基于LSTM技术的电表大数据检测系统
1. 香港科技大学, 商学院, 香港 999077
2. 苏州昊星海洲科技有限公司, 江苏苏州 215164
| 摘 要： | 随着国家电力系统不断发展，我国智能电表装机量不断扩大，日臻成熟，对智能电表的监测越来越重要。为解决智能电表在使用寿命周期（最长不超过8年）到达后进行物理检测造成的巨大资源浪费问题，本文通过首创性地采用LSTM方法对智能电表数据进行深度学习时序模型相关预测研究，最终达到检测电表运行状态的目的，成功实现了智能电表的不拆表检测。通过利用智能电表大数据对电表运行状态的分析，可以判断电表运行是否正常，如果异常是属于故障还是有偷漏电发生，判断相关位置，以便进一步采取行动。该检测系统的研究与应用，可以避免智能电表的物理检测，可以达到延长正常电表的使用寿命，节省大量的资源的目的。本文采用的LSTM研究方法，是深度学习技术在电力领域的创新应用。 |
| 关 键 词： | 智能电表; 数据分析; 深度学习时序模型; LSTM |
| DOI： | 10.57237/j.cst.2022.01.005 |
View:
Downloads:
收稿日期: 2022-10-02
接受日期: 2022-12-26
在线出版日期: 2023-01-05
Big Data Detection System of Electric Meter Based on LSTM Technology
1. Business School, Hong Kong University of Science and Technology, Hongkong 999077,
2. Suzhou Haoxing Haizhou Science and Technology Co., Ltd, Suzhou 215164, China
| Abstract: | With the sustained development of power plant of China, the installed base of electric meter grows gradually. It is more and more important to monitor smart meters with their mature use. In order to avoid huge resource wasting and solve the issue because of physical testing of smart meter when smart meter service life time arriving (maximum 8 years), LSTM method related to time series model (TSM) is firstly used to do research on smart meter. Smart meter testing without physical disassembling is realized successfully. Eventually testing abnormity and failure recognition can be obtained through prediction research based on deep learning time series model. Based on electric meter running big data analysis, the electric meter situation including normal and abnormal (error or electricity stealing) and relevant position can be obtained so as to take further action. The research and application of the testing system can avoid physical testing to electric meter. The service time of normal meter can be prolonged by abnormal meters testing. This will lead to saving a lot of resources. The LSTM research method on deep learning is the innovative application in electric power domain. |
| Keywords: | Smart Meter; Data Analysis; Deep Learning Time Series Model; LSTM |
参考文献
| [1] | 黄嘉健. 智能电表在智能电网中的应用研究 [J]. 山东工业技术. 2017, (11): 150-150. |
| [2] | 陈志敏, 钟海涛, 陈志浩. 浅析智能电表在智能电网中的应用 [J]. 黑龙江科技信息. 2013, (18): 113-113. |
| [3] | 谭宏伟. 论智能电网中智能电表的作用及发展前景 [J]. 中国高新技术企业. 2013, (31): 95-96. |
| [4] | 康琰, 李洁. 智能电表在智能电网中的作用与应用前景分析 [J]. 技术与市场. 2015, (08): 190-191. |
| [5] | 王德文, 杨力平.智能电网大数据流式处理方法与状态监测异常检测 [J]. 电力系统自动化. 2016, 40 (14): 122-125. |
| [6] | 廖文权, 杨家隆, 陈春, 杨泽武, 白勇. 基于大数据分析的用电异常检测系统设计 [J]. 重庆电力高等专科学校学报. 2017, 22 (6): 30-32. |
| [7] | 刘朝晖. 智能电表发展前景及市场容量分析 [J]. 市场研究. 2015, (2): 36-37. |
| [8] | 陈卫东.智能电网下新型智能电表的功能、应用及特点 [J]. 科技与企业. 2013, (24): 15-15. |
| [9] | 简富俊, 曹敏, 王磊, 孙中伟, 张建伟, 王洪亮. 基于SVM的AMI环境下用电异常检测研究 [J]. 电测与仪表. 2014, 51 (6): 64-69. |
| [10] | 李志强, 高大兵, 苏盛, 王建城, 陈丹丹, 曾祥君.基于大数据的智能电表入侵检测方法 [J]. 电力科学与技术学报. 2016, 31 (1): 121-126. |
| [11] | Babu V, Nicol D M. Detection of x86 malware in AMI data payloads [C]. 2015 IEEE International Conference on Smart Grid Communications, 2015: 617-622. |
| [12] | 夏飞, 蒋南允. 面向智能电表的异常检测综述 [J]. 信息通信. 2016, 14(12): 270-272. |
| [13] | 王星华, 许炫壕, 周亚武. 一种基于Pearson相关系数的电力用户负荷曲线聚类算法 [J]. 黑龙江电力. 2017, 39 (5): 397-401. |
| [14] | 崔旭. K-Fold交叉验证和BP神经网络在图书智能分布中的应用 [J]. 内蒙古科技与经济. 2008, 176 (22): 270-271. |
| [15] | 罗霄, 任勇, 山秀明. 基于Python的混合语言编程及其实现 [J]. 计算机应用与软件. 2004, 21 (12): 17-18. |
| [16] | 张永昌, 张秉森, 丁海霞. 基于多项式拟合的数值分析方法在织物染色配色中的应用 [J]. 青岛大学学报 (工程技术板). 2010, 25(4): 28-32. |
| [17] | 吕喜明, 李明远. 最小二乘曲线拟合的MATLAB实现 [J]. 内蒙古民族大学学报(自然科学版). 2009, 24 (2): 125-127. |
| [18] | 陈高, 王震, 王刚. 深度学习框架下LSTM网络在短期电力负荷预测中的应用 [J]. 电力信息与通信技术. 2017, 15 (5): 8-11. |
| [19] | 董洁, 程鹏, 李玲玲. 深入学习算法在电力系统短期负荷预测中的应用 [J]. 自动化系统. 2017, (2): 82-84. |
| [20] | 张兆晨, 冀俊忠. 基于卷积神经网络的fMRI数据分类方法 [J]. 模式识别与人工智能. 2017, 30 (6): 549-558. |
| [21] | 郭峰, 王斌, 刘敏. 基于BP神经网络的时间序列预测研究 [J]. 价值工程. 2010, 29 (35): 128-129. |
