文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.212289
中文引用格式： 高文俊，薛斌斌，龐振江. 基于時空卷積神經網絡的智能電表故障預測計[J].電子技術應用，2022，48(3)：59-63.
英文引用格式： Gao Wenjun，Xue Binbin，Pang Zhenjiang. Fault prediction of smart meter based on spatio-temporal convolution neural network[J]. Application of Electronic Technique，2022，48(3)：59-63.
0 引言
我國電網從“信息化”向“智能化”發展是未來的必然趨勢[1]。智能電表是智能電網數據采集的基本設備之一，承擔著原始電能數據采集、計量和傳輸的任務，是實現信息集成、分析優化和信息展現的基礎。近年來，隨著智能電網信息采集系統的建設，智能電表已經獲得了大范圍的推廣和應用。如此大規模的智能電表一旦出現故障，會影響到電網的控制和管理，與人民的切身利益和社會的和諧穩定密切相關[2-3]。
目前，國內主要是通過定期巡檢的方式確定電表的故障信息，并作進一步處理。但是該方法需要耗費大量的人力、物力和時間資源，并且需要巡檢人員具備一定的專業知識[4]。隨著我國科技的快速發展，越來越多的智能電表數據被采集和存儲，采用數據挖掘的方法對智能電表的故障數據進行特征提取，捕捉各特征間的影響規律，實現對智能電表的故障預測成為未來發展的重要方向[5]。
近年來，關于智能電表的故障預測研究仍處于初步階段。文獻[6]采用一種基于聚類分析和云模型的智能電表故障分類方法，但是聚類的方法很難定義故障的種類。文獻[7]采用基于評分搜索的方法構建了貝葉斯網絡結構，在此基礎之上對智能電表的故障進行預測和決策分析。但是貝葉斯網絡對輸入數據的表達形式敏感，當屬性個數較多或屬性之間相關性較大，數據量較大時，分類效果會受到影響。文獻[8]通過人為刪除重復數據與無關數據，補全數據中的缺失值，獲得預測數據和特征數據，采用神經網絡的方法對智能電表的故障類型進行分析。該方法可以良好地針對海量數據進行建模，但是需要先對數據的輸入特征和無關數據進行人為處理，人為選擇的相關特征很有可能會舍棄掉一部分有用的數據信息，使故障預測精度受到影響。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000004004。
作者信息：
高文俊，薛斌斌，龐振江
(北京智芯微電子科技有限公司，北京102299)
