本發(fā)明涉及戶用故障，特別是一種戶用故障智能識別方法及系統(tǒng)。

背景技術：

1、隨著農(nóng)村電氣化發(fā)展，居民用電負荷越來越大，用戶故障報修量也逐年增大，大部門農(nóng)村用戶不懂電氣知識、不掌握用電負荷、停電檢修計劃信息、安全用電知識等信息，無法判斷電氣故障模式和異常情況，家里停電后只能撥打供電公司電話報修，供電公司運維人員工作量劇增，每年供電公司投入到用戶故障解決方面花費大量人力、物力、財力，而大部分報修故障中，只是簡單的空氣開關跳閘或用戶用電回路出線漏電故障，只需故障排查指導或排查步驟導引用戶就能自行解決故障問題。

2、此外現(xiàn)有的用電異常檢測往往依賴于簡單的閾值判斷或單一特征分析，無法準確捕捉復雜的用電異常模式，導致漏檢和誤檢現(xiàn)象頻繁發(fā)生。由于數(shù)據(jù)處理和分析算法的局限性，無法實現(xiàn)對用電數(shù)據(jù)的實時監(jiān)控和快速響應，導致在出現(xiàn)緊急情況時無法及時處理。針對這些不足，我方發(fā)明提出了一種戶用故障智能識別方法及系統(tǒng)。

技術實現(xiàn)思路

1、本部分的目的在于概述本發(fā)明的實施例的一些方面以及簡要介紹一些較佳實施例。在本部分以及本技術的說明書摘要和發(fā)明名稱中可能會做些簡化或省略以避免使本部分、說明書摘要和發(fā)明名稱的目的模糊，而這種簡化或省略不能用于限制本發(fā)明的范圍。

2、鑒于上述或現(xiàn)有技術中存在的問題，提出了本發(fā)明。

3、因此，本發(fā)明解決的技術問題是：由于數(shù)據(jù)處理和分析算法的局限性，無法實現(xiàn)對用電數(shù)據(jù)的實時監(jiān)控和快速響應，導致在出現(xiàn)緊急情況時無法及時處理。

4、為解決上述技術問題，本發(fā)明提供如下技術方案：一種戶用故障智能識別方法，其包括采集用戶的用電數(shù)據(jù)并進行預處理；

5、利用異常檢測算法對預處理后的數(shù)據(jù)進行分析，識別出異常情況；

6、通過深度學習算法對預處理后的數(shù)據(jù)進行提取，生成高維特征向量；

7、在識別出異常情況時，進行預警并對高維特征向量進行分析，識別故障模式。

8、作為本發(fā)明所述戶用故障智能識別方法的一種優(yōu)選方案，其中：所述采集用戶的用電數(shù)據(jù)包括基于戶用監(jiān)測裝置對用戶電氣參數(shù)進行采集，監(jiān)測及實現(xiàn)過流、短路、接地、漏電、過欠壓、電涌等故障識別及保護動作，并將電氣參數(shù)采集信息及保護開關動作狀態(tài)傳輸至集中器；集中器將集中后的信息上傳至主站層，對數(shù)據(jù)存儲和分析管理；所述預處理包括數(shù)據(jù)清洗和數(shù)據(jù)去噪。

9、作為本發(fā)明所述戶用故障智能識別方法的一種優(yōu)選方案，其中：所述通過深度學習算法包括，

10、通過卷積神經(jīng)網(wǎng)絡對預處理后的用電數(shù)據(jù)進行特征提?。?/p>

11、通過循環(huán)神經(jīng)網(wǎng)絡對提取的特征進行時間序列處理。

12、作為本發(fā)明所述戶用故障智能識別方法的一種優(yōu)選方案，其中：所述進行特征提取包括，

13、構建多層卷積層，通過卷積操作提取數(shù)據(jù)的局部特征；

14、使用池化層對卷積層的輸出進行降維處理，保留重要特征，減少計算量；

15、將池化層的輸出傳遞給全連接層，生成用于故障模式識別的高維特征向量。

16、作為本發(fā)明所述戶用故障智能識別方法的一種優(yōu)選方案，其中：所述提取數(shù)據(jù)的局部特征包括通過多層卷積操作提取輸入數(shù)據(jù)的局部特征，表示為：

17、

18、其中，f(τ)表示輸入信號，g(t-τ)表示卷積核，τ為積分變量；

19、所述使用池化層對卷積層的輸出進行降維處理包括最大池化，表示為：

20、yi＝max{ui,1,ui,2,…,ui,n}

21、其中，ui,j表示第i個池化區(qū)域內(nèi)的第j個元素，yi示該區(qū)域內(nèi)的最大值；

22、將池化層的輸出傳遞給全連接層，生成高維特征向量，表示為：

23、z＝w·u+b

24、其中，w表示權重矩陣，u表示池化操作的輸出向量，b表示偏置向量，z為生成的高維特征向量。

25、作為本發(fā)明所述戶用故障智能識別方法的一種優(yōu)選方案，其中：所述異常檢測算法包括建立改進的孤立森林算法；

26、所述建立改進的孤立森林算法包括，

27、構建多個決策樹，通過隨機選擇特征和分割點生成；

28、通過計算數(shù)據(jù)點在各決策樹中的路徑長度，評估數(shù)據(jù)點的異常程度；

29、將異常評分高的數(shù)據(jù)點標記為潛在故障點。

30、作為本發(fā)明所述戶用故障智能識別方法的一種優(yōu)選方案，其中：所述計算數(shù)據(jù)點在各決策樹中的路徑長度包括，

31、對于每個數(shù)據(jù)點x，計算其在每棵決策樹中的路徑長度li,x；路徑長度表示數(shù)據(jù)點從根節(jié)點到葉節(jié)點所經(jīng)過的邊的數(shù)量，路徑長度計算公式如下：

32、

33、其中，li,x表示數(shù)據(jù)點x在第i棵決策樹中的路徑長度；d為決策樹的深度；1是指示函數(shù)，當條件成立時取值為1，否則為0；xfk表示數(shù)據(jù)點x的第fk個特征值；θfk表示第fk個節(jié)點的分割點；

34、通過指數(shù)衰減函數(shù)和路徑長度調(diào)整系數(shù)對路徑長度進行調(diào)整，評估數(shù)據(jù)點的異常程度，表示為：

35、

36、其中，λ為指數(shù)衰減系數(shù)，用于控制路徑長度衰減的速率；t為積分變量；γ為路徑長度的調(diào)整系數(shù)，用于控制路徑長度的影響程度；

37、對特征值進行歸一化處理，使不同特征具有相同的尺度，表示為：

38、

39、其中，βij為歸一化系數(shù)，用于控制歸一化的斜率；xj為數(shù)據(jù)點的第j個特征值；μij為特征均值，表示特征j在第i個決策樹中的均值；

40、將調(diào)整后的路徑長度與歸一化后的特征值相結(jié)合，進行綜合求和，表示為：

41、

42、其中，表示對所有特征j的求和；wij為權重矩陣的元素，表示第i棵決策樹中第j個特征的權重；

43、對路徑長度進行積分，評估路徑長度對異常評分的影響，表示為：

44、

45、計算數(shù)據(jù)點x在每棵決策樹中的路徑長度，并評估其異常程度，表示為：

46、

47、其中，a(x)表示數(shù)據(jù)點x的異常程度；表示對所有決策樹的求和；

48、所述識別出異常情況包括，

49、收集并存儲用戶的歷史用電數(shù)據(jù)；

50、將實時采集的用電數(shù)據(jù)與歷史數(shù)據(jù)進行比對，計算數(shù)據(jù)點的異常評分；

51、根據(jù)異常評分的高低，確定異常用電行為。

52、本發(fā)明的另外一個目的是提供一種戶用故障智能識別的系統(tǒng)，其能通過采集用戶的用電數(shù)據(jù)并進行預處理；利用異常檢測算法對預處理后的數(shù)據(jù)進行分析，識別出異常情況；通過深度學習算法對預處理后的數(shù)據(jù)進行提取，生成高維特征向量；在識別出異常情況時，進行預警并對高維特征向量進行分析，識別故障模式，解決了目前的戶用故障智能識別不準確的問題。

53、作為本發(fā)明所述戶用故障智能識別的系統(tǒng)的一種優(yōu)選方案，其中：包括處理模塊，分析模塊，生成模塊，預警模塊；

54、所述處理儲存模塊用于采集用戶的用電數(shù)據(jù)并進行預處理；

55、所述分析預測模塊用于利用異常檢測算法對預處理后的數(shù)據(jù)進行分析，識別出異常情況；

56、所述生成模塊用于通過深度學習算法對預處理后的數(shù)據(jù)進行提取，生成高維特征向量；

57、所述預警模塊用于在識別出異常情況時，進行預警并對高維特征向量進行分析，識別故障模式。

58、一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)戶用故障智能識別方法的步驟。

59、本發(fā)明的有益效果：本發(fā)明通過對多維度的用電數(shù)據(jù)進行綜合分析，通過路徑長度、特征權重等多種因素的綜合計算，準確識別多種異常特征的組合情況，顯著提高了異常檢測的精度，解決了現(xiàn)有技術中因簡單閾值判斷導致的漏檢和誤檢問題。通過對多維數(shù)據(jù)的綜合分析，能夠識別復雜的用電異常模式，解決了現(xiàn)有技術中分析維度單一的問題，并且能夠及時反饋異常信息并提供具體處理建議，解決了現(xiàn)有技術中用戶反饋不及時的問題，提高了可靠性和用戶的滿意度。