CN109765883A - 配电自动化终端运行状态评价与故障诊断方法 - Google Patents

Abstract

本发明涉及一种配电自动化终端运行状态评价与故障诊断方法，对终端所采集的配电网实时与历史运行数据以及终端设备运维检修过程中记录的设备故障或缺陷信息进行综合分析，抽取特征数据，并利用设备故障检修记录信息对历史特征数据进行标签化，建立训练与检验样本数据集，基于机器学习算法建立终端运行状态评价模型，对配电自动化终端设备的运行状态评价与故障类型诊断。本发明基于机器学习算法建立终端运行状态评价模型，实现对配电自动化终端设备的运行状态评价与故障诊断，对于提升配电自动化终端设备的运维管理水平具有重要的现实意义；本发明解决了普通指标评价模型合理性难以保证的问题，提升终端状态评价与故障诊断的准确性。

Description

配电自动化终端运行状态评价与故障诊断方法

技术领域

本发明属于配电自动化系统运营维护技术领域，具体涉及一种基于机器学习的配电自动化终端运行状态评价与故障诊断方法。

背景技术

配电自动化系统的广泛应用对提高配电网供电可靠性提供了强力保障，作为配电自动化的骨架与支撑，配电自动化终端的正常运行至关重要。只有配电自动化终端正常在线运行，才能实现对配电网络的数据采集与分析，从而实现配电网运行监控、故障自动隔离、设备遥控操作等功能，最终达到减少停电时间，提高配电网供电可靠性的目的。

配电自动化终端安装分散，运行环境较恶劣，故障率较高。随着配电自动化建设在各地全面铺开，配电自动化终端数量快速增长，覆盖区域急剧扩大。但是，目前配电自动化终端的运维仍普遍停留在较初级的阶段，定期巡检结合故障时运维人员直接到现场开展维护和维修操作。传统的计划巡检运维模式效率低下，难以满足配电自动化运维管控的需要，迫切需要由计划巡检模式向状态检修模式转变，根据终端设备的运行状态安排检修运维工作。这就需要对配电自动化终端设备的运行状态进行准确有效的监测、诊断与评价。

当前，由于技术条件所限，配电自动化主站对终端本身运行状态的监测功能较弱，大部分终端设备没有采集并上送设备本身的运行状态信息，主要依靠监测与终端设备的通信状态来判断设备运行状态，难以直接、及时地反映配电终端运行情况。有些设备状态评价系统采用指标评价法对配电终端的运行状态进行评价，设计一套配电自动化终端运行状态评价指标体系(包括一组指标分量与权重)，根据设备运行信息、设备运维记录等相关信息计算出一组指标以表示设备的状态。这种方法存在以下问题：

1、指标体系的合理性难以保证，指标体系中应该包含哪些指标分量以及各分量权重的设置往往是设计者根据经验主观选择，缺乏充分的依据和数据支撑。状态评价指标得分难以准确反映设备的运行状态。

2、部分指标计算来源数据依赖于人工采集与录入，数据的准确性与时效性难以保证。

3、状态评价得分难以反映设备故障类型。

4、评价结果缺乏检验，评价模型也难以持续优化。

发明内容

本发明提出了一种基于机器学习的配电自动化终端运行状态评价与故障自动诊断方法，通过对终端所采集的配电网实时与历史运行数据以及终端设备运维检修过程中记录的设备故障或缺陷信息进行综合分析，抽取特征数据，并利用设备故障检修记录信息对历史特征数据进行标签化，建立训练与检验样本数据集，基于机器学习算法建立终端运行状态评价模型，实现对配电自动化终端设备的运行状态评价与故障类型诊断，为基于设备状态的运维检修提供依据。

此种方法解决了普通指标评价模型合理性难以保证的问题，既可以综合评价设备的运行状态，也可以对故障类型进行诊断。另外，能够利用实际设备故障信息对评价结果进行校验与持续学习，实现对评价模型的持续修正与优化，不断提升状态评价与故障诊断的准确性。本发明所采用的技术方案如下：

配电自动化终端运行状态评价与故障诊断方法，包括以下步骤：

步骤1、从配电自动化主站系统和生产管理系统接入进行终端运行状态评价与故障诊断所需要的存量数据，并进行预处理；

步骤2、通过对前一步骤接入的数据进行综合分析，提取特征数据、并进行归一化处理，为建立机器学习训练与检验样本提供支持；

步骤3、抽取每个终端的故障特征数据，对故障特征数据进行去量纲、归一化处理后，再利用终端缺陷及运维检修记录信息进行对故障特征数据进行标签化，构建故障样本数据集；

步骤4、模型训练与评估：采用逻辑回归机器学习算法，利用训练样本集对终端设备状态诊断模型进行训练，并采用检验样本集对训练产生的模型进行评估，根据评估结果调整相关参数，直至识别准确度达到设定的目标，将训练得到的状态评价模型部署为在线服务模型；

步骤5、利用在线服务模型，进行配电终端运行状态评价与故障判断。

优选地，步骤1中从配电自动化主站系统接入模型数据、遥测实时及历史数据、遥信变位、遥控记录，从生产管理系统接入终端设备的台账信息、设备缺陷及运维检修记录，以设备资产编码为基准将来自两个系统的数据进行匹配。

优选地，步骤2所述的提取特征数据、并进行归一化处理的具体步骤如下：

S2.1、提取通信网络故障特征；

S2.2、提取持续离线故障特征；

S2.3、提取频繁掉线特征；

S2.4、提取遥测采集故障特征；

S2.5、提取遥信采集故障特征；

S2.6、提取遥控失灵故障特征；

S2.7、根据终端设备台账信息中的投运时间，提取终端的投运时长特征；

S2.8、提取历史故障次数特征：通过对终端运维检修记录进行统计分析，计算每个终端截止到统计时的曾经发生过的故障次数；

S2.9、提取家族性设备故障概率特征；

S2.10、对提取的故障特征进行归一化处理。

优选地，步骤3所述的构建故障样本数据集的具体步骤如下：

S3.1、构建输入向量集；

S3.2、基于终端缺陷及运维检修记录信息对输入样本进行标签化；

S3.3、故障样本数据集分组。

优选地，步骤5所述的进行配电终端运行状态评价与故障判断的具体步骤如下：

S5.1从配电自动化主站系统接入进行终端运行状态评价与故障诊断所需要的增量数据；

S5.2按照步骤2所述的特征提取方法，提取相关的各种特征数据；

S5.3按照步骤3所述的故障样本数据集构建方法，利用S5.2所得到的特征数据构建故障样本数据集；

S5.4将上述步骤得到的故障样本数据集输入到在线服务模型，得到的输出结果即为终端设备状态评价与故障判断结果；

S5.5从生产管理系统接入产生的配电终端设备缺陷与运维记录增量数据，对配电终端运行状态评价与故障判断结果进行检验，根据检验结果对在线服务模型进行修正优化。

本发明的有益效果：

1)本发明通过对终端所采集的配电网实时与历史运行数据、以及终端设备运维检修过程中记录的设备故障或缺陷信息进行综合分析，抽取特征数据，并利用设备故障检修记录信息对历史特征数据进行标签化建立训练与检验样本数据集，基于机器学习算法建立终端运行状态评价模型，实现对配电自动化终端设备的运行状态评价与故障诊断，对于提升配电自动化终端设备的运维管理水平具有重要的现实意义。

2)本发明解决了普通指标评价模型合理性难以保证的问题，既可以综合评价终端的运行状态，也可以对故障类型进行诊断。

3)本发明能够利用实际终端设备故障信息对评价结果进行校验与持续学习，实现对评价模型的持续修正与优化，不断提升终端状态评价与故障诊断的准确性。

附图说明

图1是本发明的总体架构的示意图；

图2是特征数据提取与处理过程的示意图。

具体实施方式

下面结合附图，具体说明实现本发明的实施方式。

如图1所示，是本发明的总体架构的示意图。配电自动化终端运行状态评价与故障诊断方法，包括以下步骤：

步骤1、从配电自动化主站系统(DMS)和生产管理系统(PMS)接入进行终端运行状态评价与故障诊断所需要的存量数据，并进行预处理。

从配电自动化主站系统接入模型数据、遥测实时及历史数据、遥信变位、遥控记录，从生产管理系统接入终端设备的台账信息、设备缺陷及运维检修记录等信息，以设备资产编码为基准将来自两个系统的数据进行匹配。

步骤2、通过对前一步骤接入的数据进行综合分析，提取特征数据、并进行归一化处理，为建立机器学习训练与检验样本提供支持。如图2所示，是特征数据提取与处理过程的示意图，具体的步骤和方法如下：

S2.1、提取通信网络故障特征，具体步骤如下：

S2.1.1、读取接入的通信状态信息；

S2.1.2、对终端进行掉线检测；

S2.1.3、对通信状态信息和历史记录进行分析，当读取到终端掉线信息时，按照设定的判定规则(例如：前后1分钟内掉线10台以上)判断是否发生了批量终端掉线，如果是、转下一步，如果否、则认为是独立终端掉线事件、提取通信网络故障特征流程结束；

S2.1.4、对同批掉线的终端是否有共同的通信网络特征进行分析，若有共同的通信网络特征的掉线终端数量超过设定的判定条件，则认为这些终端掉线是由通信网络故障引起，则生成通信网络故障告警、并提取通信网络故障特征；若有共同的通信网络特征的掉线终端数量达不到设定的判定条件，则认为是独立终端掉线事件。

S2.2、提取持续离线故障特征，具体的步骤和方法如下：

S2.2.1、对识别出的每一条独立终端掉线事件信息进行分析，统计终端离线所持续的时间；

S2.2.2、判断每条独立终端离线事件所持续的时间是否大于设定值(比如24小时)，如果是、则认为该终端状态为持续离线，并生成终端持续离线事件，然后继续处理下一条。如果否、则认为不是持续离线，结束该条终端离线事件的处理。

此种特征提取方式方式可以有效过滤瞬时故障，减少因误判故障导致的不必要检修工作，提高工作效率。

S2.3、提取频繁掉线特征，具体的步骤和方法如下：

S2.3.1、对识别出的独立终端掉线事件信息进行分析，对每台掉线终端的24小时内上下线次数进行统计；

S2.3.2、判断某终端的24小时内上下线频度(次数)是否达到了设定值(比如：24小时内上下线超过10次)如果是、则认为该终端发生频繁掉线，如果否、则认为不是终端频繁掉线，结束该条事件的处理。

S2.3.3、对频繁掉线的终端进一步统计其频繁掉线状态持续的时间，判断频繁掉线状态持续的时间是否超过了设定的时长(比如：48小时)，如果是、则认为该终端的状态为持续频繁掉线状态，如果否、则认为不是持续频繁掉线。

该处理方式能够有效过滤因其他干扰原因导致的短时频繁掉线，突出真实的终端设备运行不稳定的缺陷，减少不必要的检修工作，有助于提高运维检修工作的效率。

S2.4、提取遥测采集故障特征，具体的步骤和方法如下：

S2.4.1、遥测量不刷新及时间统计：读取每个遥测量的当日历史数据，判断是否存在多个连续的采样点数值不变化的情况，如果是，则认为发生了遥测量不刷新统计出遥测量不刷新持续的时间并生成遥测量不刷新事件，如果否，则继续处理下一个遥测量，循环上述处理过程直至所有的遥测量处理完毕；

S2.4.2、判断遥测量持续不刷新时间是否大于设定值(比如：连续24小时不刷新)，如果是、转下一步，如果否、结束该条事件处理；

S2.4.3、对识别出的持续不刷新的遥测点以及所属的终端，再对该终端所采集的其他遥测量不刷新情况进行统计，判断该终端所采集的其它遥测量是否均不刷新，如果是、转下一步，如果否、则认为出现部分遥测采集回路故障或变送器出现故障；

S2.4.4、判断该终端是否发生了频繁掉线，如果是、则认为遥测量不刷新是由终端频繁掉线导致，如果否、则认为该终端的遥测采集模块出现故障。

该处理方式能够有效过滤因终端掉线引起的遥测数据不刷新，突出真实的终端遥测采集模块故障或变送器故障。

S2.5、提取遥信采集故障特征，具体的步骤和方法如下：

S2.5.1、读取遥信变位记录信息；

S2.5.2、根据设定的判定规则(比如，当遥信状态发生变化后，60秒内又变回到原来的状态，且没有相关的保护动作信号发生，则判定为发生遥信抖动)识别出遥信抖动，并对同一遥信抖动的次数进行统计，生成遥信抖动事件；

S2.5.3、判断每条遥信抖动的次数是否大于频繁抖动判别标准设定值(比如，24小时内发生20次以上)，如果是、则认为该终端存在遥信频繁抖动、转下一步，如果否、则忽略该条遥信抖动，结束该条信抖动事件处理；

S2.5.4、判断该终端是否发生了频繁掉线，如果是、则认为遥信频繁抖动是由终端频繁掉线导致，如果否、则认为该终端存在遥信采集故障或被采集设备故障。

该处理方式能够有效过滤因终端频繁掉线引起的遥信频繁变位，突出真实的终端的遥信采集模块或所采集的设备故障。

S2.6、提取遥控失灵故障特征，具体的步骤和方法如下：

S2.6.1、读取终端的遥控操作记录信息；

S2.6.2、对于每个三遥终端，通过对设定时间内(例如24小时)该终端的遥控操作记录和遥信变位记录信息进行分析，识别出遥控失败的终端，并对该终端的遥控失败次数和遥控总次数进行统计，得到终端遥控失败率；

S2.6.3、判断每个遥控失败终端的遥控失败率是否大于设定值(例如：50％)，如果是、转下一步，如果否、结束该条处理；

S2.6.4、判断遥控失败期间该终端是否出现了频繁掉线或遥信采集模块故障，如果是、则认为遥控失败是由终端频繁掉线或遥信采集模块故障导致，如果否、则认为该终端存在遥控失灵故障。

该处理方式能够有效过滤因终端频繁掉线或遥信采集模块故障造成的遥控失败信息，突出真实的遥控失灵故障。

S2.7、提取终端投运时长特征：根据终端设备台账信息中的投运时间，提取终端的投运时长特征。以年为单位，上限为15年，超过15年的按15年处理。一般情况下，终端投运时长是影响终端运行状态的一个因素，投运时间越长，出现故障的概率越大。

S2.8、提取历史故障次数特征：通过对终端运维检修记录进行统计分析，计算每个终端截止到统计时的曾经发生过的故障次数。一般情况下，发生过故障的终端再次发生故障的概率会增加。

S2.9、提取家族性设备故障概率特征：结合终端设备台账信息，对终端运维检修记录进行统计分析，计算每个厂家、型号、批次的故障概率，提取每个终端的家族性设备故障概率特征。一般情况，同一个生产厂家、同一型号、同一批次的设备，常常采样相同的设计和制造条件，终端发生故障的概率基本一致。

S2.10、对提取的故障特征进行归一化处理：为了适应算法对数据的要求，对所提取的故障特征数据进行归一化处理。例如：对于通信网络故障、持续离线故障、频繁掉线故障、遥测采集故障、遥信采集故障、遥控失灵故障等特征，若存在该种特征，则取值为1，否则为0；对于终端投运时长特征，取值为投运年数/15，超过15年的取值为1；对于历史故障次数特征，取值为历史故障次数/10，次数超过10次的取值为1。

说明：附图2中涉及到是否判断的步骤时，受附图大小所限，在不影响理解的情况下，部分“是”或“否”的判断内容没有在附图中体现，特此说明。

步骤3、建立故障样本数据集。

抽取每个终端的故障特征数据，对故障特征数据进行去量纲、归一化处理后，再利用终端缺陷及运维检修记录信息进行对故障特征数据进行标签化，构建故障样本数据集。具体的步骤和方法如下：

S3.1、构建输入向量集。

采用n维输入向量X＝{X₁,X₂,X₃,…,X_n}表示故障特征数据，其中：X₁,X₂,X₃,…,X_n分别代表通信网络故障、持续离线故障、频繁掉线故障…历史故障次数等特征。

从历史数据中，按照步骤2所述的方法按日提取每个终端的故障特征数据，并进行特征归一化处理后，构建输入向量集。

S3.2、基于终端缺陷及运维检修记录信息对输入样本进行标签化。

采用k维输出向量Y＝{Y₁,Y₂,Y₃,Y₄,Y₅,Y₆,Y₇,…,Y_k}表示终端设备故障状态，比如，其中Y₁,Y₂,Y₃,Y₄,Y₅,Y₆,Y₇,…,Y_k分别代表完好、不稳定、采集模块故障、通信网络故障、电池故障、遥控故障、终端主机故障、其他故障等状态。

针对每个输入样本，从终端缺陷及运维检修记录信息中查询对应终端设定时间区间内的终端缺陷及运维检修信息，并根据查询结果，对输入样本进行标签化。

例如：若没有相应的终端缺陷及运维检修信息，则认为终端状态完好，Y₁＝1，否则Y₁＝0，并根据终端存在的故障类型设置相应的输出参量Y_k＝1，其他输出参量取值为0。

S3.3、故障样本数据集分组。

采用无放回的随机抽样方法，按照8:2的比例将故障样本数据集分成训练样本集和检验样本集两组。

步骤4、模型训练与评估。

采用逻辑回归机器学习算法，利用训练样本集对终端设备状态诊断模型进行训练，并采用检验样本集对训练产生的模型进行评估，根据评估结果调整相关参数，直至识别准确度达到设定的目标，将训练得到的状态评价模型部署为在线服务模型。

步骤5、在线终端设备状态评价与故障判断。

利用在线服务模型，进行配电终端运行状态评价与故障判断。

S5.1从配电自动化主站系统(DMS)接入进行终端运行状态评价与故障诊断所需要的增量数据。

S5.2按照步骤2所述的特征提取方法，提取相关的各种特征数据。

S5.3按照步骤3所述的故障样本数据集构建方法，利用S5.2所得到的特征数据构建故障样本数据集。

S5.4将上述步骤得到的故障样本数据集输入到在线服务模型，得到的输出即为终端设备状态评价与故障判断结果。

S5.5从生产管理系统(PMS)接入产生的配电终端设备缺陷与运维记录增量数据，对配电终端运行状态评价与故障判断结果进行检验，根据检验结果对在线服务模型进行修正优化。

通过本发明的上述步骤，在获取配电自动化主站系统新生成的增量实时及历史数据后，按照前面所述的方法抽取特征数据、归一化处理后，利用在线服务模型，进行配电终端运行状态评价与故障诊断。根据新产生的配电终端设备缺陷与运维记录信息，对配电终端运行状态评价与故障判断结果进行检验并对模型进行修正优化。

Claims (8)

1.配电自动化终端运行状态评价与故障诊断方法，其特征在于，对终端所采集的配电网实时与历史运行数据以及终端设备运维检修过程中记录的设备故障或缺陷信息进行综合分析，抽取特征数据，并利用设备故障检修记录信息对历史特征数据进行标签化，建立训练与检验样本数据集，基于机器学习算法建立终端运行状态评价模型，对配电自动化终端设备的运行状态评价与故障类型诊断。

2.根据权利要求1所述的配电自动化终端运行状态评价与故障诊断方法，其特征在于，具体包括以下步骤：

步骤1、从配电自动化主站系统和生产管理系统接入进行终端运行状态评价与故障诊断所需要的存量数据，并进行预处理；

步骤2、通过对前一步骤接入的数据进行综合分析，提取特征数据、并进行归一化处理，为建立机器学习训练与检验样本提供支持；

步骤3、抽取每个终端的故障特征数据，对故障特征数据进行去量纲、归一化处理后，再利用终端缺陷及运维检修记录信息进行对故障特征数据进行标签化，构建故障样本数据集；

步骤4、模型训练与评估：采用逻辑回归机器学习算法，利用训练样本集对终端设备状态诊断模型进行训练，并采用检验样本集对训练产生的模型进行评估，根据评估结果调整相关参数，直至识别准确度达到设定的目标，将训练得到的状态评价模型部署为在线服务模型；

步骤5、利用在线服务模型，进行配电终端运行状态评价与故障判断。

3.根据权利要求2所述的配电自动化终端运行状态评价与故障诊断方法，其特征在于，步骤1中从配电自动化主站系统接入模型数据、遥测实时及历史数据、遥信变位、遥控记录，从生产管理系统接入终端设备的台账信息、设备缺陷及运维检修记录，以设备资产编码为基准将来自两个系统的数据进行匹配。

4.根据权利要求2所述的配电自动化终端运行状态评价与故障诊断方法，其特征在于，步骤2所述的提取特征数据、并进行归一化处理的具体步骤如下：

S2.1、提取通信网络故障特征；

S2.2、提取持续离线故障特征；

S2.3、提取频繁掉线特征；

S2.4、提取遥测采集故障特征；

S2.5、提取遥信采集故障特征；

S2.6、提取遥控失灵故障特征；

S2.7、根据终端设备台账信息中的投运时间，提取终端的投运时长特征；

S2.8、提取历史故障次数特征：通过对终端运维检修记录进行统计分析，计算每个终端截止到统计时的曾经发生过的故障次数；

S2.9、提取家族性设备故障概率特征；

S2.10、对提取的故障特征进行归一化处理。

5.根据权利要求4所述的配电自动化终端运行状态评价与故障诊断方法，其特征在于，步骤S2.1所述的提取通信网络故障特征，具体步骤如下：

S2.1.1、读取接入的通信状态信息；

S2.1.2、对终端进行掉线检测；

S2.1.3、对通信状态信息和历史记录进行分析，当读取到终端掉线信息时，按照设定的判定规则判断是否发生了批量终端掉线，如果是、转下一步，如果否、则认为是独立终端掉线事件、提取通信网络故障特征流程结束；

S2.1.4、对同批掉线的终端是否有共同的通信网络特征进行分析，若有共同的通信网络特征的掉线终端数量超过设定的判定条件，则认为这些终端掉线是由通信网络故障引起，则生成通信网络故障告警、并提取通信网络故障特征；若有共同的通信网络特征的掉线终端数量达不到设定的判定条件，则认为是独立终端掉线事件；

步骤S2.2所述的提取持续离线故障特征，具体步骤如下：

S2.2.1、对识别出的每一条独立终端掉线事件信息进行分析，统计终端离线所持续的时间；

S2.2.2、判断每条独立终端离线事件所持续的时间是否大于设定值，如果是、则认为该终端状态为持续离线，并生成终端持续离线事件，然后继续处理下一条；如果否、则认为不是持续离线，结束该条终端离线事件的处理；

步骤S2.3所述的提取频繁掉线特征，具体步骤如下：

S2.3.1、对识别出的独立终端掉线事件信息进行分析，对每台掉线终端的24小时内上下线次数进行统计；

S2.3.2、判断某终端的24小时内上下线频度是否达到了设定值，如果是、则认为该终端发生频繁掉线，如果否、则认为不是终端频繁掉线，结束该条事件的处理；

S2.3.3、对频繁掉线的终端进一步统计其频繁掉线状态持续的时间，判断频繁掉线状态持续的时间是否超过了设定的时长，如果是、则认为该终端的状态为持续频繁掉线状态，如果否、则认为不是持续频繁掉线；

步骤S2.4所述的提取遥测采集故障特征，具体步骤如下：

S2.4.1、遥测量不刷新及时间统计：读取每个遥测量的当日历史数据，判断是否存在多个连续的采样点数值不变化的情况，如果是，则认为发生了遥测量不刷新统计出遥测量不刷新持续的时间并生成遥测量不刷新事件，如果否，则继续处理下一个遥测量，循环上述处理过程直至所有的遥测量处理完毕；

S2.4.2、判断遥测量持续不刷新时间是否大于设定值，如果是、转下一步，如果否、结束该条事件处理；

S2.4.3、对识别出的持续不刷新的遥测点以及所属的终端，再对该终端所采集的其他遥测量不刷新情况进行统计，判断该终端所采集的其它遥测量是否均不刷新，如果是、转下一步，如果否、则认为出现部分遥测采集回路故障或变送器出现故障；

S2.4.4、判断该终端是否发生了频繁掉线，如果是、则认为遥测量不刷新是由终端频繁掉线导致，如果否、则认为该终端的遥测采集模块出现故障；

步骤S2.5所述的提取遥信采集故障特征，具体步骤如下：

S2.5.1、读取遥信变位记录信息；

S2.5.2、根据设定的判定规则识别出遥信抖动，并对同一遥信抖动的次数进行统计，生成遥信抖动事件；

S2.5.3、判断每条遥信抖动的次数是否大于频繁抖动判别标准设定值，如果是、则认为该终端存在遥信频繁抖动、转下一步，如果否、则忽略该条遥信抖动，结束该条信抖动事件处理；

S2.5.4、判断该终端是否发生了频繁掉线，如果是、则认为遥信频繁抖动是由终端频繁掉线导致，如果否、则认为该终端存在遥信采集故障或被采集设备故障；

步骤S2.6所述的提取遥控失灵故障特征，具体步骤如下：

S2.6.1、读取终端的遥控操作记录信息；

S2.6.2、对于每个三遥终端，通过对设定时间内该终端的遥控操作记录和遥信变位记录信息进行分析，识别出遥控失败的终端，并对该终端的遥控失败次数和遥控总次数进行统计，得到终端遥控失败率；

S2.6.3、判断每个遥控失败终端的遥控失败率是否大于设定值，如果是、转下一步，如果否、结束该条处理；

S2.6.4、判断遥控失败期间该终端是否出现了频繁掉线或遥信采集模块故障，如果是、则认为遥控失败是由终端频繁掉线或遥信采集模块故障导致，如果否、则认为该终端存在遥控失灵故障。

6.根据权利要求4所述的配电自动化终端运行状态评价与故障诊断方法，其特征在于，步骤S2.9所述的提取家族性设备故障概率特征的方法是：结合终端设备台账信息，对终端运维检修记录进行统计分析，计算每个厂家、型号、批次的故障概率，提取每个终端的家族性设备故障概率特征；

步骤S2.10所述的对提取的故障特征进行归一化处理的方法是：对于通信网络故障、持续离线故障、频繁掉线故障、遥测采集故障、遥信采集故障、遥控失灵故障，若存在该种特征，则取值为1，否则为0；对于终端投运时长特征，取值为投运年数/15，超过15年的取值为1；对于历史故障次数特征，取值为历史故障次数/10，次数超过10次的取值为1。

7.根据权利要求2所述的配电自动化终端运行状态评价与故障诊断方法，其特征在于，步骤3所述的构建故障样本数据集的具体步骤如下：

S3.1、构建输入向量集；

S3.2、基于终端缺陷及运维检修记录信息对输入样本进行标签化；

S3.3、故障样本数据集分组。

8.根据权利要求1－7任一项所述的配电自动化终端运行状态评价与故障诊断方法，其特征在于，步骤5所述的进行配电终端运行状态评价与故障判断的具体步骤如下：

S5.1从配电自动化主站系统接入进行终端运行状态评价与故障诊断所需要的增量数据；

S5.2按照步骤2所述的特征提取方法，提取相关的各种特征数据；

S5.3按照步骤3所述的故障样本数据集构建方法，利用S5.2所得到的特征数据构建故障样本数据集；

S5.4将上述步骤得到的故障样本数据集输入到在线服务模型，得到的输出结果即为终端设备状态评价与故障判断结果；

S5.5从生产管理系统接入产生的配电终端设备缺陷与运维记录增量数据，对配电终端运行状态评价与故障判断结果进行检验，根据检验结果对在线服务模型进行修正优化。