的數(shù)據(jù)量中提取有用信息提供了強(qiáng)有力的技術(shù)支持。近年來，深度學(xué)習(xí)已成為人工智能領(lǐng)域的一大焦點(diǎn)，并在許多任務(wù)上取得了突破性進(jìn)展。智能電表的故障分類本質(zhì)上屬于一種不平衡分類問題，且不同故障類型在實(shí)際使用過程中出現(xiàn)的頻次也各不相同，故障數(shù)據(jù)整體呈現(xiàn)出多模式分布的特點(diǎn)，進(jìn)一步增大了對智能電表各類故障正確預(yù)測的難度。如果對上述數(shù)據(jù)不進(jìn)行處理而直接基于傳統(tǒng)機(jī)器學(xué)習(xí)方法進(jìn)行學(xué)習(xí)，往往會因各類樣本數(shù)量不均導(dǎo)致分類器在學(xué)習(xí)過程中偏向多數(shù)類，進(jìn)而導(dǎo)致模型難以正確識別少數(shù)類，嚴(yán)重降低了模型的泛化能力
3、目前，處理此類問題主要有兩類層面的方法，分別為算法層面和數(shù)據(jù)層面。算法層面的方法直接對分類算法進(jìn)行改進(jìn)，使其適用于原始數(shù)據(jù)集，以避免類別不平衡問題帶來的負(fù)面影響，但這些方法通常沒有考慮到分類器性能下降的問題而且常常受制于特定問題，缺乏良好的可遷移性和通用性。數(shù)據(jù)層面的方法主要分為基于采樣的樣本合成方法和基于深度學(xué)習(xí)的樣本生成方法，通過增加少數(shù)類樣本的數(shù)量或者減少多數(shù)類樣本的數(shù)量來降低數(shù)據(jù)集的不平衡程度，從而降低數(shù)據(jù)不平衡給分類模型帶來的影響。然而，采樣類方法沒有針對數(shù)據(jù)本身的特征進(jìn)行學(xué)習(xí)，所生成的樣本質(zhì)量無法保障。生成類方法雖然基于深度模型挖掘了數(shù)據(jù)本身的特征信息，但當(dāng)樣本數(shù)量有限時，樣本量難以支撐深度網(wǎng)絡(luò)龐大的訓(xùn)練參數(shù)，樣本間差異信息挖掘不充分。同時，不同類樣本之間特征的交疊進(jìn)一步增大了模型對特征的學(xué)習(xí)難度，極大程度上影響了分類器的性能。
技術(shù)實(shí)現(xiàn)思路
1、根據(jù)本專利技術(shù)，提供了一種基于對抗對比的電能表故障分類方法及系統(tǒng)，以解決當(dāng)前智能電能表的故障檢測方法中存在的技術(shù)問題，該技術(shù)問題為現(xiàn)有的不平衡數(shù)據(jù)的處理方法中，算法層面方法容易導(dǎo)致過擬合，普適性較差；數(shù)據(jù)層面欠采樣方法會造成信息丟失，過采樣和生成類方法不能可靠地保證所構(gòu)造新樣本的真實(shí)性，會導(dǎo)致噪聲引入，且在平衡數(shù)據(jù)集后難以挖掘不同類別樣本間的差異信息。
2、根據(jù)本專利技術(shù)的第一個方面，提供了一種基于對抗對比的電能表故障分類方法，包括：
3、確定一種描述樣本接近數(shù)據(jù)交疊區(qū)程度的權(quán)重計(jì)算策略，根據(jù)所述權(quán)重計(jì)算策略調(diào)整目標(biāo)-近鄰樣本組合的數(shù)量，構(gòu)造目標(biāo)-近鄰樣本組合集；
4、搭建神經(jīng)網(wǎng)絡(luò)，對構(gòu)造的目標(biāo)-近鄰樣本組合進(jìn)行特征提取，對比目標(biāo)-近鄰樣本組合中的目標(biāo)樣本與近鄰樣本，確定類別匹配程度，第一次得到目標(biāo)樣本的標(biāo)簽預(yù)測概率；
5、基于生成對抗網(wǎng)絡(luò)平衡目標(biāo)-近鄰樣本組合集的少數(shù)類樣本和多數(shù)類樣本的數(shù)量，確定平衡數(shù)據(jù)集，基于所述平衡數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)二分類器，對測試集數(shù)據(jù)進(jìn)行標(biāo)簽預(yù)測，通過神經(jīng)網(wǎng)絡(luò)二類分類器，第二次得到目標(biāo)樣本的標(biāo)簽預(yù)測概率；
6、將兩次得到的目標(biāo)樣本的標(biāo)簽預(yù)測概率按比例集成，得到待測樣本的標(biāo)簽預(yù)測結(jié)果；
7、基于所述待測樣本的標(biāo)簽預(yù)測結(jié)果，對智能電表故障樣本進(jìn)行分類。
8、可選地，確定一種描述樣本接近數(shù)據(jù)交疊區(qū)程度的權(quán)重計(jì)算策略，根據(jù)所述權(quán)重計(jì)算策略調(diào)整目標(biāo)-近鄰樣本組合的數(shù)量，構(gòu)造目標(biāo)-近鄰樣本組合集，包括：
9、在目標(biāo)樣本的近鄰池m中隨機(jī)采樣n次，每次采樣k(k≤m)個樣本，得到n個目標(biāo)-近鄰樣本組合；
10、若原始樣本的維度為d，則確定每個目標(biāo)-近鄰組合的數(shù)據(jù)維度為((1+k),d)，其標(biāo)簽的維度為(1+k)，其中第一維為目標(biāo)樣本的真實(shí)標(biāo)簽labeltarget，其余k維為其所采樣得到的近鄰與其是否同類的重構(gòu)對比標(biāo)簽labelcompare；
11、假設(shè)少數(shù)類樣本集x中有a個樣本，多數(shù)類樣本集y中有b個樣本，計(jì)算每個少數(shù)類樣本和所有多數(shù)類樣本的平均歐氏距離的倒數(shù)作為其權(quán)重，計(jì)算過程如下：
12、
13、其中，xi和yi分別表示少數(shù)類樣本和多數(shù)類樣本，di表示xi到所有多數(shù)類樣本的平均歐氏距離，di的倒數(shù)fi即為每個少數(shù)樣本的權(quán)重。
14、可選地，搭建神經(jīng)網(wǎng)絡(luò)，對構(gòu)造的目標(biāo)-近鄰樣本組合進(jìn)行特征提取，包括：
15、搭建一個神經(jīng)網(wǎng)絡(luò)對目標(biāo)樣本的k個近鄰的重構(gòu)對比標(biāo)簽labelcompare進(jìn)行預(yù)測，所述神經(jīng)網(wǎng)絡(luò)的損失函數(shù)定義如下：
16、
17、其中m表示批量大小，pred表示網(wǎng)絡(luò)輸出的預(yù)測標(biāo)簽，labelcompare表示重構(gòu)對比標(biāo)簽，通過對該損失函數(shù)進(jìn)行優(yōu)化，神經(jīng)網(wǎng)絡(luò)即具有預(yù)測近鄰樣本與目標(biāo)樣本異同的能力。
18、可選地，對比目標(biāo)-近鄰樣本組合中的目標(biāo)樣本與近鄰樣本，確定類別匹配程度，第一次得到目標(biāo)樣本的標(biāo)簽預(yù)測概率，包括：
19、對待測目標(biāo)樣本與k個近鄰樣本分別進(jìn)行對比，預(yù)測待測目標(biāo)樣本與每個近鄰樣本的匹配程度，集成n組匹配程度并根據(jù)閾值進(jìn)行劃分即得到目標(biāo)樣本的預(yù)測類別標(biāo)簽，以測試樣本x為例，在原訓(xùn)練集中尋找其m個近鄰樣本作為其近鄰樣本池，并在該近鄰樣本池中隨機(jī)采樣n次，得到n個目標(biāo)-近鄰樣本組，將其輸入訓(xùn)練完成的標(biāo)簽預(yù)測網(wǎng)絡(luò)，通過所得重構(gòu)對比標(biāo)簽對目標(biāo)樣本的標(biāo)簽進(jìn)行預(yù)測，其預(yù)測值計(jì)算過程如下：
20、
21、
22、其中，probcl表示目標(biāo)樣本的標(biāo)簽預(yù)測概率，label代表對照近鄰樣本的真實(shí)類別，pred代表模型預(yù)測的類別匹配度，pred越接近0表示測試樣本與對照近鄰樣本差異越大，即越有可能屬于不同類別；同樣的，pred越接近1表示測試樣本與對照近鄰樣本越有可能屬于同一類別，此時，對照近鄰樣本中真實(shí)標(biāo)簽為1的少數(shù)類樣本預(yù)測的類別匹配度接近1，真實(shí)標(biāo)簽為0的多數(shù)類樣本預(yù)測的類別匹配度接近0時說明測試樣本為少數(shù)類；反之，對照近鄰樣本中真實(shí)標(biāo)簽為1的少數(shù)類樣本預(yù)測的類別匹配度接近0，真實(shí)標(biāo)簽為0的多數(shù)類樣本預(yù)測的類別匹配度接近1時說明測試樣本為多數(shù)類，據(jù)此通過上述公式對比近鄰樣本的真實(shí)標(biāo)簽和預(yù)測匹配度得到目標(biāo)樣本的標(biāo)簽概率預(yù)測probcl，隨后按照設(shè)定的閾值θcl＝0.45對目標(biāo)樣本進(jìn)行類別劃分，probcl值接近1時為少數(shù)類，probcl值接近0時為多數(shù)類。<本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于對抗對比的電能表故障分類方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，確定一種描述樣本接近數(shù)據(jù)交疊區(qū)程度的權(quán)重計(jì)算策略，根據(jù)所述權(quán)重計(jì)算策略調(diào)整目標(biāo)-近鄰樣本組合的數(shù)量，構(gòu)造目標(biāo)-近鄰樣本組合集，包括：
