
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于残差连接自注意力卷积长短期记忆网络(ConvLSTM)的智能电表健康状态预测
《Scientific Reports》:Smart meter health state prediction based on residual-connected self-attention ConvLSTM network
【字体: 大 中 小 】 时间:2026年06月04日 来源:Scientific Reports 3.9
编辑推荐:
摘要智能电表的准确健康状态预测对于确保计量系统的可靠性以及在先进的计量基础设施中实现基于状态的维护至关重要。现有的方法基于传统的机器学习或标准的深度学习架构,难以同时捕捉复杂的时空退化模式、建模长距离依赖关系,并在更深的网络配置中保持稳定的训练效果。本文提出了一种基于残差连接自注
智能电表的准确健康状态预测对于确保计量系统的可靠性以及在先进的计量基础设施中实现基于状态的维护至关重要。现有的方法基于传统的机器学习或标准的深度学习架构,难以同时捕捉复杂的时空退化模式、建模长距离依赖关系,并在更深的网络配置中保持稳定的训练效果。本文提出了一种基于残差连接自注意力卷积长短期记忆(ConvLSTM)网络的健康状态预测框架。该框架在堆叠的ConvLSTM层之间引入了残差快捷连接,以减轻梯度消失和网络退化问题,并整合了自注意力机制,根据特征在诊断中的重要性动态重新校准时空特征表示。开发了一个端到端的流程,包括多维特征构建、数据预处理和健康状态分类。在包含12,860个智能电表、覆盖36个月数据的真实世界数据集上进行的实验表明,在测试的省级电网条件下,所提出的模型达到了94.38%的总体准确率和89.94%的宏观F1分数,优于LSTM、ConvLSTM、CNN-LSTM和Transformer基线模型。消融研究证实了自注意力和残差连接的协同作用,而通过SHAP基属性验证的注意力权重可视化显示,该模型能够自主关注关键的退化特征。我们认识到,更广泛的跨区域验证仍然是一个未解决的问题,并将此与计算可扩展性和可解释性一起作为未来工作的主要方向。
生物通微信公众号