CN112084220B - 一种电能计量装置异常诊断方法、装置及可读存储介质 - Google Patents
一种电能计量装置异常诊断方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN112084220B CN112084220B CN202010995333.8A CN202010995333A CN112084220B CN 112084220 B CN112084220 B CN 112084220B CN 202010995333 A CN202010995333 A CN 202010995333A CN 112084220 B CN112084220 B CN 112084220B
- Authority
- CN
- China
- Prior art keywords
- abnormal
- electric energy
- metering device
- energy metering
- current electric
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 75
- 238000003745 diagnosis Methods 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 292
- 238000012216 screening Methods 0.000 claims abstract description 23
- 238000012937 correction Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 13
- 238000007621 cluster analysis Methods 0.000 claims description 12
- 238000009826 distribution Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 8
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 14
- 230000005611 electricity Effects 0.000 description 8
- 230000006870 function Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000008901 benefit Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000003993 interaction Effects 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 3
- 229910052782 aluminium Inorganic materials 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000002829 reductive effect Effects 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000003313 weakening effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
- G06F16/24564—Applying rules; Deductive queries
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种电能计量装置异常诊断方法、装置及可读存储介质,其中该方法包括:根据获取的当前电能计量装置的运行参数筛选当前电能计量装置的异常数据;通过预先构建的异常案例库和异常规则库基于所述异常数据进行识别,以获得对应的异常事件和异常类型;对所述异常事件和异常类型进行关联匹配;根据关联匹配结果确定当前电能计量装置的异常信息。本发明方法通过预先构建的异常案例库和异常规则库对获取的异常数据进行识别,从而获得对应的异常事件和异常类型;对所述异常事件和异常类型进行关联匹配,从而获得当前电能计量装置的异常信息,实现降低对熟练技术人员的依赖。
Description
技术领域
本发明涉及电能计量装置技术领域,特别是一种电能计量装置异常诊断方法、装置及可读存储介质。
背景技术
目前电能计量装置异常诊断高度依赖现场勘查分析,从发现异常到抵达现场进行充分的测试分析之间的大段时间内,检修运维人员均无法对计量装置运行状况和故障类型进行有效的推断分析,有相当比例的电能计量装置异常需要经过分析、整改、确认三次现场工作方可实现妥善处置,工作针对性较差。
现有电能计量装置异常诊断的一般流程如下:
经由客户投诉、巡视发现等途径排查发现电能计量装置运行故障情况。
派出工作人员前往现场进行故障情况分析,在现场完成对电能计量装置运行环境、状态参数等数据的采集测量,并现场或带回后方完成故障类型判断和整改方案制定(第一次现场工作);
确定整改方案后,由检修人员携带相应工器具和设备前往故障现场进行更换、维修、调试等内容工作,完成计量装置故障整改(第二次现场工作);
整改完成后一段时间,在负荷正常用电状态下前往现场,对整改后的电能计量装置运行状态进行复查,确认其是否已恢复正常运行,如发现问题,重复派出工作人员(第三次现场工作)。
现有技术存在如下缺陷:
计量装置异常发现迟缓,现有管理模式和状态探查手段难以实现电能计量装置是否发生异常,客观上降低了计量装置异常发现速度,在一定条件下可能造成异常的后果恶化、范围扩大等不良影响。
异常整改效率较低,通常情况下,首次前往现场仅能进行测量分析和异常诊断,虽然在多数情况下根据一般规律和工作流程,可以实现整改方案的就地制定,但由于先期无法实现对电能计量装置异常情况的探测分析,而难以预先准备必要的仪器设备和工具材料,必须在后续重新前往现场时方可完成整改,这也拖慢了电能计量装置异常整改的效率。
进行电能计量装置异常分析探查需要较高的专业基础和工作经验,往往需要由具有一定技术技能水平和分析能力的熟练人员实施,尤其对部分疑难复杂的异常情况,还需要由专业领域专家实施方可准确判断异常成因并妥善制定处置方案,而这类人员目前总量较少,难以满足现场工作需求,这也造成了现场异常诊断技术力量受限、误诊误判情况时有发生的问题。
发明内容
有鉴于现有技术的上述缺陷,本发明的目的就是提供一种电能计量装置异常诊断方法、装置及可读存储介质,用以改善现有技术对熟练技术人员的依赖,提高计量装置的异常整改率和异常处理效率。
本发明的目的之一是通过这样的技术方案实现的,一种电能计量装置异常诊断方法,包括:
根据获取的当前电能计量装置的运行参数筛选当前电能计量装置的异常数据;
通过预先构建的异常案例库和异常规则库基于所述异常数据进行识别,以获得对应的异常事件和异常类型;
对所述异常事件和异常类型进行关联匹配;
根据关联匹配结果确定当前电能计量装置的异常信息。
可选的,预先构建异常案例库,包括:
获取电能计量装置的历史异常事件相关数据以及对应的计量方案;
对所述历史异常事件相关数据以及对应的计量方案进行重构,以构建所述异常案例库。
可选的,预先构建异常规则库,包括:
根据所述异常案例库确定样本数据;
将所述样本数据按照预设比例分为训练集和测试集进行机器学习,以构建异常规则库。
可选的,根据获取的当前电能计量装置的运行参数筛选当前电能计量装置的异常数据,包括:
根据电能计量装置常态运行参数对当前电能计量装置的运行参数进行筛选,以确定当前电能计量装置的异常运行参数与相应的计量方案。
可选的,根据预先构建的异常案例库基于所述异常数据进行识别,包括:
根据所述当前电能计量装置的计量方案确定聚类指标;
通过所述聚类指标对所述异常案例库进行聚类分析,以获得当前电能计量装置的异常事件概率分布和相应的异常事件处置方案。
可选的,根据预先构建的异常规则库基于所述异常数据进行识别,包括:
基于所述异常规则库以及电能计量装置的常态运行参数和规范要求确定与所述异常运行参数相符的异常类型以及对应的异常处置方案。
可选的,根据关联匹配结果确定当前电能计量装置的异常信息,包括:
在关联匹配结果不一致的情况下,根据现场确认的异常信息更新所述异常案例库。
本发明的目的之二是通过这样的技术方案实现的,一种电能计量装置异常诊断装置,包括:
筛选单元,用于根据获取的当前电能计量装置的运行参数筛选当前电能计量装置的异常数据;
识别单元,用于根据预先构建的异常案例库和异常规则库基于所述异常数据进行识别,以获得对应的异常事件和异常类型;
匹配单元,用于对所述异常事件和异常类型进行关联匹配;
诊断单元,用于根据关联匹配结果确定当前电能计量装置的异常信息。
可选的,还包括:
数据采集单元,用于获取电能计量装置的历史异常事件相关数据以及对应的计量方案;
数据处理单元,用于对所述历史异常事件相关数据以及对应的计量方案进行重构,以构建所述异常案例库。
可选的,还包括:
样本选择单元,用于根据所述异常案例库确定样本数据;
机器学习单元,用于将所述样本数据按照预设比例分为训练集和测试集进行机器学习,以构建异常规则库。
可选的,所述筛选单元,具体用于根据电能计量装置常态运行参数对当前电能计量装置的运行参数进行筛选,以确定当前电能计量装置的异常运行参数与相应的计量方案。
可选的,所述识别单元包括:
指标确认模块,用于根据所述当前电能计量装置的计量方案确定聚类指标;
案例推理模块,用于通过所述聚类指标对所述异常案例库进行聚类分析,以获得当前电能计量装置的异常事件概率分布和相应的异常事件处置方案。
可选的,所述识别单元还包括:
异常判定模块,用于基于所述异常规则库以及电能计量装置的常态运行参数和规范要求确定与所述异常运行参数相符的异常类型以及对应的异常处置方案。
可选的,还包括:
修正单元,用于在关联匹配结果不一致的情况下,根据现场确认的异常信息更新所述异常案例库。
本发明的目的之三是通过这样的技术方案实现的,一种计算机可读存储介质,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现前述的电能计量装置异常诊断方法。
由于采用了上述技术方案,本发明具有如下的优点:本发明方法通过预先构建的异常案例库和异常规则库对获取的异常数据进行识别,从而获得对应的异常事件和异常类型;对所述异常事件和异常类型进行关联匹配,从而获得当前电能计量装置的异常信息,实现降低对熟练技术人员的依赖,提高计量装置的异常整改率和异常处理效率。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。
附图说明
本发明的附图说明如下:
图1为本发明第一实施例流程图;
图2为本发明第三实施例流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明。
实施例一
规则库
规则库是一种将某专业领域产生知识与规则的集合,所谓规则库技术,则是指将既定的知识、经验与判断规则进行语义识别分解,并将自然语言中蕴含的信息拆分重组形成计算机能够识读调用的数据库,进而形成智能分析、比对、审查能力的智能技术。
案例推理
案例推理是一种新兴的基于知识的问题求解和学习方法,通过寻找与待处理信息相似的历史案例,利用已有经验或结果中的特定知识及具体案例来解决新问题,该方法源自人类的认知心理活动,缓解了常规的知识***中知识获取的瓶颈问题,具有动态知识库和增量学习的特点,可进一步细分为解释性案例推理和问题解决性案例推理。
案例库
即根据历史已经发生并经过调查处理完毕的事件集合(在本发明方案中特指电能计量装置故障事件集合),经过信息挖掘和数据重构,将计量装置配置信息、环境信息、故障表现、异常类型、处理方式等信息进行标注形成的数据库。
学习反馈
学习反馈是指将学习活动的结果(正确性、适当性)的有关信息提供给学习者,检验、调节学习活动,并对学习动机起到强化或削弱作用,进而实现对学习成效的提升。常用于机器学习训练的中后期,以提升人工智能学习模型的优化。
基于此本发明第一实施例提出一种电能计量装置异常诊断方法,如图1所示,包括:
S 10、根据获取的当前电能计量装置的运行参数筛选当前电能计量装置的异常数据;
S20、通过预先构建的异常案例库和异常规则库基于所述异常数据进行识别,以获得对应的异常事件和异常类型;
S30、对所述异常事件和异常类型进行关联匹配;
S40、根据关联匹配结果确定当前电能计量装置的异常信息。
本发明方法通过预先构建的异常案例库和异常规则库对获取的异常数据进行识别,从而获得对应的异常事件和异常类型;对所述异常事件和异常类型进行关联匹配,从而获得当前电能计量装置的异常信息,实现降低对熟练技术人员的依赖,提高计量装置的异常整改率和异常处理效率。
可选的,预先构建异常案例库,包括:
获取电能计量装置的历史异常事件相关数据以及对应的计量方案;
对所述历史异常事件相关数据以及对应的计量方案进行重构,以构建所述异常案例库。
在实际实施过程中可以通过用电信息采集***数据库结构,检索并提取历史电能计量装置异常事件相关信息并提取相应客户的计量方案信息,其中异常事件相关信息可以包括异常数据、诊断类型、处置方式等。基于异常事件相关信息以及计量方案进行信息重构形成电能计量装置的异常案例库。
可选的,预先构建异常规则库,包括:
根据所述异常案例库确定样本数据;
将所述样本数据按照预设比例分为训练集和测试集进行机器学习,以构建异常规则库。
在前述异常案例库的基础上,从异常案例库中选取样本数据,本实施例中采用机器学习的方式仿照专家在现场进行测量分析的思维过程和依据的技术准则,构建电能计量装置异常规则库,在具体实施过程中可以通过对异常诊断案例库中70%的样本作为训练集进行学习训练,30%的样本作为测试集进行监督学习的方式,仿照专家在现场进行测量分析的思维过程和依据的技术准则,按照四元组的结构构建电能计量装置异常规则库,其中四元组可以包含说明信息、异常特征、异常结果、解决措施。
可选的,根据获取的当前电能计量装置的运行参数筛选当前电能计量装置的异常数据,包括:
根据电能计量装置常态运行参数对当前电能计量装置的运行参数进行筛选,以确定当前电能计量装置的异常运行参数与相应的计量方案。
具体地说,在本实施例中,可以基于电能计量装置异常探查模块通过数据接口调用用电信息采集***召测功能来获取客户运行的当前电能计量装置的运行参数,本实施例中运行参数包括电压、电流、功率因数、有功无功功率等,在获得当前电能计量装置的运行参数之后,依据电能计量装置常态运行参数为标准,对运行参数进行检测筛查,确定不符合标准的电能计量装置的异常运行参数与相应的计量方案信息,对于符合标准的电能计量装置的运行参数不做处理,结束流程。
可选的,根据预先构建的异常案例库基于所述异常数据进行识别,包括:
根据所述当前电能计量装置的计量方案确定聚类指标;
通过所述聚类指标对所述异常案例库进行聚类分析,以获得当前电能计量装置的异常事件概率分布和相应的异常事件处置方案。
具体地说,在确定不符合标准的电能计量装置的异常运行参数与相应的计量方案后,分别独立地对于异常运行参数与相应的计量方案进行分析处理,本实施例中对当前异常电能计量装置的计量方案进行处理,例如待分析的电能计量装置属于电解铝行业,然后异常案例库的1000个案例里有200个是电解铝行业,容量跟待分析的电能计量装置相近,也即根据电解铝形成一个聚类团,进一步该聚类团里80%以上的电能计量都曾因为不当操作烧过表,则可以认为待分析的电能计量装置也有较高风险因为不当操作烧表。
由于导致相似的参数异常情况的起因可能不止一种,比如过负荷、短路、雷击都可以表现为电流越限,在聚类分析过程中还可以根据当前计量方案与异常案例库聚类之间的几何距离进行加权统计,然后归一化以后形成一个概率分布,比如聚类里包含100个短路,平均距离为1,还包含50个过负荷,距离为2,则加权后就是短路100/1=100,过负荷是50/2=25,归一化后为80%概率短路,20%概率过负荷。
也即本发明方法可以根据当前电能计量装置的计量方案确定聚类指标,通过聚类指标对异常案例库进行聚类分析,由此获得当前电能计量装置的异常事件概率分布和相应的异常事件处置方案。在分析完毕后,可以将当前计量方案对应的异常事件相关数据以及对应的计量方案加入到异常案例库中,以进一步提高聚类分析的准确性。
可选的,根据预先构建的异常规则库基于所述异常数据进行识别,包括:
基于所述异常规则库以及电能计量装置的常态运行参数和规范要求确定与所述异常运行参数相符的异常类型以及对应的异常处置方案。
具体地说,可以通过前述构建的异常规则库依据电压、电流、功率因数、有无功功率等运行参数之间的关系,按照电能计量装置一般运行规律和标准规范要求进行异常运行参数排查,在实际操作中可以采用决策树判断出与当前异常运行参数相符的异常类型以及对应的异常处置方案。
在通过异常案例库基于计量方案确定出当前电能计量装置的异常事件概率分布和相应的异常事件处置方案,以及通过异常规则库根据异常运行参数确定的与所述异常运行参数相符的异常类型以及对应的异常处置方案之后,对所述异常事件和异常类型进行关联匹配,若异常事件和异常类型以及对应的处置方案的匹配后有较好的一致性,则可以根据异常事件和异常类型确定当前电能计量装置的异常信息,并向用户反馈对应的处置方案。
可选的,根据关联匹配结果确定当前电能计量装置的异常信息,包括:
在关联匹配结果不一致的情况下,根据现场确认的异常信息更新所述异常案例库。
具体地说,若异常事件和异常类型以及对应的处置方案的匹配结果为不一致,将异常案例库和异常规则库反馈的异常信息反馈给工作人员并保存,在工作人员现场进行探查确认异常信息后,将异常信息和处置方案补充完整后发送至异常案例库,作为存量案例保存参与后续电能计量装置异常事件的聚类分析。
与传统电能计量装置异常诊断方法相比,本发明方法采用异常规则库和异常案例库结合的方式进行电能计量装置异常诊断,缩小了案例诊断的范围,减少了案例诊断时间,提高了诊断效率和准确率,具有更好的适应性,本发明方法能帮助检修人员快速准确的确定电能计量装置异常发生部位、原因及解决措施,节约了检修人员现场检修的时间,进而提升了用电客户和供电企业的经济效益。
实施例二
本发明第二实施例提出一种电能计量装置异常诊断装置,包括:
筛选单元,用于根据获取的当前电能计量装置的运行参数筛选当前电能计量装置的异常数据;
识别单元,用于根据预先构建的异常案例库和异常规则库基于所述异常数据进行识别,以获得对应的异常事件和异常类型;
匹配单元,用于对所述异常状态和异常类型进行关联匹配;
诊断单元,用于根据关联匹配结果确定当前电能计量装置的异常信息。
本发明通过预先构建的异常案例库和异常规则库对获取的异常数据进行识别,从而获得对应的异常事件和异常类型;对所述异常事件和异常类型进行关联匹配,从而获得当前电能计量装置的异常信息,实现降低对熟练技术人员的依赖,提高计量装置的异常整改率和异常处理效率。
可选的,还包括:
数据采集单元,用于获取电能计量装置的历史异常事件相关数据以及对应的计量方案;
数据处理单元,用于对所述历史异常事件相关数据以及对应的计量方案进行重构,以构建所述异常案例库。
具体地说,本实施例中数据采集单元可以通过用电信息采集***数据库结构,检索并提取历史电能计量装置异常事件相关信息(包括异常数据、诊断类型、处置方式等),并提取相应客户的计量方案信息,数据处理单元进行信息重构形成电能计量装置异常案例库。
可选的,还包括:
样本选择单元,用于根据所述异常案例库确定样本数据;
机器学习单元,用于将所述样本数据按照预设比例分为训练集和测试集进行机器学习,以构建异常规则库。
本实施例中样本选择单元从异常案例库中选择样本数据,机器学习单元采用机器学习的方式,通过对异常诊断案例库中70%的样本进行学习训练,30%进行监督学习的方式,仿照专家在现场进行测量分析的思维过程和依据的技术准则,按照四元组的结构构建电能计量装置异常规则库,其中四元组可以包含说明信息、异常特征、异常结果以及解决措施。
可选的,所述筛选单元,具体用于根据电能计量装置常态运行参数对当前电能计量装置的运行参数进行筛选,以确定当前电能计量装置的异常运行参数与相应的计量方案。
本实施例中还包括异常探查模块,用于通过数据接口调用用电信息采集***召测功能获取客户运行电能计量装置电参量,筛选单元依据电能计量装置常态运行参数为标准,对在网客户电能计量装置电压、电流、功率因数、有功无功功率等电参量进行检测筛查,对不符合标准的电能计量装置状态信息与相应的计量方案信息送入识别单元,其余不做处理,结束流程。
可选的,所述识别单元包括:
指标确认模块,用于根据所述当前电能计量装置的计量方案确定聚类指标;
案例推理模块,用于通过所述聚类指标对所述异常案例库进行聚类分析,以获得当前电能计量装置的异常事件概率分布和相应的异常事件处置方案。
识别单元接收到异常电能计量装置相关信息后,同时调用案例推理模块和异常判定模块,分别独立地对该电能计量装置的计量方案和运行状态信息进行分析。
案例推理模块用于根据当前电能计量装置的计量方案以客户行业信息、用电容量、负荷性质、计量装置配置为检索项,对待分析客户计量方案在异常案例库中进行聚类分析,总结分析形成聚类内存量案例的异常成因和解决方案,形成异常事件概率分布和相应的处置方案,反馈给识别单元。
可选的,所述识别单元还包括:
异常判定模块,用于基于所述异常规则库以及电能计量装置的常态运行参数和规范要求确定与所述异常运行参数相符的异常类型以及对应的异常处置方案。
本实施例中异常规则库依据电压、电流、功率因数、有无功功率等参数信息之间的关系,按照电能计量装置一般运行规律和标准规范要求进行异常排查,可以采用决策树判断推断出与当前运行状况相符的异常类型,并将异常类型和处置方案反馈至识别单元。
识别单元对案例推理模块和异常判定模块反馈的信息进行综合匹配,如果反馈的异常事件与异常类型一致,则直接输出至交互界面。
可选的,还包括:
修正单元,用于在关联匹配结果不一致的情况下,根据现场确认的异常信息更新所述异常案例库。
本实施例中如果反馈异常事件与异常类型不一致,则将此客户计量方案和运行状态信息同时推送至案例调整与保存模块,并输出双方反馈的异常信息,提示工作人员前往现场。工作人员在现场进行探查确认异常类型后,将异常类型和整改方案经由人机交互模块补充至后的信息发送至异常案例库,作为存量案例保存。
本发明采用规则库和案例推理结合的方式进行电能计量装置异常诊断,缩小了案例推理范围,减少了案例推理时间,提高了诊断效率和准确率,具有更好的适应性,能帮助检修人员快速准确的确定电能计量装置异常发生部位、原因及解决措施,节约了检修人员现场检修的时间进而提升了用电客户和供电企业的经济效益。
实施例三
本发明第三实施例提出一种电能计量装置异常诊断装置的实施案例,应用现有做法和工作模式对客户运行电能计量装置进行监测管理时即按照现有技术方案一所述的流程开展工作,具有人力依赖性强、反应迟缓、效率较低、质量难以保障等缺陷。
应用本发明电能计量装置异常诊断装置开展工作时,如图2所示,包括:
根据用电信息采集***存量数据中各类客户运行电能计量装置故障信息、计量方案信息、异常和正常状态下的运行数据、现场核查后确定的异常诊断结论以及整改措施等信息资料,整合形成具有四元组结构的异常案例库。
根据电能表、互感器、二次回路功能实现方式和作用机理,将与电能计量装置运行状态相关的各项参数关联关系以方程组的方式列出,整合建立相应的数学模型,利用决策树的方式完成从运行参数信息向可能运行状态(包括是否存在异常和异常类型确定)的溯源,形成异常规则库。
由电能计量装置异常探查模块通过数据接口调用用电信息采集***的实时召测与历史数据查询功能,获取待分析客户运行电能计量装置状态参数,送入电能计量装置筛选单元完成初筛,对参数不符合预置运行范围的情况,将参数信息打包送至专家诊断模块(识别单元),否则结束流程。
专家诊断模块在接收到数据包后,将待分析客户运行电能计量装置信息分装为两个数据包,其中计量方案信息送入案例推理模块,运行状态参数和近期历史数据信息送入专家诊断模块。
案例推理模块,以说明信息的各维度信息为索引,调用异常案例库模块,在案例库中进行多维空间架构,并开展聚类分析,以待分析客户运行计量装置为中心,统计置信域之内所有案例的说明信息,并调取其其余三个元组的信息,采用权重加成的方式确定待分析客户运行计量装置异常类型、确定概率以及整改方案,反馈给专家诊断模块。
判定规则库模块(异常判定模块),以接受到的待分析客户运行计量装置状态参数为输入,根据预置的规则库决策树实施向运行状态的回溯分析,相似地根据决策树走向和分叉选择情况,确定一种或几种可能的计量装置运行状态,将异常类型、确定概率以及整改方案反馈给专家诊断模块。
专家诊断模块在收到异常案例库模块和判定规则库模块反馈的分析结论数据包后,对两者的分析结论进行比对,匹配一致性,一致性大于设定阈值的情况下,将确定概率大于5%的可能异常类型、确定概率(取平均值)和整改方案传输至人机交互界面;若一致性不满足设定阈值要求,则将双方分析结论不作处理,一并发送至人机交互界面,同时调用案例调整与保存模块开设一个新存储单元,并将待分析客户运行计量装置信息和状态参数均存储至该存储单元内。
人机交互界面对接收到的信息进行简明的展示,供工作人员便捷地参考和作更进一步的分析。
若前述步骤中调用了案例调整与保存模块,则***将在后期提示录入该客户运行计量装置现场核查结果,并将结果经由人机交互界面输入窗口提取后发送至案例调整与保存模块;
案例调整与保存模块接收到核实处置完成后的异常类型、异常成因、整改方案和整改后恢复的正常运行参数后,将这些信息同样存入该存储单元相应位置,形成与现有异常案例库结构相同、信息完整的案例数据,加入异常案例库模块,以便后续使用。
实施例四
本发明的目的之四是通过这样的技术方案实现的,一种计算机可读存储介质,所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现前述的电能计量装置异常诊断方法。
在一个具体的实施方式中所述程序被处理器执行时实现:
根据获取的当前电能计量装置的运行参数筛选当前电能计量装置的异常数据;
通过预先构建的异常案例库和异常规则库基于所述异常数据进行识别,以获得对应的异常事件和异常类型;
对所述异常事件和异常类型进行关联匹配;
根据关联匹配结果确定当前电能计量装置的异常信息。
本发明采用规则库和案例推理结合的方式进行电能计量装置异常诊断,缩小了案例推理范围,减少了案例推理时间,提高了诊断效率和准确率,具有更好的适应性,能帮助检修人员快速准确的确定电能计量装置异常发生部位、原因及解决措施,节约了检修人员现场检修的时间进而提升了用电客户和供电企业的经济效益。
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的保护范围之内。
Claims (7)
1.一种电能计量装置异常诊断方法,其特征在于,
包括:
根据获取的当前电能计量装置的运行参数筛选当前电能计量装置的异常数据;
通过预先构建的异常案例库和异常规则库基于所述异常数据进行识别,以获得对应的异常事件和异常类型;
对所述异常事件和异常类型进行关联匹配;
根据关联匹配结果确定当前电能计量装置的异常信息;
根据获取的当前电能计量装置的运行参数筛选当前电能计量装置的异常数据,包括:
根据电能计量装置常态运行参数对当前电能计量装置的运行参数进行筛选,以确定当前电能计量装置的异常运行参数与相应的计量方案;根据预先构建的异常规则库基于所述异常数据进行识别,包括:
基于所述异常规则库以及电能计量装置的常态运行参数和规范要求确定与所述异常运行参数相符的异常类型以及对应的异常处置方案;根据关联匹配结果确定当前电能计量装置的异常信息,包括:
在关联匹配结果不一致的情况下,根据现场确认的异常信息更新所述异常案例库;
根据预先构建的异常案例库基于所述异常数据进行识别,包括:
根据所述当前电能计量装置的计量方案确定聚类指标;
通过所述聚类指标对所述异常案例库进行聚类分析,以获得当前电能计量装置的异常事件概率分布和相应的异常事件处置方案。
2.如权利要求1所述的电能计量装置异常诊断方法,其特征在于,预先构建异常案例库,包括:
获取电能计量装置的历史异常事件相关数据以及对应的计量方案;对所述历史异常事件相关数据以及对应的计量方案进行重构,以构建所述异常案例库。
3.如权利要求2所述的电能计量装置异常诊断方法,其特征在于,预先构建异常规则库,包括:
根据所述异常案例库确定样本数据;
将所述样本数据按照预设比例分为训练集和测试集进行机器学习,以构建异常规则库。
4.一种电能计量装置异常诊断装置,其特征在于,
包括:
筛选单元,用于根据获取的当前电能计量装置的运行参数筛选当前电能计量装置的异常数据;
识别单元,用于根据预先构建的异常案例库和异常规则库基于所述异常数据进行识别,以获得对应的异常事件和异常类型;
匹配单元,用于对所述异常事件和异常类型进行关联匹配;
诊断单元,用于根据关联匹配结果确定当前电能计量装置的异常信息;所述筛选单元,具体用于根据电能计量装置常态运行参数对当前电能计量装置的运行参数进行筛选,以确定当前电能计量装置的异常运行参数与相应的计量方案;
所述识别单元还包括:
异常判定模块,用于基于所述异常规则库以及电能计量装置的常态运行参数和规范要求确定与所述异常运行参数相符的异常类型以及对应的异常处置方案;
还包括:
修正单元,用于在关联匹配结果不一致的情况下,根据现场确认的异常信息更新所述异常案例库;
所述识别单元包括:
指标确认模块,用于根据所述当前电能计量装置的计量方案确定聚类指标;
案例推理模块,用于通过所述聚类指标对所述异常案例库进行聚类分析,以获得当前电能计量装置的异常事件概率分布和相应的异常事件处置方案。
5.如权利要求4所述的电能计量装置异常诊断装置,其特征在于,还包括:
数据采集单元,用于获取电能计量装置的历史异常事件相关数据以及对应的计量方案;
数据处理单元,用于对所述历史异常事件相关数据以及对应的计量方案进行重构,以构建所述异常案例库。
6.如权利要求5所述的电能计量装置异常诊断装置,其特征在于,还包括:
样本选择单元,用于根据所述异常案例库确定样本数据;机器学习单元,用于将所述样本数据按照预设比例分为训练集和测试集进行机器学习,以构建异常规则库。
7.一种计算机可读存储介质,其特征在于,
所述计算机可读存储介质上存储有信息传递的实现程序,所述程序被处理器执行时实现如权利要求1至3中任一项所述的电能计量装置异常诊断方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010995333.8A CN112084220B (zh) | 2020-09-21 | 2020-09-21 | 一种电能计量装置异常诊断方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010995333.8A CN112084220B (zh) | 2020-09-21 | 2020-09-21 | 一种电能计量装置异常诊断方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112084220A CN112084220A (zh) | 2020-12-15 |
CN112084220B true CN112084220B (zh) | 2024-05-14 |
Family
ID=73739298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010995333.8A Active CN112084220B (zh) | 2020-09-21 | 2020-09-21 | 一种电能计量装置异常诊断方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112084220B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112804114B (zh) * | 2021-04-15 | 2021-07-06 | 施维智能计量***服务(长沙)有限公司 | 针对能源计量物联网设备自动化通信与配置的***及方法 |
CN113190693B (zh) * | 2021-05-31 | 2023-01-20 | 冯凯 | 储能***的数据处理方法、装置、电子设备及存储介质 |
CN114064711A (zh) * | 2021-10-13 | 2022-02-18 | 国家电网公司华中分部 | 一种基于规则库的装置异常处置方法、装置及存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060001923A (ko) * | 2005-12-16 | 2006-01-06 | 김두현 | 퍼지 로직을 이용한 규칙베이스와 사례베이스를 통합한지능형 전기화재원인진단 시스템 구축 방법 |
CN1924734A (zh) * | 2006-03-23 | 2007-03-07 | 浙江工业大学 | 一种在线质量检测的控制方法 |
CN105652232A (zh) * | 2015-12-30 | 2016-06-08 | 国家电网公司 | 一种基于流处理的电能计量装置在线异常诊断方法及*** |
CN106199494A (zh) * | 2016-07-25 | 2016-12-07 | 国网上海市电力公司 | 一种基于计量装置故障的智能诊断*** |
CN106291445A (zh) * | 2016-10-20 | 2017-01-04 | 国网上海市电力公司 | 一种电力采集***异常的智能化诊断方法 |
KR20170067519A (ko) * | 2015-12-08 | 2017-06-16 | 두산중공업 주식회사 | 규칙 및 사례 기반 통합 진단 시스템 및 데이터베이스 |
CN106908752A (zh) * | 2017-03-17 | 2017-06-30 | 广东电网有限责任公司电力科学研究院 | 一种基于特征分组的电能计量异常诊断方法及*** |
CN110703179A (zh) * | 2019-09-05 | 2020-01-17 | 国网新疆电力有限公司电力科学研究院 | 一种基于知识库的电压电流类计量异常处理方法 |
CN110888101A (zh) * | 2019-12-05 | 2020-03-17 | 新奥数能科技有限公司 | 电能表异常诊断方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4296875B2 (ja) * | 2003-08-08 | 2009-07-15 | 三菱ふそうトラック・バス株式会社 | 故障診断装置 |
US9916194B2 (en) * | 2015-10-01 | 2018-03-13 | International Business Machines Corporation | System component failure diagnosis |
CN106681849B (zh) * | 2015-11-10 | 2020-11-24 | 创新先进技术有限公司 | 数据处理方法及装置 |
-
2020
- 2020-09-21 CN CN202010995333.8A patent/CN112084220B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20060001923A (ko) * | 2005-12-16 | 2006-01-06 | 김두현 | 퍼지 로직을 이용한 규칙베이스와 사례베이스를 통합한지능형 전기화재원인진단 시스템 구축 방법 |
CN1924734A (zh) * | 2006-03-23 | 2007-03-07 | 浙江工业大学 | 一种在线质量检测的控制方法 |
KR20170067519A (ko) * | 2015-12-08 | 2017-06-16 | 두산중공업 주식회사 | 규칙 및 사례 기반 통합 진단 시스템 및 데이터베이스 |
CN105652232A (zh) * | 2015-12-30 | 2016-06-08 | 国家电网公司 | 一种基于流处理的电能计量装置在线异常诊断方法及*** |
CN106199494A (zh) * | 2016-07-25 | 2016-12-07 | 国网上海市电力公司 | 一种基于计量装置故障的智能诊断*** |
CN106291445A (zh) * | 2016-10-20 | 2017-01-04 | 国网上海市电力公司 | 一种电力采集***异常的智能化诊断方法 |
CN106908752A (zh) * | 2017-03-17 | 2017-06-30 | 广东电网有限责任公司电力科学研究院 | 一种基于特征分组的电能计量异常诊断方法及*** |
CN110703179A (zh) * | 2019-09-05 | 2020-01-17 | 国网新疆电力有限公司电力科学研究院 | 一种基于知识库的电压电流类计量异常处理方法 |
CN110888101A (zh) * | 2019-12-05 | 2020-03-17 | 新奥数能科技有限公司 | 电能表异常诊断方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112084220A (zh) | 2020-12-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112084220B (zh) | 一种电能计量装置异常诊断方法、装置及可读存储介质 | |
CN107358366B (zh) | 一种配电变压器故障风险监测方法及*** | |
CN112859822B (zh) | 基于人工智能的设备健康分析及故障诊断的方法及*** | |
CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN112464995A (zh) | 一种基于决策树算法的电网配变故障诊断方法及*** | |
CN106570567A (zh) | 一种主网检修多约束多目标评估专家***及优化方法 | |
CN116771576B (zh) | 水电机组故障综合诊断方法 | |
CN112906764B (zh) | 基于改进bp神经网络的通信安全设备智能诊断方法及*** | |
CN111124852A (zh) | 一种基于bmc健康管理模块的故障预测方法及*** | |
CN112785108A (zh) | 一种基于调控云的电网运行数据关联分析方法及*** | |
CN112084678A (zh) | 一种基于多元回归的配线线损率处理方法及装置 | |
CN117131697A (zh) | 一种面向变电站建设阶段的线上工作流程的数字孪生*** | |
CN115441456A (zh) | 一种电网调度支持***故障诊断方法及装置 | |
CN112270485A (zh) | 一种用于配电网络不停电作业综合评估的主成分因子分析方法 | |
CN114625627B (zh) | 一种基于大数据多维分析的用户智能感知方法 | |
CN116452154A (zh) | 一种适用于通信运营商的项目管理*** | |
CN111143835A (zh) | 基于机器学习的电力计量***业务逻辑非侵入式防护方法 | |
CN114116831B (zh) | 一种大数据挖掘处理方法及装置 | |
CN115146715A (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
CN114416415A (zh) | 鸿蒙操作***用远程在线故障检测方法及***、存储介质 | |
CN113671287A (zh) | 电网自动化终端智能检测方法、***和可读存储介质 | |
Jingyu et al. | Statistical analysis of distribution network fault information based on multi-source heterogeneous data mining | |
CN113591909A (zh) | 电力***的异常检测方法、异常检测装置以及存储介质 | |
CN112365024A (zh) | 一种基于深度学习的高压直流换流站能效预测方法及*** | |
CN111913872A (zh) | 一种基于缺陷预测的软件静态检查警告排序优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |