CN114626433A - 一种智能电能表故障预测并分类方法、装置及*** - Google Patents
一种智能电能表故障预测并分类方法、装置及*** Download PDFInfo
- Publication number
- CN114626433A CN114626433A CN202210097394.1A CN202210097394A CN114626433A CN 114626433 A CN114626433 A CN 114626433A CN 202210097394 A CN202210097394 A CN 202210097394A CN 114626433 A CN114626433 A CN 114626433A
- Authority
- CN
- China
- Prior art keywords
- data
- prediction
- fault
- classification
- electric energy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 48
- 238000012706 support-vector machine Methods 0.000 claims abstract description 45
- 238000003066 decision tree Methods 0.000 claims abstract description 37
- 230000002159 abnormal effect Effects 0.000 claims abstract description 36
- 238000013499 data model Methods 0.000 claims description 71
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000012795 verification Methods 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 10
- 238000004458 analytical method Methods 0.000 claims description 6
- 238000009434 installation Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 10
- 238000007635 classification algorithm Methods 0.000 description 11
- 238000012360 testing method Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000013145 classification model Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种智能电能表故障预测并分类方法、装置及***，属于智能电能技术领域。本发明通过利用电能表故障历史数据作为预测样本数据进行决策树、支持向量机自监督学习训练，获得达到一定准确度的模型。然后利用决策树模型和支持向量机对新采集的电能表数据进行可疑异常数据分类，预测故障类型。应用本***，即可实现智能电能表进行智能异常预测和分类，及早识别终端设备故障，定位故障类型，缩短处理电力终端设备故障时间，提升故障解决效率。
Description
技术领域
本发明涉及智能电能技术领域，特别涉及一种智能电能表故障预测并分类方法、装置及***。
背景技术
电力行业是我国国民经济的基础行业,其运行状况关系着我国的能源安全和国民经济的发展情况，完备的信息化管理和智能的状态监测服务体系是电力***高效有序运转的重要保障。但当前用户侧配电网运行环境复杂，智能电能表故障种类繁多，导致故障现象和原因分析过程也越来越困难。许多地区仍然通过对电能表定期抽检，将不合格的表进行轮换来解决电能表故障，这种排查方式效率低下，许多问题隐患发现不及时，给用户用电的安全性、稳定性、可控性带来严重挑战。
为了保障电网安全运行和电力稳定供应,通过数据分析，预测终端设备故障，定位故障类型，缩短处理电力终端设备故障时间，提升故障解决效率是保证居民电力供应是本领域技术人员亟待解决的问题。
发明内容
为了解决现有技术的问题，本发明实施例提供了一种智能电能表故障预测并分类方法、装置及***。所述技术方案如下：
第一方面，提供了一种智能电能表故障预测并分类方法，所述方法包括：
设置故障预测及分类数据模型；
获取智能电能表历史故障数据，并在确定故障类型后，生成预测样本数据；
通过所述预测样本数据，对所述故障预测数据模型进行训练，获得训练后的故障预测数据模型；
采集电能表数据，并通过所述预测数据模型，并对所述电能表数据进行故障预测和异常数据分类；
根据预测结果和分类结果，持续优化所述故障预测及分类数据模型。
可选的，所述设置故障预测数据模型还包括：
根据决策树模型和支持向量机SVM算法，设置所述故障预测数据模型。
可选的，所述获取智能电能表历史故障数据数据后，所述方法还包括：
将历史故障数据中删除重复值、噪声点，然后用经验值补全缺失项；
其中，所述历史故障数据包括电能表负荷类数据、电能质量类数据、事件采集数据、电能表版本、运行时间、安装地点、异常现象。
可选的，所述生成预测样本数据后，所述方法还包括
设置60％的预测样本数据为训练样本；
设置40％的预测样本数据为验证数据，所述验证数据用于通过交叉验证，验证所述训练后的故障预测数据模型是否满足精度要求。
可选的，所述方法还包括：
显示所述所述故障预测及分类数据模型，以及显示预测结果和***结果。
可选的，所述根据预测结果和分类结果，持续优化所述故障预测及分类数据模型包括：
在维护人员现场确认所述预测结果和分类结果后，将确认后的预测结果和分类结果，作为异常特征数据，添加至所述预测样本数据；
通过所述预测样本数据，持续优化所述故障预测及分类数据模型。
第二方面，提供了一种智能电能表故障预测并分类方法装置，
设置模块，用于设置故障预测及分类数据模型；
样本生成模块，用于获取智能电能表历史故障数据，并在确定故障类型后，生成预测样本数据；
训练模块，用于通过所述预测样本数据，对所述故障预测数据模型进行训练，获得训练后的故障预测数据模型；
预测分类模块，用于采集电能表数据，并通过所述预测数据模型，并对所述电能表数据进行故障预测和异常数据分类；
优化模块，用于根据预测结果和分类结果，持续优化所述故障预测及分类数据模型。
可选的，所述设置模块具体用于：
根据决策树模型和支持向量机SVM算法，设置所述故障预测数据模型。
第三方面，提供了一种智能电能表故障预测并分类装置，所述装置包括处理器与存储器，所述存储器用于存储一组程序代码，所述处理器调用所述存储器所存储的程序代码用于执行第一方面任一所述的方法。
第四方面，提供了一种智能电能表故障预测并分类***，所述***包括：
设置模块，用于设置故障预测及分类数据模型；
样本生成模块，用于获取智能电能表历史故障数据，并在确定故障类型后，生成预测样本数据；
训练模块，用于通过所述预测样本数据，对所述故障预测数据模型进行训练，获得训练后的故障预测数据模型；
预测分类模块，用于采集电能表数据，并通过所述预测数据模型，并对所述电能表数据进行故障预测和异常数据分类；
优化模块，用于根据预测结果和分类结果，持续优化所述故障预测及分类数据模型。
本发明实施例提供的技术方案带来的有益效果是：
通过在分类算法方面采用决策树结合SVM分类算法，充分发挥各算法优势，回避单一分类算法的不足，提高***计算能力和预测正确率；
利用电能表故障历史数据作为预测样本数据进行决策树、支持向量机自监督学习训练，获得达到一定准确度的模型。然后利用决策树模型和支持向量机对新采集的电能表数据进行可疑异常数据分类，预测故障类型。应用本***，即可实现智能电能表进行智能异常预测和分类，及早识别终端设备故障，定位故障类型，缩短处理电力终端设备故障时间，提升故障解决效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明实施例提供的模型构建示意图；
图2是本发明实施例提供的SVM模型结果示例示意图；
图3是本发明实施例提供的模型使用示意图。
具体实施方式
为使本发明的目的、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，所描述的实施例仅仅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做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。
第一方面，提供了一种智能电能表故障预测并分类方法，所述方法包括：
设置故障预测及分类数据模型；
获取智能电能表历史故障数据，并在确定故障类型后，生成预测样本数据；
通过所述预测样本数据，对所述故障预测数据模型进行训练，获得训练后的故障预测数据模型；
采集电能表数据，并通过所述预测数据模型，并对所述电能表数据进行故障预测和异常数据分类；
根据预测结果和分类结果，持续优化所述故障预测及分类数据模型。
可选的，所述设置故障预测数据模型还包括：
根据决策树模型和支持向量机SVM算法，设置所述故障预测数据模型。
可选的，所述获取智能电能表历史故障数据数据后，所述方法还包括：
将历史故障数据中删除重复值、噪声点，然后用经验值补全缺失项；
其中，所述历史故障数据包括电能表负荷类数据、电能质量类数据、事件采集数据、电能表版本、运行时间、安装地点、异常现象。
可选的，所述生成预测样本数据后，所述方法还包括
设置60％的预测样本数据为训练样本；
设置40％的预测样本数据为验证数据，所述验证数据用于通过交叉验证，验证所述训练后的故障预测数据模型是否满足精度要求。
可选的，所述方法还包括：
显示所述所述故障预测及分类数据模型，以及显示预测结果和***结果。
可选的，所述根据预测结果和分类结果，持续优化所述故障预测及分类数据模型包括：
在维护人员现场确认所述预测结果和分类结果后，将确认后的预测结果和分类结果，作为异常特征数据，添加至所述预测样本数据；
通过所述预测样本数据，持续优化所述故障预测及分类数据模型。
第二方面，提供了一种智能电能表故障预测并分类方法装置，
设置模块，用于设置故障预测及分类数据模型；
样本生成模块，用于获取智能电能表历史故障数据，并在确定故障类型后，生成预测样本数据；
训练模块，用于通过所述预测样本数据，对所述故障预测数据模型进行训练，获得训练后的故障预测数据模型；
预测分类模块，用于采集电能表数据，并通过所述预测数据模型，并对所述电能表数据进行故障预测和异常数据分类；
优化模块，用于根据预测结果和分类结果，持续优化所述故障预测及分类数据模型。
可选的，所述设置模块具体用于：
根据决策树模型和支持向量机SVM算法，设置所述故障预测数据模型。
第三方面，提供了一种智能电能表故障预测并分类装置，所述装置包括处理器与存储器，所述存储器用于存储一组程序代码，所述处理器调用所述存储器所存储的程序代码用于执行第一方面任一所述的方法。
第四方面，提供了一种智能电能表故障预测并分类***，所述***包括：
设置模块，用于设置故障预测及分类数据模型；
样本生成模块，用于获取智能电能表历史故障数据，并在确定故障类型后，生成预测样本数据；
训练模块，用于通过所述预测样本数据，对所述故障预测数据模型进行训练，获得训练后的故障预测数据模型；
预测分类模块，用于采集电能表数据，并通过所述预测数据模型，并对所述电能表数据进行故障预测和异常数据分类；
优化模块，用于根据预测结果和分类结果，持续优化所述故障预测及分类数据模型。
本发明实施例提供的技术方案带来的有益效果是：
通过在分类算法方面采用决策树结合SVM分类算法，充分发挥各算法优势，回避单一分类算法的不足，提高***计算能力和预测正确率；
利用电能表故障历史数据作为预测样本数据进行决策树、支持向量机自监督学习训练，获得达到一定准确度的模型。然后利用决策树模型和支持向量机对新采集的电能表数据进行可疑异常数据分类，预测故障类型。应用本***，即可实现智能电能表进行智能异常预测和分类，及早识别终端设备故障，定位故障类型，缩短处理电力终端设备故障时间，提升故障解决效率。
为了进一步说明本发明实施例所述的方法，进一步的，
为达到以上目的，本申请提供了一种电能表采集数据分类方法及***，在分类算法方面采用决策树结合SVM分类算法，充分发挥各算法优势，回避单一分类算法的不足，提高***计算能力和预测正确率。
本***基于电能表数据采集***，收集在线采集的电能表异常事件、***检测的异常数据以及现场确认的故障数据等，本申请的方法主要包括以下内容：
确定故障类型和预测数据
在电能表数据采集***中提取电能表故障时段历史数据，对故障数据进行预处理，去除其中的重复数据和噪声点。用经验值补全缺失项，获取预测数据集；
可选的，以***采集的电能表负荷类数据、电能质量类数据、事件采集数据、电能表版本、运行时间、安装地点、异常现象作为分析电能表异常模型训练的输入。
分析预测数据集，对电能表的故障类型进行特征数据总结，确定故障类型与特征数据的对应关系，参照总结的对应关系确定算法模型预测结果的评价标准。
模型训练
在预测数据集中提取60％的数据用于创建决策树模型的训练样本，其余数据作为测试数据集，训练样本用其分类属性表示类别，每一条记录都属于一个确定的类别。用决策树C5.0算法训练，得到达到最低准确度决策树，然后利用测试集进行测试集预测，将分类结果与实际故障类型进行比较，分析决策树模型预测正确率。
决策树模型训练结束后可以对决策树进行剪枝，将分类精度不够的结点子树用叶子结点来代替，避免决策树模型的过拟合。决策树生成的决策模型简单直观、结构清晰、分类过程耗时少、支持连续值处理，分类结果可视化处理方便。但在多维特征数据共同决策故障方面分析识别精度不足，比如用户窃电需要电能表开表盖次数、零线电流、用电趋势等多特征数据进行识别。
支持向量机SVM算法优良，分类精度高，在通过决策树将大部分故障分离后，剩余故障采用SVM对多维数据决策的故障进行逐个二分类模型训练处理，大幅减少SVM分类算法的时间消耗。
具体地，***采用支持向量机SVM对预测数据集进行二分类，由于SVM能够处理大型特征空间，在处理非线性特征之间的相互作用效果明显、且无需依赖整个数据等优势，对预测数据集数据进行正常、异常数据二分类模型训练。***提取电能表在故障时间段内采集的数据和正常运行的电能表采集数据用于创建模型的训练样本，并将正常数据样本和异常样本数据样本分别设置标签，利用SVM算法进行样本数据训练，得到最优超平面方程。然后使用测试数据集进行模型验证，将结果集与实际值进行比较，调整算法参数，持续优化数据模型，得到符合准确度的SVM模型。
通过对数据模型的保存和使用，对新采集数据通过决策树、SVM 进行异常分类及故障预测。
获取一组性能良好的模型后，将模型进行保存加以使用。将***采集的实时电能表数据，读数据模型，先通过决策树模型进行大部分异常预测，然后利用支持向量机SVM数据模型，检测当前数据中的用户窃电等复杂异常，将检测有故障的数据返回***。然后在***中生成工单信息，发送预警信息和处理方案给***维护人员尽早赶赴进行现场问题确认及解决。
预测模型优化
经过现场故障确认处理，将新的故障特征数据录入异常库，持续丰富电表异常数据预测数据集，通过对模型的持续训练，优化数据预测模型。同时将现场的解决方案录入***，丰富故障解决知识库。
本申请的核心是提供一种基于神经网络、图解算法相结合，对海量电能表采集数据进行分析，帮助***维护人员尽量在异常真正产生影响前尽可能提前解决相关问题，从而促进电网***稳定运行。同时将决策树算法和SVM相结合，既发挥了决策树结构清晰、分类过程耗时少，易于理解的优势。SVM对二分类的优势，对多维特征数据进行分类的优势，避开单独使用SVM运算时间久，决策逻辑难展现的不足。同时***实现故障类型、故障数据特征、解决方案对应关系库，为***的持续优化和现场问题的处理提供支持。
***开发采用Python语言，使用第三方提供的机器学习库，模型训练样本数据可以读取数据库，也支持读取文件数据。
预测数据清洗
数据清洗主要处理以下数据。
去除由于采集设备异常而突然产生的异常数据的噪声点；
去除重复数据；
排除因现场拆表、换表导致的用户用电突变数据；
用经验值补全缺失项，得到规范的预测数据集；
模型训练
数据模型训练模块使用Python机器学习sklearn包中导入SVM 模块和tree模块。
***采集的电能表负荷类数据、电能质量类数据、事件采集数据、电能表版本、运行时间、安装地点、异常现象作为分析电能表异常模型训练的输入。
分析预测数据集，对电能表的故障类型进行特征数据总结，确定故障类型与特征数据的对应关系，将总结的对应关系确定算法模型预测结果的重要评价标准。
在预测数据集中提取60％的数据用于创建决策树模型的训练样本，其余数据作为测试数据集，训练样本用分类属性表示类别，每一条记录都归属一个确定的类别。用决策树C5.0算法训练，决策树C5.0 算法采用了信息增益率进行特征选择，弱化了主观性地偏向子类别多的特征选择。算法公式如下：
Step1:信息熵值
Step2:信息增益g(D,A)＝H(D)-H(D|A)
Step3:信息增益率
利用预测数据集剩余40％数据作为测试集进行交叉验证，并通过程序计算决策树分类准确度。准确度达到80％以上的模型进行保存，将分类结果与实际故障类型进行比较，分析判断决策树模型预测正确率。将结果集与实际值进行比较，获取最优决策树模型。
SVM二分类算法需要故障时采集的数据和正常运行的电能表采集数据进行模型训练，从历史数据库中取部分数据作为预测数据集，提取60％的电能表数据作为训练样本，并将正常数据样本设置标签为 1，异常样本数据样本设置标签为-1。
从二维平面推广到超平面，设将正常数据和异常数据分离得超平面方程f(x)＝w*·x+b*。根据点到超平面距离公式求解最短距离公式，
取w*x+b*最小值为1,则最优距离公式为
电能表采集数据维度多，训练数据不是线性可分离的，使用松弛变量结合核函数，将当前线性不可分的数据映射到高维空间以达到线性可分的目的，通过反复调整正规化表达式及核函数，提高SVM 分类正确性，如图2为使用高斯核分类结果示例图。
然后使用剩余历史记录进行测试集验证，将结果预测结果与实际值进行比较，得到准确度大于等于80％的SVM模型。
通过决策树和支持向量机SVM算法将大量训练数据有目的的分类，从中找到有价值的、潜在的异常信息进行分类。
模型训练结果使用matplotlib包中pyplot模块和pydotplus包中graphviz模块进行可视化绘图。
故障分类及预测
在使用故障分类模型进行预测前，先对采集数据进行预筛选，识别确定性异常，无需通过神经网络算法便可识别，包括以下内容：
通信异常:数据采集未成功、数据不完整等异常
易识别异常：通过简单计算、数据比较等手段可确认的异常，比如总示数与各费率之和不相等、数据倒走等。
将通过测试集验证的决策树模型和SVM训练模型和进行保存，使用时读取相应模型，对最新采集的数据通过决策树模型和SVM模型，得到异常数据列表，***通过发送短信、邮件等方式及时推送相关责任人，及早确认并处理异常。
4.模型优化
***数据库中维护故障类型、故障特征数据、故障解决方案对应关系，经过现场故障确认处理，将新的故障特征数据录入异常库，持续丰富电表异常数据预测数据集，同时将现场的解决方案录入***，完善故障解决方案。并对模型持续训练，优化数据预测模型。
上述所有可选技术方案，可以采用任意结合形成本发明的可选实施例，在此不再一一赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能电能表故障预测并分类方法，其特征在于，所述方法包括：
设置故障预测及分类数据模型；
获取智能电能表历史故障数据，并在确定故障类型后，生成预测样本数据；
通过所述预测样本数据，对所述故障预测数据模型进行训练，获得训练后的故障预测数据模型；
采集电能表数据，并通过所述预测数据模型，并对所述电能表数据进行故障预测和异常数据分类；
根据预测结果和分类结果，持续优化所述故障预测及分类数据模型。
2.根据权利要求1所述的方法，其特征在于，所述设置故障预测数据模型还包括：
根据决策树模型和支持向量机SVM算法，设置所述故障预测数据模型。
3.根据权利要求2所述的方法，其特征在于，所述获取智能电能表历史故障数据数据后，所述方法还包括：
将历史故障数据中删除重复值、噪声点，然后用经验值补全缺失项；
其中，所述历史故障数据包括电能表负荷类数据、电能质量类数据、事件采集数据、电能表版本、运行时间、安装地点、异常现象。
4.根据权利要求3所述的方法，其特征在于，所述生成预测样本数据后，所述方法还包括
设置60％的预测样本数据为训练样本；
设置40％的预测样本数据为验证数据，所述验证数据用于通过交叉验证，验证所述训练后的故障预测数据模型是否满足精度要求。
5.根据权利要求1至4所述的方法，其特征在于，所述方法还包括：
显示所述所述故障预测及分类数据模型，以及显示预测结果和***结果。
6.根据权利要求1至4所述的方法，其特征在于，所述根据预测结果和分类结果，持续优化所述故障预测及分类数据模型包括：
在维护人员现场确认所述预测结果和分类结果后，将确认后的预测结果和分类结果，作为异常特征数据，添加至所述预测样本数据；
通过所述预测样本数据，持续优化所述故障预测及分类数据模型。
7.一种智能电能表故障预测并分类方法装置，其特征在于，
设置模块，用于设置故障预测及分类数据模型；
样本生成模块，用于获取智能电能表历史故障数据，并在确定故障类型后，生成预测样本数据；
训练模块，用于通过所述预测样本数据，对所述故障预测数据模型进行训练，获得训练后的故障预测数据模型；
预测分类模块，用于采集电能表数据，并通过所述预测数据模型，并对所述电能表数据进行故障预测和异常数据分类；
优化模块，用于根据预测结果和分类结果，持续优化所述故障预测及分类数据模型。
8.根据权利要求7所述的装置，其特征在于，所述设置模块具体用于：
根据决策树模型和支持向量机SVM算法，设置所述故障预测数据模型。
9.一种智能电能表故障预测并分类方法装置，其特征在于，所述装置包括处理器与存储器，所述存储器用于存储一组程序代码，所述处理器调用所述存储器所存储的程序代码用于执行权利要求1至6任一所述的方法。
10.一种智能电能表故障预测并分类***，其特征在于，所述***包括：
设置模块，用于设置故障预测及分类数据模型；
样本生成模块，用于获取智能电能表历史故障数据，并在确定故障类型后，生成预测样本数据；
训练模块，用于通过所述预测样本数据，对所述故障预测数据模型进行训练，获得训练后的故障预测数据模型；
预测分类模块，用于采集电能表数据，并通过所述预测数据模型，并对所述电能表数据进行故障预测和异常数据分类；
优化模块，用于根据预测结果和分类结果，持续优化所述故障预测及分类数据模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210097394.1A CN114626433A (zh) | 2022-01-27 | 2022-01-27 | 一种智能电能表故障预测并分类方法、装置及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210097394.1A CN114626433A (zh) | 2022-01-27 | 2022-01-27 | 一种智能电能表故障预测并分类方法、装置及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114626433A true CN114626433A (zh) | 2022-06-14 |
Family
ID=81899043
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210097394.1A Pending CN114626433A (zh) | 2022-01-27 | 2022-01-27 | 一种智能电能表故障预测并分类方法、装置及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114626433A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114781760A (zh) * | 2022-06-17 | 2022-07-22 | 四川观想科技股份有限公司 | 一种基于大数据的故障预测方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106054104A (zh) * | 2016-05-20 | 2016-10-26 | 国网新疆电力公司电力科学研究院 | 一种基于决策树的智能电表故障实时预测方法 |
| CN106503439A (zh) * | 2016-10-21 | 2017-03-15 | 国网福建省电力有限公司 | 一种基于数据挖掘的采集故障预警***的方法 |
| WO2017136489A1 (en) * | 2016-02-03 | 2017-08-10 | Caspo, Llc | Smart cooking system that produces and uses hydrogen fuel |
| CN110059357A (zh) * | 2019-03-19 | 2019-07-26 | 中国电力科学研究院有限公司 | 一种基于自编码网络的智能电能表故障分类检测方法及*** |
| CN110794360A (zh) * | 2019-10-22 | 2020-02-14 | 中国电力科学研究院有限公司 | 一种基于机器学习预测智能电能表故障的方法及*** |
| CN111612019A (zh) * | 2020-05-15 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于大数据模型对智能电表故障异常辨识分析的方法 |
| CN112464995A (zh) * | 2020-11-06 | 2021-03-09 | 广东电网有限责任公司东莞供电局 | 一种基于决策树算法的电网配变故障诊断方法及*** |
| CN112966879A (zh) * | 2021-04-02 | 2021-06-15 | 阳光电源股份有限公司 | 环境试验箱故障预测方法、装置、计算机设备及存储介质 |
| CN113011530A (zh) * | 2021-04-29 | 2021-06-22 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 一种基于多分类器融合的智能电表故障预测方法 |
| CN113420849A (zh) * | 2021-08-25 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 基于主动学习的模型在线增量训练方法、设备及介质 |
| CN113792825A (zh) * | 2021-11-17 | 2021-12-14 | 国网江苏省电力有限公司营销服务中心 | 一种用电信息采集设备故障分类模型训练方法及装置 |
| CN113962299A (zh) * | 2021-10-15 | 2022-01-21 | 上海核工程研究设计院有限公司 | 一种核电设备智能运行监测与故障诊断通用模型 |
-
2022
- 2022-01-27 CN CN202210097394.1A patent/CN114626433A/zh active Pending
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017136489A1 (en) * | 2016-02-03 | 2017-08-10 | Caspo, Llc | Smart cooking system that produces and uses hydrogen fuel |
| CN106054104A (zh) * | 2016-05-20 | 2016-10-26 | 国网新疆电力公司电力科学研究院 | 一种基于决策树的智能电表故障实时预测方法 |
| CN106503439A (zh) * | 2016-10-21 | 2017-03-15 | 国网福建省电力有限公司 | 一种基于数据挖掘的采集故障预警***的方法 |
| CN110059357A (zh) * | 2019-03-19 | 2019-07-26 | 中国电力科学研究院有限公司 | 一种基于自编码网络的智能电能表故障分类检测方法及*** |
| CN110794360A (zh) * | 2019-10-22 | 2020-02-14 | 中国电力科学研究院有限公司 | 一种基于机器学习预测智能电能表故障的方法及*** |
| CN111612019A (zh) * | 2020-05-15 | 2020-09-01 | 国网河北省电力有限公司电力科学研究院 | 一种基于大数据模型对智能电表故障异常辨识分析的方法 |
| CN112464995A (zh) * | 2020-11-06 | 2021-03-09 | 广东电网有限责任公司东莞供电局 | 一种基于决策树算法的电网配变故障诊断方法及*** |
| CN112966879A (zh) * | 2021-04-02 | 2021-06-15 | 阳光电源股份有限公司 | 环境试验箱故障预测方法、装置、计算机设备及存储介质 |
| CN113011530A (zh) * | 2021-04-29 | 2021-06-22 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 一种基于多分类器融合的智能电表故障预测方法 |
| CN113420849A (zh) * | 2021-08-25 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 基于主动学习的模型在线增量训练方法、设备及介质 |
| CN113962299A (zh) * | 2021-10-15 | 2022-01-21 | 上海核工程研究设计院有限公司 | 一种核电设备智能运行监测与故障诊断通用模型 |
| CN113792825A (zh) * | 2021-11-17 | 2021-12-14 | 国网江苏省电力有限公司营销服务中心 | 一种用电信息采集设备故障分类模型训练方法及装置 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114781760A (zh) * | 2022-06-17 | 2022-07-22 | 四川观想科技股份有限公司 | 一种基于大数据的故障预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
| CN111507376B (zh) | 一种基于多种无监督方法融合的单指标异常检测方法 | |
| CN112199367B (zh) | 一种长时间尺度功率平衡校验和大数据分析方法及*** | |
| CN110930198A (zh) | 基于随机森林的电能替代潜力预测方法、***、存储介质及计算机设备 | |
| CN108537394B (zh) | 一种智能电网实时安全预警方法和装置 | |
| CN109409444B (zh) | 一种基于先验概率的多元电网故障类型的判别方法 | |
| CN111539585B (zh) | 一种基于随机森林的电力客户诉求敏感度监督及预警方法 | |
| CN108304567B (zh) | 高压变压器工况模式识别与数据分类方法及*** | |
| CN108345670B (zh) | 一种用于95598电力工单的服务热点发现方法 | |
| KR20230030542A (ko) | 랜덤 컷 포레스트 알고리즘을 이용한 ai 기반의 설비 데이터 이상 감지 시스템과 그 방법 | |
| CN115760484A (zh) | 一种配电台区隐患辨识能力提升方法、装置、***及存储介质 | |
| CN111126820A (zh) | 反窃电方法及*** | |
| CN114201374A (zh) | 基于混合机器学习的运维时序数据异常检测方法及*** | |
| CN116739829B (zh) | 一种基于大数据的电力数据分析方法、***及介质 | |
| Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
| CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、***及介质 | |
| CN115859191A (zh) | 故障诊断方法、装置、计算机可读存储介质及计算机设备 | |
| CN110968703A (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及*** | |
| CN114626433A (zh) | 一种智能电能表故障预测并分类方法、装置及*** | |
| CN114169998A (zh) | 一种金融大数据分析与挖掘算法 | |
| CN110807014B (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
| CN112595918A (zh) | 一种低压集抄故障的检测方法及装置 | |
| CN116452054A (zh) | 一种电力***物资抽检管理方法和装置 | |
| CN112819182B (zh) | 一种钞盒状态预测模型的训练方法、装置及设备 | |
| CN115147242A (zh) | 一种基于数据挖掘的电网数据管理*** |
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 |