CN106154209B - 基于决策树算法的电能表故障预测方法 - Google Patents
基于决策树算法的电能表故障预测方法 Download PDFInfo
- Publication number
- CN106154209B CN106154209B CN201610618875.7A CN201610618875A CN106154209B CN 106154209 B CN106154209 B CN 106154209B CN 201610618875 A CN201610618875 A CN 201610618875A CN 106154209 B CN106154209 B CN 106154209B
- Authority
- CN
- China
- Prior art keywords
- energy meter
- electric energy
- metering
- abnormal quality
- meter
- 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
- 238000003066 decision tree Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 47
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 230000005856 abnormality Effects 0.000 claims abstract description 12
- 230000002547 anomalous effect Effects 0.000 claims abstract description 9
- 230000007613 environmental effect Effects 0.000 claims abstract description 7
- 230000008569 process Effects 0.000 claims abstract description 5
- 208000032953 Device battery issue Diseases 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 6
- 230000005611 electricity Effects 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 2
- 238000010606 normalization Methods 0.000 claims description 2
- 230000004888 barrier function Effects 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 5
- 238000011835 investigation Methods 0.000 abstract description 2
- 238000013138 pruning Methods 0.000 description 10
- 238000005070 sampling Methods 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 125000003118 aryl group Chemical group 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了基于决策树算法的电能表故障预测方法，包括以下步骤：通过采集装置采集用户的相关数据，并排除错误数据；分析统计时间段内专变用户及低压用户是否存在环境异常、质量异常的电能表；针对专变用户统计当前是否存在满足判断故障的计量和用电异常事件，针对低压用户统计当前是否存在满足判断故障的计量异常事件；根据电能表对应的厂商和批次发生故障的信息，并结合营销系统的电能表计量故障信息，用决策树算法建立电能表故障预测模型，分析预测电能表运行是否会发生故障；判断结果是否准确，如果准确则结束流程，如果不准确则继续判断故障。本发明能够准确、及时地发现问题电能表，从而降低了检查部门现场排查和计量故障处理的工作量。
Description
技术领域
本发明涉及一种基于决策树算法在一段时间周期内(月、季、半年、年)预测电能表在发生计量、用电异常时发生故障的概率，属于电力行业用电营销和计量技术领域。
背景技术
目前，由于安徽省电力公司安装在现场的电能表已经超过2500万只，由于对现场运行电能表运行状况无法进行分析，发现发生故障概率较高的电能表，只能按照DL/T448-2000《电能计量装置技术管理规程》和《电能表现场状态检验方案》的要求开展对占2％的I、II、III类电能表定期抽检，对抽检不合格的安排轮换，而对占98％的IV、V类电能表不进行现场抽检，缺乏切实可行的手段对电能表运行状况进行分析和预测，同时，由于存在大量的随机抽样工作，同时也会造成大量表计浪费，也存在部分真实存在故障的标因为抽取样本中未发现而未及时更换。所以，现有的管理规程和状态检验方案无法满足安徽省电力公司业务现状，制约了计量业务的发展，迫切需要应用新的技术手段解决上述问题。
发明内容
针对现有技术存在的不足，本发明目的是提供一种基于决策树算法的电能表故障预测方法，能够准确、及时地发现问题电能表，并通过决策树算法预测发生故障的概率，从而降低了计量与用电检查部门人员现场排查和计量故障处理的工作量。
为了实现上述目的，本发明是通过如下的技术方案来实现：
本发明的基于决策树算法的电能表故障预测方法，是建立在计量装置在线监测与智能诊断系统(以下简称计量在线监测系统，为现有系统此处不再赘述)上，针对计量在线监测发现的异常事件，通过建立电能表故障预测模型，分析电能表时钟超差、过压、过流等异常发生后，其发生故障的概率。包括以下几个步骤：
(1)首先通过采集装置采集用户的抄表数据、用电数据、终端和电能表事件，然后按照计量在线监测系统设定的规则(现有规则，此处不再赘述)进行检查，排除由于所述采集装置误报产生的错误数据，生成计量、用电异常事件；
(2)按照厂商和批次分析统计时间段内，专变用户及低压用户的电能表中是否存在环境、质量问题造成发生计量故障的电能表，然后对发生故障的电能表以批次为单位统计各类故障率指标，并进行相关性分析(现有的分析方法，此处不再赘述)，定义发生问题的电能表的影响因子，从而建立基于决策树算法的故障诊断模型；
(3)针对所述专变用户统计当前是否存在满足判断故障的计量、用电异常事件(如电能表时钟超差、过压、过流、反向潜动等异常事件)；针对所述低压用户统计当前是否存在满足判断故障的计量异常事件(如电能表时钟超差、反向潜动事件)；对发生上述异常的电能表用电能表故障预测模型分析发生故障值；
(4)根据所述决策树算法的故障诊断模型分析的结果，参考营销系统的电能表计量故障换表及故障表检定信息，验证电能表运行是否会发生故障；
(5)如果判断准确率达到80％则结束流程，如果低于这个准确率则转向步骤(3)重新进行分析。
步骤(2)中，所述专变用户的环境问题包括电压过压、电流过流、电能表开表盖或电能表开端钮盖；所述专变用户的质量问题包括电能表总与各费率之和不一致、电能表飞走、电能表停走、电能表倒走、电能表反向潜动或者电能表时钟电池故障；所述低压用户的环境问题包括电能表开表盖；所述低压用户的质量问题包括电能表总与各费率之和不一致、电能表飞走、电能表倒走、电能表停走、电能表反向潜动或者电能表时钟电池故障。
步骤(3)中，用电异常事件包括电能表时钟超差、电能表对时超次数、电压过压和电流过流；计量异常事件包括电能表时钟超差、电能表对时超次数。
步骤(3)中，所述电能表故障预测模型是基于群体分析，然后对属于群体的个体进行预测的模型，包括对群体发生质量异常的统计，权值归一化及故障预测，所述群体具体按厂商和批次，电能表故障预测模型分析方法如下：
(3-1)对所述电能表各类质量故障进行统计
如果电能表发生质量异常情形中的任意一个异常，即n>0,n＝n1+n2+…ni+…+nn，ni为电能表总发生质量异常情形中的任意一个异常，则确定为数据集；
(3-2)对于每批次电能表的质量异常都有一个占比，计算每个质量异常占比：
Pi＝Ni/N，其中，Ni为质量异常中任意一个异常，N为该批次总数；
然后对计算出来的质量异常占比进行归一化处理；
其中，x为样本中的数据，max为样本数据的最大值，min为样本数据的最小值；
(3-3)故障预测
对质量异常占比及对应的可信度值进行划定，如果质量异常占比在[0,0.2]之间，则可信度是20％，质量异常占比在[0.3,0.6]之间，则可信度是45％，质量异常占比在[0.7,0.85]之间，则可信度是65％,质量异常占比在[0.86,1之间，则可信度是80％；
故障值公式如下：
其中，Pi为质量异常占比，h为该质量异常占比对应的可信度。
本发明能准确、及时地发现问题电能表，并预测发生故障的概率，对电力公司加强故障电能表现场抽检，及时排查问题和消缺，提高了业务时效性、减少经营损失、客户投诉风险，降低计量与用电检查部门人员的工作量，满足了电力公司对现场运行计量装置的工况进行实时监测的需求。
附图说明
图1为本发明的基于决策树算法的电能表故障预测方法工作流程图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
随着用电信息采集系统发展和应用，尤其是计量装置在线监测与智能诊断系统的应用取得的成就，具备了分析对电能表运行状态的可能性。在此基础上，结合营销业务系统、计量生产调度平台的信息，应用统计分析、数据挖掘和机器学习技术构建电能表故障预测程序，实现对现有分布在城乡2500多万只电能表的状态进行分析。
本发明基于决策树算法的电能表故障预测模型。在指定分析周期内，以电能表制造厂商、供货批次、生产日期为分析对象，对统计对象内的电能表发生各类质量故障、报废率、检定结果和故障换表及折旧等情况，以此为分析要素，对属于这个分析对象的电能表个体在发生特定的计量异常情况下，是否发生会故障进行预测和分析，从而为制定电能表现场抽检和轮换计划提供技术参考依据，实现现场抽检的针对性，极大地提高工作效率，使电能表从目前的“计划检修”向“状态检修”转变。在确保电能表安全、稳定运行的前提条件下，以最经济的成本对现场的电能表运行进行监测和状态分析，判断其中的电能表是否会发生故障。
参见图1，具体的预测方法如下：
1、对用户的采集数据进行清理，排除由于采集装置异常而突然产生很大数据(如电流超过额定电流300％)的样本点；排除营销系统正在走拆表、换表流程的用户；检查用户档案信息中，电能表的计量方式与额定电压、接线方式是否一致，排除用户档案录入错误的问题。通过对上述情况的处理，避免干扰计量在线监测系统对数据的应用和分析；
2、针对专变用户统计分析时间段内发生环境异常(如：电压过压、电流过流、电能表开表盖或电能表开端钮盖等异常事件)、质量异常(如：电能表总与各费率之和不一致、电能表飞走、电能表停走、电能表倒走、电能表反向潜动或者电能表时钟电池故障等事件)的电能表，同时分析发生问题的电能表的属性(如：运行年限、生产厂商和批次及安装区域等信息)；针对低压用户统计分析时间段内发生质量异常(如：电能表总与各费率之和不一致、电能表飞走、电能表倒走、电能表停走、电能表反向潜动或者电能表时钟电池故障等事件)、环境异常(如：电能表开表盖等异常事件)的电能表信息，同时分析发生问题的电能表的属性(运行年限、生产厂商和批次及安装区域等信息)；
分析时间周期包括月、季、半年和年。
3、数据需要进行筛选，清洗和处理后，转成各类监控与分析指标后才能被用来训练和检验。我们并非取全量数据做预测，而是对发生计量、用电异常的电能表进行预测是否会发生故障。
1)对分析对象的电能表各类质量故障进行统计
如果电能表发生质量异常(如：电能表总与各费率之和不一致、电能表飞走、电能表停走、电能表倒走、电能表反向潜动或者电能表时钟电池故障等事件)中的任意一个异常，即n>0,n＝n1+n2+…+nn(ni为电能表总与各费率之和不一致、电能表飞走、电能表停走、电能表倒走、电能表反向潜动或者电能表时钟电池故障等各类事件)，则作为我们的数据集。
2)计算每个质量异常占比
对于每批次电能表的质量异常都有一个占比，公式如下：
(i为质量异常中任意一个异常，N为该批次总数)计算出来的占比进行归一化处理。
3)计算故障值
每个上报的质量异常中的异常次数都会有一定误差，质量异常占比值得不同决定了可信度的大小。可信度的选用是在对最近五年电能表故障处理与原因分析的数据统计的基础上，通过大量分析比对得出现的结果。对质量异常占比及对应的可信度值进行划定，如果质量异常占比在[0,0.2]之间，我们认为可信度是20％，质量异常占比在[0.3,0.6]之间，我们认为可信度是45％，质量异常占比在[0.7,0.85]之间，我们认为可信度是65％,质量异常占比在[0.86,1之间，我们认为可信度是80％。故障值公式如下：
(Pi为质量异常占比，h为该异常占比对应的可信度)
故障值将会作为该模型一个重要的输入指标。
4、采用C5.0决策树算法，对现有数据所包含的分类规则进行归纳和提炼，数据除输入角色的变量外，一定还包含输出角色的输出变量，且输出变量的取值在现有变量上是已知的，它指导着模型的学习，使模型能够理解怎样的输入变量取值或组合，得到怎么样的分类结果，步骤如下：
1)决策树的生长
利用训练样本集完成决策树的建立过程，本质上是对训练样本集的反复分组过程，决策树上的各个分支实现数据不断地分组过程中逐渐生长出来的。因此。决策树的生长核心算法就是确定数据分组标准。属性选择方法总是选择最好的属性作为分裂属性，即让每个分支的记录的类别尽可能纯。它将所有属性列表的所有属性按照某个标准排序，从而选出最好的属性。本发明中我们采用的是C5.0算法，所有用的是增益比率(gain ratio)选取分裂属性。
a)信息增益(Information gain)：
信息增益基于香浓的信息论，它找出的属性R具有这样的特点：以属性R分裂前后的信息增益比其他属性最大。这里信息的定义如下：
Gain(R)＝Info(D)-I(D)
信息增益Gain(R)表示属性R给分类带来的信息量，我们寻找Gain最大的属性，就能使分类尽可能的纯，即最可能的把不同的类分开。不过我们发现对所有的属性Info(D)都是一样的，所以求最大的Gain可以转化为求最新的I(D)。
其中
其中的m表示数据集D中类别C的个数，表示D中任意一个记录属于的概率，计算时＝(D中属于类的集合的记录个数/|D|)。Info(D)表示将数据集D不同的类分开需要的信息量；
假设我们选择属性R作为分裂属性，数据集D中，R有k个不同的取值{,,…,}，于是可将D根据R的值分成k组{,,…,}，按R进行分裂后，将数据集D不同的类分开还需要的信息量为：
b)增益比率(gain ratio)
信息增益选择方法有一个很大的缺陷，它总是会倾向于选择属性值多的属性，如果我们在上面的数据记录中加一个使用单位属性，假设16条记录(安徽16个市供电公司)中的每个使用单位不同，那么信息增益就会选择使用单位作为最佳属性，因为按使用单位分裂后，每个组只包含一条记录，而每个记录只属于一类，因此纯度最高，以使用单位作为测试分裂的结点下面有16个分支。但是这样的分类太广泛，影响分析效率。对此，我们对其进行改进，采用增益比率。
首先引入一个分裂信息：
增益比率定义为信息增益与分裂信息的比率：
2)决策树的剪枝
完整的决策树并不是一颗分类预测新数据对象的最佳树，过于精确，会失去一般性而无法用于新数据的预测，这种现象称为过度拟合，所以我们要对决策树进行剪枝，剪枝又分为两种，预剪枝和后剪枝，具体如下：
a)预剪枝：限制决策树的充分生长，事先指定最大深度。
b)后剪枝：生长完毕后在进行剪枝，剪枝过程中不断计算当前决策子树输出变量的预测精度和误差，用户可事先指定一个允许的最大错误率。
由于本发明采用的是C5.0算法，该算法选取的是后剪枝的方法。
3)Boosting技术
为了提高决策树分析的准确性，我们采用boosting技术，迭代了三次，每一次迭代都针对上次分类错误的信息进行重点分析，最后通过加权投票的方法，得到最优模型。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (3)
1.基于决策树算法的电能表故障预测方法，其特征在于，包括以下几个步骤：
(1)首先通过采集装置采集用户的抄表数据、用电数据、终端和电能表事件，然后按照计量在线监测系统设定的规则进行检查，排除由于所述采集装置误报产生的错误数据，生成计量、用电异常事件；
(2)按照厂商和批次分析统计时间段内，专变用户及低压用户的电能表中是否存在环境、质量问题造成发生计量故障的电能表，然后对发生故障的电能表以批次为单位统计各类故障率指标，并进行相关性分析，定义发生问题的电能表的影响因子，从而建立基于决策树算法的故障诊断模型；
(3)针对所述专变用户统计当前是否存在满足判断故障的计量、用电异常事件；针对所述低压用户统计当前是否存在满足判断故障的计量异常事件；对发生上述异常的电能表用电能表故障预测模型分析发生故障值；
(4)根据所述决策树算法的故障诊断模型分析的结果，参考营销系统的电能表计量故障换表及故障表检定信息，验证电能表运行是否会发生故障；
(5)如果判断准确率达到80％则结束流程，如果低于这个准确率则转向步骤(3)重新进行分析；
步骤(3)中，所述电能表故障预测模型是基于群体分析，然后对属于群体的个体进行预测的模型，包括对群体发生质量异常的统计，权值归一化及故障预测，所述群体具体按厂商和批次，电能表故障预测模型分析方法如下：
(3-1)对所述电能表各类质量故障进行统计
如果电能表发生质量异常情形中的任意一个异常，即n>0,n＝n1+n2+…ni+…+nn，ni为电能表总发生质量异常情形中的任意一个异常，则确定为数据集；
(3-2)对于每批次电能表的质量异常都有一个占比，计算每个质量异常占比：
Pi＝Ni/N，其中，Ni为质量异常中任意一个异常，N为该批次总数；
然后对计算出来的质量异常占比进行归一化处理；
其中，x为样本中的数据，max为样本数据的最大值，min为样本数据的最小值；
(3-3)故障预测
对质量异常占比及对应的可信度值进行划定，如果质量异常占比在[0,0.2]之间，则可信度是20％，质量异常占比在[0.3,0.6]之间，则可信度是45％，质量异常占比在[0.7,0.85]之间，则可信度是65％,质量异常占比在[0.86,1之间，则可信度是80％；
故障值公式如下：
其中，Pi为质量异常占比，h为该质量异常占比对应的可信度。
2.根据权利要求1所述的基于决策树算法的电能表故障预测方法，其特征在于，步骤(2)中，所述专变用户的环境问题包括电压过压、电流过流、电能表开表盖或电能表开端钮盖；所述专变用户的质量问题包括电能表总与各费率之和不一致、电能表飞走、电能表停走、电能表倒走、电能表反向潜动或者电能表时钟电池故障；所述低压用户的环境问题包括电能表开表盖；所述低压用户的质量问题包括电能表总与各费率之和不一致、电能表飞走、电能表倒走、电能表停走、电能表反向潜动或者电能表时钟电池故障。
3.根据权利要求1所述的基于决策树算法的电能表故障预测方法，其特征在于，步骤(3)中，用电异常事件包括电能表时钟超差、电能表对时超次数、电压过压和电流过流；计量异常事件包括电能表时钟超差、电能表对时超次数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610618875.7A CN106154209B (zh) | 2016-07-29 | 2016-07-29 | 基于决策树算法的电能表故障预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610618875.7A CN106154209B (zh) | 2016-07-29 | 2016-07-29 | 基于决策树算法的电能表故障预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106154209A CN106154209A (zh) | 2016-11-23 |
| CN106154209B true CN106154209B (zh) | 2018-11-30 |
Family
ID=57328307
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610618875.7A Active CN106154209B (zh) | 2016-07-29 | 2016-07-29 | 基于决策树算法的电能表故障预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106154209B (zh) |
Families Citing this family (30)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106768956A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉下降管故障预警方法 |
| CN106768957A (zh) * | 2016-12-28 | 2017-05-31 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉法兰截止阀故障预警方法 |
| CN106679953A (zh) * | 2016-12-28 | 2017-05-17 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉调节闸门失效预警方法 |
| CN106596090A (zh) * | 2016-12-28 | 2017-04-26 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉蒸汽阀故障预警方法 |
| CN106644445A (zh) * | 2016-12-28 | 2017-05-10 | 湖南坤宇网络科技有限公司 | 一种基于决策树系统的锅炉止回阀失效预警方法 |
| CN106842106A (zh) * | 2017-02-23 | 2017-06-13 | 广东电网有限责任公司茂名供电局 | 电能表故障预测方法和装置 |
| CN108733966A (zh) * | 2017-04-14 | 2018-11-02 | 国网重庆市电力公司 | 一种基于决策树群的多维电能表现场状态检验方法 |
| CN107578104B (zh) * | 2017-08-31 | 2018-11-06 | 江苏康缘药业股份有限公司 | 一种中药生产过程知识系统 |
| CN107529652A (zh) * | 2017-09-11 | 2018-01-02 | 国网天津市电力公司电力科学研究院 | 一种拆回电能表的故障现象相关性分析方法 |
| CN107862440A (zh) * | 2017-10-18 | 2018-03-30 | 国网天津市电力公司 | 一种基于事件记录的电能表可靠性管理系统及方法 |
| CN108664641A (zh) * | 2018-05-16 | 2018-10-16 | 国网山东省电力公司电力科学研究院 | 一种基于覆盖集理论的智能电能表故障诊断方法 |
| CN108846552B (zh) * | 2018-05-23 | 2022-04-12 | 深圳供电局有限公司 | 一种配网自动化终端缺陷分析系统及其方法 |
| CN109444799A (zh) * | 2018-09-21 | 2019-03-08 | 国网天津市电力公司电力科学研究院 | 一种基于闭环管理的电能表质量评价方法及系统 |
| CN109407039B (zh) * | 2018-11-13 | 2021-09-14 | 许继集团有限公司 | 智能电表及其系统、自诊断方法和故障检测方法 |
| CN109492783B (zh) * | 2018-11-14 | 2023-09-15 | 中国电力科学研究院有限公司 | 一种基于gbdt的电力计量设备故障风险预测方法 |
| CN109739846A (zh) * | 2018-12-27 | 2019-05-10 | 国电南瑞科技股份有限公司 | 一种电网数据质量分析方法 |
| CN111999692B (zh) * | 2019-05-27 | 2023-03-14 | 深圳电蚂蚁数据技术有限公司 | 一种多表误差的校准方法和装置 |
| CN110262417B (zh) * | 2019-06-10 | 2020-09-01 | 中云开源数据技术（上海）有限公司 | 一种生产设备故障预测诊断方法 |
| CN110222991B (zh) * | 2019-06-10 | 2022-08-30 | 国网江苏省电力有限公司常州供电分公司 | 基于rf-gbdt的计量装置故障诊断方法 |
| CN110298513A (zh) * | 2019-07-02 | 2019-10-01 | 国家电网有限公司 | 一种预测购电下发异常的方法 |
| CN112748389A (zh) * | 2019-10-31 | 2021-05-04 | 河南许继仪表有限公司 | 一种现场智能单相电能表故障诊断仪 |
| CN110928660B (zh) * | 2019-11-21 | 2022-08-19 | 中国民航信息网络股份有限公司 | 一种基于工作流技术的排障任务管理方法及装置 |
| CN110781206A (zh) * | 2019-12-02 | 2020-02-11 | 国网河北省电力有限公司电力科学研究院 | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 |
| CN111551888A (zh) * | 2020-04-23 | 2020-08-18 | 宁夏隆基宁光仪表股份有限公司 | 一种改进型AdaBoost算法的电能表计量数据故障分析方法 |
| CN111796235B (zh) * | 2020-06-28 | 2022-10-14 | 司浩天 | 一种使用率较高关口表的评估方法 |
| CN113933757B (zh) * | 2020-06-29 | 2022-09-16 | 株洲中车时代电气股份有限公司 | 一种牵引变压器过流诊断保护装置及方法 |
| CN112966003A (zh) * | 2021-03-02 | 2021-06-15 | 广州汇通国信科技有限公司 | 一种基于神经网络算法的数据质量问题排查方法 |
| CN113033642A (zh) * | 2021-03-17 | 2021-06-25 | 广东电网有限责任公司计量中心 | 一种基于告警事件的智能电能表状态判断方法及系统 |
| CN113255546B (zh) * | 2021-06-03 | 2021-11-09 | 成都卡莱博尔信息技术股份有限公司 | 一种用于飞机系统传感器故障的诊断方法 |
| CN113657646A (zh) * | 2021-07-15 | 2021-11-16 | 广西电网有限责任公司电力科学研究院 | 一种基于云计算实时获取设备寿命预测的方法及系统 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5379355A (en) * | 1992-08-24 | 1995-01-03 | Ricoh Corporation | Data encoding using one or more adaptive decision trees |
| JP3761238B2 (ja) * | 1996-01-25 | 2006-03-29 | 株式会社東芝 | 判断規則修正装置と判断規則修正方法 |
| US6826489B2 (en) * | 2002-02-14 | 2004-11-30 | Scientific Systems Research Limited | Fault classification in a plasma process chamber |
| CN102487343B (zh) * | 2010-12-06 | 2014-11-05 | 中国人民解放军理工大学 | 卫星通信系统隐故障诊断预测方法 |
| CN103995161B (zh) * | 2014-06-03 | 2016-06-22 | 深圳市康拓普信息技术有限公司 | 一种用于甄别偷漏电用户的方法及系统 |
| CN105634787B (zh) * | 2014-11-26 | 2018-12-07 | 华为技术有限公司 | 网络关键指标的评估方法、预测方法及装置和系统 |
-
2016
- 2016-07-29 CN CN201610618875.7A patent/CN106154209B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN106154209A (zh) | 2016-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106154209B (zh) | 基于决策树算法的电能表故障预测方法 | |
| CN107358366B (zh) | 一种配电变压器故障风险监测方法及系统 | |
| CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
| CN106054104A (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
| CN110727662A (zh) | 基于相关性分析的低压台区用户相位识别方法和系统 | |
| CN105548949A (zh) | 一种智能电能表的故障远程判断方法及其系统 | |
| CN110927654B (zh) | 一种智能电能表批次运行状态评价方法 | |
| CN110046145A (zh) | 基于电能量大数据研究的专家智能分析服务平台 | |
| CN107392479A (zh) | 基于逻辑回归模型的电力客户停电敏感度评分卡实施方法 | |
| CN107609783A (zh) | 一种基于数据挖掘的智能电能表综合性能进行评估的方法及系统 | |
| CN113267692A (zh) | 一种低压台区线损智能诊断分析方法和系统 | |
| CN109636110A (zh) | 一种获取继电保护装置运行状态的方法及装置 | |
| CN109255524A (zh) | 一种计量设备数据分析评估方法及系统 | |
| CN111738573A (zh) | 一种基于电能表全寿命周期数据的健康评价方法 | |
| CN113325308B (zh) | 一种用于数据中心的供电故障检测方法 | |
| CN111861786A (zh) | 一种基于特征选择和孤立随机森林的专变窃电识别方法 | |
| CN109542742A (zh) | 基于专家模型的数据库服务器硬件健康评估方法 | |
| CN110968703B (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系统 | |
| CN106780125A (zh) | 一种基于月均用电量的采集异常紧急程度计算方法 | |
| CN111612019A (zh) | 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 | |
| CN106803125B (zh) | 一种基于标准用电户折算的采集异常紧急程度计算方法 | |
| CN114493238A (zh) | 供电服务风险预测方法、系统、存储介质及计算机设备 | |
| CN109409629B (zh) | 基于多属性决策模型的采集终端生产厂商评价方法 | |
| CN108616145B (zh) | 一种计及事故后电压影响效果的新能源切机优化方法 | |
| CN112883062A (zh) | 一种不基于规则的自定义规则稽查方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |