CN111179576A - 一种具有归纳学习的用电信息采集故障诊断方法及系统 - Google Patents

Abstract

本发明公开了一种具有归纳学习的用电信息采集故障诊断方法及系统，此系统是在模糊综合诊断的基础上通过权重系数将五种不同评判模型的诊断结果综合在一起，让用电信息采集故障诊断结果更加准确。同时本发明通过模拟基于大数据时代的人类认知学习过程来对权重系数进行确定以及不断的反馈修改，从而使这种新型用电信息采集故障诊断系统具有归纳学习能力。另外，本发明还使用了一种新型的确定隶属矩阵的确定方法，在集值统计的基础上采取用电信息采集系统存储的多维用电异常量来综合确定隶属矩阵。让其既具有专家评判的主观因素又具有客观存在事实部分，从而使隶属矩阵更为科学准确。

Description

一种具有归纳学习的用电信息采集故障诊断方法及系统

技术领域

本发明涉及一种故障异常分析系统，具体涉及一种对电网中用电信息采集系统出现的异常现象进行分析诊断系统。

背景技术

目前用电信息采集系统建设基本建全，累计接入智能电能表4.2亿只、采集终端1263.84万台，覆盖用户3.86亿户，但是，如何保证采集系统中各项业务的顺利开展，是目前用电信息采集系统要解决的主要问题。其中主要存在一个突出问题：故障种类复杂多样，故障诊断定位困难。用电信息采集系统涉及的运维目标有：智能电能表、采集终端、采集主站、通信信道。目前统计的异常现象共七大类59种，故障原因98种。故障诊断定位非常困难，因此对异常现象的智能处理显得尤为重要。

故障分析定位主要采用普通的技术人员进行定位故障原因的方法，然而这种方法由于普通的技术人员通常不具备定位故障的技术，通常故障分析定位的准确度差且时效性不好同时也增加了工作强度，并没充分利用已建好的用电信息采集系统中的大数据。

名词解释：

故障异常多维数据指标：当用电信信息采集系统发生故障时，往往伴随着多个采集参数发生异常以及出现多种异常情况，将这些数据指标统称为故障异常多维数据指标。

隶属度最大原则：最大隶属原则是模糊数学的基本原则之一，它是用模糊集理论进行模型识别的一种直接方法，对于n个实际模型，可以表示为论域X上的n个模糊子集A₁，A₂，…，An，x₀∈X为一具体识别对象，如果有i₀≤n，使A_i0(x₀)＝max(A₁(x₀)，A₂(x₀)，…，A_n(x₀))，则称x₀相对隶属于A_i0。

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利用多维数据对用电信息采集系统故障原因模糊综合分析同时具有学习能力的系统，使得用电信息采集系统发生异常时不需要人工评估确认，减小了工作强度，提高了工作效率，同时避免了因人员技术不足导致判断错误，能够确保故障定位的准确性以及时效性。

为了实现上述目的，本新型发明是通过如下的技术方案来实现：

一种具有归纳学习的用电信息采集故障诊断方法，其特征在于，包括如下步骤：

步骤一、根据用电信息采集系统历史故障异常多维数据指标确立故障异常指标矩阵A＝|a₁,a₂,…a_n|，n＝59，a_n表示第n中故障异常指标；

步骤二、建立异常现象与故障原因相对应的隶属度矩阵

m＝98；r_nm表示第n中异常现象与第m种故障原因之间的隶属度；

所述隶属度矩阵R通过如下式建立：

ε取[0,1]之间的数，i表示第i个故障异常现象，j表示第j个故障原因，r_ij表示异常现象a_i与指定的故障原因b_j的隶属度；s表示参与基于集值统计专家判断的专家总人数，r₁表示专家对r_ij给出的范围下限，r₂表示专家对r_ij给出的范围上限，d_i表示基于集值统计的专家判断主观部分的可信度，c_i表示基于集值统计的专家判断客观部分的可信度；k表示第k个专家；

隶属度矩阵R是由两部分组成，一部分是基于集值统计的专家判断主观部分：

即：选择s个的专家对指定的异常现象a_i与指定的故障原因b_j的隶属度r_ij进行判定，给出r_ij的范围(r₁ ^k,r₂ ^k)，其中k表示第k个专家，一般限定r₁ ^k和r₂ ^k的范围是[0,1]。然后通过对专家给出的意见样本进行求取意见分歧度g_i，g_i计算公式如下：

式中

而将主观部分可信度定义为d_i：

另一部分是既定事实的客观部分：

其中，

N表示历史故障数据中的故障次数；i表示第i个故障异常现象，j表示第j个故障原因；r_ij表示异常指标a_i与指定的故障原因b_j的隶属度。

步骤三、将主因素决定模型，取小上界求和模型，加权平均模型，主因素突出模型，均衡平均模型对应的故障原因集B₁，B₂，B₃，B₄，B₅整合到总的故障原因集B＝x₁·B₁+x₂·B₂+x₃·B₃+x₄·B₄+x₅·B₅；其中x₁，x₂，x₃，x₄，x₅分别为权重系数；将发生故障的故障异常指标矩阵A与对应的隶属度矩阵R代入总的故障原因集B中，根据隶属度最大原则选出最有可能的故障原因作为判断出的故障原因即选择故障原因集B中的最大值。

进一步的改进，故障异常指标矩阵A＝|a₁,a₂,…a_n|，隶属度矩阵

其中五个不同的评判模型的计算方法可表述为：

主因素决定模型：

A·R＝B₁＝|(a₁∨r₁₁)∧(a₂∨r₂₁)∧…∧(a_n∨r_n1),…,(a₁∨r_1m)∧(a₂∨r_2m)∧…∧(a_n∨r_nm)|

式中，∧表示两个元素取最小值的运算符，∨表示两个元素取最大值的运算符；

取小上界求和模型：

A·R＝B₂＝|(a₁∨r₁₁)+(a₂∨r₂₁)+…+(a_n∨r_n1),…,(a₁∨r_1m)+(a₂∨r_2m)+…+(a_n∨r_nm)|

式中，∧与∨与上述含义一致。

加权平均模型：

A·R＝B₃＝|(a₁·r₁₁)+(a₂·r₂₁)+…+(a_n·r_n1),…,(a₁·r_1m)+(a₂·r_2m)+…+(a_n·r_nm)|

此模型的计算方法与矩阵乘法计算方法完全一样。

主因素突出模型：

A·R＝B₄＝|(a₁·r₁₁)∨(a₂·r₂₁)∨…∨(a_n·r_n1),…,(a₁·r_1m)∨(a₂·r_2m)∨…∨(a_n·r_nm)|

式中，·表示乘法运算符，∨表示两个元素取最大值的运算符。

均衡平均模型：

式中，c₁＝r₁₁+r₂₁+…+r_n1；c_m＝r_1m+r_2m+…+r_nm；∧表示两个元素取最小值的运算符。

进一步的改进，x₁，x₂，x₃，x₄，x₅通过机器学习法得到：首先确定训练命令s₁，s₂，s₃，s₄，s₅在系统初始化时均设为1，再导入故障原因隶属度矩阵R与历史故障数据，逐次输入发生不同故障的故障异常指标矩阵A和隶属度矩阵R，根据训练指令s₁，s₂，s₃，s₄，s₅将每次故障异常指标矩阵A和隶属度矩阵R分别代入主因素决定模型、取小上界求和模型、加权平均模型、主因素突出模型和均衡平均模型中，根据以往故障的实际情况统计出各个模型在训练中的犯错次数m_i，对于在一次故障中可能出现多个原因时：

最后根据错误次数m_i来初步确定相应的经验权重系数x_i(i＝1、2、3、4、5)，其中

式中，m_i表示第i个评判模型的总评判不准次数；M表示校验历史故障总次数即训练次数。

进一步的改进，a_i按照异常指标的四个等级来进行划分，即：0，0.2，0.5，0.8，参见图2。

一种具有归纳学习的用电信息采集故障诊断系统，包括输入单元、建模单元、训练单元和输出单元；输入单元用于输入故障异常指标矩阵A和隶属度矩阵R和历史故障异常多维数据；建模单元用于建立总的故障原因集B＝x₁·B₁+x₂·B₂+x₃·B₃+x₄·B₄+x₅·B₅；训练单元用于训练得到x₁，x₂，x₃，x₄，x₅的值；输出单元用于根据输入的发生故障的故障异常指标矩阵A输出故障原因。

本发明是一种具有归纳学习的用电信息采集故障诊断系统，其是在模糊综合评判的基础上进行改进，让其具有时刻学习的功能从而提高系统的准确性。主要包括以下几个内容：根据用电信息采集系统历史故障异常多维数据指标(59个)建立统一的等级标准，以便确立故障异常指标矩阵A。

以集值统计法为基础，把系统发生的多维故障数据作为客观部分加入集值统计法中，建立一个即有主观评价又有客观事实的异常现象与故障原因相对应的隶属度矩阵R(59，98)。

一个具有模仿人工学习过程的模糊评价模型(利用经验权重系数综合主因素决定模型，取小上界求和模型，加权平均模型，主因素突出模型，均衡平均模型的判断结果)。

系统的整个工作过程可描述为系统初始化，系统训练学习，故障实际诊断，结果反馈纠正。参见图1，其中系统初始化是导入用电信息采集系统中的历史故障异常数据指标，通过本发明提出的一种新型方法建立故障异常指标矩阵A以及故障异常指标与故障原因的隶属度矩阵R；系统训练学习是利用大量历史故障数据对五种判断模型和隶属度矩阵R进行不断准确度判断最终确定相应的权重系数；故障诊断即实际运用到现场异常分析；结果反馈是指诊断结果不符合实际情况则反馈给系统，对其权重系数进行重新训练或修改。

本发明可以避免人工判断故障原因，大大减小了工作强度，提高了工作效率，因有模拟人工自主训练学习和纠正的过程能够确保诊断系统的准确化和快速化，智能化。

附图说明

图1为本发明用电信息采集故障诊断系统过程原理图；

图2为本发明一种基于客观事实隶属度矩阵的确定流程图；

图3为本发明用电信息采集故障诊断系统的模拟人工智能训练流程示意图；

图4为本发明用电信息采集故障诊断系统模拟人工自主纠错的程序流程图；

图5为本发明一个故障诊断模型的原理图；

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。

一、隶属度矩阵R可通过如下式建立：

ε·取[0,1]之间的数，此系统取ε为0.5。

隶属度矩阵R是由两部分组成，其中一部分是基于集值统计的专家判断主观部分

即：选这数量合适s个(100名左右)的专家以及经验丰富的员工对指定的异常现象a_i与指定的故障原因b_j的隶属度r_ij进行判定，给出相应的范围(r₁ ^k,r₂ ^k)，其中k表示第k个专家，一般限定r₁ ^k和r₂ ^k的范围是[0,1]。然后通过对专家给出的意见样本进行求取意见分歧度g_i，其计算公式如下：

式中

而将主观部分可信度定义为d_i：

另一部分是既定事实的客观部分

其中每一个隶属度矩阵元素r_ij所对应的c_i是通过上述已得客观部分的隶属度矩阵R去验证以往的历史故障数据，通过其结果的准确度来确定c_i的大小，其算法流程图参见图2。具体的实现步骤可概括为：根据隶属度矩阵R中的每个元素r_ij的行数与列数所分别对应的故障异常指标(现象)和故障原因，在以往故障数据中寻找由该故障原因导致的故障数据，并在所找的故障异常现象中对元素r_ij所对应的故障异常现象进行故障异常指标矩阵A的元素a_i的等级划分。然后累计历史故障中元素r_ij所对应的故障异常指标矩阵A的元素a_i，以及计算并累计每次故障中a_i与r_ij之差，最后计算以上二者的商，即为c_i。通过上述方法即可确定用电信息采集故障诊断系统中隶属度矩阵R中各部分元素大小。

二、故障故障异常指标矩阵A的确定：将发生故障的异常指标(现象)划分为5个等级，即：正常、较正常、较异常、非常异常；所对应的级数为0，0.2，0.5，0.8；需要对以往出现故障时每个不同异常指标进行量化，从而划分相应等级所对应指标的范围，故可在每次发生故障时。根据所对应不同等级指标的范围，按照故障异常指标的数值大小确定本次故障故障异常指标矩阵A。

三、基于模糊综合评判模型，采用经验权重系数将主因素决定模型，取小上界求和模型，加权平均模型，主因素突出模型，均衡平均模型的各种判断结果整合到一个最终结果中，克服了单个模型不能适应于现实复杂的故障环境。即：根据故障原因集B＝A·R，可确定故障原因集B中各个故障原因所对应元素的大小，从而选择最大值所对应的故障原因作为本次故障原因。把某次故障异常指标矩阵A与隶属度矩阵R代入五个评判模型中去得到相应的故障原因集B₁，B₂，B₃，B₄，B₅，最后得出总的故障原因集B＝x₁·B₁+x₂·B₂+x₃·B₃+x₄·B₄+x₅·B₅，本用电信息采集故障诊断系统采用了一种新型评判模型，此模型是整合了五种不同的评判模型的结果。例如故障异常指标矩阵A＝|a₁，a₂|，隶属度矩阵

其中五个不同的评判模型的计算方法可表述为：

1、主因素决定模型：A·R＝B₁＝|(a₁∨r₁₁)∧(a₂∨r₂₁),(a₁∨r₁₂)∧(a₂∨r₂₂)|式中，∧表示两个元素取最小值的运算符，∨表示两个元素取最大值的运算符。

2、取小上界求和模型：A·R＝B₂＝|(a₁∨r₁₁)+(a₂∨r₂₁),(a₁∨r₁₂)+(a₂∨r₂₂)|式中，∧与∨与上述含义一致。

3、加权平均模型：A·R＝B₃＝|(a₁·r₁₁)+(a₂·r₂₁),(a₁·r₁₂)+(a₂·r₂₂)|此模型的计算方法与矩阵乘法计算方法完全一样。

4、主因素突出模型：A·R＝B₄＝|(a₁·r₁₁)∨(a₂·r₂₁),(a₁·r₁₂)∨(a₂·r₂₂)|式中，·表示乘法运算符，∨表示两个元素取最大值的运算符。

5、均衡平均模型：

式中，c₁＝r₁₁+r₂₁；c₂＝r₂₁+r₂₂；∧表示两个元素取最小值的运算符。

其中各模型所对应的权重系数x₁，x₂，x₃，x₄，x₅是通过用电系统提供的多维大数据统计监测和运行反馈修正来确定，从而使这个模型均有人类初级学习能力。参见图3，首先确定训练命令s₁，s₂，s₃，s₄，s₅(系统初始化时均设为1)与训练次数M(代入历史故障数据的循环次数)；然后导入在第一步已经确定的故障异常指标与故障原因隶属度矩阵R，再根据大数据提供的不同故障数据，确定每次发生不同故障的故障异常指标矩阵A；其次根据训练指令s₁，s₂，s₃，s₄，s₅将每次故障异常指标矩阵A和隶属度矩阵R代入需训练的模型中，根据以往故障的实际情况统计出各个模型在训练中的错误次数m₁，m₂，m₃，m₄，m₅(对于在一次故障中可能出现多个原因时，m_i将不再是累加1，而是

)；最后根据错误次数m_i来初步确定相应的经验权重系数x₁，x₂，x₃，x₄，x₅，其中x_i计算公式可参考下式：

式中，m_i表示第i个评判模型的总评判不准次数；M表示校验历史故障总次数。

对于已经训练好的诊断系统可以给其输入一个异常指标矩阵A，即可输出一组相应的故障原因集B，根据隶属度最大原则就可选出最有可能的故障原因。然后与实际现场情况对比，若判断正确即可不用进行纠正，清空内存。准备下次故障诊断；若判断错误则找出相应的判错模型并对其单独进行训练，从而修正其相关经验权重系数，以实现系统反馈修正功能，具体的算法流程参见图4。

综上所述，本发明用电信息采集故障诊断系统的具体工作过程如下：首先采用一种新型基于专家集值统计与大数据甄别的方法确定用电信息采集系统故障指标与故障原因的隶属度矩阵R，再采用分级处理的方法，即对以往出现故障时每个不同异常指标进行量化，从而划分出4个不同异常等级所对应指标的范围，确定每次故障的各项指标异常度矩阵A；然后通过以往的故障数据计算各种故障的矩阵A，并将其代入5中不同的判定模型中，根据各种模型的判定成功率确定其各自初始的权重系数，至此系统初始化完成；最后，根据系统发生的故障进行故障指标异常度划分以建立系统异常故障现象矩阵A，将其代入判定模型得出故障原因，然后将判定结果反馈给系统，依据判定结果再对判定模型进行训练调整其权重系数，让系统的判定更加准确。

以上显示和描述了本发明的基本原理和主要特征以及本发明的优点。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 (5)

1.一种具有归纳学习的用电信息采集故障诊断方法，其特征在于，包括如下步骤：

步骤一、根据用电信息采集系统历史故障异常多维数据指标确立故障异常指标矩阵A＝|a₁,a₂,…a_n|，n＝59，a_n表示第n中故障异常指标；

步骤二、建立异常现象与故障原因相对应的隶属度矩阵

m＝98；r_nm表示第n中异常现象与第m种故障原因之间的隶属度；

所述隶属度矩阵R通过如下式建立：

ε取[0,1]之间的数，i表示第i个故障异常现象，j表示第j个故障原因，r_ij表示异常现象a_i与指定的故障原因b_j的隶属度；s表示参与基于集值统计专家判断的专家总人数，r₁表示专家对r_ij给出的范围下限，r₂表示专家对r_ij给出的范围上限，d_i表示基于集值统计的专家判断主观部分的可信度，c_i表示基于集值统计的专家判断客观部分的可信度；k表示第k个专家；

隶属度矩阵R是由两部分组成，一部分是基于集值统计的专家判断主观部分：

即：选择s个的专家对指定的异常现象a_i与指定的故障原因b_j的隶属度r_ij进行判定，给出r_ij的范围(r₁ ^k,r₂ ^k)，其中k表示第k个专家，一般限定r₁ ^k和r₂ ^k的范围是[0,1]；然后通过对专家给出的意见样本进行求取意见分歧度g_i，g_i计算公式如下：

式中

而将主观部分可信度定义为d_i：

另一部分是既定事实的客观部分：

其中，

N表示历史故障数据中的故障次数；i表示第i个故障异常现象，j表示第j个故障原因；r_ij表示异常指标a_i与指定的故障原因b_j的隶属度；

步骤三、将主因素决定模型，取小上界求和模型，加权平均模型，主因素突出模型，均衡平均模型对应的故障原因集B₁，B₂，B₃，B₄，B₅整合到总的故障原因集B＝x₁·B₁+x₂·B₂+x₃·B₃+x₄·B₄+x₅·B₅；其中x₁，x₂，x₃，x₄，x₅分别为权重系数；将发生故障的故障异常指标矩阵A与对应的隶属度矩阵R代入总的故障原因集B中，根据隶属度最大原则选出最有可能的故障原因作为判断出的故障原因即选择故障原因集B中的最大值。

2.如权利要求1所述的具有归纳学习的用电信息采集故障诊断方法，其特征在于，故障异常指标矩阵A＝|a₁,a₂,…a_n|，隶属度矩阵

其中五个不同的评判模型的计算方法可表述为：

主因素决定模型：

A·R＝B₁＝|(a₁∨r₁₁)∧(a₂∨r₂₁)∧…∧(a_n∨r_n1),…,(a₁∨r_1m)∧(a₂∨r_2m)∧…∧(a_n∨r_nm)|

式中，∧表示两个元素取最小值的运算符，∨表示两个元素取最大值的运算符；

取小上界求和模型：

A·R＝B₂＝|(a₁∨r₁₁)+(a₂∨r₂₁)+…+(a_n∨r_n1),…,(a₁∨r_1m)+(a₂∨r_2m)+…+(a_n∨r_nm)|

式中，∧与∨与上述含义一致；

加权平均模型：

A·R＝B₃＝|(a₁·r₁₁)+(a₂·r₂₁)+…+(a_n·r_n1),…,(a₁·r_1m)+(a₂·r_2m)+…+(a_n·r_nm)|

此模型的计算方法与矩阵乘法计算方法完全一样；

主因素突出模型：

A·R＝B₄＝|(a₁·r₁₁)∨(a₂·r₂₁)∨…∨(a_n·r_n1),…,(a₁·r_1m)∨(a₂·r_2m)∨…∨(a_n·r_nm)|

式中，·表示乘法运算符，∨表示两个元素取最大值的运算符；

均衡平均模型：

式中，c₁＝r₁₁+r₂₁+…+r_n1；c_m＝r_1m+r_2m+…+r_nm；∧表示两个元素取最小值的运算符。

3.如权利要求1所述的所述的具有归纳学习的用电信息采集故障诊断方法，其特征在于，x₁，x₂，x₃，x₄，x₅通过机器学习法得到：首先确定训练命令s₁，s₂，s₃，s₄，s₅在系统初始化时均设为1，再导入故障原因隶属度矩阵R与历史故障数据，逐次输入发生不同故障的故障异常指标矩阵A和隶属度矩阵R，根据训练指令s₁，s₂，s₃，s₄，s₅将每次故障异常指标矩阵A和隶属度矩阵R分别代入主因素决定模型、取小上界求和模型、加权平均模型、主因素突出模型和均衡平均模型中，根据以往故障的实际情况统计出各个模型在训练中的犯错次数，对于在一次故障中可能出现多个原因时：

最后根据错误次数m_i来初步确定相应的经验权重系数x_i(i＝1、2、3、4、5)，其中

式中，m_i表示第i个评判模型的总评判不准次数；M表示校验历史故障总次数即训练次数。

4.如权利要求1所述的所述的具有归纳学习的用电信息采集故障诊断方法，其特征在于，a_i按照异常指标的四个等级来进行划分，即：0，0.2，0.5，0.8。

5.一种具有归纳学习的用电信息采集故障诊断系统，其特征在于，包括输入单元、建模单元、训练单元和输出单元；输入单元用于输入故障异常指标矩阵A和隶属度矩阵R和历史故障异常多维数据；建模单元用于建立总的故障原因集B＝x₁·B₁+x₂·B₂+x₃·B₃+x₄·B₄+x₅·B₅；训练单元用于训练得到x₁，x₂，x₃，x₄，x₅的值；输出单元用于根据输入的发生故障的故障异常指标矩阵A输出故障原因。

Images