CN118260120A - 电能表内存监测方法、装置、设备及存储介质 - Google Patents
电能表内存监测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN118260120A CN118260120A CN202410678873.1A CN202410678873A CN118260120A CN 118260120 A CN118260120 A CN 118260120A CN 202410678873 A CN202410678873 A CN 202410678873A CN 118260120 A CN118260120 A CN 118260120A
- Authority
- CN
- China
- Prior art keywords
- memory
- fault
- area
- probability
- 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 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 86
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 42
- 238000009826 distribution Methods 0.000 claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 22
- 238000004364 calculation method Methods 0.000 claims abstract description 20
- 230000008859 change Effects 0.000 claims description 25
- 238000004458 analytical method Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 16
- 230000000737 periodic effect Effects 0.000 claims description 15
- 238000011156 evaluation Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000004044 response Effects 0.000 claims description 9
- 238000012502 risk assessment Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000007621 cluster analysis Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 description 24
- 238000007726 management method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 10
- 230000036541 health Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003862 health status Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003449 preventive effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 239000000306 component Substances 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002688 persistence Effects 0.000 description 1
- 238000013439 planning Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 238000004092 self-diagnosis Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及一种电能表内存监测方法,包括以下步骤:对电能表内存的电能表内存数据进行周期性检测,得到初步检测数据集;基于所述初步检测数据集对所述电能表内存进行区域划分,得到多个内存区域,通过预设的混合威布尔分布模型,基于所述初步检测数据集对各个所述内存区域进行故障计算,得到多个内存区域的故障概率;若各个内存区域的故障概率不在对应的故障范围内,则对不在对应的预设范围内的内存区域进行标识,得到故障标识区域;利用预设的卡尔曼滤波算法,对所述故障标识区域的故障概率进行动态追踪,得到时间‑概率曲线;若在任一时间内的所述时间‑概率曲线上的斜率不在阈值内,则发出警报;解决了无法及时发现潜在的内存故障的技术问题。
Description
技术领域
本发明涉及内存监测技术领域,特别涉及一种电能表内存监测方法、装置、设备及存储介质。
背景技术
随着智能电网的快速发展和电力***自动化水平的不断提高,电能表作为电力***中至关重要的计量设备,其稳定性和准确性直接关系到电力***的正常运行及电能计量的公正性。传统电能表主要关注电能计量的准确性,而现代智能电能表除了基本的计量功能外,还集成了数据通信、远程控制、故障自诊断等多种智能化功能。因此,电能表内部存储器(内存)的健康状态监测变得尤为重要。内存是电能表存储关键数据(如电能量数据、事件记录、配置参数等)的核心部件。一旦内存出现故障,可能导致数据丢失、计量错误甚至***崩溃,严重影响电能管理的效率和可靠性。然而,电能表工作环境复杂多变,长时间运行下内存易受温度波动、电磁干扰等因素影响,逐渐累积磨损,从而增加故障风险。
早期的电能表内存监测方法大多依赖于定期的人工检查或简单的错误校验,这种方法不仅效率低下,而且往往无法及时发现潜在的内存故障,等到故障显现时可能已经造成不可挽回的数据损失。因此,发展高效、准确的电能表内存监测技术成为行业迫切需求。
发明内容
本发明的主要目的为提供一种电能表内存监测方法、装置、设备及存储介质,解决了早期的电能表内存监测方法大多依赖于定期的人工检查或简单的错误校验,导致不仅效率低下,还无法及时发现潜在的内存故障的技术问题。
为实现上述目的,本发明提供了一种电能表内存监测方法,包括以下步骤:
对电能表内存的电能表内存数据进行周期性检测,得到初步检测数据集;
基于所述初步检测数据集对所述电能表内存进行区域划分,得到多个内存区域,其中,各内存区域存在对应的故障范围;
通过预设的混合威布尔分布模型,基于所述初步检测数据集对各个所述内存区域进行故障计算,得到多个内存区域的故障概率;
若各个内存区域的故障概率不在对应的故障范围内,则对不在对应的预设范围内的内存区域进行标识,得到故障标识区域;其中,所述故障标识区域至少包括一种或多种;
利用预设的卡尔曼滤波算法,对所述故障标识区域的故障概率进行动态追踪,得到时间-概率曲线;
若在任一时间内的所述时间-概率曲线上的斜率不在阈值内,则发出警报。
作为本发明进一步的方案,所述基于所述初步检测数据集对所述电能表内存进行区域划分,得到多个内存区域,包括:
对所述初步检测数据集进行预处理,得到预处理检测数据集,并对所述预处理检测数据集进行特征提取,得到检测特征;其中,所述检测特征包括内存访问频率分布、数据读写比率以及活跃周期性指标;
通过预设的K-means算法对所述检测特征进行初步聚类分析,得到初步分析内存区域;其中,所述初步分析内存区域包括高活跃度区域、低频访问区以及周期性活跃区;
通过预设的优化算法对所述初步分析内存区域进行优化,获得优化内存区域;
基于所述优化内存区域对所述电能表内存的空间进行多维度划分,得到多维度划分区域,将所述多维度划分区域作为多个内存区域;其中,所述多个内存区域包括高频访问区、稳定存储区以及过渡区。
作为本发明进一步的方案,所述通过预设的混合威布尔分布模型,基于所述初步检测数据集对各个所述内存区域进行故障计算,得到多个内存区域的故障概率,包括:
通过预设的混合威布尔分布模型对所述初步检测数据集进行数据质量评估,得到评估结果;
若所述评估结果显示所述初步检测数据集内存在异常数据,则通过预设的异常检测算法对所述异常数据进行定位与剔除,得到剔除后的初步检测数据集;
基于剔除后的初步检测数据集对各个所述内存区域进行故障计算,得到各内存区域的故障概率。
作为本发明进一步的方案,若各个内存区域的故障概率不在对应的故障范围内,则对不在对应的预设范围内的内存区域进行标识,得到故障标识区域,包括:
将各个内存区域的故障概率与所述各内存区域存在对应的故障范围进行一一对比,得到对比结果;
若所述对比结果是任一内存区域的故障概率不在对应的故障范围内,则对不在对应的故障范围内的内存区域设定故障分类阈值;
基于所述故障分类阈值对所述不在对应的故障范围内的内存区域进行故障等级分类,得到内存分类区域;其中,所述内存分类区域包括轻微故障区域、中等故障区域以及严重故障区域;
按照所述设定故障分类阈值对所述内存分类区域进行排序,得到不同风险等级的内存划分区域;
基于所述不同风险等级的内存划分区域构建风险矩阵,并通过预设的神经网络算法对所述风险矩阵进行识别,得到各个内存区域的风险状态;
基于各个内存区域的风险状态对不在对应的预设范围内的内存区域进行标识,得到故障标识区域。
作为本发明进一步的方案,所述利用预设的卡尔曼滤波算法,对所述故障标识区域的故障概率进行动态追踪,得到时间-概率曲线,包括:
利用预设的卡尔曼滤波算法对所述故障标识区域的故障概率进行持续动态追踪,得到持续追踪故障概率;
对所述持续追踪故障概率进行时间排序,得到时间故障概率序列;
建立坐标系,基于所述时间故障概率序列在所述坐标系进行绘制,得到初步时间-概率曲线;
对所述初步时间-概率曲线进行迭代拟合,得到时间-概率曲线。
作为本发明进一步的方案,若在任一时间内的所述时间-概率曲线上的斜率不在阈值内,则发出警报,包括:
对所述时间-概率曲线上相邻时间点对应的概率进行差分运算,得到各时段的斜率变化率;
基于所述斜率变化率,得到对应的倾斜角度;
将所述倾斜角度与预设的历史数据比较库中记录的倾斜角度进行对比评估,得到风险评估指标;
基于风险评估指标,设定动态阈值,若当前所述风险评估指标超过所述动态阈值的安全界限,则触发响应预警机制。
本发明还提供了一种电能表内存监测装置,包括:
检测模块,用于对电能表内存的电能表内存数据进行周期性检测,得到初步检测数据集;
划分模块,用于基于所述初步检测数据集对所述电能表内存进行区域划分,得到多个内存区域,其中,各内存区域存在对应的故障范围;
计算模块,用于通过预设的混合威布尔分布模型,基于所述初步检测数据集对各个所述内存区域进行故障计算,得到多个内存区域的故障概率;
标识模块,用于若各个内存区域的故障概率不在对应的故障范围内,则对不在对应的预设范围内的内存区域进行标识,得到故障标识区域;其中,所述故障标识区域至少包括一种或多种;
追踪模块,用于利用预设的卡尔曼滤波算法,对所述故障标识区域的故障概率进行动态追踪,得到时间-概率曲线;
警报模块,用于若在任一时间内的所述时间-概率曲线上的斜率不在阈值内,则发出警报。
本发明还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一项所述方法的步骤。
本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一项所述的方法的步骤。
本发明提供的电能表内存监测方法、装置、设备及存储介质,包括以下步骤:对电能表内存的电能表内存数据进行周期性检测,得到初步检测数据集;基于所述初步检测数据集对所述电能表内存进行区域划分,得到多个内存区域,通过预设的混合威布尔分布模型,基于所述初步检测数据集对各个所述内存区域进行故障计算,得到多个内存区域的故障概率;若各个内存区域的故障概率不在对应的故障范围内,则对不在对应的预设范围内的内存区域进行标识,得到故障标识区域;利用预设的卡尔曼滤波算法,对所述故障标识区域的故障概率进行动态追踪,得到时间-概率曲线;若在任一时间内的所述时间-概率曲线上的斜率不在阈值内,则发出警报;通过上述的技术方案,解决了早期的电能表内存监测方法大多依赖于定期的人工检查或简单的错误校验,导致不仅效率低下,还无法及时发现潜在的内存故障的技术问题。实现了电能表内存故障的早期发现与预警,从而提高电能计量***的可靠性和维护效率的有益效果。
附图说明
图1是本发明一实施例中电能表内存监测方法的步骤示意图;
图2是本发明一实施例中电能表内存监测装置的结构框图;
图3是本发明一实施例的计算机设备的结构示意框图。
本发明目的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明一实施例中电能表内存监测方法步骤示意图;
本发明一实施例中提供了一种电能表内存监测方法,包括以下步骤:
步骤S1,对电能表内存的电能表内存数据进行周期性检测,得到初步检测数据集。
具体的,对电能表内存的电能表内存数据进行周期性检测,是指按照预定的时间间隔或特定条件,***自动对电能表内部存储的数据进行全面扫描和分析的过程。上述过程类似于体检,目的是及时捕捉内存中的任何异常或潜在问题。所获取的数据集合,即初步检测数据集,包含了电能表内存当前状态的各种信息,比如数据完整性、读写错误次数、特定地址的数据值变化情况等。
通过上述的步骤可以实现以下的技术效果:通过周期性的监测,可以在内存故障尚处于萌芽阶段时及时发现,避免了因故障积累导致的突发性***崩溃或数据丢失,提高了电能计量的稳定性与准确性。基于周期性收集到的数据集,可以分析内存的健康状况趋势,为维修人员提供科学依据,实现从被动维修向主动预防性维护的转变,降低了维护成本,减少了因故障停机造成的经济损失。通过对不同内存区域的周期性监控,可以识别出哪些区域更易发生故障,据此合理规划内存使用,优化资源配置,提升***整体性能。确保电能计量数据的完整性和准确性,对于电力公司和用户来说至关重要。周期性检测有助于维护数据的高可靠性,保障电能交易的公平公正。所得的初步检测数据集可作为进一步数据分析的基础,比如用于建立更精确的故障预测模型,为运维决策提供强有力的数据支持。综上,周期性检测电能表内存并形成初步检测数据集,是实现电能表内存健康管理的第一步,也是后续故障分析、预防与优化策略制定的基石,对保障电力***高效稳定运行具有重要意义。
步骤S2,基于所述初步检测数据集对所述电能表内存进行区域划分,得到多个内存区域,其中,各内存区域存在对应的故障范围。
具体的,首先基于从电能表内存收集到的初步检测数据集进行深入分析。这些数据集中包含着内存使用情况的各类指标,比如访问频率、数据错误率、读写延迟等。通过对这些详细信息的综合考量,可以揭示出内存中不同部分在实际运行中的状态差异和潜在的脆弱点。随后,依据上述分析结果,电能表的内存空间被逻辑上划分成多个不同的区域。这一划分策略旨在将内存根据其功能、重要性或故障倾向性分类。比如,频繁访问且数据敏感度高的区域可能被单独划分出来,而相对稳定、较少出错的部分则归为另一类。每个被划分出来的内存区域,都会根据其历史表现和当前检测数据,被赋予一个预设的故障范围。这个“故障范围”实质上是对该区域未来可能出现故障的概率分布或者故障严重程度的一种量化描述。包括故障发生的概率、预期的故障影响程度,或是故障可能发生的特定条件范围。简而言之,这一方案通过精细化的内存区域划分和为各区域定制化的故障范围设定,为电能表内存的健康管理提供了一种结构化的框架。这样做不仅有利于监控和预测各关键区域的健康状态,还能指导后续的维护决策,确保电能计量的准确性和***的整体可靠性。
通过上述的步骤可以实现以下的技术效果:通过周期性的监测,可以在内存故障尚处于萌芽阶段时及时发现,避免了因故障积累导致的突发性***崩溃或数据丢失,提高了电能计量的稳定性与准确性。基于周期性收集到的数据集,可以分析内存的健康状况趋势,为维修人员提供科学依据,实现从被动维修向主动预防性维护的转变,降低了维护成本,减少了因故障停机造成的经济损失。通过对不同内存区域的周期性监控,可以识别出哪些区域更易发生故障,据此合理规划内存使用,优化资源配置,提升***整体性能。确保电能计量数据的完整性和准确性,对于电力公司和用户来说至关重要。周期性检测有助于维护数据的高可靠性,保障电能交易的公平公正。所得的初步检测数据集可作为进一步数据分析的基础,比如用于建立更精确的故障预测模型,为运维决策提供强有力的数据支持。
步骤S3,通过预设的混合威布尔分布模型,基于所述初步检测数据集对各个所述内存区域进行故障计算,得到多个内存区域的故障概率。
具体的,利用了预设的混合威布尔分布模型,这是一种统计分析工具,尤其适用于处理包含多种失效模式或具有不同寿命特性的数据。混合威布尔分布模型通过结合多个威布尔分布,能够更准确地描述复杂***或组件的故障特性。具体应用到电能表内存故障计算中,首先,根据之前得到的初步检测数据集,包括每个内存区域的历史故障记录、使用频率、数据错误情况等,这些数据反映了各区域的实际运行状态和潜在故障趋势。接下来,将这些数据输入到混合威布尔分布模型中。模型会针对每个内存区域,考虑其特有属性和故障历史,通过拟合不同参数的威布尔分布,来估计各个区域在未来某个时间点发生故障的概率。这一计算过程综合考虑了内存区域的多样性和复杂性,能够提供更加贴近实际情况的故障概率评估。最终,通过模型计算,获得了各个内存区域的故障概率,这为后续的故障预警、维护计划制定以及资源优化分配提供了量化依据。这种基于混合威布尔分布模型的方法,相比单一模型或定性分析,能更精确地评估和区分不同内存区域的健康状况和潜在风险,从而增强电能表内存管理的科学性和有效性。
步骤S4,若各个内存区域的故障概率不在对应的故障范围内,则对不在对应的预设范围内的内存区域进行标识,得到故障标识区域;其中,所述故障标识区域至少包括一种或多种。
具体的,***将计算出的各个内存区域的故障概率与之前设定的对应故障范围进行对比。故障范围本质上是基于历史数据和安全标准预先设定的一个合理故障发生概率区间,旨在区分正常运行状态与潜在故障状态。如果某个内存区域计算得出的故障概率超出了其预设的故障范围,这表明该区域的故障风险高于预期或已达到不可接受的程度。此时,***会将这些异常区域标记为“故障标识区域”。这意味着这些区域需要特别关注,因为它们表现出比常规或设计允许范围更严重的故障倾向。故障标识区域涵盖一种或多种内存区域,具体取决于哪些区域的故障概率评估结果偏离了其正常或安全的故障概率区间。这样的标识过程是预警机制的关键组成部分,它能够快速聚焦于***中最脆弱或最需干预的部分,为后续的维护行动提供明确指向。总结来说,通过比较计算故障概率与预设故障范围,该步骤有效地识别并标注出那些表现出异常故障概率的内存区域,确保维护资源能够精准投向真正需要的地方,从而提高故障响应的速度和维护效率。
步骤S5,利用预设的卡尔曼滤波算法,对所述故障标识区域的故障概率进行动态追踪,得到时间-概率曲线。
具体的,采用预设的卡尔曼滤波算法,对已被标识为故障区域的内存部分,实施故障概率的连续动态监测与预测。卡尔曼滤波是一种强大的数学算法,能够基于先前的估计和新获得的测量数据,以递归方式提供对动态***的最优状态估计,非常适合处理含有噪声的时序数据。具体实施时,算法首先利用已知的故障标识区域的初始故障概率作为起点,然后,随着时间推移,不断接收来自电能表的新检测数据或内存行为指标。卡尔曼滤波通过融合这些新数据与之前的故障概率预测结果,实时更新每个故障标识区域的故障概率估计,形成一个随时间演变的“时间-概率曲线”。这条时间-概率曲线直观展示了各个故障区域故障概率的变化趋势,使得维护人员可以清晰看到故障风险是如何随时间发展的。若某区域的故障概率曲线呈现上升趋势,预示着故障可能性在增大,反之则可能意味着故障风险减小或得到控制。通过这种方式,卡尔曼滤波算法不仅实现了对故障概率的动态追踪,还提高了故障预测的精度与实时性,为及时采取预防措施、调度维修资源提供了强有力的支持,从而进一步增强了电能表内存管理的前瞻性和主动性。
步骤S6,若在任一时间内的所述时间-概率曲线上的斜率不在阈值内,则发出警报。
具体的,在这项措施中,***持续分析由卡尔曼滤波算法生成的“时间-概率曲线”,该曲线描绘了故障标识区域内故障概率随时间动态变化的情况。"斜率"在此上下文中指的是曲线在任意给定时间点的陡峭程度,反映了故障概率变化的速度和方向。预设的"阈值"是一种控制标准,用于界定故障概率变化速率的正常范围。如果在监测过程中,发现任一时间点上“时间-概率曲线”的斜率偏离了这一预设的阈值区间,不论是增长过快还是减速至不寻常水平,都表明内存区域的故障状态出现了非预期的急剧变化,可能预示着即将发生或正在加剧的故障情况。一旦检测到这种异常变化,***将立刻触发警报机制。警报的发出,是为了即时通知维护人员或自动响应***,表明存在需要紧急介入和调查的问题,以便迅速采取纠正措施,防止潜在故障演变成影响电能表正常运作的重大事件。这样,通过紧密监控故障概率的动态变化并及时响应,显著增强了电能表内存管理的反应能力和维护效率。
在具体实施例中,所述基于所述初步检测数据集对所述电能表内存进行区域划分,得到多个内存区域,包括:
对所述初步检测数据集进行预处理,得到预处理检测数据集,并对所述预处理检测数据集进行特征提取,得到检测特征;其中,所述检测特征包括内存访问频率分布、数据读写比率以及活跃周期性指标;
通过预设的K-means算法对所述检测特征进行初步聚类分析,得到初步分析内存区域;其中,所述初步分析内存区域包括高活跃度区域、低频访问区以及周期性活跃区;
通过预设的优化算法对所述初步分析内存区域进行优化,获得优化内存区域;
基于所述优化内存区域对所述电能表内存的空间进行多维度划分,得到多维度划分区域,将所述多维度划分区域作为多个内存区域;其中,所述多个内存区域包括高频访问区、稳定存储区以及过渡区。
具体的,首先,收集到的原始内存访问数据被整理成一个初步检测数据集。这一阶段涉及数据清洗、去除异常值及标准化等操作,以消除噪声并确保数据质量,最终形成预处理检测数据集。这是后续分析的基础。从预处理后的数据集中,提取出反映内存行为的关键特征。这包括:内存访问频率分布:揭示各个内存位置被访问的频繁程度,有助于识别哪些区域是高活跃或低活跃的。数据读写比率:衡量读取与写入操作的比例,帮助理解内存区域的主要用途(如读密集型或写密集型)。活跃周期性指标:捕捉内存使用模式中的周期性规律,识别那些按固定周期活跃的区域。利用经典的K-means算法,依据上述检测特征对内存区域进行初次分类。此步骤将内存划分为几个初步分析内存区域,例如高活跃度区域(频繁访问)、低频访问区(较少操作)和周期性活跃区(特定时间活跃),为后续细化提供基础框架。为进一步提高内存区域划分的准确性,采用预设的优化算法(如迭代优化或基于密度的聚类方法)对初步分析的内存区域进行微调。这一步骤考虑更多维度和复杂性,确保每个区域的定义更加精确和合理。基于优化后的内存区域,进行更深入的空间划分,形成多维度划分区域。具体划分包括:高频访问区:对应于极高访问频率的内存块,要求快速响应和高效管理。稳定存储区:用于存储长期不变或变化缓慢的数据,强调数据的持久性和稳定性。过渡区:介于高频访问与稳定存储之间的区域,其访问模式可能随时间波动,需要灵活的管理策略。通过这一系列严谨而细致的分析与划分,电能表的内存管理不仅能够有效提升数据处理效率,还能提前识别潜在的内存问题区域,从而保障电能表整体运行的稳定性和可靠性。
在具体实施例中,所述通过预设的混合威布尔分布模型,基于所述初步检测数据集对各个所述内存区域进行故障计算,得到多个内存区域的故障概率,包括:
通过预设的混合威布尔分布模型对所述初步检测数据集进行数据质量评估,得到评估结果;
若所述评估结果显示所述初步检测数据集内存在异常数据,则通过预设的异常检测算法对所述异常数据进行定位与剔除,得到剔除后的初步检测数据集;
基于剔除后的初步检测数据集对各个所述内存区域进行故障计算,得到各内存区域的故障概率。
具体的,首先,利用预设的混合威布尔分布模型对初步检测数据集进行评估。这一阶段的目标是检验数据集的整体质量和一致性。混合威布尔模型由于其灵活性,能够很好地适应不同类型的故障模式,因此也能有效识别数据中的异常表现或不符合预期的模式。若评估结果显示初步检测数据集中存在异常数据,这可能是由于测量误差、硬件故障或其他外部因素引起的。此时,***会启用预设的异常检测算法。这类算法通常通过统计学方法或机器学习技术,识别并精确定位数据集中的离群点。之后,将这些异常数据从数据集中剔除,以避免它们对后续故障概率计算产生负面影响,从而得到一个更加纯净、可靠的剔除后初步检测数据集。基于经过净化的剔除后初步检测数据集,再次运用混合威布尔分布模型,对每个内存区域进行详细的故障概率计算。这一过程考虑了每个区域特有的故障模式和历史行为,通过模型参数的拟合,为每个内存区域提供一个量化的故障概率值。这些概率值直接反映了各区域在未来一段时间内发生故障的可能性,为内存健康管理提供了量化依据。通过以上步骤,该方案确保了故障概率计算的准确性和实用性,不仅提升了电能表内存故障预测的精确度,也为故障预防和及时维护提供了科学决策支持。
在具体实施例中,若各个内存区域的故障概率不在对应的故障范围内,则对不在对应的预设范围内的内存区域进行标识,得到故障标识区域,包括:
将各个内存区域的故障概率与所述各内存区域存在对应的故障范围进行一一对比,得到对比结果;
若所述对比结果是任一内存区域的故障概率不在对应的故障范围内,则对不在对应的故障范围内的内存区域设定故障分类阈值;
基于所述故障分类阈值对所述不在对应的故障范围内的内存区域进行故障等级分类,得到内存分类区域;其中,所述内存分类区域包括轻微故障区域、中等故障区域以及严重故障区域;
按照所述设定故障分类阈值对所述内存分类区域进行排序,得到不同风险等级的内存划分区域;
基于所述不同风险等级的内存划分区域构建风险矩阵,并通过预设的神经网络算法对所述风险矩阵进行识别,得到各个内存区域的风险状态;
基于各个内存区域的风险状态对不在对应的预设范围内的内存区域进行标识,得到故障标识区域。
具体的,首先,将各个内存区域的故障概率与事先设定的故障范围进行逐一比对。这一过程旨在识别出那些故障概率超出正常预期的区域。当发现某些内存区域的故障概率超出了其对应的故障范围,***会为这些区域设定具体的故障分类阈值。这些阈值用于区分故障的严重程度,为后续的故障等级分类提供依据。基于设定的故障分类阈值,对超出故障范围的内存区域进行分级,划分出轻微故障区域、中等故障区域以及严重故障区域。这样的分类有助于优先处理高风险区域,合理分配维护资源。按照设定的故障分类阈值,对不同风险等级的内存区域进行排序,明确哪些区域的风险最高,哪些次之,从而形成一个有序的风险管理清单。利用排序后的风险等级信息构建风险矩阵,这是一个可视化工具,可以直观展现各内存区域的故障风险分布,便于管理和决策。进一步应用预设的神经网络算法对风险矩阵进行深度分析,该算法能够学***,使预测更为准确。最后,基于神经网络算法识别出的风险状态,对那些超出预设故障范围且经风险评估确认存在潜在问题的内存区域进行明确标识,正式确定为故障标识区域。这些区域将成为后续维护和干预的重点目标,确保问题能够被及时发现并处理,有效保障电能表内存的健康和***稳定运行。整个流程通过多层次的分析和智能化算法的应用,极大地增强了故障识别的准确性和效率,为电能表内存的维护管理提供了科学、高效的方法。
在具体实施例中,所述利用预设的卡尔曼滤波算法,对所述故障标识区域的故障概率进行动态追踪,得到时间-概率曲线,包括:
利用预设的卡尔曼滤波算法对所述故障标识区域的故障概率进行持续动态追踪,得到持续追踪故障概率;
对所述持续追踪故障概率进行时间排序,得到时间故障概率序列;
建立坐标系,基于所述时间故障概率序列在所述坐标系进行绘制,得到初步时间-概率曲线;
对所述初步时间-概率曲线进行迭代拟合,得到时间-概率曲线。
具体的,卡尔曼滤波是一种自适应预测与数据修正算法,特别适用于含有噪声的动态***的状态估计。在此方案中,它被用于对已标识的故障区域的故障概率进行连续不断地追踪。通过整合新获取的数据和先前估计的状态,算法能够滤除测量噪声,提供对故障概率更为准确和实时的估计,即得到持续追踪故障概率。随着时间推移,每次通过卡尔曼滤波获得的故障概率值会被记录下来,并按照时间顺序排列,形成一个时间故障概率序列。这个序列捕捉了故障概率随时间波动的模式,是构建时间-概率曲线的基础数据。在二维坐标系中,横轴代表时间,纵轴代表故障概率。将上述时间故障概率序列中的数据点一一对应地标记在坐标系上,绘制出初步时间-概率曲线。此曲线直观展示了故障概率随时间的变化趋势。初步的时间-概率曲线可能包含一定程度的波动或不平滑,为了提高曲线的准确性及平滑度,会对这条初步曲线进行迭代拟合。迭代拟合过程通过数学方法(如最小二乘法)不断调整曲线参数,使其更好地贴合实际数据点,最终得到一条更为精确的时间-概率曲线。这条曲线不仅反映了故障概率的即时状态,还能揭示潜在的发展规律和趋势,对于预测故障进展、安排维修计划具有重要价值。综上所述,该方案通过卡尔曼滤波动态追踪和时间序列分析技术,结合数据可视化和迭代优化策略,为监控和预测内存区域的故障演变提供了一个***化、动态化的解决方案。
在具体实施例中,若在任一时间内的所述时间-概率曲线上的斜率不在阈值内,则发出警报,包括:
对所述时间-概率曲线上相邻时间点对应的概率进行差分运算,得到各时段的斜率变化率;
基于所述斜率变化率,得到对应的倾斜角度;
将所述倾斜角度与预设的历史数据比较库中记录的倾斜角度进行对比评估,得到风险评估指标;
基于风险评估指标,设定动态阈值,若当前所述风险评估指标超过所述动态阈值的安全界限,则触发响应预警机制。
具体的,首先,***持续跟踪记录某一事件或变量随时间变化的概率,形成时间-概率曲线。这里的“斜率”实质上指的是概率变化的速度,即单位时间内概率的变化量。如果在任何给定时刻,这个概率上升或下降的速度(斜率)超出了预设的安全范围(阈值),***就会准备发出警报。为了量化这种变化速度,***会对时间-概率曲线上相邻两个时间点的概率值进行差分运算。这样可以得到每个时间段内概率的变化量,进一步计算出概率斜率的变化率,即斜率本身如何随时间变化,这有助于捕捉到趋势的加速或减速。将得到的斜率变化率转换为倾斜角度,是一个从数学角度直观理解概率变化陡峭程度的方式。具体操作可能涉及将斜率映射到角度制,便于后续与历史数据对比。这个步骤帮助抽象化理解,并为比较提供一个共同的度量标准。***维护有一个包含以往类似情况下斜率角度变化的历史数据库。新计算出的倾斜角度会与这些历史记录进行比较,通过一定的算法评估当前情况的风险程度。这种比较可以揭示当前变化是否异常,是否历史上相似变化曾导致过问题,从而提供一个风险评估指标。基于上述风险评估指标,***动态调整预警阈值。这意味着阈值不是固定的,而是根据当前情况和历史数据分析自动调节,以适应不同情境下的风险敏感度。如果评估结果显示当前的风险评估指标超过了动态设置的安全界限,***立即触发预警机制,可能包括发送通知、启动应急响应程序等措施,以及时应对潜在的风险或危机。综上所述,该方案通过精细的概率变化分析,结合历史数据的学习与比对,实现了对风险的动态监测与预警,能够有效提升对复杂多变环境的适应性和响应速度。
上面对本发明实施例中电能表内存监测方法进行了描述,下面对本发明实施例中电能表内存监测装置进行描述,请参阅图2,本发明实施例中电能表内存监测装置一个实施例包括:
检测模块21,用于对电能表内存的电能表内存数据进行周期性检测,得到初步检测数据集;
划分模块22,用于基于所述初步检测数据集对所述电能表内存进行区域划分,得到多个内存区域,其中,各内存区域存在对应的故障范围;
计算模块23,用于通过预设的混合威布尔分布模型,基于所述初步检测数据集对各个所述内存区域进行故障计算,得到多个内存区域的故障概率;
标识模块24,用于若各个内存区域的故障概率不在对应的故障范围内,则对不在对应的预设范围内的内存区域进行标识,得到故障标识区域;其中,所述故障标识区域至少包括一种或多种;
追踪模块25,用于利用预设的卡尔曼滤波算法,对所述故障标识区域的故障概率进行动态追踪,得到时间-概率曲线;
警报模块26,用于若在任一时间内的所述时间-概率曲线上的斜率不在阈值内,则发出警报。
在本实施例中,上述***实施例中的各个单元的具体实现,请参照上述方法实施例中所述,在此不再进行赘述。
参照图3,本发明实施例中还提供一种计算机设备,该计算机设备其内部结构可以如图3所示。该计算机设备包括通过***总线连接的处理器、存储器、显示屏、输入装置***、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储本实施例中对应的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。
本领域技术人员可以理解,图3中示出的结构,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的计算机设备的限定。
本发明一实施例还提供一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述方法。可以理解的是,本实施例中的计算机可读存储介质可以是易失性可读存储介质,也可以为非易失性可读存储介质。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的和实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可以包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM通过多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双速据率SDRAM(SSRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其它变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素,而且还包括没有明确列出的其它要素,或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种电能表内存监测方法,其特征在于,包括以下步骤:
对电能表内存的电能表内存数据进行周期性检测,得到初步检测数据集;
基于所述初步检测数据集对所述电能表内存进行区域划分,得到多个内存区域,其中,各内存区域存在对应的故障范围;
通过预设的混合威布尔分布模型,基于所述初步检测数据集对各个所述内存区域进行故障计算,得到多个内存区域的故障概率;
若各个内存区域的故障概率不在对应的故障范围内,则对不在对应的预设范围内的内存区域进行标识,得到故障标识区域;其中,所述故障标识区域至少包括一种或多种;
利用预设的卡尔曼滤波算法,对所述故障标识区域的故障概率进行动态追踪,得到时间-概率曲线;
若在任一时间内的所述时间-概率曲线上的斜率不在阈值内,则发出警报。
2.根据权利要求1所述的电能表内存监测方法,其特征在于,所述基于所述初步检测数据集对所述电能表内存进行区域划分,得到多个内存区域,包括:
对所述初步检测数据集进行预处理,得到预处理检测数据集,并对所述预处理检测数据集进行特征提取,得到检测特征;其中,所述检测特征包括内存访问频率分布、数据读写比率以及活跃周期性指标;
通过预设的K-means算法对所述检测特征进行初步聚类分析,得到初步分析内存区域;其中,所述初步分析内存区域包括高活跃度区域、低频访问区以及周期性活跃区;
通过预设的优化算法对所述初步分析内存区域进行优化,获得优化内存区域;
基于所述优化内存区域对所述电能表内存的空间进行多维度划分,得到多维度划分区域,将所述多维度划分区域作为多个内存区域;其中,所述多个内存区域包括高频访问区、稳定存储区以及过渡区。
3.根据权利要求1所述的电能表内存监测方法,其特征在于,所述通过预设的混合威布尔分布模型,基于所述初步检测数据集对各个所述内存区域进行故障计算,得到多个内存区域的故障概率,包括:
通过预设的混合威布尔分布模型对所述初步检测数据集进行数据质量评估,得到评估结果;
若所述评估结果显示所述初步检测数据集内存在异常数据,则通过预设的异常检测算法对所述异常数据进行定位与剔除,得到剔除后的初步检测数据集;
基于剔除后的初步检测数据集对各个所述内存区域进行故障计算,得到各内存区域的故障概率。
4.根据权利要求1所述的电能表内存监测方法,其特征在于,若各个内存区域的故障概率不在对应的故障范围内,则对不在对应的预设范围内的内存区域进行标识,得到故障标识区域,包括:
将各个内存区域的故障概率与所述各内存区域存在对应的故障范围进行一一对比,得到对比结果;
若所述对比结果是任一内存区域的故障概率不在对应的故障范围内,则对不在对应的故障范围内的内存区域设定故障分类阈值;
基于所述故障分类阈值对所述不在对应的故障范围内的内存区域进行故障等级分类,得到内存分类区域;其中,所述内存分类区域包括轻微故障区域、中等故障区域以及严重故障区域;
按照所述设定故障分类阈值对所述内存分类区域进行排序,得到不同风险等级的内存划分区域;
基于所述不同风险等级的内存划分区域构建风险矩阵,并通过预设的神经网络算法对所述风险矩阵进行识别,得到各个内存区域的风险状态;
基于各个内存区域的风险状态对不在对应的预设范围内的内存区域进行标识,得到故障标识区域。
5.根据权利要求1所述的电能表内存监测方法,其特征在于,所述利用预设的卡尔曼滤波算法,对所述故障标识区域的故障概率进行动态追踪,得到时间-概率曲线,包括:
利用预设的卡尔曼滤波算法对所述故障标识区域的故障概率进行持续动态追踪,得到持续追踪故障概率;
对所述持续追踪故障概率进行时间排序,得到时间故障概率序列;
建立坐标系,基于所述时间故障概率序列在所述坐标系进行绘制,得到初步时间-概率曲线;
对所述初步时间-概率曲线进行迭代拟合,得到时间-概率曲线。
6.根据权利要求1所述的电能表内存监测方法,其特征在于,若在任一时间内的所述时间-概率曲线上的斜率不在阈值内,则发出警报,包括:
对所述时间-概率曲线上相邻时间点对应的概率进行差分运算,得到各时段的斜率变化率;
基于所述斜率变化率,得到对应的倾斜角度;
将所述倾斜角度与预设的历史数据比较库中记录的倾斜角度进行对比评估,得到风险评估指标;
基于风险评估指标,设定动态阈值,若当前所述风险评估指标超过所述动态阈值的安全界限,则触发响应预警机制。
7.一种电能表内存监测装置,其特征在于,包括:
检测模块,用于对电能表内存的电能表内存数据进行周期性检测,得到初步检测数据集;
划分模块,用于基于所述初步检测数据集对所述电能表内存进行区域划分,得到多个内存区域,其中,各内存区域存在对应的故障范围;
计算模块,用于通过预设的混合威布尔分布模型,基于所述初步检测数据集对各个所述内存区域进行故障计算,得到多个内存区域的故障概率;
标识模块,用于若各个内存区域的故障概率不在对应的故障范围内,则对不在对应的预设范围内的内存区域进行标识,得到故障标识区域;其中,所述故障标识区域至少包括一种或多种;
追踪模块,用于利用预设的卡尔曼滤波算法,对所述故障标识区域的故障概率进行动态追踪,得到时间-概率曲线;
警报模块,用于若在任一时间内的所述时间-概率曲线上的斜率不在阈值内,则发出警报。
8.一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410678873.1A CN118260120A (zh) | 2024-05-29 | 2024-05-29 | 电能表内存监测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410678873.1A CN118260120A (zh) | 2024-05-29 | 2024-05-29 | 电能表内存监测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118260120A true CN118260120A (zh) | 2024-06-28 |
Family
ID=91602763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410678873.1A Pending CN118260120A (zh) | 2024-05-29 | 2024-05-29 | 电能表内存监测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118260120A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150074469A1 (en) * | 2013-09-09 | 2015-03-12 | International Business Machines Corporation | Methods, apparatus and system for notification of predictable memory failure |
CN105892946A (zh) * | 2016-03-30 | 2016-08-24 | 联想(北京)有限公司 | 一种数据存储方法及电子设备 |
JP2021144544A (ja) * | 2020-03-12 | 2021-09-24 | Necソリューションイノベータ株式会社 | ストレージ制御装置、ストレージ制御方法、ストレージシステム、プログラム、及び記録媒体 |
-
2024
- 2024-05-29 CN CN202410678873.1A patent/CN118260120A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150074469A1 (en) * | 2013-09-09 | 2015-03-12 | International Business Machines Corporation | Methods, apparatus and system for notification of predictable memory failure |
CN105892946A (zh) * | 2016-03-30 | 2016-08-24 | 联想(北京)有限公司 | 一种数据存储方法及电子设备 |
JP2021144544A (ja) * | 2020-03-12 | 2021-09-24 | Necソリューションイノベータ株式会社 | ストレージ制御装置、ストレージ制御方法、ストレージシステム、プログラム、及び記録媒体 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109524139B (zh) | 一种基于设备工况变化的实时设备性能监测方法 | |
KR101713985B1 (ko) | 예지 정비 방법 및 장치 | |
EP3236398A1 (en) | A system for maintenance recommendation based on maintenance effectiveness estimation | |
US10534361B2 (en) | Industrial asset health model update | |
KR102432284B1 (ko) | It관리대상의 이벤트 알람이나 장애 문제를 실시간 자동으로 조치하는 시스템 및 그 운용방법 | |
CN112148561B (zh) | 业务***的运行状态预测方法、装置及服务器 | |
US20230204463A1 (en) | Systems and methods for analyzing machine performance | |
CN117074965B (zh) | 一种锂离子电池剩余寿命预测方法及*** | |
Calabrese et al. | An event based machine learning framework for predictive maintenance in industry 4.0 | |
CN115600978A (zh) | 生产过程综合管理方法、装置、电子设备及存储介质 | |
CN117331790A (zh) | 一种用于数据中心的机房故障检测方法及装置 | |
CN117349624A (zh) | 一种电力能源监控方法、***、终端设备及存储介质 | |
CN112016800A (zh) | 一种基于有效性指标的特征选择方法与*** | |
CN118260120A (zh) | 电能表内存监测方法、装置、设备及存储介质 | |
CN109754490A (zh) | 电力机车制动***的健康管理方法、装置、介质及设备 | |
KR20220097252A (ko) | 스마트 플랜트에 관한 머신러닝 기반 설비 관리 방법 및 시스템 | |
CN114490829A (zh) | 一种故障识别方法、装置、设备及存储介质 | |
CN113805564A (zh) | 一种基于cep的设备故障预警以及诊断*** | |
CN116194856A (zh) | 监视装置、监视方法以及程序 | |
EP3706048A1 (en) | Anomaly prediction in an industrial system | |
CN117609740B (zh) | 基于工业大模型智能预测维护*** | |
CN117454299B (zh) | 异常节点的监测方法及*** | |
US11880268B2 (en) | Soft error aggregation method for detection and reporting of risks in a safety instrumented system | |
CN117493129B (zh) | 一种计算机控制设备的运行功率监测*** | |
CN118245350B (zh) | 一种固态存储的健康状况检测方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination |