留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于联合分布适配的智能电表运行状态评价

许丹 李游 李贺龙

许丹, 李游, 李贺龙等 . 基于联合分布适配的智能电表运行状态评价[J]. 北京航空航天大学学报, 2022, 48(4): 674-681. doi: 10.13700/j.bh.1001-5965.2020.0621
引用本文: 许丹, 李游, 李贺龙等 . 基于联合分布适配的智能电表运行状态评价[J]. 北京航空航天大学学报, 2022, 48(4): 674-681. doi: 10.13700/j.bh.1001-5965.2020.0621
XU Dan, LI You, LI Helonget al. Operating status evaluation of smart electricity meters based on joint distribution adaption[J]. Journal of Beijing University of Aeronautics and Astronautics, 2022, 48(4): 674-681. doi: 10.13700/j.bh.1001-5965.2020.0621(in Chinese)
Citation: XU Dan, LI You, LI Helonget al. Operating status evaluation of smart electricity meters based on joint distribution adaption[J]. Journal of Beijing University of Aeronautics and Astronautics, 2022, 48(4): 674-681. doi: 10.13700/j.bh.1001-5965.2020.0621(in Chinese)

基于联合分布适配的智能电表运行状态评价

doi: 10.13700/j.bh.1001-5965.2020.0621
基金项目: 

国家自然科学基金 51875017

中央高校基本科研业务费专项资金 YWF-20-BJ-J-726

详细信息
    通讯作者:

    许丹, E-mail: xudan@buaa.edu.cn

  • 中图分类号: TM744;TP312

Operating status evaluation of smart electricity meters based on joint distribution adaption

Funds: 

National Natural Science Foundation of China 51875017

the Fundamental Research Funds for the Central Universities YWF-20-BJ-J-726

More Information
  • 摘要:

    针对智能电表运行状态评价中经常存在带标签的数据采集困难且不同地区的数据分布不一致的问题,在智能电表的运行状态评价领域引入迁移学习中的联合分布适配(JDA)算法。该算法寻找一个最优化的变换矩阵,使得在变换后的空间中不同地区数据的边缘分布和条件分布距离最小化。针对条件分布适配中目标域没有数据标签的问题,采用伪标签迭代的方法使得目标域伪标签不断接近真实标签。变换后空间数据中训练得到的分类模型可以运用于新的地区,实现迁移。实验结果证明了JDA算法在智能电表运行状态评价中的有效性。

     

  • 图 1  研究线路

    Figure 1.  Procedure of study circuit

    图 2  JDA算法流程

    Figure 2.  JDA algorithm flowchart

    图 3  JDA算法分类误差随迭代次数变化

    Figure 3.  Classification error of JDA algorithm varies with number of iterations

    表  1  福建省电表数据集

    Table  1.   Dataset of electricity meters in Fujian province

    属性 取值范围
    有功准确度等级 0.5S, 1.0, 2.0
    额定负载点误差测量 -0.054~0.25
    最小负载点误差测量 -0.249~0.25
    最大负载点误差测量 -0.265~0.25
    第一次运行误差测量 0.05~0.4
    第二次运行误差测量 0~0.45
    第三次运行误差测量 0~0.5
    运行时间 0~6.5
    运行环境 1, 1.2, 2
    家族缺陷 1
    电量异常次数 0
    时钟异常次数 0~7
    运行等级 1, 2, 3
    下载: 导出CSV

    表  2  福建省电表等级分布

    Table  2.   Grade distribution of electricity meters in Fujian province

    运行等级 数量 占比/%
    1 13 2.56
    2 418 82.44
    3 76 15.00
    下载: 导出CSV

    表  3  基于SMOTE算法不平衡数据处理后的福建省数据分布

    Table  3.   Data distribution of Fujian province after imbalanced data processing based on SMOTE algorithm

    运行等级 数量 占比/%
    1 391 35.26
    2 418 37.69
    3 300 27.05
    合计 1 109 100.00
    下载: 导出CSV

    表  4  目标域数据初始伪标签分布

    Table  4.   Initial pseudo-label distribution of target domain data

    运行等级 数量 占比/%
    1 49 8.13
    2 369 61.19
    3 185 30.68
    合计 603 100.00
    下载: 导出CSV

    表  5  迁移后模型的混淆矩阵

    Table  5.   Confusion matrix of transferred model

    混淆矩阵 预测类1 预测类2 预测类3
    真实类 1 39 3 0
    真实类 2 10 364 0
    真实类 3 0 2 185
    下载: 导出CSV

    表  6  迁移后模型的主要评价指标

    Table  6.   Main evaluation indicators of transferred model

    评价指标 结果
    准确度 0.975
    F1分数 0.943
    下载: 导出CSV
  • [1] 陈文娴. 基于深度学习的小样本异常用电数据检测技术研究[D]. 武汉: 华中科技大学, 2018.

    CHEN W X. Abnormal electricity utilization detection based on deep learning and few-shot learning[D]. Wuhan: Huazhong University of Science and Technology, 2018(in Chinese).
    [2] 商曦文, 张颖, 吉莹, 等. 智能电表运行状态评估技术研究[J]. 自动化与仪器仪表, 2018, 11(3): 139-146.

    SHANG X W, ZHANG Y, JI Y, et. al. Research on smart meters' running state assessment techniques[J]. Automation & Instrumentation, 2018, 11(3): 139-146(in Chinese).
    [3] CAI H, CHEN H Q, YE X Q, et al. An on-line state evaluation method of smart meters based on information fusion[J]. IEEE Access, 2019, 1(7): 163665-163676.
    [4] LI Y F, WU H, PANG S, et al. Application of supervised machine learning algorithms in diagnosis of abnormal voltage[J]. Electrical Measurement and Instrumentation, 2016, 53(1): 58-62.
    [5] 叶剑斌, 朱东升, 汪翊节, 等. 智能电能表状态检验技术研究[J]. 自动化仪表, 2020, 41(1): 55-59. https://www.cnki.com.cn/Article/CJFDTOTAL-ZDYB202001010.htm

    YE J B, ZHU D S, WANG Y J, et al. Research on intelligent electric energy meter state inspection technology[J]. Process Aotumation Instrumentation, 2020, 41(1): 55-59(in Chinese). https://www.cnki.com.cn/Article/CJFDTOTAL-ZDYB202001010.htm
    [6] 祝宇楠, 徐晴, 刘建, 等. 数据挖掘在智能电能表故障分析中的应用[J]. 电力工程技术, 2016, 35(5): 19-23. doi: 10.3969/j.issn.1009-0665.2016.05.005

    ZHU Y N, XU Q, LIU J, et al. Application of data mining in fault analysis of intelligent electricity meters[J]. Power Engineering Technology, 2016, 35(5): 19-23(in Chinese). doi: 10.3969/j.issn.1009-0665.2016.05.005
    [7] 韩笑. 基于不确定性信息融合的智能电能表状态评价方法研究[D]. 长春: 吉林大学, 2018: 22-58.

    HAN X. Research on state evaluation method of smart electricity meter based on uncertainty information fusion[D]. Changchun: Jilin University, 2018: 22-58(in Chinese).
    [8] CHENG Y Y, HOU X Z, XIAO J. Design and realization of condition management system of gateway electrical[J]. Electrical Measurement and Instrumentation, 2013, 50(8): 87-92.
    [9] SHEN X, ZHAO D N, CAO M. Research on energy metering device remote online monitoring and analysis platform based on internet of thing[J]. Electrical Measurement and Instrumentation, 2015, 52(1): 35-40.
    [10] 王新刚, 吴颖, 张垠. 基于数据挖掘的智能电能表在线监测方法[J]. 电测与仪表, 2016, 53(13): 65-69. doi: 10.3969/j.issn.1001-1390.2016.13.013

    WANG X G, WU Y, ZHANG Y. Online monitoring method of intelligent electricity meters based on data mining[J]. Electric Measurement and Instrumentation, 2016, 53(13): 65-69(in Chinese). doi: 10.3969/j.issn.1001-1390.2016.13.013
    [11] LONG M S, WANG J, DING G, et al. Transfer feature learning with joint distribution adaptation[C]//2013 IEEE International Conference on Computer Vision. Piscataway: IEEE Press, 2013: 1-8.
    [12] CHAWLA N V, BOWYER K W, HALL L O, et al. SMOTE: Synthetic minority over-sampling technique[J]. Journal of Artificial Intelligence Research, 2011, 16(1): 321-357.
    [13] BORGWARDT K M, GRETTON A, RASCH M J, et al. Integrating structured biological data by kernel maximum mean discrepancy[J]. Bioinformatics, 2006, 22(14): 49-57. doi: 10.1093/bioinformatics/btl242
    [14] FILISBINO T A, GIRALDI G A, THOMAZ C E. Support vector machine ensembles for discriminant analysis for ranking principal components[J]. Multimedia Tools and Applications, 2020, 79(5): 1-37.
    [15] PAN S J, TSANG I W, KWOK J T, et al. Domain adaptation via transfer component analysis[J]. IEEE Transactions on Neural Networks, 2011, 22(2): 199-210. doi: 10.1109/TNN.2010.2091281
    [16] GRETTON A, BORGWARDT K M, RASCH M J, et al. A kernel method for the two-sample problem[J]. Neural Information Processing Systems, 2006, 4(3): 1-10.
    [17] FAN J, KE Z T, LIU H, et al. QUADRO: A supervised dimension reduction method via Rayleigh quotient optimization[J]. Annals of Statistics, 2015, 4(43): 1498-1534.
    [18] 龙明盛. 迁移学习问题与方法研究[D]. 北京: 清华大学, 2014.

    LONG M S. Research on transfer learning problems and methods[D]. Beijing: Tsinghua University, 2014(in Chinese).
  • 加载中
图(3) / 表(6)
计量
  • 文章访问数:  65
  • HTML全文浏览量:  6
  • PDF下载量:  15
  • 被引次数: 0
出版历程
  • 收稿日期:  2020-11-09
  • 录用日期:  2021-06-11
  • 刊出日期:  2022-04-20

目录

    /

    返回文章
    返回
    常见问答