CN111274056B - 智能电能表故障库的自学习方法与装置 - Google Patents

Abstract

本发明涉及智能电能表故障库的自学习方法与装置，属于智能电能表的故障诊断领域，将故障数据导入原始故障表，根据故障数据，筛查故障词典，输出对应的故障表象，以及故障表象所对应的故障模块和故障类型，结合所述故障数据中的分类条件，筛查故障模型表，输出对应的一套故障模型，与原始故障表中的故障原因、排查方案进行匹配，如果匹配失败，将所述故障模型添加到故障模型表，如果匹配成功，故障模型表保持不变，能够实现快速准确确定故障原因，并且及时排查解决。

Description

智能电能表故障库的自学习方法与装置

技术领域

本发明属于智能电能表的故障诊断领域，具体涉及智能电能表故障库的自学习方法与装置。

背景技术

近十年来，智能电能表已进入关键运维期，电能表运行过程中的不稳定性和不确定性逐年攀升，从目前各网省营销系统及电能表用采系统汇集信息来看，故障数据信息正在逐年增加，各网省公司运维成本也随之逐年增加，运维压力越来越大。同时，数量巨大的故障电能表拆回分拣维修，对电能表厂家也造成了经济和人力消耗。在此背景下，如何利用目前各网省公司的汇集的大量故障数据信息，如何快速确定故障原因并进行及时排查解决，如何降低网省公司和生产厂家的运维成本成为各网省公司和生产厂家共同面对并急需解决的问题。

发明内容

本发明的目的是提供智能电能表故障库的自学习方法与装置，用于解决如何实现快速准确确定故障原因并且及时排查解决的问题。

为解决上述技术问题，本发明提出智能电能表故障库的自学习方法，包括以下步骤：

1)将故障数据导入原始故障表；

2)根据故障数据，筛查故障词典，输出对应的故障表象，以及故障表象所对应的故障模块和故障类型；

3)根据步骤2)中输出对应的故障表象，以及故障表象所对应的故障模块和故障类型，结合故障数据中的分类条件，筛查故障模型表，输出对应的一套故障模型；将输出对应的一套故障模型与原始故障表中的故障原因、排查方案进行匹配，如果匹配失败，将故障模型添加到故障模型表，如果匹配成功，故障模型表保持不变；

其中，原始故障表用于存储故障电能表的信息，故障词典用于存储故障电能表的故障模块、故障类型和故障表象，故障模型表包括分类条件、故障模块、故障类型、故障表象、故障原因、排查方案的对应关系。

为解决上述技术问题，本发明还提出智能电能表故障库的自学习装置，包括存储器和处理器，以及存储在存储器上并在处理器上运行的计算机程序，处理器与存储器相耦合，处理器执行计算机程序时实现以上自学习方法中的步骤。

本发明的自学习方法与装置基于智能电能表故障库，利用目前各网省公司的汇集的大量故障数据信息，利用上述步骤进行故障库的自学习，建立起智能电能表故障快速诊断平台，能够实现快速准确确定故障原因，并且及时排查解决。

为提高确定故障原因的准确性，原始故障表包括生产厂家、电表型号、批次信息、安装时间、安装地址、故障时间和故障描述以及故障发生时间段内的温度、湿度信息，分类条件包括故障电能表的电表厂家、电表型号、协议类型。

为进一步提高确定故障原因的准确性，以及实现故障原因的计数，还包括：

提取原始故障表中的应力条件，结合故障模型，输出对应的一套故障应力模型，依据故障表象、分类条件、应力条件和故障原因，将输出对应的一套故障应力模型与原始故障表进行匹配，若匹配失败，将故障应力模型添加到故障应力表，如果匹配成功，则叠加该故障应力模型的应力条件下故障原因计数器的值；

上述故障电能表的信息包括故障模块、故障类型、故障表象、故障原因、故障原因计数器、排查手段、排查手段计数器、温度、湿度、生产厂家、电表型号和协议类型，应力条件包括故障电能表所在地区的温度、湿度。

或者，依据故障表象、分类条件、应力条件、故障原因和排查方案，将输出对应的一套故障应力模型与原始故障表进行匹配，若匹配失败，将故障应力模型添加到故障应力表；如果匹配成功，则叠加该故障应力模型的应力条件下故障原因计数器的值、排查方案计数器的值。

为提高确定故障原因和排查方案的效率，故障模型表为包括故障模型临时表，故障词典为故障词典临时表，故障应力表为故障应力临时表。

附图说明

图1是本发明的智能电能表故障库的自学习方法流程图；

图2是本发明的智能电能表故障快速诊断方法流程示意图。

具体实施方式

自学习方法实施例：

下面结合附图，以智能电能表的费控单元和存储单元的故障模型为例，具体阐述本实施例中智能电能表故障库及其自学习方法：

智能电能表故障库主要由原始故障表、故障词典临时表、故障模型临时表、故障应力临时表和故障词典正式表、故障模型正式表、故障应力正式表组成。其中故障词典正式表、故障模型正式表、故障应力正式表存储在正式库，作为正式库的库表；故障词典临时表、故障模型临时表、故障应力临时表存储在临时库，作为临时库的库表，正式库和临时库的库表结构和数据内容一样，区别在于正式库的库表应用于故障快速诊断，临时库的库表应用于对原始数据的清洗筛查，使清洗筛查工作不影响故障快速诊断的业务的应用。

故障词典指对具体故障描述抽象分类后总结出来标准化的故障信息，主要包括故障模块、故障类型、故障表象，故障词典表结构见表1。

表1

故障模型表主要存储分类条件、故障模块、故障类型、故障表象、故障原因、排查方案的对应关系，进而形成若干个故障模型，为故障应力库查询提供数据支撑。它主要包含分类条件、故障词典内容以及故障原因、排查手段、故障失效信息等信息。其中，分类条件包括电表厂家、电表型号、协议类型，故障模型表结构见表2。

表2

故障应力库的故障应力表主要用于存储具体应力条件与故障模型的对应关系以及应力条件下故障原因及排查方案的诱发概率，为故障快速诊断提供数据支撑。它主要包含故障词典内容以及故障原因、故障原因计数器、排查手段、排查手段计数器、应力条件、电表厂家、电表型号、协议类型等信息。其中，应力条件包括故障电能表的温度、湿度，故障应力表结构见表3。

表3

原始故障表主要用于存储故障电能表的基本信息，主要包含生产厂家、电表型号、批次信息、安装时间、安装地址、故障时间、故障描述等信息。其中依据安装地址和故障时间可以得到故障发生时间段内的温度、湿度等信息，原始故障表结构见表4。

表4

智能电能表的应力信息表结构见表5，用于提取故障电能表所在地区的温度、湿度。

表5

针对上述智能电表故障库，提出智能电能表故障库的自学习方法，如图1所示，包括以下步骤：

(1)将故障数据导入故障库的原始故障表。

(2)提取原始故障表中的故障表象分解清洗成关键故障词，依据故障词匹配故障词典，找出故障表象(标准故障词)，并锁定故障表象(标准故障词)所对应的故障模块和故障类型。

(3)提取原始故障表中的分类条件，结合步骤(2)中输出的标准故障词，依据故障表象(标准故障词)+分类条件筛查故障模型临时表，输出针对故障表象的一套故障模型。并以此匹配原始故障表中的故障原因、排查方案信息，如果匹配失败，自动添加新的故障模型到故障模型临时表，如果匹配成功，故障模型临时表保持不变，并最终将匹配结果同步到故障模型正式表。

(4)提取原始故障表中的应力条件，结合故障模型临时表中筛查出的故障模型，分别依据故障表象(标准故障词)+分类条件+应力条件+故障原因，故障表象(标准故障词)+分类条件+应力条件+故障原因+排查方案两个条件匹配原始故障表，如果匹配失败，自动添加新的故障应力模型到故障应力临时表，如果匹配成功，则叠加该应力条件下故障原因、排查方案计数器值。并将最终匹配结果同步到故障应力正式表。

基于上述智能电能表故障库的自学习方法，如图2所示，给出智能电能表的故障快速诊断流程，步骤如下：

首先，输入故障描述信息、分类条件和应力条件信息。对故障描述信息进行分解抽取后生成故障词条，匹配故障词典，如匹配成功，输出故障标准词及其对应的故障模块和故障类型。

其次，依据故障表象+分类条件筛查故障模型正式表符合故障描述的故障模型，依据故障模型+应力条件筛查故障应力正式表输出诊断结果。

再次，对故障诊断结果进行实际验证后，从多个故障原因和排查方案中挑选出符合实际原因的诊断结果和排查方案进行人工确认，完成单条故障记录的故障库自学习，进而调整故障原因和排查方案计数器。如果没有诊断结果，可人工完善故障原因+排查方案后进入故障库自学习，进而完善相对应的故障应力库表、故障模型库表和故障词典库表。

本发明基于不同厂家、不同型号、不同产品批次在全检阶段、运行阶段搜集到的故障数据、环境应力和电应力数据形成智能电表故障库，利用条件检索的方式统计分析故障库数据，输出相应的故障原因及诱发概率和排查方案及应用概率，并通过故障库自学习的方式，不断的进行故障库故障信息的自学习，进而不断丰富完善故障原因和排查方案。

以上所述仅为本发明的优选实施例，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。例如，本实施例中设置了临时表和正式表，即故障模型临时表和故障模型正式表，故障词典临时表和故障词典正式表，故障应力临时表和故障应力正式表。作为其他实施方式，可以仅设置正式表，即故障模型正式表、故障词典正式表和故障应力正式表实现本实施例中自学习方法中的步骤，而无需临时表。又如，本实施例中的分类条件可以为电表厂家、电表型号、协议类型中的任意一个或两个。类似的，原始故障表包括的信息也可以根据情况删减其中的一个或几个。因此，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的权利要求范围之内。

自学习装置实施例：

本实施例提出一种智能电能表故障库的自学习装置，包括采集器、存储器和处理器，以及存储在存储器上并在处理器上运行的计算机程序，处理器分别连接采集器和存储器，采集器用于获取故障电能表的故障数据，存储器用于存储计算机程序，处理器与存储器相耦合，处理器执行计算机程序时实现自学习方法实施例中智能电能表故障库的自学习方法，按照自学习方法实施例中的步骤对故障电能表的故障数据进行处理，实现快速准确确定故障原因，并且有助于及时排查解决。另外，上述自学习装置中的处理器既可以为CPU，也可以为FPGA或DSP。

Claims (6)

1.一种智能电能表故障库的自学习方法，其特征在于，包括以下步骤：

1）将故障数据导入原始故障表；

2）根据所述故障数据，提取原始故障表中的故障表象分解清洗成关键故障词，依据关键故障词筛查故障词典，输出对应的标准的故障表象，以及故障表象所对应的故障模块和故障类型；

3）根据步骤2）中输出对应的故障表象，以及故障表象所对应的故障模块和故障类型，结合所述故障数据中的分类条件：电表厂家、电表型号和协议类型来筛查故障模型表，输出对应的一套故障模型；将输出对应的一套故障模型与原始故障表中的故障原因、排查方案进行匹配，如果匹配失败，将新的故障模型添加到故障模型表，如果匹配成功，故障模型表保持不变；

其中，原始故障表用于存储故障电能表的基本信息，包括生产厂家、电表型号、批次信息、安装时间、安装地址、故障时间、故障描述、故障原因、排查方案；故障词典指对具体故障描述抽象分类后总结出来标准化的故障信息，用于存储故障电能表的故障模块、故障类型和标准的故障表象；故障模型表包括分类条件、故障模块、故障类型、故障表象、故障原因、排查方案的对应关系。

2.根据权利要求1所述的智能电能表故障库的自学习方法，其特征在于，提取原始故障表中的应力条件，结合所述故障模型，输出对应的一套故障应力模型，依据故障表象、分类条件、应力条件和故障原因，将输出对应的一套故障应力模型与原始故障表进行匹配，如果匹配失败，将新的故障应力模型添加到故障应力表，如果匹配成功，则叠加该故障应力模型的应力条件下故障原因计数器的值；

所述故障应力表包括故障模块、故障类型、故障表象、故障原因、故障原因计数器、排查手段、排查手段计数器、温度、湿度、生产厂家、电表型号和协议类型，所述应力条件包括故障电能表所在地区的温度、湿度。

3.根据权利要求1所述的智能电能表故障库的自学习方法，其特征在于，提取原始故障表中的应力条件，结合所述故障模型，输出对应的一套故障应力模型，依据故障表象、分类条件、应力条件、故障原因和排查方案，将输出对应的一套故障应力模型与原始故障表进行匹配，如果匹配失败，将新的故障应力模型添加到故障应力表，如果匹配成功，则叠加该故障应力模型的应力条件下故障原因计数器的值、排查方案计数器的值；

所述故障应力表包括故障模块、故障类型、故障表象、故障原因、故障原因计数器、排查手段、排查手段计数器、温度、湿度、生产厂家、电表型号和协议类型，所述应力条件包括故障电能表所在地区的温度、湿度。

4.根据权利要求2或3所述的智能电能表故障库的自学习方法，其特征在于，所述故障模型表为故障模型临时表，所述故障词典为故障词典临时表，所述故障应力表为故障应力临时表。

5.根据权利要求1所述的智能电能表故障库的自学习方法，其特征在于，所述故障电能表的信息包括生产厂家、电表型号、批次信息、安装时间、安装地址、故障时间和故障描述以及故障发生时间段内的温度、湿度信息。

6.一种智能电能表故障库的自学习装置，其特征在于，包括存储器和处理器，以及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器与所述存储器相耦合，所述处理器执行所述计算机程序时实现如权利要求1-5任一项所述的智能电能表故障库的自学习方法。