沿海恶劣环境下智能电表传感器测量误差漂移预测深度学习框架

《PLOS One》:Deep learning framework for predicting measurement error drift in smart meter sensors under harsh coastal environments

【字体: 大 中 小 】 时间:2026年08月06日 来源:PLOS One 2.8

编辑推荐:

  沿海环境中的智能电表传感器因盐雾腐蚀、高湿及温度循环作用于电流互感器、分压电路及测量回路而遭受严重精度退化。研究人员提出一种面向恶劣海洋大气下多应力退化的可靠性预测框架,融合具备多尺度注意力机制的增强Transformer、用于局部退化模式双向长短期记忆(Bi

  
沿海环境中的智能电表传感器因盐雾腐蚀、高湿及温度循环作用于电流互感器、分压电路及测量回路而遭受严重精度退化。研究人员提出一种面向恶劣海洋大气下多应力退化的可靠性预测框架,融合具备多尺度注意力机制的增强Transformer、用于局部退化模式双向长短期记忆(BiLSTM)网络及标准Transformer,并通过粒子群优化(PSO)实现动态权重调整。基于中国湄洲岛200只传感器六年现场数据(1050万条记录)的验证显示,框架决定系数(R2)达0.944,均方根误差(RMSE)为0.0121%,较最优单模型提升6.9%。为刻画沿海特异性效应,引入盐雾腐蚀指数(SFCI)量化氯离子累积沉积,及电化学活性因子(EAF)建模电化学腐蚀电位。特征分析识别负载电流-温度交互作用(相关系数0.76)为主导漂移机制,与焦耳热理论一致。现场部署验证框架可提前约5天以0.01百分点精度预测失效,支撑基于状态的维护,使超差运行时间减少85%。该研究为智能计量之外的恶劣环境传感器可靠性提供实用工具。
研究背景方面,现代智能配电系统依赖集成电流互感器、分压器、模数转换器与电子测量电路的智能电表传感器作为基础感知设施,其测量精度退化直接影响电力交易公平性与电网安全。截至2023年底中国部署超6.5亿只智能电表传感器,其中超8000万只位于沿海区域。沿海环境中盐雾沉积、高湿与热循环协同通过电化学腐蚀、绝缘电阻衰减及磁芯特性改变等多物理场路径加速失效,台风季盐沉积率达90 mg/m3,为内陆工业环境30倍,湿干循环引发盐结晶微裂纹。既有研究存在三方面局限:环境适应性不足(多基于温带数据,缺乏高温高湿盐雾耦合建模)、单模型泛化有限、特征工程不完整(忽视温湿-盐雾协同)。《PLOS One》刊发的研究人员针对上述间隙,构建物理信息驱动与深度学习融合的预测框架。
关键技术方法上,研究人员采用国网福建莆田湄洲岛高温高湿盐雾复合环境实验室2018年1月至2023年12月连续监测的200只智能电表传感器约1050万小时级记录作为样本队列。特征工程引入SFCI、EAF及循环应力因子(CSF)等物理信息特征;子模型含标准Transformer、增强Transformer(混合位置编码与多尺度注意力、Pre-Norm)与BiLSTM;通过PSO动态加权集成,损失函数结合MSE与SmoothL1,AdamW优化,时序切分训练验证测试集为70%/15%/15%,序列长度L=12,以R2、RMSE、MAE、MAPE评估。
研究结果部分,引言指出沿海多应力退化机制区别于室内条件,盐渗透改变磁导率、湿汽致绝缘按Arrhenius动力学衰减(临界湿度75%以上每升10℃速率倍增)、PCB焊点电化学腐蚀电流密度正比于氯浓度与湿度。相关工作中对比Ma等吐鲁番干热、Zhang等二元二次多项式、Ma等高海拔HBO-BiLSTM,凸显本文明面盐雾物理信息指数与动态权重创新。材料与方法详述数据预处理(RobustScaler、IQR去异常)、SFCI(含指数衰减清洁项)、EAF(Heaviside函数表征75%RH阈值)、CSF公式,及增强Transformer复杂度由O(L2)降至局部窗口注意力,BiLSTM门控公式与输出层注意力,PSO更新公式与Algorithm 1流程。实验结果与分析中,性能比较显示集成模型R2=0.944、RMSE=0.0121%,优于LSTM(0.941)与增强Transformer单模(0.935);消融实验去增强Transformer降至0.886、去集成降至0.866、去PSO降3.0%、去SFCI/EAF降至0.901(高湿RMSE增32%);噪声鲁棒性在5%高斯噪声下R2仅降至0.923(退化2.2%);极端高温高湿(35℃、85%RH)下R2维持0.909;多步预测24步R2仍0.785;2022年7月案例提前5天预测超0.5%阈值(实际第23天达0.52%,误差0.01百分点)。特征分析与可解释性中,SHAP显示负载电流(重要性0.182)与I2R项(0.156)为主驱,负载电流-温度交互强度0.76,注意力权重在快速漂移期电流由0.15升至0.22;超参数敏感分析确定学习率10-4、序列长12、8头注意力、dropout 0.3最优。部署可行性指出全集成21.4M参数、845.3 GFLOPS,增强Transformer单模8.7M参数R2=0.935可作轻量替代,INT8量化压缩75%,云边协同推理7.8ms(批处理5.2ms)满足小时级实时。
讨论与结论翻译部分,研究人员在结论中阐明:开发SFCI与EAF定量描述氯沉积-吸湿-温度累积效应;增强Transformer计算复杂度降66%而精度更优;PSO集成达R2=0.944、RMSE=0.0121%(较最优单模提升6.9%);推动从周期维护转向基于状态维护,超差时间降85%、校准间隔延长27.5%、维护成本降30%。未来方向含不同海洋气候地理泛化、边缘压缩、跨域迁移及气候变化投影融合。该研究通过物理信息机器学习推进传感器可靠性工程,为恶劣环境预测性维护提供已验证工具。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号