CN106291445A - 一种电力采集系统异常的智能化诊断方法 - Google Patents

Abstract

本发明公开了一种电力采集系统异常的智能化诊断方法，其特征在于，所述智能化诊断方法包括以下步骤：步骤1，故障关键特征提取步骤，对故障特征的类型进行提取分类，提取关键故障特征；步骤2，故障智能诊断步骤，根据多维数据和步骤1提取的关键故障特征，对故障现象进行诊断；步骤3，故障处理预案推理步骤，采用专家系统的知识库产生规则，对步骤2的故障诊断结果进行匹配执行，直至找到故障解答或者没有规则与故障与之匹配时停止。本方法提取历史故障的关键特征，并结合当前的多维信息，对故障类型进行智能诊断，并对故障进行精确定位并提出处理预案，使得运维工作更有针对性，实现对计量装置及采集系统更科学、更高效的智能运维。

Description

一种电力采集系统异常的智能化诊断方法

技术领域

本发明涉及一种电力采集系统异常的智能化诊断方法，实现对电力计量装置系统故障的智能诊断和精确定位。

背景技术

电力计量装置是供电企业计量的重要设施，电力计量装置的正常运行是保证计量准确的关键，是维持正常电力市场秩序的重要条件，同时也是电力营销管理工作的重点。在电力计量数据的深化应用中，不管是面向营销的实用化出账、用电行为特征分析，还是反窃电、线损精细化管理等电力应用都依赖于高质量的用电计量数据。因此，计量数据及相关信息采集的可靠性就变得很关键。对于电力采集系统异常的故障诊断非常重要。

发明内容

本发明的一种电力采集系统异常的智能化诊断方法，依靠历史数据形成诊断知识，根据现象进行智能诊断，依靠专家系统快速找到处理预案。同时整个智能诊断系统也具有自学能力，根据预案的执行情况反馈，可以不断训练系统，从而使得系统积累的知识越丰富，逐步提高诊断的准确率。

实现上述目的的一种技术方案是：一种电力采集系统异常的智能化诊断方法，其特征在于，所述智能化诊断方法包括以下步骤：

步骤1，故障关键特征提取步骤，对故障特征的类型进行提取分类，提取关键故障特征；

步骤2，故障智能诊断步骤，根据多维数据和步骤1提取的关键故障特征，对故障现象进行诊断；

步骤3，故障处理预案推理步骤，采用专家系统的知识库产生规则，对步骤2的故障诊断结果进行匹配执行，直至找到故障解答或者没有规则与故障与之匹配时停止。

进一步的，步骤1的所述故障关键特征提取步骤包括以下步骤：

首先，人工对故障的特征进行挑选得到特征样本；

然后，采用Relief算法来计算各个特征的权重，每次从特征样本集中随机取出一个样本R，然后从和R同类的样本集中找出R的k个近邻样本(Near Hits)，从每个R的不同类的样本集中均找出k个近邻样本(Near Misses)，然后更新每个特征的权重，如下式所示：

$W\left(A\right)=W-\underset{j=1}{\overset{k}{\Σ}}\frac{diff(A,R,H_j)}{mk}+\underset{C\∈class\left(R\right)}{\Σ}\frac{\[\frac{p\left(C\right)}{1-p\left(Class\right(R\left)\right)}{\mathrm{\Σ}}_{j=1}^{k}diff(A,R,M_j(C\left)\right)\]}{mk}$

将步骤1.2重复m次，最后得到各特征的平均权重；

最后，根据计算的故障的特征的平均权重确定关键故障特征。

进一步的，步骤2的所述故障智能诊断步骤中的多维数据，包括集中器下全无数据、采集器下全无数据、电能表无数据。

进一步的，步骤2的所述故障智能诊断步骤采用决策树进行诊断。

进一步的，步骤3的所述故障处理预案推理步骤以采集系统故障处理预案为该专家系统的知识库，以“IF…THEN…”的形式来描述规则，寻找与同数据库中的事实或断言相匹配的那些规则，并运用冲突的消除策略，从皆匹配的规则中挑选一个执行，从而改变原来数据内容，再重复上述步骤，直到数据库的事实与目标一致即找到解答，或者到没有规则可以与之匹配时才停止。

本方法通过对采集系统的历史维护工单出发，提取历史故障的关键特征，并结合当前监测情况、停电计划、运维标签库等多维信息，对故障类型进行智能诊断，并对故障进行精确定位。同时，通过将新故障纳入历史经验积累和知识库支撑，实现预案推理，找到成功率最高的处理预案，使得运维工作更有针对性，实现对计量装置及采集系统更科学、更高效的智能运维。

附图说明

图1为本发明的一种电力采集系统异常的智能化诊断方法的流程示意图。

具体实施方式

为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例并结合附图进行详细地说明：

请参阅图1，本发明提出了下述三个智能诊断步骤：故障关键特征提取步骤、故障智能诊断步骤、提出故障处理预案步骤。

步骤1，故障关键特征提取步骤：根据采集故障运维历史工单、人工经验指导以及累积形成的运维标签库，提取不同类型故障的关键特征，作为下一步故障诊断的知识库，对实现自动诊断起到关键的支撑作用。同时，知识库也会根据运维反馈情况，不断自动学习，不断根据历史累积情况修正这些关键特征，或使得这些关键特征更细化，实现更精细、更准确的诊断。

步骤1的处理步骤是：首先，依据先验经验人工挑选特征。人工挑选的特征范围较广，而且无法区分特征的重要程度。然后，采用Relief算法来计算各个特征的权重：每次从训练样本集中随机取出一个样本R，然后从和R同类的样本集中找出R的k个近邻样本(NearHits)，从每个R的不同类的样本集中均找出k个近邻样本(Near Misses)，然后更新每个特征的权重，如下式所示：

$W\left(A\right)=W-\underset{j=1}{\overset{k}{\Σ}}\frac{diff(A,R,H_j)}{mk}+\underset{C\∈class\left(R\right)}{\Σ}\frac{\[\frac{p\left(C\right)}{1-p\left(Class\right(R\left)\right)}{\mathrm{\Σ}}_{j=1}^{k}diff(A,R,M_j(C\left)\right)\]}{mk}$

以上过程重复m次，最后得到各特征的平均权重。特征的权重越大，表示该特征的分类能力越强，反之，表示该特征分类能力越弱，这样能从定量化的角度来决定特征的重要程度及选取那些重要程度高的特征。最后，根据计算的故障的特征的平均权重确定故障关键特征。

步骤2，故障智能诊断步骤：根据搜集的故障现象作出智能判断，判断目前的现象属于哪类故障，从而为进一步采取什么样的运维措施提供方向性指导意见。

步骤2处理步骤是：采集集中器下全无数据、采集器下全无数据、电能表无数据等，并结合用户历史数据采集情况、历史工单信息、终端当前通讯情况、采集运维标签库信息、停电检修计划等多维度数据，进行初步诊断分析和远程处理，再根据步骤1提取的故障关键特征，对照当前表现出的故障现象，采用决策树模型来实现智能诊断。将决策树应用于故障诊断领域，对大量的状态数据进行挖掘，发现故障数据中存在的规律，并以规则的形式体现出来。

构造决策树的关键步骤是分裂属性。所谓分裂属性就是在某个节点处按照某一特征属性的不同划分构造不同的分支，其目标是让各个分裂子集尽可能纯粹，使一个分裂子集中的待分类项属于同一类别。

决策树构建的基本步骤如下：

1.开始，所有记录看作一个节点

2.遍历每个变量的每一种分割方式，找到最好的分割点

3.分割成两个节点N1和N2

4.对N1和N2分别继续执行2-3步，直到每个节点足够纯粹为止。

构造决策树的关键性内容是进行属性选择度量，属性选择度量是一种选择分裂准则，是将给定的类标记的训练集合的数据划分D分成个体类的启发式方法，它决定了拓扑结构及分裂点split_point的选择。

属性选择度量算法有很多，一般使用自顶向下递归分治法，并采用不回溯的贪心策略。在故障智能诊断模型中我们采用ID3算法。其中设D为用类别对训练元组进行的划分，则D的熵(entropy)表示为：

$\inf o\left(D\right)=-\underset{i=1}{\overset{m}{\Σ}}{p}_i{\log }_2\left(p_i\right)$

其中pi表示第i个类别在整个训练元组中出现的概率，可以用属于此类别元素的数量除以训练元组元素总数量作为估计。熵的实际意义表示是D中元组的类标号所需要的平均信息量。

假设将训练元组D按属性A进行划分，则A对D划分的期望信息为：

${\mathrm{info}}_A\left(D\right)=\underset{j=1}{\overset{v}{\Σ}}\frac{\left|D_j\right|}{D}\inf o\left(D_j\right)$

而信息增益即为两者的差值：

gain(A)＝info(D)-info_A(D)

ID3算法就是在每次需要分裂时，计算每个属性的增益率，然后选择增益率最大的属性进行分裂。

通过决策树，诊断后将故障进行具体的描述和定位。

步骤3，故障处理预案推理步骤：根据故障诊断结果，并结合历史工单处理预案的经验类型，提出可行的故障运维建议，并对预案按照成功概率进行排序。同时，搜集运维结果反馈情况，形成自反馈、自学习机制，使得下次推荐的预案更具可操作性，切实提高运维工作的一次成功率，从而提高整体运维工作的效率。

故障处理预案推理步骤采用专家系统为基本框架，以采集系统故障处理预案为该专家系统的知识库，以产生式规则IF…THEN…的形式来描述知识。采用正向链的策略作为专家系统的推理机。具体方法是寻找出前提可以同数据库中的事实或断言相匹配的那些规则，并运用冲突的消除策略，从这些都可满足的规则中挑选出一个执行，从而改变原来数据库的内容。这样反复地进行寻找，直到数据库的事实与目标一致即找到解答，或者到没有规则可以与之匹配时才停止。

本技术领域中的普通技术人员应当认识到，本发明并不局限于电力变压器的诊断，也适用于其他电力设备的诊断，甚至适用于机械、建筑等诊断。该综合诊断方法的核心精神是自学习，自组织，具有开放性，可伸缩性，可扩展性，极具智能化的诊断方法。

Claims (5)

1.一种电力采集系统异常的智能化诊断方法，其特征在于，所述智能化诊断方法包括以下步骤：

步骤1，故障关键特征提取步骤，对故障特征的类型进行提取分类，提取关键故障特征；

步骤2，故障智能诊断步骤，根据多维数据和步骤1提取的关键故障特征，对故障现象进行诊断；

步骤3，故障处理预案推理步骤，采用专家系统的知识库产生规则，对步骤2的故障诊断结果进行匹配执行，直至找到故障解答或者没有规则与故障与之匹配时停止。

2.根据权利要求1所述的一种电力采集系统异常的智能化诊断方法，其特征在于，步骤1的所述故障关键特征提取步骤包括以下步骤：

首先，人工对故障的特征进行挑选得到特征样本；

然后，采用Relief算法来计算各个特征的权重，每次从特征样本集中随机取出一个样本R，然后从和R同类的样本集中找出R的k个近邻样本(Near Hits)，从每个R的不同类的样本集中均找出k个近邻样本(Near Misses)，然后更新每个特征的权重，如下式所示：

$W\left(A\right)=W-\underset{j=1}{\overset{k}{\Σ}}\frac{diff(A,R,H_j)}{mk}+\underset{C\∈class\left(R\right)}{\Σ}\frac{\[\frac{p\left(C\right)}{1-p\left(Class\right(R\left)\right)}{\mathrm{\Σ}}_{j=1}^{k}diff(A,R,M_j(C\left)\right)\]}{mk}$

将步骤1.2重复m次，最后得到各特征的平均权重；

最后，根据计算的故障的特征的平均权重确定关键故障特征。

3.根据权利要求1所述的一种电力采集系统异常的智能化诊断方法，其特征在于，步骤2的所述故障智能诊断步骤中的多维数据，包括集中器下全无数据、采集器下全无数据、电能表无数据。

4.根据权利要求1所述的一种电力采集系统异常的智能化诊断方法，其特征在于，步骤2的所述故障智能诊断步骤采用决策树进行诊断。

5.根据权利要求1所述的一种电力采集系统异常的智能化诊断方法，其特征在于，步骤3的所述故障处理预案推理步骤以采集系统故障处理预案为该专家系统的知识库，以“IF…THEN…”的形式来描述规则，寻找与同数据库中的事实或断言相匹配的那些规则，并运用冲突的消除策略，从皆匹配的规则中挑选一个执行，从而改变原来数据内容，再重复上述步骤，直到数据库的事实与目标一致即找到解答，或者到没有规则可以与之匹配时停止。