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，搭建神經(jīng)網(wǎng)絡(luò)，對構(gòu)造的目標(biāo)-近鄰樣本組合進(jìn)行特征提取，包括：
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，對比目標(biāo)-近鄰樣本組合中的目標(biāo)樣本與近鄰樣本，確定類別匹配程度，第一次得到目標(biāo)樣本的標(biāo)簽預(yù)測概率，包括：
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于生成對抗網(wǎng)絡(luò)平衡少數(shù)類樣本和多數(shù)類樣本的數(shù)量，確定平衡數(shù)據(jù)集，基于所述平衡數(shù)據(jù)集訓(xùn)練神經(jīng)網(wǎng)絡(luò)二分類器，對測試集數(shù)據(jù)進(jìn)行標(biāo)簽預(yù)測，通過神經(jīng)網(wǎng)絡(luò)二類分類器，第二次得到目標(biāo)樣本的標(biāo)簽預(yù)測概率，包括：
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，將兩次得到的目標(biāo)樣本的標(biāo)簽預(yù)測概率按比例集成，得到待測樣本的標(biāo)簽預(yù)測結(jié)果，包括：
7.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于所述待測樣本的標(biāo)簽預(yù)測
8.一種基于對抗對比的電能表故障分類系統(tǒng)，其特征在于，包括：
9.一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序，其特征在于，該程序被處理器執(zhí)行時實(shí)現(xiàn)如權(quán)利要求1-7中任一項(xiàng)所述方法的步驟。
10.一種電子設(shè)備，其特征在于，包括：
...【技術(shù)特征摘要】
1.一種基于對抗對比的電能表故障分類方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，確定一種描述樣本接近數(shù)據(jù)交疊區(qū)程度的權(quán)重計(jì)算策略，根據(jù)所述權(quán)重計(jì)算策略調(diào)整目標(biāo)-近鄰樣本組合的數(shù)量，構(gòu)造目標(biāo)-近鄰樣本組合集，包括：
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，搭建神經(jīng)網(wǎng)絡(luò)，對構(gòu)造的目標(biāo)-近鄰樣本組合進(jìn)行特征提取，包括：
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，對比目標(biāo)-近鄰樣本組合中的目標(biāo)樣本與近鄰樣本，確定類別匹配程度，第一次得到目標(biāo)樣本的標(biāo)簽預(yù)測概率，包括：
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，基于生成對抗網(wǎng)絡(luò)平衡少數(shù)類樣本和多數(shù)類樣本的數(shù)量，確定平衡數(shù)據(jù)集，基于...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：秦煜，翟峰，梁曉兵，李保豐，張艷麗，高欣，付義倫，許斌，趙英杰，郭偉，徐萌，高帥，馮云，
申請(專利權(quán))人：中國電力科學(xué)研究院有限公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。