CN106291445B - 一种电力采集***异常的智能化诊断方法 - Google Patents
一种电力采集***异常的智能化诊断方法 Download PDFInfo
- Publication number
- CN106291445B CN106291445B CN201610912687.5A CN201610912687A CN106291445B CN 106291445 B CN106291445 B CN 106291445B CN 201610912687 A CN201610912687 A CN 201610912687A CN 106291445 B CN106291445 B CN 106291445B
- Authority
- CN
- China
- Prior art keywords
- failure
- feature
- rule
- sample
- diagnosis
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Test And Diagnosis Of Digital Computers (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电力采集***异常的智能化诊断方法,其特征在于,所述智能化诊断方法包括以下步骤:步骤1,故障关键特征提取步骤,对故障特征的类型进行提取分类,提取关键故障特征;步骤2,故障智能诊断步骤,根据多维数据和步骤1提取的关键故障特征,对故障现象进行诊断;步骤3,故障处理预案推理步骤,采用专家***的知识库产生规则,对步骤2的故障诊断结果进行匹配执行,直至找到故障解答或者没有规则与故障匹配时停止。本方法提取历史故障的关键特征,并结合当前的多维信息,对故障类型进行智能诊断,并对故障进行精确定位并提出处理预案,使得运维工作更有针对性,实现对计量装置及采集***更科学、更高效的智能运维。
Description
技术领域
本发明涉及一种电力采集***异常的智能化诊断方法,实现对电力计量装置***故障的智能诊断和精确定位。
背景技术
电力计量装置是供电企业计量的重要设施,电力计量装置的正常运行是保证计量准确的关键,是维持正常电力市场秩序的重要条件,同时也是电力营销管理工作的重点。在电力计量数据的深化应用中,不管是面向营销的实用化出账、用电行为特征分析,还是反窃电、线损精细化管理等电力应用都依赖于高质量的用电计量数据。因此,计量数据及相关信息采集的可靠性就变得很关键。对于电力采集***异常的故障诊断非常重要。
发明内容
本发明的一种电力采集***异常的智能化诊断方法,依靠历史数据形成诊断知识,根据现象进行智能诊断,依靠专家***快速找到处理预案。同时整个智能诊断***也具有自学能力,根据预案的执行情况反馈,可以不断训练***,从而使得***积累的知识越丰富,逐步提高诊断的准确率。
实现上述目的的一种技术方案是:一种电力采集***异常的智能化诊断方法,其特征在于,所述智能化诊断方法包括以下步骤:
步骤1,故障关键特征提取步骤,对故障特征的类型进行提取分类,提取关键故障特征;
步骤2,故障智能诊断步骤,根据多维数据和步骤1提取的关键故障特征,对故障现象进行诊断;
步骤3,故障处理预案推理步骤,采用专家***的知识库产生规则,对步骤2的故障诊断结果进行匹配执行,直至找到故障解答或者没有规则与故障与之匹配时停止。
进一步的,步骤1的所述故障关键特征提取步骤包括以下步骤:
首先,人工对故障的特征进行挑选得到特征样本;
然后,采用Relief算法来计算各个特征的权重,每次从特征样本集中随机取出一个样本R,然后从和R同类的样本集中找出R的k个近邻样本(Near Hits),从每个R的不同类的样本集中均找出k个近邻样本(Near Misses),然后更新每个特征的权重,如下式所示:
将步骤1.2重复m次,最后得到各特征的平均权重;
最后,根据计算的故障的特征的平均权重确定关键故障特征。
进一步的,步骤2的所述故障智能诊断步骤中的多维数据,包括集中器下全无数据、采集器下全无数据、电能表无数据。
进一步的,步骤2的所述故障智能诊断步骤采用决策树进行诊断。
进一步的,步骤3的所述故障处理预案推理步骤以采集***故障处理预案为该专家***的知识库,以“IF…THEN…”的形式来描述规则,寻找与同数据库中的事实或断言相匹配的那些规则,并运用冲突的消除策略,从皆匹配的规则中挑选一个执行,从而改变原来数据内容,再重复上述步骤,直到数据库的事实与目标一致即找到解答,或者到没有规则可以与之匹配时才停止。
本方法通过对采集***的历史维护工单出发,提取历史故障的关键特征,并结合当前监测情况、停电计划、运维标签库等多维信息,对故障类型进行智能诊断,并对故障进行精确定位。同时,通过将新故障纳入历史经验积累和知识库支撑,实现预案推理,找到成功率最高的处理预案,使得运维工作更有针对性,实现对计量装置及采集***更科学、更高效的智能运维。
附图说明
图1为本发明的一种电力采集***异常的智能化诊断方法的流程示意图。
具体实施方式
为了能更好地对本发明的技术方案进行理解,下面通过具体地实施例并结合附图进行详细地说明:
请参阅图1,本发明提出了下述三个智能诊断步骤:故障关键特征提取步骤、故障智能诊断步骤、提出故障处理预案步骤。
步骤1,故障关键特征提取步骤:根据采集故障运维历史工单、人工经验指导以及累积形成的运维标签库,提取不同类型故障的关键特征,作为下一步故障诊断的知识库,对实现自动诊断起到关键的支撑作用。同时,知识库也会根据运维反馈情况,不断自动学习,不断根据历史累积情况修正这些关键特征,或使得这些关键特征更细化,实现更精细、更准确的诊断。
步骤1的处理步骤是:首先,依据先验经验人工挑选特征。人工挑选的特征范围较广,而且无法区分特征的重要程度。然后,采用Relief算法来计算各个特征的权重:每次从训练样本集中随机取出一个样本R,然后从和R同类的样本集中找出R的k个近邻样本(NearHits),从每个R的不同类的样本集中均找出k个近邻样本(Near Misses),然后更新每个特征的权重,如下式所示:
以上过程重复m次,最后得到各特征的平均权重。特征的权重越大,表示该特征的分类能力越强,反之,表示该特征分类能力越弱,这样能从定量化的角度来决定特征的重要程度及选取那些重要程度高的特征。最后,根据计算的故障的特征的平均权重确定故障关键特征。
步骤2,故障智能诊断步骤:根据搜集的故障现象作出智能判断,判断目前的现象属于哪类故障,从而为进一步采取什么样的运维措施提供方向性指导意见。
步骤2处理步骤是:采集集中器下全无数据、采集器下全无数据、电能表无数据等,并结合用户历史数据采集情况、历史工单信息、终端当前通讯情况、采集运维标签库信息、停电检修计划等多维度数据,进行初步诊断分析和远程处理,再根据步骤1提取的故障关键特征,对照当前表现出的故障现象,采用决策树模型来实现智能诊断。将决策树应用于故障诊断领域,对大量的状态数据进行挖掘,发现故障数据中存在的规律,并以规则的形式体现出来。
构造决策树的关键步骤是***属性。所谓***属性就是在某个节点处按照某一特征属性的不同划分构造不同的分支,其目标是让各个***子集尽可能纯粹,使一个***子集中的待分类项属于同一类别。
决策树构建的基本步骤如下:
1.开始,所有记录看作一个节点
2.遍历每个变量的每一种分割方式,找到最好的分割点
3.分割成两个节点N1和N2
4.对N1和N2分别继续执行2-3步,直到每个节点足够纯粹为止。
构造决策树的关键性内容是进行属性选择度量,属性选择度量是一种选择***准则,是将给定的类标记的训练集合的数据划分D分成个体类的启发式方法,它决定了拓扑结构及***点split_point的选择。
属性选择度量算法有很多,一般使用自顶向下递归分治法,并采用不回溯的贪心策略。在故障智能诊断模型中我们采用ID3算法。其中设D为用类别对训练元组进行的划分,则D的熵(entropy)表示为:
其中pi表示第i个类别在整个训练元组中出现的概率,可以用属于此类别元素的数量除以训练元组元素总数量作为估计。熵的实际意义表示是D中元组的类标号所需要的平均信息量。
假设将训练元组D按属性A进行划分,则A对D划分的期望信息为:
而信息增益即为两者的差值:
gain(A)=info(D)-infoA(D)
ID3算法就是在每次需要***时,计算每个属性的增益率,然后选择增益率最大的属性进行***。
通过决策树,诊断后将故障进行具体的描述和定位。
步骤3,故障处理预案推理步骤:根据故障诊断结果,并结合历史工单处理预案的经验类型,提出可行的故障运维建议,并对预案按照成功概率进行排序。同时,搜集运维结果反馈情况,形成自反馈、自学习机制,使得下次推荐的预案更具可操作性,切实提高运维工作的一次成功率,从而提高整体运维工作的效率。
故障处理预案推理步骤采用专家***为基本框架,以采集***故障处理预案为该专家***的知识库,以产生式规则IF…THEN…的形式来描述知识。采用正向链的策略作为专家***的推理机。具体方法是寻找出前提可以同数据库中的事实或断言相匹配的那些规则,并运用冲突的消除策略,从这些都可满足的规则中挑选出一个执行,从而改变原来数据库的内容。这样反复地进行寻找,直到数据库的事实与目标一致即找到解答,或者到没有规则可以与之匹配时才停止。
本技术领域中的普通技术人员应当认识到,本发明并不局限于电力变压器的诊断,也适用于其他电力设备的诊断,甚至适用于机械、建筑等诊断。该综合诊断方法的核心精神是自学习,自组织,具有开放性,可伸缩性,可扩展性,极具智能化的诊断方法。
Claims (4)
1.一种电力采集***异常的智能化诊断方法,其特征在于,所述智能化诊断方法包括以下步骤:
步骤1,故障关键特征提取步骤,对故障特征的类型进行提取分类,提取关键故障特征;
步骤2,故障智能诊断步骤,根据多维数据和步骤1提取的关键故障特征,对故障现象进行诊断;
步骤3,故障处理预案推理步骤,采用专家***的知识库产生规则,对步骤2的故障诊断结果进行匹配执行,直至找到故障解答或者没有规则与故障匹配时停止,步骤1的所述故障关键特征提取步骤包括以下步骤:
首先,人工对故障的特征进行挑选得到特征样本;
然后,采用Relief算法来计算各个所述特征A的权重,每次从所述特征A的样本集中随机取出一个特征样本R,然后从和所述特征样本R同类的样本集中找出所述特征样本的k个近邻样本Hj(j=1,2……k),从每个R的不同类的样本集中均找出近邻样本(Near Misses),然后更新每个所述特征A的平均权重,如下式所示:
将步骤1、2重复m次,最后得到各所述特征A的平均权重;
其中,W为初始权重,Mj(C)第C类目标中第j(j=1,2……k)个样本,p(C)为C(C≠class(R))类样本出现的概率;class(R)表示所述样本R所拥有的类标签;
最后,根据计算每个所述特征A的平均权重确定关键故障特征。
2.根据权利要求1所述的一种电力采集***异常的智能化诊断方法,其特征在于,步骤2的所述故障智能诊断步骤中的多维数据,包括用户历史数据采集采集情况、历史工单信息、终端当前通讯情况、采集运维标签库信息和停电计划。
3.根据权利要求1所述的一种电力采集***异常的智能化诊断方法,其特征在于,步骤2的所述故障智能诊断步骤采用决策树进行诊断。
4.根据权利要求1所述的一种电力采集***异常的智能化诊断方法,其特征在于,步骤3的所述故障处理预案推理步骤以采集***故障处理预案为该专家***的知识库,以“IF…THEN…”的形式来描述规则,寻找与数据库中的事实或断言相匹配的那些规则,并运用冲突的消除策略,从皆匹配的规则中挑选一个执行,从而改变原来数据内容,再重复上述步骤,直到数据库的事实与目标一致即找到解答,或者到没有规则可以与之匹配时停止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610912687.5A CN106291445B (zh) | 2016-10-20 | 2016-10-20 | 一种电力采集***异常的智能化诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610912687.5A CN106291445B (zh) | 2016-10-20 | 2016-10-20 | 一种电力采集***异常的智能化诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106291445A CN106291445A (zh) | 2017-01-04 |
CN106291445B true CN106291445B (zh) | 2019-01-25 |
Family
ID=57720694
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610912687.5A Active CN106291445B (zh) | 2016-10-20 | 2016-10-20 | 一种电力采集***异常的智能化诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106291445B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106897779A (zh) * | 2017-03-02 | 2017-06-27 | 苏州紫方数据科技有限公司 | 一种数据中心运维***事件的处理方法 |
CN107145959A (zh) * | 2017-03-23 | 2017-09-08 | 北京国电通网络技术有限公司 | 一种基于大数据平台的电力数据处理方法 |
CN107689886A (zh) * | 2017-08-11 | 2018-02-13 | 北京小度信息科技有限公司 | 数据接口故障处理方法、装置及电子设备 |
CN107703383A (zh) * | 2017-09-21 | 2018-02-16 | 国网上海市电力公司 | 一种信息采集***故障诊断知识库的建立方法 |
CN108121796A (zh) * | 2017-12-20 | 2018-06-05 | 国网湖南省电力有限公司 | 基于可信度的电能计量装置故障分析方法及装置 |
CN110658416A (zh) * | 2017-12-27 | 2020-01-07 | 国家电网有限公司 | 一种实现复杂故障的智能诊断分析方法 |
CN108319240B (zh) * | 2018-01-24 | 2020-11-17 | 中国电力科学研究院有限公司 | 一种在现场作业终端应用采集运维知识库的方法和*** |
CN109615088A (zh) * | 2018-10-12 | 2019-04-12 | 国网浙江省电力有限公司电力科学研究院 | 一种基于用电信息采集标签的运维工单处理方法 |
CN109765883B (zh) * | 2019-03-04 | 2020-09-22 | 积成电子股份有限公司 | 配电自动化终端运行状态评价与故障诊断方法 |
CN110009525A (zh) * | 2019-04-02 | 2019-07-12 | 国网新疆电力有限公司电力科学研究院 | 用电信息采集***及使用方法 |
CN114095336B (zh) * | 2020-08-07 | 2024-07-02 | ***通信集团海南有限公司 | 端到端问题诊断方法及*** |
CN111985558A (zh) * | 2020-08-19 | 2020-11-24 | 安徽蓝杰鑫信息科技有限公司 | 一种电能表异常诊断方法及其*** |
CN112084220B (zh) * | 2020-09-21 | 2024-05-14 | 国网重庆市电力公司营销服务中心 | 一种电能计量装置异常诊断方法、装置及可读存储介质 |
CN112668733A (zh) * | 2020-12-17 | 2021-04-16 | 国网冀北电力有限公司信息通信分公司 | 基于无监督学习的通信管理***缺陷故障派单方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122431A (zh) * | 2010-12-15 | 2011-07-13 | 广东电网公司电力科学研究院 | 用电信息采集终端的故障智能诊断方法及*** |
CN104363106A (zh) * | 2014-10-09 | 2015-02-18 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于大数据技术的电力信息通信故障预警分析方法 |
CN105319482A (zh) * | 2015-09-29 | 2016-02-10 | 科大智能科技股份有限公司 | 基于多源信息融合的配电网故障诊断***及方法 |
CN105372557A (zh) * | 2015-12-03 | 2016-03-02 | 国家电网公司 | 基于关联规则的电网资源故障诊断方法 |
CN105445691A (zh) * | 2015-11-13 | 2016-03-30 | 国网山东省电力公司电力科学研究院 | 一种用电信息采集设备故障综合诊断*** |
-
2016
- 2016-10-20 CN CN201610912687.5A patent/CN106291445B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102122431A (zh) * | 2010-12-15 | 2011-07-13 | 广东电网公司电力科学研究院 | 用电信息采集终端的故障智能诊断方法及*** |
CN104363106A (zh) * | 2014-10-09 | 2015-02-18 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于大数据技术的电力信息通信故障预警分析方法 |
CN105319482A (zh) * | 2015-09-29 | 2016-02-10 | 科大智能科技股份有限公司 | 基于多源信息融合的配电网故障诊断***及方法 |
CN105445691A (zh) * | 2015-11-13 | 2016-03-30 | 国网山东省电力公司电力科学研究院 | 一种用电信息采集设备故障综合诊断*** |
CN105372557A (zh) * | 2015-12-03 | 2016-03-02 | 国家电网公司 | 基于关联规则的电网资源故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106291445A (zh) | 2017-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106291445B (zh) | 一种电力采集***异常的智能化诊断方法 | |
CN110298574B (zh) | 一种基于卷积神经网络的用电用户缴费风险评级方法 | |
CN109142946A (zh) | 基于蚁群算法优化随机森林的变压器故障检测方法 | |
CN110335168B (zh) | 基于gru优化用电信息采集终端故障预测模型的方法及*** | |
CN109461025A (zh) | 一种基于机器学习的电能替代潜在客户预测方法 | |
CN106022529A (zh) | 一种基于高维随机矩阵的配电网异常数据检测方法 | |
CN106022614A (zh) | 一种基于最近邻聚类的神经网络数据挖掘方法 | |
CN111949939B (zh) | 基于改进topsis和聚类分析的智能电表运行状态评价方法 | |
CN110750655A (zh) | 一种智能ietm故障维修辅助***的知识库优化方法 | |
CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
CN103197983A (zh) | 基于概率图模型的服务组件可靠性在线时间序列预测方法 | |
CN108022123B (zh) | 一种业务模型的自动调整方法及装置 | |
Liu et al. | A multi-objective evolutionary algorithm based on membrane systems | |
CN117172530A (zh) | 基于数据挖掘算法的企业运营风险评估***及方法 | |
CN111027841A (zh) | 一种基于梯度提升决策树的低压台区线损计算方法 | |
Nastro et al. | A machine learning approach based on neural networks for energy diagnosis of telecommunication sites | |
Ullah et al. | Adaptive data balancing method using stacking ensemble model and its application to non-technical loss detection in smart grids | |
Mu et al. | An intelligent ant colony optimization for community detection in complex networks | |
Pei et al. | The real‐time state identification of the electricity‐heat system based on Borderline‐SMOTE and XGBoost | |
CN109858785A (zh) | 一种评价智能电能表运行状态的方法和*** | |
CN103136440A (zh) | 数据处理方法和装置 | |
CN107977727B (zh) | 一种基于社会发展和气候因素预测光缆网阻断概率的方法 | |
CN106384307A (zh) | 一种县域配电网规划差异化评估方法 | |
Xiao | Optimal allocation model of enterprise human resources based on particle swarm optimization | |
CN110059752A (zh) | 一种基于信息熵抽样估计的统计学习查询方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |