CN105678456B - 一种电能计量装置运行状态自动评估方法及其系统 - Google Patents

Abstract

本发明公开了一种电能计量装置运行状态自动评估方法，包括步骤：从数据主站获取所有电能计量装置一周期内的所有的最新计量数据；分别对有指导的和无指导的电能计量装置进行运行状态判定。与现有技术相比，本发明的方法在供电部门已积累的大量电能量数据及计量装置运行数据基础上，通过引入数据挖掘技术，及时准确地判断电能计量装置的运行状态，为制定针对性的运维措施提供决策依据，可根据不同的运行状态进行针对性的运维管理，减少了运维资源的浪费，实现更高的经济效益，同时进一步提升了客户服务水平。本发明同时公开了一种电能计量装置运行状态自动评估系统。

Description

一种电能计量装置运行状态自动评估方法及其系统

技术领域

本发明涉及电能计量装置运维管理技术领域，尤其涉及一种电能计量装置运行状态自动评估方法及其系统。

背景技术

电能计量装置是用来对供电部门销售和用户用电多少进行计量的设备，是供用电双方贸易结算的法律依据，其计量结果直接关系到双方贸易结算是否公平公正合理，并直接影响双方的经济利益。随着智能电网的深入发展，电能计量装置的覆盖范围越来越广，电能计量装置的运维管理也已成为电网保障安全生产、维护用户合法权益、提高优质服务水平的重要工作内容。

DL/T 448-2000《电能计量装置技术管理规程》对电能计量装置的投运前管理、运行管理、计量检定与修理、电能计量信息管理、电能计量印证管理、技术考核与统计等管理内容都进行了指导规定。目前对运行中的电能计量装置基本采用周期巡检和事后处理两种管理方式，因此常常会出现正常运行装置被过度检验而故障装置却难以及时发现的现象，从而产生不必要的浪费和引起供用电双方的经济纠纷。

而随着计量自动化系统应用的深入发展，供电部门已积累了大量的电能量数据及计量装置运行数据。因此，可通过引入数据挖掘技术，及时准确地分析电能计量装置的运行状态，并根据不同的运行状态进行针对性的运维管理，减少运维资源的浪费，实现更高的经济效益，并同时进一步提升客户服务水平。

发明内容

本发明所要解决的技术问题是：提供一种电能计量装置运行状态自动评估方法及其系统，以及时准确地分析判断电能计量装置的运行状态，并根据不同的运行状态进行针对性的运维管理，减少运维资源的浪费，实现更高的经济效益，并同时进一步提升客户服务水平。

为解决上述技术问题，本发明采用的技术方案如下：

提供一种电能计量装置运行状态自动评估方法，包括步骤：

从数据主站获取所有电能计量装置一周期内的所有的最新计量数据；

根据最新计量数据分别对有指导的和无指导的电能计量装置进行运行状态判定。

与现有技术相比，本发明的方法先从数据主站获取所有电能计量装置一周期内的所有的最新计量数据，再根据最新计量数据分别对有指导的和无指导的电能计量装置进行运行状态判定；即该方法在供电部门已积累的大量电能量数据及计量装置运行数据基础上，通过引入数据挖掘技术，及时准确地判断电能计量装置的运行状态，经过该方法的评估，所有电能计量装置都被自动标记为正常状态、已知注意状态、新发现注意状态、已知故障状态、新发现故障状态中的一种，使得该方法为制定针对性的运维措施提供决策依据，可根据不同的运行状态进行针对性的运维管理，减少了运维资源的浪费，实现更高的经济效益，同时进一步提升了客户服务水平。

相应地，本发明还提供了一种电能计量装置运行状态的自动评估系统，包括：

获取模块，用于从数据主站获取所有电能计量装置一周期内的所有的最新计量数据；

评估模块，用于根据所最新计量数据分别对有指导的和无指导的电能计量装置进行运行状态判定。

附图说明

图1为本发明电能计量装置运行状态自动评估方法的主流程图。

图2为图1中S102的一实施例的流程图。

图3为故障树模型示意图。

图4为图1中S102的另一实施例的流程图。

图5为本发明电能计量装置运行状态自动评估与数据主站的结构框图。

图6为图5所示第一评估单元的结构框图。

图7为图5所示第二评估单元的结构框图

具体实施方式

现在参考附图描述本发明的实施例，附图中类似的元件标号代表类似的元件。

为了更好地理解本发明，先对本发明所涉及的相关知识做如下说明：

电网系统中，表码、用电功率、电流、电压等电能量数据通过GPRS等通信网络发送到数据主站。其中，电能计量装置为保持与数据主站的正常通信，在传输电能量数据之外，还会进行对时、心跳、重连等通信任务。且，计量自动化系统主站一般会建立相应的数据表来存储电能量数据和通信流量数据，如通过表码表来存储用户用电的累计数据，用来说明用户的用电量；通过瞬时量表来存储用户实时功率、电压和电流等信息；通过通信流量表来存储发送(下行)字节、接收(上行)字节、重连次数、数据流量、报警流量、心跳流量、在线时间等电能计量装置与主站之间的通信流量数据。

请参考图1，本发明的方法包括：

S101，从数据主站获取所有电能计量装置一周期内的所有的最新计量数据。需要说明的是，电能计量装置运行状态自动评估的周期为一天一次，满足及时发现电能计量装置故障的需求。自动评估计算需要先获取到所有计量装置最近一天的电能量数据和通信流量数据。一般计量自动化系统在每天0：30前能够获取到前一天的上述数据，因此本流程可以在计量自动化系统获取到数据之后开始启动，比如可以配置流程启动时间为凌晨2点。

S102，根据最新计量数据分别对有指导的和无指导的电能计量装置进行运行状态判定。

具体地，请参考图2，先对有指导的计量装置进行运行状态判定，如图2所示，包括步骤：

S201，根据判断准则构建有指导的数据挖掘模型，其中判断准则包括：(一)准则一：电能计量装置发送的表码数在两天内出现连续波动两次；(二)准则二：连续不在线超过五天；(三)准则三：连续三天传送至所述数据主站的信息为FFFF的无效数据。具体地，根据上述故障判断准则，能够构建各类有指导的数据挖掘模型。以故障树模型为例，可将各准则作为故障判断的子节点，如附图3所示。如果电能计量装置在任一子节点判断为真，则认为该电能计量装置发生了故障，否则进入下一节点进行判断。其中，上述的故障判断准则可以根据不同的运维管理经验进行增删和修改，涉及到的数字也是举例说明，可以根据不同的运维管理经验进行配置。

S202，根据有指导的数据挖掘模型、最新历史数据及数据主站中的历史计量数据，对每一个电能计量装置进行分析，以判断出发生故障的电能计量装置。

S203，根据历史分析结果，判断已发生故障的所述电能计量装置的故障是否为已知故障。具体地，在确定计量装置发生故障之后，根据历史分析结果，判断该计量装置在前段时间是否也确定为发生故障了，即该装置故障是否为已知故障。如果是，则将计量装置标记为已知故障；否则，标记为新发现故障。本过程主要是考虑到现场检修情况的多样性，有些工作可能不会在一天之内完成，因此可能出现连续一段时间内该计量装置都处于故障状态。其中，连续时间的长度可以根据实际经验进行配置，比如5天。

再请参考图4，对无指导的计量装置进行运行状态判定。需要说明的是，根据供电部门的运维管理经验，装置故障前一段时间的通信数据会出现一些特征，如上行和下行数据波动较大，或者重连次数增加等。将装置故障前状态称为注意状态，如果在此时加强巡视的话，将有效降低计量装置的故障率。图4中针对图2中确定的未故障计量装置，根据所有计量装置的历史数据，利用无指导的数据挖掘方法提炼出计量装置故障前的数据特征，对所有未故障计量装置进行运行状态判定，确定计量装置是处于注意状态还是正常状态。

具体地，如图4所示，对无指导的计量装置进行运行状态判定包括：

S401，构造数据挖掘样本。

具体地，根据当前时间T₀选取过去最近一段时间内(如前15周)的装置运行状态历史数据作为总数据样本，然后按每周通信流量数据统计值对每一个计量装置进行数据样本构造。比如某个计量装置i的数据样本为集合F_i(D_0-1，D_0-2，……，D_0-15)，其中D_0-1为该装置前1天到前7天的一周通信流量数据统计值向量，D_0-2为该装置前8 天到前14天的一周通信流量数据统计值向量，以此类推。

对于每周通信流量数据统计值向量D，可根据运行管理经验选取通信流量数据统计值来构造。比如，选取发送(下行)字节、接收(上行)字节、重连次数、心跳流量四类通信数据的一周均值、方差、越域次数构造一个12维的数据向量D(x₁，x₂，….， x₁₂)。其中x₁到x₄为该四类通信数据的一周均值，x₅到x₈为该四类通信数据在一周内的方差，x₉到x₁₂为该四类通信数据在一周内超过均值一定范围的次数，范围可根据实际情况进行设置，比如(0.9,1.1)*均值。

S402，对数据挖掘样本进行分类以得到待分类样本和训练样本，并对训练样本进行标记。

具体地，将数据挖掘样本分为两类：待分类样本和训练样本。其中将所有计量装置最近的一周通信流量数据统计值向量(即D_0-1)归为待分类样本，其他归为训练样本。

对每一个训练样本，根据现场巡维记录对这段时间装置是否发生故障进行标记。如在训练样本所在的一周内发现了故障，则将该训练样本标记为故障样本，将该训练样本前一周的样本标记为注意样本，其他都标记为正常样本。

在样本标记完之后，剔除掉所有的故障样本，建立只含注意样本和正常样本的带标签训练集合X。

S403，采用KNN算法对待分类样本进行标记以得到待分类样本的置信度。

具体地，采用KNN算法对待分类样本进行标记的过程如附图4所示，具体说明如下：

a)对每一个待分类样本，计算其到训练集X的欧氏距离，例如某待分类样本表示为x₁＝(x₁₁,x₁₂,...,x_1n)，其到训练集X任意一点的距离为：

其中n为通信流量数据统计值向量的维数，x_ki表示训练集X第k个样本中第i维属性；

b)按照距离

从小到大进行排序，得到一个有序的队列集Q；

c)在有序队列集Q中选取距离最小的K个点，统计其中各分类标签的个数，取个数最多的类别作为该待分类样本的状态。例如，取K＝5，如果该待分类样本最近的5个邻近点中有1个正常样本和4个注意样本，则标记该待分类样本为注意样本；

d)计算样本类型标记的置信度，计算公式为：

其中，

分别为待分类样本x₁到最近K个训练样本的距离；正负号由待分类样本与训练样本的标签决定，相同为正，不同为负；若取K＝5，则取C＝10。

S404，将所有注意样本按照置信度从高到低进行排序，根据实际工作情况将前N个注意样本对应的电能计量装置的运行状态判定为注意状态，剩余的判定为正常状态，其中N为自然数。

具体地，将所有标记为注意的待分类样本按照置信度从高到低进行排序，根据实际工作情况从中选择前N个(如30个)，将此N个样本对应的计量装置的运行状态判定为注意状态，其他都判定为正常状态。

S405，根据运行状态分析结果将电能计量装置分别标记为正常状态、注意状态、已知注意状态和新发现注意状态。

具体地，如果分析计量装置的运行状态为正常，则将该计量装置标记为正常状态；否则，结合历史分析结果，判断该计量装置在前段时间是否也确定为注意状态，如果是则标记为已知注意状态，反之则标记为新发现注意状态。

经过上述图2或图4的处理，所有电能计量装置都被自动标记为正常状态、已知注意状态、新发现注意状态、已知故障状态、新发现故障状态中的一种。电能计量装置管理人员在正常上班之后(如上午9点)，可对发生状态变化的电能计量装置进行人工复核，及时发现计量装置故障，并可对不同状态的计量装置采用针对性的运维措施，如对故障装置进行现场检修，对注意状态的装置加强巡检等。

相应地，请参考图5，本发明还提供了一种电能计量装置运行状态的自动评估系统，包括：

获取模块100，用于从数据主站300获取所有电能计量装置一周期内的所有的最新计量数据；

评估模块200，用于根据所最新计量数据分别对有指导的和无指导的电能计量装置进行运行状态判定；

其中，周期为24小时，最新计量数据包括电能量数据和通信流量数据，其中电能量数据包括表码、用电功率、电流及电压，通信流量数据包括发送字节、接收字节、重连次数、数据流量、报警流量、心跳流量及所述电能计量装置的在线时间。

具体地，如图5所示，评估模块200包括第一评估单元20及第二评估单元22，其中，第一评估单元20用于根据最新计量数据对有指导的电能计量装置进行运行状态判定，第二评估单元22用于根据最新计量数据对无指导的电能计量装置进行运行状态判定。

具体地，请参考图6，第一评估单元20包括：

模型构造单元201，用于根据判断准则构建有指导的数据挖掘模型，其中判断准则包括所述电能计量装置发送的表码数在两天内出现连续波动两次、连续不在线超过五天及连续三天传送至所述数据主站的信息为FFFF的无效数据；

分析单元202，用于根据有指导的数据挖掘模型、最新历史数据及数据主站300 中的历史计量数据，对每一个电能计量装置进行分析，以判断出发生故障的电能计量装置；

故障确定单元203，用于根据历史分析结果，判断已发生故障的电能计量装置的故障是否为已知故障。

具体地，请参考图7，第二评估单元22包括：

样本构造单元221，用于构造数据挖掘样本；

分类单元222，用于对数据挖掘样本进行分类以得到待分类样本和训练样本，并对训练样本进行标记；

置信度计算单元223，用于采用KNN算法对待分类样本进行标记以得到待分类样本的置信度；

状态标记单元224，用于将所有注意样本按照置信度从高到低进行排序、根据实际工作情况将前N个所述注意样本对应的电能计量装置的运行状态判定为注意状态、剩余的判定为正常状态以及根据运行状态分析结果将电能计量装置分别标记为正常状态、注意状态、已知注意状态和新发现注意状态，其中N为自然数。

需要注意的是，关于第一评估单元20及第二评估单元22中各部件对数据的具体处理流程已在上述方法中做了具体描述，故在此不再赘述。

从以上描述可以看出，本发明的方法及其系统在供电部门已积累的大量电能量数据及计量装置运行数据基础上，通过引入数据挖掘技术，及时准确地判断电能计量装置的运行状态，经过该方法及其系统的评估，所有电能计量装置都被自动标记为正常状态、已知注意状态、新发现注意状态、已知故障状态、新发现故障状态中的一种，使得该方法为制定针对性的运维措施提供决策依据，可根据不同的运行状态进行针对性的运维管理，减少了运维资源的浪费，实现更高的经济效益，同时进一步提升了客户服务水平。

以上结合最佳实施例对本发明进行了描述，但本发明并不局限于以上揭示的实施例，而应当涵盖各种根据本发明的本质进行的修改、等效组合。

Claims (10)

1.一种电能计量装置运行状态自动评估方法，其特征在于，包括步骤：

从数据主站获取所有电能计量装置一周期内的所有的最新计量数据；所述最新计量数据包括电能量数据和通信流量数据；

根据所述最新计量数据分别对有指导的和无指导的所述电能计量装置进行运行状态判定；

其中，根据最新计量数据对有指导的所述电能计量装置进行运行状态判定具体包括：根据判断准则构建有指导的数据挖掘模型，所述判断准则包括所述电能计量装置发送的表码数在两天内出现连续波动两次、连续不在线超过五天及连续三天传送至所述数据主站的信息为FFFF的无效数据；根据有指导的数据挖掘模型、最新计量数据及数据主站中的历史计量数据，对每一个有指导的电能计量装置进行分析，以判断出发生故障的所述电能计量装置；根据历史分析结果，判断已发生故障的所述电能计量装置的故障是否为已知故障；

其中，根据最新计量数据对无指导的所述电能计量装置进行运行状态判定具体包括：构造数据挖掘样本；对所述数据挖掘样本进行分类以得到待分类样本和训练样本，并对所述待分类样本和训练样本进行标记；其中将所有无指导的电能计量装置最近一周通信流量数据统计值向量归为待分类样本，最近15周内除最近一周外的通信流量数据统计值向量归为训练样本，对每一个训练样本，根据现场巡维记录对这段时间装置是否发生故障进行标记；并采用KNN算法对所述待分类样本进行标记以得到所述待分类样本的置信度；将所有所述待分类样本中的所有注意样本按照置信度从高到低进行排序，根据实际工作情况将前N个所述注意样本对应的所述电能计量装置的运行状态判定为注意状态，剩余的判定为正常状态，其中N为自然数；根据运行状态分析结果将所述电能计量装置分别标记为正常状态、注意状态、已知注意状态和新发现注意状态；

所述构造数据挖掘样本包括：根据当前时间T0选取最近15周内无指导的电能计量装置运行状态历史数据作为总数据样本，并根据每周的所述通信流量数据的统计值对每一个上述电能计量装置构造所述数据挖掘样本。

2.如权利要求1所述的方法，其特征在于，所述周期为24小时。

3.如权利要求2所述的方法，其特征在于，所述电能量数据包括表码、用电功率、电流及电压，所述通信流量数据包括发送字节、接收字节、重连次数、数据流量、报警流量、心跳流量及所述电能计量装置的在线时间。

4.如权利要求3所述的方法，其特征在于，对所述数据挖掘样本进行分类以得到待分类样本和训练样本，并对所述待分类样本和训练样本进行标记，具体包括：

根据现场巡维记录将每一个所述训练样本标记为故障样本、注意样本和正常样本；

剔除所有的所述故障样本，建立包括所述注意样本和正常样本的带标签训练集合X。

5.如权利要求4所述的方法，其特征在于，所述采用KNN算法对所述待分类样本进行标记以得到所述待分类样本的置信度具体包括：

根据公式(1)计算每一个所述待分类样本到所述训练集合X的欧氏距离

其中n为通信流量数据统计值向量的维数，x_ki表示训练集合X中第k个样本中第i维属性；

按照所述欧式距离

从小到大进行排序以得到一有序的队列集Q；

从有序的所述队列集Q中选取所述欧式距离最小的k个点；

统计有序的所述队列集Q中各分类标签的个数，取个数最多的类别作为所述待分类样本的状态；

根据公式(2)计算样本类型标记的置信度CI：

其中，

分别为待分类样本x₁到最近k个训练样本的欧式距离，正负号由待分类样本与训练样本的标签决定，相同为正，不同为负，k＝5，C＝10。

6.一种电能计量装置运行状态的自动评估系统，其特征在于，包括：

获取模块，用于从数据主站获取所有电能计量装置一周期内的所有的最新计量数据；所述最新计量数据包括电能量数据和通信流量数据；

评估模块，用于根据所述最新计量数据分别对有指导的和无指导的所述电能计量装置进行运行状态判定；

所述评估模块包括第一评估单元，其中第一评估单元用于根据最新计量数据对有指导的所述电能计量装置进行运行状态判定，所述第一评估单元具体包括：

模型构造单元，用于根据判断准则构建有指导的数据挖掘模型，其中判断准则包括所述电能计量装置发送的表码数在两天内出现连续波动两次、连续不在线超过五天及连续三天传送至所述数据主站的信息为FFFF的无效数据；

分析单元，用于根据有指导的所述数据挖掘模型、所述最新计量数据及所述数据主站中的历史计量数据，对每一个有指导的所述电能计量装置进行分析，以判断出发生故障的所述电能计量装置；

故障确定单元，用于根据历史分析结果，判断已发生故障的所述电能计量装置的故障是否为已知故障；

所述评估模块还包括第二评估单元，用于根据最新计量数据对无指导的所述电能计量装置进行运行状态判定，其中所述第二评估单元具体包括：

样本构造单元，用于构造数据挖掘样本，具体根据当前时间T0选取最近15周内无指导的电能计量装置运行状态历史数据作为总数据样本，并根据每周的所述通信流量数据的统计值对每一个无指导的电能计量装置构造所述数据挖掘样本；

分类单元，用于对所述数据挖掘样本进行分类以得到待分类样本和训练样本，并对所述训练样本进行标记；

置信度计算单元，用于采用KNN算法对所述待分类样本进行标记以得到所述待分类样本的置信度；

状态标记单元，用于将所有待分类样本中的注意样本按照置信度从高到低进行排序、根据实际工作情况将前N个所述注意样本对应的所述电能计量装置的运行状态判定为注意状态、剩余的判定为正常状态以及根据运行状态分析结果将所述电能计量装置分别标记为正常状态、注意状态、已知注意状态和新发现注意状态，其中N为自然数。

7.如权利要求6所述的系统，其特征在于，所述周期为24小时。

8.如权利要求6所述的系统，其特征在于，所述电能量数据包括表码、用电功率、电流及电压，所述通信流量数据包括发送字节、接收字节、重连次数、数据流量、报警流量、心跳流量及所述电能计量装置的在线时间。

9.如权利要求8所述的系统，其特征在于，所述分类单元将所有无指导的所述电能计量装置最近一周内的所述通信流量数据的统计值向量归为待分类样本，将最近15周内除最近一周外的通信流量数据统计值向量归为训练样本，根据现场巡维记录将每一个所述训练样本标记为故障样本、注意样本和正常样本，以及剔除所有的所述故障样本，建立包括所述注意样本和正常样本的带标签训练集合X。

10.如权利要求9所述的系统，其特征在于，所述置信度计算单元根据公式(1)计算每一个所述待分类样本到所述训练集合X的欧氏距离

其中n为通信流量数据统计值向量的维数，x_ki表示训练集合X中第k个样本中第i维属性；

并按照所述欧式距离

从小到大进行排序以得到一有序的队列集Q；

从有序的所述队列集Q中选取所述欧式距离最小的k个点；

统计有序的所述队列集Q中各分类标签的个数，取个数最多的类别作为所述待分类样本的状态；

根据公式(2)计算样本类型标记的置信度CI：

其中，

分别为待分类样本x₁到最近k个训练样本的欧式距离，正负号由待分类样本与训练样本的标签决定，相同为正，不同为负，k＝5，C＝10。

Images