CN112379325A - 一种用于智能电表的故障诊断方法及*** - Google Patents
一种用于智能电表的故障诊断方法及*** Download PDFInfo
- Publication number
- CN112379325A CN112379325A CN201911165993.7A CN201911165993A CN112379325A CN 112379325 A CN112379325 A CN 112379325A CN 201911165993 A CN201911165993 A CN 201911165993A CN 112379325 A CN112379325 A CN 112379325A
- Authority
- CN
- China
- Prior art keywords
- fault diagnosis
- electric meter
- intelligent electric
- sample
- physical information
- 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.)
- Pending
Links
Images
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
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明实施例提供一种用于智能电表的故障诊断方法及***,该方法包括:获取目标智能电表的设备物理信息;基于训练好的智能电表故障诊断模型,对所述目标智能电表的设备物理信息进行分析诊断,获取到所述目标智能电表的故障诊断结果;所述训练好的智能电表故障诊断模型是由样本设备物理信息,通过对贝叶斯网络进行训练得到的。本发明实施例基于贝叶斯网络构建用于智能电表的故障诊断模型,根据设备物理信息和故障检修数据之间的关联性,得到智能电表的故障类型,从而提高了智能电表故障诊断的准确率,为现场运维提供维修依据。
Description
技术领域
本发明涉及智能电表技术领域,尤其涉及一种用于智能电表的故障诊断方法及***。
背景技术
智能电表作为现代电力***中的一种关键计量器件,其较高的可靠性是电网***正常维护运行的重要保证。随着配电网中海量的智能电表的接入,多源智能表大数据已经形成,其中包含着丰富的用户用能和设备运维信息。智能表计的各种量测数据也反映出设备本身的运行状态和缺陷信息。
目前在智能电表发生故障时,大部分检修人员不具有维修全部类型故障的能力,所以会有运维力量投入不均和故障表维修不及时等问题,对电网的正常运行和用户的用电体验都造成负面的影响。现有的表计故障概率模型,缺少与现实计量统计数据的结合,无法反映智能电表复杂的物理特性和运行环境,导致模型预测正确率较低。
因此,现在亟需一种用于智能电表的故障诊断方法及***来解决上述问题。
发明内容
针对现有技术存在的问题,本发明实施例提供一种用于智能电表的故障诊断方法及***。
第一方面,本发明实施例提供了一种用于智能电表的故障诊断方法,包括:
获取目标智能电表的设备物理信息;
基于训练好的智能电表故障诊断模型,对所述目标智能电表的设备物理信息进行分析诊断,获取到所述目标智能电表的故障诊断结果;所述训练好的智能电表故障诊断模型是由样本设备物理信息,通过对贝叶斯网络进行训练得到的。
进一步地,所述训练好的智能电表故障诊断模型通过以下步骤得到:
根据样本设备物理信息和样本故障检修数据的关联关系,构建有向概率图;
将所述有向概率图作为样本训练集,对贝叶斯网络的参数进行训练,得到训练好的智能电表故障诊断模型。
进一步地,所述根据样本设备物理信息和样本故障检修数据的关联关系,构建有向概率图,包括:
根据先验知识和后验知识,获取样本设备物理信息和样本故障检修数据的关联关系,以用于构建关联关系对应的有向概率图。
进一步地,所述样本设备物理信息包括:自然条件信息、表计信息和时间信息。
进一步地,所述样本故障检修数据包括:ESAM故障、烧毁故障、密钥错误故障、通讯故障、跳闸故障、外观损坏故障和时钟故障。
进一步地,在所述基于训练好的智能电表故障诊断模型,对所述目标智能电表的设备物理信息进行分析诊断,获取到所述目标智能电表的故障诊断结果之后,所述方法还包括:
对所述目标智能电表的故障诊断结果进行判断,若判断获知故障诊断结果和实际故障诊断结果不符,则将故障诊断结果作为更新证据,对贝叶斯网络进行更新,得到更新后的智能电表故障诊断模型。
第二方面,本发明实施例提供了一种用于智能电表的故障诊断***,包括:
信息获取模块,用于获取目标智能电表的设备物理信息;
故障诊断模块,用于基于训练好的智能电表故障诊断模型,对所述目标智能电表的设备物理信息进行分析诊断,获取到所述目标智能电表的故障诊断结果;所述训练好的智能电表故障诊断模型是由样本设备物理信息,通过对贝叶斯网络进行训练得到的。
进一步地,所述***还包括:
样本处理模块,用于根据样本设备物理信息和样本故障检修数据的关联关系,构建有向概率图;
模型训练模块,用于将所述有向概率图作为样本训练集,对贝叶斯网络的参数进行训练,得到训练好的智能电表故障诊断模型。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的用于智能电表的故障诊断方法及***,基于贝叶斯网络构建用于智能电表的故障诊断模型,根据设备物理信息和故障检修数据之间的关联性,得到智能电表的故障类型,从而提高了智能电表故障诊断的准确率,为现场运维提供维修依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的用于智能电表的故障诊断方法的流程示意图;
图2为本发明实施例提供的推断原始数据示意图;
图3为本发明实施例提供的有向概率图模型的示意图;
图4为本发明实施例提供的贝叶斯网络的拓扑示意图;
图5为本发明实施例提供的交互式诊断方法的流程示意图;
图6为本发明实施例提供的用于智能电表的故障诊断***的结构示意图;
图7为本发明实施例提供的电子设备结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
概率图模型是表达复杂概率分布的一种有力工具,结合图论与概率论的知识,将随机变量间的联合概率分布转换成拓扑的形式简洁的表达出来,被广泛应用于模糊推断、故障诊断、计算机视觉等领域。概率图模型可通过节点集合N、边集合ε与参数表Θ表示为:
G=<N,ε,Θ>;
判断概率图是否为有向无环图,可将概率图模型分为两类:基于有向图表示的贝叶斯网络(Bayesian Network,简称BN),以及基于无向图表示的马尔科夫网络(MarkovNetwork)。
有向图与无向图在应用场景上最关键的区别在于:有向图可以用带方向的边刻画随机变量之间的单向依赖性,因而适用于变量间有明确因果关系的场景;无向图则采用了领域的概念刻画了随机变量与邻近节点的局部依赖关系,可以用于没有明确因果关系的场景。由于无向图要求随机变量满足成对马尔科夫性,并且在势函数的求取与归一化中存在较大的困难,因此,较少应用于电气领域,常用于图像分割和语义识别等领域。
基于上述对有向图与无向图的说明,由于表计故障场景中的随机变量间的因果关系较为明确(如由生产厂家、版本和种类决定的可能存在的内部缺陷从而导致故障,或安装环境和运行时间决定的损耗程度所致故障均为单向的因果关系),因此,本发明实施例采用贝叶斯网络作为不确定性建模工具,从而对智能电表的故障进行诊断。
由于智能电表的供应厂商越来越多,每个供应商所选择的设备芯片、制作工艺又不尽相同,所以在安装后可能发生的故障类型也千差万别。智能电表经常发生的故障类型有四类:工作质量、外部因素、自然灾害和设备质量故障,其中设备质量故障占比达75%以上,且其相对于外部因素和自然灾害有更多的人为可控因素,所以进一步研究可能会发生哪种设备质量故障显得必要。设备质量故障有外观故障,计量性能,软件故障等十多种故障类型,由于部分运维人员相关检测知识的欠缺,在智能电表发生故障时,大部分检修人员不具有维修全部类型故障的能力,导致运维力量投入不均和故障表维修不及时等问题。因此,在电表发生故障时,合理的预测其故障类型,据此匹配具备相关维修技能人员,可以使得电网公司在智能表运维方面的人力以及资源的分配更为合理。
图1为本发明实施例提供的用于智能电表的故障诊断方法的流程示意图,如图1所示,本发明实施例提供了一种用于智能电表的故障诊断方法,包括:
步骤101,获取目标智能电表的设备物理信息。
在本发明实施例中,在目标智能电表出现故障时,首先需要采集该目标智能电表的推断原始数据,图2为本发明实施例提供的推断原始数据示意图,可参考图2所示,推断原始数据包括属地数据、工厂信息数据、版本数据、电表规格数据和安装时间。进一步地,设备物理信息包括:自然条件信息、表计信息和时间信息等。在本发明实施例中,将推断原始证据作为贝叶斯网络的根节点,基于推断原始证据中获取到目标智能电表对应的设备物理信息,其中,根据属地数据获取到自然条件信息;根据工厂信息数据、版本数据和电表规格数据,获取到表计信息;根据安装时间,获取到时间信息。优选地,在本发明实施例中,对获取到的设备物理信息进行数据预处理,从而将其他无关信息去除,以使得后续的故障诊断结果更为准确。
步骤102,基于训练好的智能电表故障诊断模型,对所述目标智能电表的设备物理信息进行分析诊断,获取到所述目标智能电表的故障诊断结果;所述训练好的智能电表故障诊断模型是由样本设备物理信息,通过对贝叶斯网络进行训练得到的。
在本发明实施例中,将目标智能电表的设备物理信息输入到训练好的智能电表故障诊断模型中,该模型对设备物理信息进行分析,得到对应的故障检修数据,从而得到目标智能电表的故障诊断结果。
本发明实施例提供的用于智能电表的故障诊断方法,基于贝叶斯网络构建用于智能电表的故障诊断模型,根据设备物理信息和故障检修数据之间的关联性,得到智能电表的故障类型,从而提高了智能电表故障诊断的准确率,为现场运维提供维修依据。
在上述实施例的基础上,所述训练好的智能电表故障诊断模型通过以下步骤得到:
根据样本设备物理信息和样本故障检修数据的关联关系,构建有向概率图;
将所述有向概率图作为样本训练集,对贝叶斯网络的参数进行训练,得到训练好的智能电表故障诊断模型。
在本发明实施例中,将智能电表故障诊断模型作为一个包含若干随机事件的***进行说明,***中每个随机事件均可映射到一个连续的或离散的随机变量,因此,本发明实施例根据样本设备物理信息和样本故障检修数据之间的关联关系,构建有向概率图以用于对***进行建模,即通过有向概率图表示***中随机变量的联合分布。
进一步地,设置***中包含N个随机变量X1,X2,…,XN,则每个随机变量都对应有向概率图中的一个节点,由此得到有向概率图的节点集N={n1,n2,…,nN}。在已知变量之间的依赖关系的情况下,可得到有向概率图的边集合:
其中,边具有方向性;ni为nj的父节点(其中一个),表示随机变量Xj依赖于随机变量Xi的值;节点nj的所有父节点所组成的集合,为该节点的父节点集图3为本发明实施例提供的有向概率图模型的示意图,可参考图3所示,例如,
然后,根据有向概率图对贝叶斯网络的参数进行训练,从而得到训练好的智能电表故障诊断模型。
在上述实施例的基础上,所述根据样本设备物理信息和样本故障检修数据的关联关系,构建有向概率图,包括:
根据先验知识和后验知识,获取样本设备物理信息和样本故障检修数据的关联关系,以用于构建关联关系对应的有向概率图。
在本发明实施例中,在对有向概率图进行建模时,根据***中各个随机变量的相关性,得到网络拓扑的边集合E。对应包含有N个节点的有向网络,其可能存在的拓扑结构有种,属于一个N-P难问题。因此,通过遍历网络所有可能的拓扑结构来获取合适的网络拓扑是难以实现的,需要结合先验的知识与后验的数据,缩小最优拓扑的搜索范围。
进一步地,通过先验知识,能够有效的提升模型的分析能力,在数据集规模较小的条件下能发挥关键作用,在本发明实施例中,先验知识通过专家经验、逻辑推理和空间联系获取得到的。其中,专家经验是先验知识的主要来源,反映了领域专家通过长期的观察和积累,所发现的事件之间的相关规律。在设备故障诊断的领域,专家通过观测设备的故障表征(如设备温度、响声和外观等)推测导致故障发生的原因(设备缺陷),实质上就是专家根据一系列事件间的相关性进行推理的过程,需要说明的是,越是因果性强且数据积累不充足的领域,专家经验越能提升模型的推理能力;另外,由于有向概率图强调相关事件间的因果性,因此,逻辑推理可以确定事件之间的因果关系(也即概率图中边的方向),例如,在设备故障诊断领域,通常认为是设备内部的缺陷导致了故障的发生;再有,空间联系对设备而言,单个元件的故障可能引发模块级别的故障乃至整个设备功能异常,即在物理空间上具有关联性的部件,随机事件的发生也可能具有相关性。
进一步地,在上述实施例的基础上,所述样本设备物理信息包括:自然条件信息、表计信息和时间信息。
在上述实施例的基础上,所述样本故障检修数据包括:ESAM故障、烧毁故障、密钥错误故障、通讯故障、跳闸故障、外观损坏故障和时钟故障。
D~f(X1,X1,…,XN);
因此,在样本量充足的情况下,可通过样本推算随机变量的相关性和因果性。
图4为本发明实施例提供的贝叶斯网络的拓扑示意图,可参考图4所示,将样本推断原始证据,结合样本设备物理信息和样本故障诊断结果之间的因果关系以及关联性,构建基于贝叶斯网络的智能电表故障诊断的有向概率图,从而对贝叶斯网络参数进行训练调整,从而得到用于智能电表故障诊断的模型。
在上述实施例的基础上,在所述基于训练好的智能电表故障诊断模型,对所述目标智能电表的设备物理信息进行分析诊断,获取到所述目标智能电表的故障诊断结果之后,所述方法还包括:
对所述目标智能电表的故障诊断结果进行判断,若判断获知故障诊断结果和实际故障诊断结果不符,则将故障诊断结果作为更新证据,对贝叶斯网络进行更新,得到更新后的智能电表故障诊断模型。
图5为本发明实施例提供的交互式诊断方法的流程示意图,可参考图5所示,在本发明实施例中,将贝叶斯网络模型作为一个分类器,在获取到故障诊断结果之后,可通过运维人员对该结果进行验证,若该结果和目标智能电表的实际故障诊断结果不符,则将该结果标记为诊断错误数据,并作为更新数据对贝叶斯网络的参数进行调整,从而提高智能电表故障诊断模型的精准查询,并提高模型的近似查询能力。
进一步地,在本发明一实施例中,针对上述的交互式诊断方法进行检验,通过每次诊断错误的数据对模型进行调整,得到的各轮次准确率可参考表1所示:
表1
诊断轮次 | 1 | 2 | 3 | 4 | 5 | 6 | 7 |
正确诊断数目 | 22877 | 43289 | 46939 | 49896 | 52235 | 54382 | 55678 |
故障诊断准确率 | 41% | 78% | 84% | 90% | 94% | 98% | 100% |
如表1所示,本发明实施例提供的用于智能电表的故障诊断方法,在4轮内达到90%的准确率,可以有效帮助现场技术人员进行电表的维护检修工作,提高运维效率。
本发明实施例面向实用场景的需求,采用多轮故障诊断,并将每轮次诊断排除的错误故障诊断作为新的推断证据,使得诊断准确率的进一步提高,为现场运维工作提供更为准确的依据。
图6为本发明实施例提供的用于智能电表的故障诊断***的结构示意图,如图6所示,本发明实施例提供了一种用于智能电表的故障诊断***,包括:信息获取模块601和故障诊断模块602,其中,信息获取模块601用于获取目标智能电表的设备物理信息;故障诊断模块602用于基于训练好的智能电表故障诊断模型,对所述目标智能电表的设备物理信息进行分析诊断,获取到所述目标智能电表的故障诊断结果;所述训练好的智能电表故障诊断模型是由样本设备物理信息,通过对贝叶斯网络进行训练得到的。
在本发明实施例中,在目标智能电表出现故障时,信息获取模块601首先采集该目标智能电表的推断原始数据,推断原始数据包括属地数据、工厂信息数据、版本数据、电表规格数据和安装时间。进一步地,设备物理信息包括:自然条件信息、表计信息和时间信息等。在本发明实施例中,将推断原始证据作为贝叶斯网络的根节点,信息获取模块601基于推断原始证据中获取到目标智能电表对应的设备物理信息,其中,根据属地数据获取到自然条件信息;根据工厂信息数据、版本数据和电表规格数据,获取到表计信息;根据安装时间,获取到时间信息。优选地,在本发明实施例中,信息获取模块601对获取到的设备物理信息进行数据预处理,从而将其他无关信息去除,以使得后续的故障诊断结果更为准确。然后,将目标智能电表的设备物理信息输入故障诊断模块602,以使得故障诊断模块602中的智能电表故障诊断模型对设备物理信息进行分析,得到对应的故障检修数据,从而得到目标智能电表的故障诊断结果。
本本发明实施例提供的用于智能电表的故障诊断***,基于贝叶斯网络构建用于智能电表的故障诊断模型,根据设备物理信息和故障检修数据之间的关联性,得到智能电表的故障类型,从而提高了智能电表故障诊断的准确率,为现场运维提供维修依据。
在上述实施例的基础上,所述***还包括:
样本处理模块,用于根据样本设备物理信息和样本故障检修数据的关联关系,构建有向概率图;
模型训练模块,用于将所述有向概率图作为样本训练集,对贝叶斯网络的参数进行训练,得到训练好的智能电表故障诊断模型。
本发明实施例提供的***是用于执行上述各方法实施例的,具体流程和详细内容请参照上述实施例,此处不再赘述。
图7为本发明实施例提供的电子设备结构示意图,参照图7,该电子设备可以包括:处理器(processor)701、通信接口(Communications Interface)702、存储器(memory)703和通信总线704,其中,处理器701,通信接口702,存储器703通过通信总线704完成相互间的通信。处理器701可以调用存储器703中的逻辑指令,以执行如下方法:获取目标智能电表的设备物理信息;基于训练好的智能电表故障诊断模型,对所述目标智能电表的设备物理信息进行分析诊断,获取到所述目标智能电表的故障诊断结果;所述训练好的智能电表故障诊断模型是由样本设备物理信息,通过对贝叶斯网络进行训练得到的。
此外,上述的存储器703中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的用于智能电表的故障诊断方法,例如包括:获取目标智能电表的设备物理信息;基于训练好的智能电表故障诊断模型,对所述目标智能电表的设备物理信息进行分析诊断,获取到所述目标智能电表的故障诊断结果;所述训练好的智能电表故障诊断模型是由样本设备物理信息,通过对贝叶斯网络进行训练得到的。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种用于智能电表的故障诊断方法,其特征在于,包括:
获取目标智能电表的设备物理信息;
基于训练好的智能电表故障诊断模型,对所述目标智能电表的设备物理信息进行分析诊断,获取到所述目标智能电表的故障诊断结果;所述训练好的智能电表故障诊断模型是由样本设备物理信息,通过对贝叶斯网络进行训练得到的。
2.根据权利要求1所述的用于智能电表的故障诊断方法,其特征在于,所述训练好的智能电表故障诊断模型通过以下步骤得到:
根据样本设备物理信息和样本故障检修数据的关联关系,构建有向概率图;
将所述有向概率图作为样本训练集,对贝叶斯网络的参数进行训练,得到训练好的智能电表故障诊断模型。
3.根据权利要求2所述的用于智能电表的故障诊断方法,其特征在于,所述根据样本设备物理信息和样本故障检修数据的关联关系,构建有向概率图,包括:
根据先验知识和后验知识,获取样本设备物理信息和样本故障检修数据的关联关系,以用于构建关联关系对应的有向概率图。
4.根据权利要求2所述的用于智能电表的故障诊断方法,其特征在于,所述样本设备物理信息包括:自然条件信息、表计信息和时间信息。
5.根据权利要求4所述的用于智能电表的故障诊断方法,其特征在于,所述样本故障检修数据包括:ESAM故障、烧毁故障、密钥错误故障、通讯故障、跳闸故障、外观损坏故障和时钟故障。
6.根据权利要求1所述的用于智能电表的故障诊断方法,其特征在于,在所述基于训练好的智能电表故障诊断模型,对所述目标智能电表的设备物理信息进行分析诊断,获取到所述目标智能电表的故障诊断结果之后,所述方法还包括:
对所述目标智能电表的故障诊断结果进行判断,若判断获知故障诊断结果和实际故障诊断结果不符,则将故障诊断结果作为更新证据,对贝叶斯网络进行更新,得到更新后的智能电表故障诊断模型。
7.一种用于智能电表的故障诊断***,其特征在于,包括:
信息获取模块,用于获取目标智能电表的设备物理信息;
故障诊断模块,用于基于训练好的智能电表故障诊断模型,对所述目标智能电表的设备物理信息进行分析诊断,获取到所述目标智能电表的故障诊断结果;所述训练好的智能电表故障诊断模型是由样本设备物理信息,通过对贝叶斯网络进行训练得到的。
8.根据权利要求7所述的用于智能电表的故障诊断***,其特征在于,所述***还包括:
样本处理模块,用于根据样本设备物理信息和样本故障检修数据的关联关系,构建有向概率图;
模型训练模块,用于将所述有向概率图作为样本训练集,对贝叶斯网络的参数进行训练,得到训练好的智能电表故障诊断模型。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至6任一项所述用于智能电表的故障诊断方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至6任一项所述用于智能电表的故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911165993.7A CN112379325A (zh) | 2019-11-25 | 2019-11-25 | 一种用于智能电表的故障诊断方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911165993.7A CN112379325A (zh) | 2019-11-25 | 2019-11-25 | 一种用于智能电表的故障诊断方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112379325A true CN112379325A (zh) | 2021-02-19 |
Family
ID=74586050
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911165993.7A Pending CN112379325A (zh) | 2019-11-25 | 2019-11-25 | 一种用于智能电表的故障诊断方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112379325A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113064966A (zh) * | 2021-03-23 | 2021-07-02 | 青岛海尔科技有限公司 | 用于故障定位的方法、***及装置 |
CN113343581A (zh) * | 2021-06-28 | 2021-09-03 | 山东华科信息技术有限公司 | 基于图马尔可夫神经网络的变压器故障的诊断方法 |
CN113377595A (zh) * | 2021-06-11 | 2021-09-10 | 上海壁仞智能科技有限公司 | 故障诊断方法、装置、电子设备和存储介质 |
CN117092445A (zh) * | 2023-10-19 | 2023-11-21 | 盛隆电气集团有限公司 | 基于大数据的配电***的故障检测方法及*** |
-
2019
- 2019-11-25 CN CN201911165993.7A patent/CN112379325A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113064966A (zh) * | 2021-03-23 | 2021-07-02 | 青岛海尔科技有限公司 | 用于故障定位的方法、***及装置 |
CN113064966B (zh) * | 2021-03-23 | 2023-06-13 | 青岛海尔科技有限公司 | 用于故障定位的方法、***及装置 |
CN113377595A (zh) * | 2021-06-11 | 2021-09-10 | 上海壁仞智能科技有限公司 | 故障诊断方法、装置、电子设备和存储介质 |
CN113377595B (zh) * | 2021-06-11 | 2023-06-23 | 上海壁仞智能科技有限公司 | 故障诊断方法、装置、电子设备和存储介质 |
CN113343581A (zh) * | 2021-06-28 | 2021-09-03 | 山东华科信息技术有限公司 | 基于图马尔可夫神经网络的变压器故障的诊断方法 |
CN117092445A (zh) * | 2023-10-19 | 2023-11-21 | 盛隆电气集团有限公司 | 基于大数据的配电***的故障检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112162878B (zh) | 数据库故障发现方法、装置、电子设备及存储介质 | |
CN112379325A (zh) | 一种用于智能电表的故障诊断方法及*** | |
Lazarova-Molnar et al. | Data-driven fault tree modeling for reliability assessment of cyber-physical systems | |
CN110570544A (zh) | 飞机燃油***故障识别方法、装置、设备和存储介质 | |
EP3968479A1 (en) | Systems and methods for automatic power topology discovery | |
CN112836436A (zh) | 一种基于概率图模型的配电网线路风险量化预测方法 | |
WO2014173258A1 (zh) | 响应计划的可靠性分析方法及装置 | |
CN114978956A (zh) | 智慧城市网络设备性能异常突变点检测方法及装置 | |
CN114266301A (zh) | 基于图卷积神经网络的电力设备故障智能预测方法 | |
Lazarova-Molnar et al. | Automating reliability analysis: Data-driven learning and analysis of multi-state fault trees | |
CN114385403A (zh) | 基于双层知识图谱架构的分布式协同故障诊断方法 | |
CN111176872A (zh) | 面向it运维的监控数据处理方法、***、装置及存储介质 | |
CN110727553A (zh) | 处理器***故障的预测与诊断方法和装置 | |
CN114553671A (zh) | 一种电力通信网故障告警的诊断方法 | |
Cohen et al. | Shapley-based explainable ai for clustering applications in fault diagnosis and prognosis | |
CN110361609A (zh) | 特高压设备监测***及方法 | |
CN117909864A (zh) | 一种电力故障预测***及方法 | |
Javed et al. | Cloud-based collaborative learning (ccl) for the automated condition monitoring of wind farms | |
CN112801815B (zh) | 一种基于联邦学习的电力通信网络故障预警方法 | |
CN114118759A (zh) | 一种配变台区负荷过载状态评估方法及装置 | |
CN117113157B (zh) | 一种基于人工智能的台区用电故障检测*** | |
Zhao et al. | Research on machine learning-based correlation analysis method for power equipment alarms | |
US20240061739A1 (en) | Incremental causal discovery and root cause localization for online system fault diagnosis | |
CN114189428A (zh) | 一种盒式波分***的故障根因分析方法、***与电子设备 | |
CN109474445B (zh) | 一种分布式***根源故障定位方法及装置 |
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 |