CN103605103A - 基于s型曲线函数的电能计量故障智能诊断方法 - Google Patents

Abstract

一种基于S型曲线函数的电能计量故障智能诊断方法，包括以下步骤：S1：从计量自动化***中抽取实时负荷、日电量、终端报警、主站报警的历史数据；S2：从历史数据中提取计量故障评估指标；S3：基于S型曲线函数构建训练样本集；S4：构建计量故障诊断模型；S5：计量故障智能诊断；S6：优化计量故障诊断模型参数，并重构计量故障诊断模型。本方法以电能计量自动化***为基础，可自动地对海量的电力数据进行智能诊断分析。计量故障诊断***能根据其应用的环境、最新的实际数据和***反馈进行模型结构与参数的自动调整和优化，达到更好的诊断效果。

Description

基于S型曲线函数的电能计量故障智能诊断方法

技术领域

本发明涉及一种电能计量自动化***中出现的计量故障进行智能诊断的方法，尤其是涉及一种基于S型曲线函数的电能计量故障智能诊断方法。 

技术背景

随着我国市场经济的飞速发展，企业用电量的急速增加，供电复杂性和用电多样性等电力特性日益突出，用电异常现象也在向着更加严重的方向频频发生。科技的迅猛发展使得供电企业能够更加高效地为电力用户提供优质的供电服务，同时用电异常行为也在高科技的背景下更具复杂性和隐秘性，导致国家和供电企业蒙受巨大的损失。由于目前对于电力用户用电异常的监控缺乏先进的技术手段，严重制约了用电***门的工作效率和工作准确性。 

电能计量自动化***的建立为对用电行为的监管提供了科学的技术支撑，为建立一套行之有效的用电异常排查机制提供了坚实的数据基础。当供电企业对某个电力用户的用电行为产生怀疑时，可通过电能计量自动化***实时采集电力用户的电量数据、负荷数据以及事件信息，然后由技术骨干对大量的电力数据进行汇总、分析、统计。经由电能计量自动化***先进的自动化手段与供电企业技术骨干的行业经验相结合，能够较为准确地判断出嫌疑用户是否存在用电异常行为。***的运行效率取决于服务器的性能，通过提升硬件配置或者优化软件设计可有效增强***远程采集用电数据的能力。然而供电企业的人员配置却会成为制约用电异常分析的瓶颈，毕竟具有丰富行业经验的技术骨干还是为数不多，不足以满足要对海量数据进行经验分析的人员需求。 

发明内容

本发明所要解决的技术问题，就是提供一种基于S型曲线函数的电能计量故障智能诊断方法，其能够诊断电能计量自动化***中出现的计量故障问题，达到真正定位到异常用电用户的目的。 

解决上述技术问题，本发明采用的技术方案是： 

一种基于S型曲线函数的电能计量故障智能诊断方法，包括以下步骤： 

S1：从电能计量自动化***中抽取实时负荷、日电量、终端报警、主站报警的历史数据； 

S2：从历史数据中提取计量故障评估指标； 

S3：基于S型曲线函数构建训练样本集； 

S4：构建计量故障诊断模型； 

S5：计量故障智能诊断； 

S6：优化计量故障诊断模型参数，并重构计量故障诊断模型。 

所述的S1包括以下子步骤： 

S1.1：确定样本覆盖范围 

选取的样本数据时间范围内的全部相关计量数据； 

S1.2：确定样本数据范围 

样本数据抽取时，要包含异常用电的所有大用户，从电能计量自动化***采集的数据包括： 

实时负荷：时间点、计量点、A/B/C相有功、A/B/C相电流、A/B/C相电压和A/B/C相功率因数； 

日电量：时间点、计量点、有功总、峰/平/谷和无功电量； 

终端报警：电压断相、电压缺相和电压回路逆相序日报警次数； 

主站报警：失流、过负荷和不平衡日报警次数。 

所述的S2包含以下子步骤： 

S2.1提取日均失压/过压率 

分别计算三相中的每相电压与额定电压差值，同时计数numCount； 

若差值小于0且小于失压界值，判断为失压并计数numLower； 

若差值大于0且大于过压界值，判断为过压并计数numOver； 

循环计算每天的计量点后，得出失压率（numLower/numCount）和过压率（numOver/numCount），并导入计量故障分析数据集中； 

S2.2提取日均失流/过负荷/电流不平衡率 

计量***数据库中额定电流已设定，计算启动电流=额定电流×0.05；分别计算每天96个计量点中的每个计量点中三相电流平均值，并计数numCount； 

若三相电流平均值大于0，则分别判断三相电流情况： 

如果某相电流为0安，其它相电流大于启动电流，判断为失流并计数numLower； 

如果当前电流大于额定电流的1.2倍，判断为过负荷并计数numOver； 

如果（当前某相电流—平均三相电流）/平均三相电流>0.3，判断为不平衡并计数numUnbalance； 

循环计算每天计量点后得出失流、过负荷和不平衡的比率，即（numLower+numOver+numUnbalance）/numCount，并把比率导入计量故障分析数据集中； 

S2.3提取电压回路异常报警次数 

通过对操作型数据库或业务数据仓库中相关数据集字段电压断相，电压缺相，电压回路逆相序统计，得到总的电压回路异常报警次数，并将其导入计量故障分析数据集中； 

S2.4提取电流回路异常报警次数 

通过对操作型数据库或业务数据仓库中相关数据集字段失流次数、过负荷次数，三相不平衡次数统计，得到电流回路异常报警次数，并将其导入计量故障分析数据集中； 

S2.5提取日均峰平谷电量异常率 

简单查询并计算电量=负荷×时间，得出每天总电量、峰电量、平电量和谷电量，并计数numCount；计算|峰电量—总电量|、|平电量—总电量|和|谷电量—总电量|，若其中差值超过3度，则判断为日均峰平谷电量异常并计数numException； 

循环计算计量点后得出日均峰平谷电量异常率（numException/numCount），将其导入计量故障分析数据集中； 

S2.6提取日均电量比对异常率 

通过查询操作型数据库或业务数据仓库数据库中相关数据集，得出只针对三相三线接线方式的终端全交流采样计算电量，与步骤S2.5计算的总电量作比对，即总电量/终端全交流采样电量；若比对值大于0.05，判断为电量比对异常并计数dlbdyc，则得出日均电量比对异常率（dlbdyc/numCount）； 

S2.7提取日均相位角异常率 

通过查询操作型数据库或业务数据仓库中相关数据集的实时负荷，计算A,B,C三相电压电流的反余弦，转换可识别的整数并结合对应的两相，判断接线方式是否正确。若接线方式不正确，判断为相位角异常并计数numException；循环计算每天计量点后得出相位角异常率（numException/numCount），将其导入计量故障分析数据集中。 

所述的S3包括以下子步骤： 

S3.1计量故障样本配置 

根据计量故障评估指标趋势分析和结合电力专家经验指导，配置每个指标相对于S型曲线的相关拐点，配置如下 

S3.2构建评价指标S型曲线函数： 

根据业务理解和模型思考，现取K=0.999，N=0.001；再结合S3.1步y取中值和y趋于稳定的点，得出不同计量故障评估指标的S型曲线： 

S型增长率曲线 

y=k/(1+e^-rt(k/n-1))； 

如图1所示，S型增长率曲线反映了生物种群增长趋势，其中r为自然增长率，k为一个常数，n为种群个体基数，种群数量y随着时间t而呈现出如图所示的增长趋势；但受到生存空间，生存资源和物种竞争等因素影响，种群必定在达到一定数目后趋于稳定； 

其中自然增长率r可通过Math.log((K-N0)/N0)/mid求得，mid为y=0.5时t的值； 

S3.3创建训练样本集 

S2得到的计量故障分析数据集中，包含从历史样本数据中提取计量故障评估指标的计量点序列值；不同计量故障评估指标数据应用到S3.2步中对应的S型曲线函数，得出相应的指标计算结果y（0.00～1.00范围）； 

如果y<0.50，指标正常并标记到相应的数据项中；如果y>0.50，指标不正常并标记到相应的数据项中，从而创建了计量故障训练样本集； 

所述的步骤S4，根据实际应用所需情况，现对所述的S4提出了两种计量故障诊断 模型方案： 

方案1 

由于y值符合概率条件（非负性，规范性和可列可加性），且各个计量故障评估指标发生概率满足独立性条件，可通过y_总体=1-(1-y_{日均失压/过压率})(1-y_{日均失流/过负荷/不平衡率})(1-y_{日均失流/过负荷/不平衡率})(1-y_{日均电表比对异常率})(1-y_{日均峰平谷电量异常率})(1-y_{电压回路异常报警次数})(1-y_{电流回路异常报警次数})，得出计量故障不正常的概率； 

若概率大于0.5，则判断为该用户计量有故障； 

若概率小于0.5，则判断为该用户计量没有故障； 

方案2 

以S3.3步创建的计量故障训练样本集中每个评估指标y的值为输入，支持向量机为分类模型，得到相应用户计量是否有故障。 

所述的步骤S5计量故障智能诊断，包含以下子步骤： 

S5.1从电能计量自动化***实时抽取实时负荷，日电量，终端报警和主站报警数据； 

S5.2调用步骤2中对应的处理方法，提取出实时数据的计量故障评估指标； 

S5.3调用模型，判断各个计量点用户的计量是否有故障。 

所述的步骤S6包括以下子步骤： 

S6.1对模型的评价结果进行人工审核，若诊断结果正确，则结束，否则转至S6.2； 

S6.2重新审视计量故障诊断模型的评价指标和训练样本，并调整计量故障诊断模型的参数，结果满意为期； 

S6.3保存模型。 

有益效果：本方法以电能计量自动化***为基础，可自动地对海量的电力数据进行智能诊断分析。计量故障诊断***能根据其应用的环境、最新的实际数据和***反馈进行模型结构与参数的自动调整和优化，达到更好的诊断效果。 

本方法能够根据新的数据调整自己的诊断条件，不断地学习，不断地以新的知识应对复杂多变的客户用电行为。本方法将成为一把能够大大提高用电检查工作效率和准确性的利剑。 

附图说明

图1应用于一天中实时负荷计量的S型增长率曲线； 

图2计量故障评价指标体系； 

图3计量故障诊断模型构建； 

图4相位角计算方法； 

图5本发明的基于S型曲线函数的电能计量故障智能诊断方法流程图。 

具体实施方式

如图5所示，本发明的基于S型曲线函数的电能计量故障智能诊断方法，包括以下步骤： 

S1：从计量自动化***中抽取实时负荷、日电量、终端报警、主站报警的历史数据 

具体包括以下子步骤： 

S1.1：确定样本覆盖范围 

2009年12月31至2011年12月31日全部的相关计量数据； 

S1.2：确定样本数据范围 

样本数据抽取时，要包含异常用电的所有大用户，包括大工业用电、商业用电、城市居民用电等。从电能计量自动化***采集的数据属性主要为 

实时负荷：时间点、计量点、A/B/C相有功、A/B/C相电流、A/B/C相电压和A/B/C相功率因数； 

日电量：时间点、计量点、有功总、峰/平/谷和无功电量； 

终端报警：电压断相、电压缺相和电压回路逆相序日报警次数； 

主站报警：失流、过负荷和不平衡日报警次数。 

S2：从历史数据中提取计量故障评估指标 

具体包含以下子步骤： 

S2.1提取日均失压/过压率 

分别计算三相中的每相电压与额定电压差值，同时计数numCount； 

若差值小于0且小于失压界值，判断为失压并计数numLower； 

若差值大于0且大于过压界值，判断为过压并计数numOver； 

循环计算每天计量点后，得出失压率（numLower/numCount）和过压率（numOver/numCount），并导入计量故障分析数据集中； 

S2.2提取日均失流/过负荷/电流不平衡率 

数据库中额定电流已由相关电力技术人员设定，并计算启动电流=额定电流×0.05；分别计算每天96个计量点中的每个计量点中三相电流平均值，并计数numCount； 

若三相电流平均值大于0，则分别判断三相电流情况： 

如果某相电流为0安，其它相电流大于启动电流，判断为失流并计数numLower； 

如果当前电流大于额定电流的1.2倍，判断为过负荷并计数numOver； 

如果（当前某相电流—平均三相电流）/平均三相电流>0.3，判断为不平衡并计数numUnbalance； 

循环计算每天计量点后得出失流、过负荷和不平衡的比率，即（numLower+numOver+numUnbalance）/numCount，并把比率导入计量故障分析数据集中； 

S2.3提取电压回路异常报警次数 

通过对操作型数据库或业务数据仓库中相关数据集字段电压断相，电压缺相，电压回路逆相序统计，得到总的电压回路异常报警次数，并将其导入计量故障分析数据集中； 

S2.4提取电流回路异常报警次数 

通过对操作型数据库或业务数据仓库中相关数据集字段失流次数、过负荷次数，三相不平衡次数统计，得到电流回路异常报警次数，并将其导入计量故障分析数据集中； 

S2.5提取日均峰平谷电量异常率 

简单查询并计算电量=负荷×时间，得出每天总电量、峰电量、平电量和谷电量，并计数numCount；计算|峰电量—总电量|、|平电量—总电量|和|谷电量—总电量|，若其中差值超过3度，则判断为日均峰平谷电量异常并计数numException； 

循环计算计量点后得出日均峰平谷电量异常率（numException/numCount），将其导入计量故障分析数据集中； 

S2.6提取日均电量比对异常率 

通过查询操作型数据库或业务数据仓库数据库中相关数据集，得出只针对三相三线接线方式的终端全交流采样计算电量，与步骤S2.5计算的总电量作比对，即总电量/终端全交流采样电量；若比对值大于0.05，判断为电量比对异常并计数dlbdyc，则得出日均电量比对异常率（dlbdyc/numCount）； 

S2.7提取日均相位角异常率 

通过查询操作型数据库或业务数据仓库中相关数据集的实时负荷，计算A,B,C三相电压电流的反余弦，转换可识别的整数并结合对应的两相，判断接线方式是否正确。若接线方式不正确，判断为相位角异常并计数numException。循环计算每天计量点后得出 相位角异常率（numException/numCount），将其导入计量故障分析数据集中。 

参见图2，计量故障评估指标计算方法总结如下表 

S3：基于S型曲线函数构建训练样本集 

具体包括以下子步骤： 

S3.1计量故障样本配置 

根据计量故障评估指标趋势分析和结合电力专家经验指导，配置每个指标相对于S型曲线的相关拐点，配置如下 

； 

S3.2构建评价指标S型曲线函数 

根据业务理解和模型思考，现取K=0.999，N=0.001；再结合S3.1步y取中值和y趋于稳定的点，得出不同计量故障评估指标的S型曲线： 

S型增长率曲线 

y=k/(1+e^-rt(k/n-1))； 

如图1所示，S型增长率曲线反映了生物种群增长趋势，其中r为自然增长率，k为一个常数，n为种群个体基数，种群数量y随着时间t而呈现出如图1所示的增长趋势；但受到生存空间，生存资源和物种竞争等因素影响，种群必定在达到一定数目后趋于稳定； 

其中自然增长率r可通过Math.log((K-N0)/N0)/mid求得，mid为y=0.5时t的值； 

S3.3创建训练样本集 

从S2得到的计量故障分析数据集中，包含从历史样本数据中提取计量故障评估指标的计量点序列值；不同计量故障评估指标数据应用到S3.2步中对应的S型曲线函数，得出相应的指标计算结果y（0.00～1.00范围）； 

如果y<0.50，指标正常并标记到相应的数据项中；如果y>0.50，指标不正常并标记到相应的数据项中，从而创建了计量故障训练样本集。 

S4：构建计量故障诊断模型 

根据实际应用所需情况，提出了两种计量故障诊断模型方案： 

方案1 

由于y值符合概率条件（非负性，规范性和可列可加性），且各个计量故障评估指标发生概率满足独立性条件，可通过y_总体=1-(1-y_{日均失压/过压率})(1-y_{日均失流/过负荷/不平衡率})(1-y_{日均失流/过负荷/不平衡率})(1-y_{日均电表比对异常率})(1-y_{日均峰平谷电量异常率})(1-y_{电压回路异常报警次数})(1-y_{电流回路异常报警次数})，得出计量故障不正常的概率； 

若概率大于0.5，则判断为该用户计量有故障； 

若概率小于0.5，则判断为该用户计量没有故障； 

方案2 

以S3.3步创建的计量故障训练样本集中每个评估指标y的值为输入，支持向量机为分类模型，得到相应用户计量是否有故障； 

SVM最早是有vapnik提出，是当前数据挖掘领域中比较流行的机器学习算法，具有结构风险小，泛化能力优异等优点，能解决高维度，非线性问题。对计量故障具有很好的分类效果。 

SVM算法是将输入空间中的样本通过一种非线性函数关系映射为一个高维特征空间中，使样本在该高维特征空间中线性可分，并找出样本在该高维特征空间中的最优线性分类超平面。表示为下式 

$f\left(x\right)=\mathrm{sgn}(w\&CenterDot;x+b)=\mathrm{sgn}\{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_{i}k(x,x_i)+b\}$

其中，y_i是训练实例x_i（支持向量）的类值；x是测试实例；k(x,x_i)为核函数，α_i（拉格朗日乘子）和b是需要学习算法决定的数值参数。寻找实例集的支持向量并决定α_i和b属于标准的受限的二次优化问题。在SVM中用到的核函数有线性核函数、多项式核函 数、径向基核函数和Sigmoid核函数，其中径向基核函数一般优于其他核函数，所以定位最后的支持向量机判别式为 

$f\left(x\right)=\mathrm{sgn}(w\&CenterDot;x+b)=\mathrm{sgn}\{\underset{i=1}{\overset{k}{\mathrm{\&Sigma;}}}{\mathrm{\&alpha;}}_i{y}_i\exp (-\frac{\left|\right|x_i,x_j\left|\right|}{{2\mathrm{\&sigma;}}^2})+b\}$

其中σ为径向基核函数宽度。 

S5：计量故障智能诊断 

构建计量故障诊断模型后，就可以实时采集计量数据并调用训练好的模型实现对用户计量故障诊断，具体包含以下子步骤： 

S5.1从电能计量自动化***实时抽取实时负荷，日电量，终端报警和主站报警数据； 

S5.2调用步骤2中对应的处理方法，提取出实时数据的计量故障评估指标； 

S5.3调用模型，判断各个计量点用户的计量是否有故障。 

S6：优化计量故障诊断模型参数，并重构计量故障诊断模型 

具体包括以下子步骤： 

S6.1对模型的评价结果进行人工审核，若诊断结果正确，则结束，否则转至S6.2； 

S6.2重新审视计量故障诊断模型的评价指标和训练样本，并调整计量故障诊断模型的参数，结果满意为期；见图3所示。 

S6.3保存模型。 

Claims (7)

1.一种基于S型曲线函数的电能计量故障智能诊断方法，其特征是包括以下步骤： 

S1：从电能计量自动化***中抽取实时负荷、日电量、终端报警、主站报警的历史数据； 

S2：从历史数据中提取计量故障评估指标； 

S3：基于S型曲线函数构建训练样本集； 

S4：构建计量故障诊断模型； 

S5：计量故障智能诊断； 

S6：优化计量故障诊断模型参数，并重构计量故障诊断模型。 

2.根据权利要求1所述的基于S型曲线函数的电能计量故障智能诊断方法，其特征是：所述的S1包括以下子步骤： 

S1.1：确定样本覆盖范围 

选取样本数据时间范围内的全部相关计量数据； 

S1.2：确定样本数据范围 

包括： 

实时负荷：时间点、计量点、A/B/C相有功、A/B/C相电流、A/B/C相电压和A/B/C相功率因数； 

日电量：时间点、计量点、有功总、峰/平/谷和无功电量； 

终端报警：电压断相、电压缺相和电压回路逆相序日报警次数； 

主站报警：失流、过负荷和不平衡日报警次数。 

3.根据权利要求1所述的基于S型曲线函数的电能计量故障智能诊断方法，其特征是：所述的S2包含以下子步骤： 

S2.1提取日均失压/过压率 

分别计算三相中的每相电压与额定电压差值，同时计数numCount； 

若差值小于0且小于失压界值，判断为失压并计数numLower； 

若差值大于0且大于过压界值，判断为过压并计数numOver； 

循环计算每天的计量点后，得出失压率和过压率，并导入计量故障分析数据集中； 

S2.2提取日均失流/过负荷/电流不平衡率 

计量***数据库中额定电流已设定，计算启动电流=额定电流×0.05；分别计算每天96个计量点中的每个计量点中三相电流平均值，并计数numCount； 

若三相电流平均值大于0，则分别判断三相电流情况： 

如果某相电流为0，其它相电流大于启动电流，判断为失流并计数numLower； 

如果当前电流大于额定电流的1.2倍，判断为过负荷并计数numOver； 

如果（当前某相电流—平均三相电流）/平均三相电流>0.3，判断为不平衡并计数numUnbalance； 

循环计算每天计量点后得出失流、过负荷和不平衡的比率，并把比率导入计量故障分析数据集中； 

S2.3提取电压回路异常报警次数 

通过对操作型数据库或业务数据仓库中相关数据集字段电压断相，电压缺相，电压回路逆相序统计，得到总的电压回路异常报警次数，并将其导入计量故障分析数据集中； 

S2.4提取电流回路异常报警次数 

通过对操作型数据库或业务数据仓库中相关数据集字段失流次数、过负荷次数，三相不平衡次数统计，得到电流回路异常报警次数，并将其导入计量故障分析数据集中； 

S2.5提取日均峰平谷电量异常率 

简单查询并计算电量=负荷×时间，得出每天总电量、峰电量、平电量和谷电量，并计数numCount；计算|峰电量—总电量|、|平电量—总电量|和|谷电量—总电量|，若其中差值超过3度，则判断为日均峰平谷电量异常并计数numException； 

循环计算计量点后得出日均峰平谷电量异常率，将其导入计量故障分析数据集中； 

S2.6提取日均电量比对异常率 

通过查询操作型数据库或业务数据仓库数据库中相关数据集，得出只针对三相三线接线方式的终端全交流采样计算电量，与步骤S2.5计算的总电量作比对，即总电量/终端全交流采样电量；若比对值大于0.05，判断为电量比对异常并计数dlbdyc，则得出日均电量比对异常率； 

S2.7提取日均相位角异常率 

通过查询操作型数据库或业务数据仓库中相关数据集的实时负荷，计算A,B,C三相电压电流的反余弦，转换可识别的整数并结合对应的两相，判断接线方式是否正确；若接线方式不正确，判断为相位角异常并计数numException；循环计算每天计量点后得出相位角异常率，将其导入计量故障分析数据集中。 

4.根据权利要求1所述的基于S型曲线函数的电能计量故障智能诊断方法，其特征是： 所述的S3包括以下子步骤： 

S3.1计量故障样本配置 

配置每个指标相对于S型曲线的相关拐点，配置如下 

S3.2构建评价指标S型曲线函数： 

取K=0.999，N=0.001；再结合S3.1步y取中值和y趋于稳定的点，得出不同计量故障评估指标的S型曲线： 

S型增长率曲线 

y=k/(1+e^-rt(k/n-1))； 

S型增长率曲线反映了生物种群增长趋势，其中r为自然增长率，k为一个常数，n为种群个体基数，种群数量y随着时间t而呈现出增长趋势；但受到生存空间，生存资源和物种竞争等因素影响，种群必定在达到一定数目后趋于稳定； 

其中自然增长率r可通过Math.log((K-N0)/N0)/mid求得，mid为y=0.5时t的值； 

S3.3创建训练样本集 

S2得到的计量故障分析数据集中，包含从历史样本数据中提取计量故障评估指标的计量点序列值；不同计量故障评估指标数据应用到S3.2步中对应的S型曲线函数，得出相应的指标计算结果y； 

如果y<0.50，指标正常并标记到相应的数据项中；如果y>0.50，指标不正常并标记到相应的数据项中，从而创建了计量故障训练样本集。 

5.根据权利要求1所述的基于S型曲线函数的电能计量故障智能诊断方法，其特征是： 所述的步骤S4提出了两种计量故障诊断模型： 

模型1 

由于y值符合概率条件，且各个计量故障评估指标发生概率满足独立性条件，可通过y_总体=1-(1-y_{日均失压/过压率})(1-y_{日均失流/过负荷/不平衡率})(1-y_{日均失流/过负荷/不平衡率})(1-y_{日均电表比对异常率})(1-y_{日均峰平谷电量异常率})(1-y_{电压回路异常报警次数})(1-y_{电流回路异常报警次数})，得出计量故障不正常的概率； 

若概率大于0.5，则判断为该用户计量有故障； 

若概率小于0.5，则判断为该用户计量没有故障； 

模型2 

以S3.3步创建的计量故障训练样本集中每个评估指标y的值为输入，支持向量机为分类模型，得到相应用户计量是否有故障。 

6.根据权利要求1所述的基于S型曲线函数的电能计量故障智能诊断方法，其特征是：所述的步骤S5包含以下子步骤： 

S5.1从电能计量自动化***实时抽取实时负荷，日电量，终端报警和主站报警数据； 

S5.2调用步骤2中对应的处理方法，提取出实时数据的计量故障评估指标； 

S5.3调用模型，判断各个计量点用户的计量是否有故障。 

7.根据权利要求1所述的基于S型曲线函数的电能计量故障智能诊断方法，其特征是：所述的步骤S6包括以下子步骤： 

S6.1对模型的评价结果进行人工审核，若诊断结果正确，则结束，否则转至S6.2； 

S6.2重新审视计量故障诊断模型的评价指标和训练样本，并调整计量故障诊断模型的参数，结果满意为期； 

S6.3保存模型。 

Images