CN111966737A - 一种电能计量设备异常原因判断的方法 - Google Patents

Abstract

本发明公开了一种电能计量设备异常原因判断的方法，其特点包括通过ETL抽取符合初始模型XA判断依据的异常数据，在线提取异常数据的设备进行第一层判断，基于确定性算法的确定性条件判断进行第二层判断，直至所有设备均生成以及输出故障日志，最后再向用户展示并提供判断原因和建议；本方案通过判断依据算法结合专家系统知识库提供判断结果算法，准确判断异常数据对应的异常原因，还可通过算法自我更新修复知识库，以达到更精准的电能计量设备异常原因判断。

Description

一种电能计量设备异常原因判断的方法

技术领域

本发明为电力信息化系统建设领域，涉及到一种电能计量设备异常原因判断的方法。

背景技术

随着电力用户用电信息采集系统的全覆盖全采集，系统每日采集现场电能计量设备的电能计量数据、运行工况数据和事件记录等各类数据，数据日增量达到85G以上，但由于缺乏相应的数据挖掘算法和工具，导致该部分数据未能得到充分、有效地利用。通过利用大数据分析技术对用电信息采集系统所存储的海量数据、异常事件等进行挖掘分析，涉及一个基于判断依据算法和专家知识库的异常判断系统，该系统包括判断依据算法、技术架构以及业务流程。该系统通过对数据的智能分析，确定异常类型，计算可能性指数概率，输出及展示判断结果，并提供建议，有效提高工作效率。

发明内容

针对上述方法的不足，本发明提供一种电能计量设备异常原因判断的方法，结合判断依据算法和建立专家知识库提供判断结果算法，从而达到准确的对电能计量设备异常判断和人工确认。

本发明解决其技术问题而采取的技术方案是：一种电能计量设备异常原因判断的方法，其特征在于，包括：

1)基于每日定时获取的电压曲线、电流曲线、功率曲线、电能示值、异常事件等，通过ETL抽取出符合list<result1>的采集数据，同时提取出数据对应的设备档案信息；

2)根据列表list<result1>判断依据，进行异常的确定性条件第一层判断

2.1电压电流数值异常判断：G,I,J,L，按照频度、采集时点在线执行

2.2电能表示值异常判断：A,B,C,D,E,F,H,K,M，按日采集数据执行生成满足第一层判断依据的列表result1；

3)在list<result1>列表的基础上，添加新得到的判断依据，得到列表list<result2>，包含原有的list<result1>列表的项，根据列表list<result2>，执行其中包含的异常项对应的第二层判断依据算法，得到在list<result1>列表的基础上，添加新得到的判断依据，得到满足第二层判断依据的列表result；

4)电压电流数值异常和电能表示值异常分析判断依据时是分开执行，但最后的result1和result2均需要将两者列表合并为一个列表，既每天得到一个最终的result1和result2。合并列表result1和result2，根据判断依据项进行升序排序；

5)使用result2列表，以排序后的结果深度优先遍历访问整个专家知识库，进行路径匹配，查找被result2完全包含的路径：专家系统知识库的森林结构中，子节点必包含父节点所有含有的判断依据项，故若不完全包含父节点的判断依据列表，则不需再访问其子节点：

5.1result2<a1,a2,a3,a4,...,an>；

5.2访问以第一项a1{XA}为根的树；

5.3访问对应a2,a3,a4,...,an项的a1的子节点，若a1为XY，则其子节点只能为X*或*A，子节点为ai，将<ai,...an>传给ai为根的子树，递归执行子树查询算法：

5.3.1获得列表B<b1,...bm>；

5.3.2访问对应b2,b3,b4,...bm项的b1的子节点，若b1为XY，则其子节点只能为X*或*A，将<bi,...bn>传给bi为根的子树，执行子树查询算法；

5.3.3当列表B长度为1时，返回查询结果；

6)深度优先遍历匹配没成功一个点，则将其说对应的分析结果添加到result3中，并向result3中添加分析结果对应的概率，若已存在分析结果则进行比较取最大值存入，基于概率进行降序排列，得到列表result3；

7)基于上述步骤生成输出异常原因；

8)在执行上述步骤后，部分确定性算法由于需要召测到一定的数据才能判断，需要多次召测确认，当且仅当result3中所得的概率>30％时，进行确定性算法，直至所有异常均生成以及输出异常原因；

9)所获得的结果加入到异常设备历史故障日志中，并将需要召测确认的异常设备加入到待召测列表中，每隔一个小时执行待召测列表一次，若得到确认，则在异常设备历史故障日志中更新相应结果，同时从待召测列表中删掉该设备；

10)根据result1列表统计初步分析结果，根据result3中判断概率最高的判断结果统计最终分析结果，将整个result3的列表展示，将概率标为“可能性指数”展示，并展示相关备注。

通过上述方案设置，本方案的方法通过判断依据算法，根据预准备的判断依据类型以及异常原因类型，基于在线采集数据进行确定性条件判断，根据判断依据类型进行多层判断，再深度优先遍历访问整个专家知识库计算概率，并对用户进行展示结果，进一步的进行人工确认提高准确性。

作为上述方案的进一步设置，还包括有专家知识库更新步骤，包括：

(1)基于生成的每日定时读取经用户确认过的设备故障日志；

(2)根据判断依据清单和用户确认的异常类型生成临时的专家知识库；

(3)以临时的专家知识库更新正式的专家知识库。

作为上述方案的进一步设置，所述list<result1>对应的异常类型包括反向走字、电表倒走、电表飞走、电表停走、电压异常、三相电流不平衡、电量比对、总分电量不相等、电流异常、低功率因数。

作为上述方案的进一步设置，所述步骤3)由于第二层判断依据较多，部分算法耗时较长，根据预设的阈值，当result2达到N≥6后，可将部分第二层判断变更为确定性算法。

作为上述方案的进一步设置，所述的确定性算法其确定性条件为：

(1)ZA发电设备白名单过滤；

(2)ZB电能表接线错误判断；

(3)ZC共用终端地址的查找确定；

(4)ZD确定230M终端问题的算法；

(5)ZE测量点属性混乱确定算法；

(6)ZF正向示值最高位异常。

作为上述方案的进一步设置，所述提取设备档案以及采集数据，针对一个设备三天内使用多次确认故障原因，并将前一次故障的记录反馈提交至待撤销故障日志，反馈至数据库，同时基于递归算法根据报错日志数据生成单日经验知识森林，用于更新知识库。

通过上述方案设置，通过算法得出的故障日志生成更新数据以完善专家知识库提升深度优先遍历访问整个给专利知识库时数据的准确性。

综上所述，本方案的有益效果：本发明公开了一种电能计量设备异常原因判断的方法，通过ETL抽取符合初始模型XA判断依据的异常数据，在线提取异常数据的异常进行第一层判断，基于确定性算法的确定性条件判断进行第二层判断，直至所有异常均生成以及输出故障日志，最后再向用户展示并提供判断原因和建议；本方案通过判断依据算法结合专家系统知识库提供判断结果算法，准确判断异常数据对应的异常原因，还通过算法自我修复更新知识库，以达到更精准的电网异常原因判断。

附图说明

图1为本方案电能计量设备异常原因判断方法的流程示意图；

图2为本方案list<result1>列表初始模型XA判断依据示意图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在相互不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述范围内的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

本领域技术人员应理解的是，在本发明的揭露中，术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系是基于附图所示的方位或位置关系，其仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此上述术语不能理解为对本发明的限制。

可以理解的是，术语“一”应理解为“至少一”或“一个或多个”，即在一个实施例中，一个元件的数量可以为一个，而在另外的实施例中，该元件的数量可以为多个，术语“一”不能理解为对数量的限制。

本方案所涉及到的异常原因：

1.内部有发电设备并网：AA,AB；AA,AC；(ZA)

2.电能表接线错误：AA,AB,JA；AA,AC,JA；FA；(ZB)

3.电流互感器故障：AA,AB,NA,NB；AA,AC,NA,NB；

4.冲击负荷：AA,AD

5.反向电量走字其他情况：

窃电，双、多电源用户功率穿透，电表故障：AA,AE

6.电表过零：BA,BC

7.电表换表：BA,BD

8.230M终端问题：BA,BB,DA,DB；DA,DB,EA；(ZD)

9.共用终端地址：HA,HB；(ZC)

10.测量点属性混乱：CA；(ZE)

11.调度数据异常：BA,BE

12.正向示值减小或飞走其他情况：

电能表故障、终端故障：BA；EA；BF

13.电能表异常或终端异常(正向示值最高位出现异常)：BA；EA；(ZF)

14.表飞走计算使用档案数值错误：EA,EB

15.表停走电表或终端故障：FA

16.电表全失压：GA，GC

17.三相四线低压终端电压接线接触不良：GA,GB

18.系统短时低电压：GA,GG

19.电压互感器高压侧熔丝单相熔断导致低电压：GA,GF

20.电表无电压曲线数据：GA,GD

21.终端读取电压数据失败：GA,GH

22.线路末端，农村低电压：GA,GI

23.低电压其他情况，实际低电压：GA,GJ

24.电流互感器开路：NA

25.终端电流值异常：IA,IB；LA,LB

26.三相不平衡其他情况：IA,ID

27.脉冲、交采、表计的PT、CT或综合倍率错误：IA,IC；JA,JB；LA,LD

28.有功电量比对异常其他情况：JA,JC

29.有功电能示值(尖峰平谷过零)：KA,KB

30.尖峰平谷出现大数：KA,KC

31.总≠尖峰平谷其他故障(电表、终端故障导致等)：KA,KD

32.表记无瞬间电流数据：LA,LC

33.电流异常之其他错误：终端、电表错误：LA,LE

34.实际用电低功率因素：MA

注：若确定发生了换表，则所有使用的数据只能取换表后的数据

本方案中所使用的判断依据：

A.

1.AA出现反向电量走字，电表反向有功总电能示值出现当日示值与7日前示值相差超过0.1

算法:假设当日示值为Y，7日前示值为X，|Y-X|>0.1。

2.AB近一个月出现两天或两天以上，反向走字不远小于正向走字

算法:假设每日正向走字为Y，反向走字为X，X>Y/4。这样的情况在一个月内出现两天或两天以上。

3.AC出现连续两天或两天以上，反向走字不远小于正向走字；

算法:假设每日正向走字为Y，反向走字为X，X>Y/4。这样的情况连续出现两天或两天以上。

4.AD出现一天或一天以上，正向走字远大于反向走字；

算法:假设每日正向走字为Y，反向走字为X，Y>10*X。这样的情况连续出现一天或一天以上。

5.AE只满足AA

算法:只满足AA,不满足AB,AC,AD。

B.

6.BA出现正向示值减小；

算法:假设当日正向走字示值为Y，前一日正向走字示值为Y₀，Y-Y₀<0。

7.BB本次采集电能示值异常为零；

算法:假设当日正向走字示值为Y，Y＝0。

8.BC电表过零；

算法:假设当日正向走字示值为Y，前一日正向走字示值为Y₀。

取n天(无异常数据，n可参考取30天数据)

1.每天用电量(电能表示值一阶差分)

假设每天电能表示值为A＝(A1,A2,,……,An)。则每天用电量为：

a＝(A2-A1,……,An-An-1)＝(a1,……,an)。

2.日用电均值：

3.利用电标准差：

5.假设电能表位数为N。

且近五天没有出现过零(或近5天电能走字)则有99％的可能认为是电表过零。

9.BD电表换表；

算法：假设当日正向示值为Y，前一日正向示值为Y0。用电均值为

Y0>Y，很有可能是进行过换表。

判断换表流程是否归档：

1)查询换表日期，与数据出现示值减小的日期进行比较，若相差10天之内，则可认为是正常换表。

2)日期相差在10日以上，则召测电表和终端上该表的通信地址F10，并查询该表在档案中的通信地址，若电表上通信地址与终端上通信地址一致，与档案地址不一致，则认为是换表，且未完成营销流程。

10.BE是调度数据

算法:终端地址是65535或70000以上的为调度数据。

11.BF只满足BA

算法：只满足BA，不满足BB,BC,BD,BE。

C.

12.CA采集到的电能表数据恰好为四位小数或同一天一个终端上的多个表计采集点(两个或两个以上)同时出现正向示值异常(示值减小或表飞走)；

算法：假设当日正向走字为Y，前一日正向走字为Y₀，电能表最大电流为I₀，额定电压为U₀。Y、Y₀恰好为四位小数，或者同一天一个终端上的多个表计采集点(两个或两个以上)同时出现如下情况：Y-Y₀<0或者Y>U₀*I₀*24*2。

D.

13.DA终端是230M终端，

算法：终端是230M终端。

14.DB观察到其他异常；

算法：其他第一层判断依据都不满足。

E.

15.EA表飞走：本日电量(通过零点冻结电能示值计算电量)＞电能表额定电流*额定电压*24h*2

算法：假设当日正向走字为Y，电能表额定电流为I₀，额定电压为U₀，Y>U₀*I₀*24*2。

16.EB连续多天出现表飞走

算法：连续5天出现Y>U₀*I₀*24*2。

F.

17.FA表停走：本次采集电量(通过零点冻结电能示值计算电量，包含正反两向)为零，有任意一相的电压最大值大于50％的额定电压，电流曲线任意一相平均值(24小时整点)不小于阈值(0.1A)的情况，属于电能表停走异常。

算法：假设当日正向走字为Y，反向走字为X，电能表最大电流为I₀，额定电压为U₀，三相电压一天中最大值分别为U_a,m,U_b,m,U_c,m,三相电流曲线数据为I_a＝(I_a,1,…,I_a,n),I_b＝(I_b,1,…,I_b,n),I_c＝(I_c,1,…,I_c,n)，若【Y＝0，X＝0，U_a,m>U₀/2且(电流曲线平均值)

成立，则判断成立。

G.

18.GA连续12个采集时点的出口电压小于测量点接线信息中对应测量点额

定电压的80％；

算法：假设当日三相电压曲线为U_a＝(U_a,1,……,U_a,n)，U_b＝(U_b,1,……,U_b,n),U_c＝(U_c,1,……,U_c,n)，额定电压为U₀，其中有一项或以上的电压连续12个采集时点(每隔15分钟或30分钟采集一次)出现U_p,q<0.8*U₀

19.GB电压曲线不稳定；

算法：假设当日三相电压曲线为U_a＝(U_a,1,……,U_a,n)，U_b＝(U_b,1,……,U_b,n),U_c＝(U_c,1,……,U_c,n)，

则判断成立。20.GC三相全失压。

算法：在三相供电系统中，存在1个或以上采集时点i，使得U_a,i<0.8*0.78*U₀且I_a,i>4*I₀，U_b,i<0.8*0.78*U₀且I_b,i>4*I₀，U_c,i<0.8*0.78*U₀且I_c,i>4*I₀。

21.GD表现为始终无电压值，为0或空，型号电表无电压数据(可以使用白名单辅助使用，暂缺？)

算法：对一天的所有采集时点i，U_a,i＝U_b,i＝U_c,i＝0，或者为空值。

22.GE某相互感器接触不良，失压；

算法：在三相(或单相)供电系统中，存在1个或以上采集时点i，使得U_a,i<0.8*0.78*U₀且I_a,i>4*I₀，或U_b,i<0.8*0.78*U₀且I_b,i>4*I₀，或U_c,i<0.8*0.78*U₀且I_c,i>4*I₀。

23.GF高压侧某相熔丝熔断；

算法：一天中存在一个或以上采集时点i，使得U_a,i+U_c,i∈(90,110)(三相三线)或有一相电流采集点为0(三相四线)。

24.GG个别天出现低电压，为终端偶尔异常或个别天实际低电压

算法：一天中存在一个或以上采集时点i，使得U_a,i<0.8*U₀或U_b,i<0.8*U₀或U_c,i<0.8*U₀

25.GH终端无法抄读到实时电压曲线，有时所得为0。

算法：一天中存在一个或以上采集时点i，使得U_a,i＝0，或U_b,i＝0，或U_c,i＝0。

26.GI农村电线末端，电压偏小(70％～80％)

算法：

或者

或者

27.GJ只满足GA

算法：只满足GA，不满足GB、GC、GD、GE、GF、GG、GH、GI。

H.

28.HA近一个月的历史报错数据中出现两次或两次以上的示值减小且不是230M终端。

算法：假设近一个月正向走字为Y＝(Y₁，……，Y_m)，存在两天或两天以上i，使得Y_i-Y_i-1<0，并且不是230M终端。

29.HB电能表示值出现两个或以上序列(双序列判断算法)

算法：假设近一个月正向走字为Y＝(Y₁，……，Y_m)，取最近出现示值减小的两天，既p和q两天，p在q后，既p>q，(Y_p–Y_p-1<0，Y_q–Y_q-1<0)，满足Y_p>Y_q，Y_p-1>Y_q-1则成立。

I.

30.IA三相不平衡：

三相电流足够大：(实际实现时与IA合并，既原来系统中满足三相不平衡，则IA，IB添加到result2中)

高供高计用户：三相电流都大于0.15A

高供低计用户：三相电流都大于1.5A

高供高计用户：连续12个采集时点的三相电流不平衡度＞50％

高供低计用户：连续12个采集时点的三相电流不平衡度＞20％

算法：高供高计用户：I_a>0.15A且I_b>0.15A且I_c>0.15A。

高供低计用户：I_a>1.5A且I_b>1.5A且I_c>1.5A。

算法：假设三相电流曲线为I_a＝(I_a,1,…,I_a,n),I_b＝(I_b,1,…,I_b,n),I_c＝(I_c,1,…,I_c,n)，

高供高计用户：存在连续12个或以上采集时点i，使得

高供低计用户：存在连续12个或以上采集时点i，使得

31.IB出现三相不平衡当天的电流曲线数据是否大数异常，或超过电表额定电流

算法：I_a>I₀或I_b>I₀或I_c>I₀。(曲线平均值)

32.IC电流曲线数据出现多次大数异常

算法：I_a>I₀或I_b>I₀或I_c>I₀，且近一个月出现5次或以上，既本设备在一个月内日志里多次出现IC。

33.ID只满足IA

算法：只满足IA。

J.

34.JA不同采集方式间电量比对

表计、交采、脉冲测量的是同一个采集点，且脉冲-交采，交采-表计有功电量相差超过30％，脉冲-表计有功电量相差超过5％

算法：查询档案判断其测量的是同一个采集点(若不是则不用比对，返回：此条件不成立)，设脉冲、交采、表计总加组数据分别为Z_a、Z_b、Z_c，满足：

35.JB脉冲-交采-表计有功电量成稳定倍率

算法：设脉冲、交采、表计总加组(近一个月数据)分别为

Z_a＝(Z_a,1，…，Z_a,n)，Z_b＝(Z_b,1，…，Z_b,n)，Z_c＝(Z_c,1，…，Z_c,n)，

对任意的日期i、j，有

36.JC只满足JA

算法：只满足JA，不满足JB。

K.

37.KA零点冻结正向有功总电能电量走字与尖峰平谷电能电量走字差超过0.5

算法：假设正向走字为Y，尖峰平谷分别为P₁、P₂、P₃、P₄，|Y-P₁-P₂-P₃-P₄|>0.5。

38.KB某一个示值过零

算法：|Y-P₁-P₂-P₃-P₄|％10^N＜0.5。

39.KC分费率出现大数

算法：对(一个月)尖峰平谷示值P₁＝(P_1,1……P_1,n)，P₂＝(P_2,1……P_2,n)，P₃＝(P_3,1……P_3,n)P₄＝(P_4,1……P_4,n).对j＝1、2、3、4，存在i，使得Pj,i>U0*I0*24*2。

40.KD只满足KA

算法：只满足KA，不满足KB、KC。

L.

41.LA表计测量点电流与交采测量点按2小时冻结点计算一次电流进行统计，所有点满足相差超过阈值5％。

算法：表计测量点和交采测量点(对应相)的电流曲线分别为：I^m _a＝(I^m _a,1,……,I^m _a,n)，I^m _b＝(I^m _b,1,……,I^m _b,n)，m＝1、2、3(即三相电流)，存在一天或以上i，三相都满足|I^m _a,i-I^m _b,i|＞5％。

42.LB电流值是否出现大数(取最大电流)

算法：存在一个或以上i，使得I_a,i>I₀。

43.LC是否所有相限表计电流值始终为0

算法：对一天所有的i，I^m _a,i＝0

44.LD表计和交采电流值是否出现固定比例关系

算法：对任意的m＝1、2、3和任意的i、j，

45.LE只满足LA

算法：只满足LA，不满足LB、LC、LD。

M.

46.MA低功率因素

每次与七日前示值计算电量后计算功率因素，列出所有专变(用检)配变(配电)的功率因素，分段统计。

功率因素＝(测量点零点冻结示值计算)正向有功电量÷开根号(正向有功电量平方+一、四象限无功电量之和的平方)

求得功率因数＜0.5

取每天的电量计算

N.

47.NA只有一相电流一直为0，且有一相电流较大(原IE)

算法：Max(I_a，I_b，I_c)＞0.15A(高供高计)或1.5A(高供低计)，且Min(I_a，I_b，I_c)＝0，以上电流取近两天平均值(今天和昨天)。

48.NB电流分流判断(原ID)

算法：单日平均电流，三相电流中一相为0，一相小于0.1A，一相大于0.5A。

本方案的确定性算法的确定性条件包括：

(1)ZA发电设备白名单过滤；

算法：查询档案。//暂缺

确定性奖惩：是：概率+100％，否概率-50％。

(2)ZB电能表接线错误判断；(有确定接线错误的算法)

算法：

(3)ZC共用终端地址的查找确定

算法：

1)终端信息传递方式判断：

1.1)为230M终端，该终端地址唯一，不会出现终端地址共用的情况；

1.2)不为230M终端，进入2)步骤；

2)获取终端IP段信息，判断所属网络：

为移动网络(使用GPRS)，或电信网络，IP地址唯一，则查询该终端的上下线情况，若出现两个IP则认为是公用终端地址；

为CDMA，检验主站和终端上(召测)的用户名信息APN是否一致。若不一致，则认为是共用终端地址。若不一致，则可以令其准备多次召测。

多次召测：多次召测中有一定的次数出现不一致，另一部分的情况为一致。见确定性算法的重复召测(计量异常专家系统算法框架)

(4)ZD确定230M终端问题的算法

算法：

1.某一天采集到的电能示值为0

2.或倒走当天数据与7天前数据相等

3.经常出现(前7天出现2次)类似换表的情况。假设当日正向走字为Y，前一日正向走字为Y₀。用电均值为

(5)ZE测量点属性混乱确定算法；

算法：召测(F10)终端通信地址与主站通信地址是否一致

若一致，则不是测量点属性混乱，若一致，则确认是测量点属性混乱。

(6)ZF正向示值最高位异常；(正向示值最高位异常分析算法)

算法：首先判断其是否飞走或倒走，若没飞走或倒走则其最高位正常。

其次，若飞走或倒走，假设每天电能表记录值为A＝(A1,A2,,……,An)。

则每天用电量为：

a＝(A2-A1,……,An-An-1)＝(a1,……,an)。

用电均值：

假设当日正向示值为Y，前一日正向示值为Y₀，若

则为最高位异常。

实施例1：结合本方案的基于判断依据算法和专利系统知识库提供判断异常原因的方法

一、基于判断依据算法和专家知识库提供判断结果算法

Input：在线数据，电能计量设备历史异常案例，专家系统知识库

Output：数据所满足的初步计量异常判断依据列表result1，计量异常判断依据列表result2，判断结果列表result3。判断结果即为本方法所得的异常原因。

1.采集实时数据，执行所有的第一层判断依据

1.1)电压电流数值异常判断：G,I,J,L，按照采集时点在线执行

1.2)电能表示值异常判断：A,B,C,D,E,F,H,K,M，按照每天所得的数据执行返回所满足的第一层判断依据的列表list<result1>。

2.根据所得列表list<result1>，执行其中包含的异常项所对应的第二层判断依据算法，在result1列表基础上，添加新的所满足的判断依据，得到list<result2>，包含原有result1中的项。

3.电压电流数值异常和电能表异常分析判断依据时是分开执行，但最后的result1和result2均需要将两者列表合并为一个列表，既每天得到一个最终的result1和result2。合并后将满足的判断依据项(result1，result2)升序排序。(若此步执行时间过长，可以设置一个阈值，当result2达到一定长度N≥6后，则不再判断其他语句)

4.使用result2列表，执行以下算法：

与专家系统知识库中的，寻找result2列表所包含的知识库中的判断依据列表组AR[n](Association rules)。

匹配算法：

Output：包含分析结果及相应概率的列表list<result3>

4.1)深度优先遍历访问整个专家系统知识库(森林结构)查找被result2完全包含的路径(路径e中所有节点存在result2中)，专家系统知识库的森林结构中，孩子节点必包含父节点所有含有的判断依据项，故若不完全包含父节点的判断依据列表，则不需再访问其孩子节点。

result2<a1,a2,a3,a4,...,an>；

访问以第一项a1(XA)为根的树

访问对应a2,a3,a4,...,an项的a1的子节点(有两种，若a1为XY，则其子节点只能为X*或*A)，子节点为ai，将<ai,...an>传给ai为根的子树，递归执行子树查询算法；

子树查询算法：

4.1.1)获得列表<b1,...bm>

4.1.2)访问对应b2,b3,b4,...bm项的b1的子节点(有两种，若b1为XY，则其子节点只能为X*或*A)，将<bi,...bn>传给bi为根的子树，执行子树查询算法；

4.1.3)当列表B长度为1时，返回查询结果。

4.2)深度优先遍历匹配结果是森林(或者一棵树)。每成功匹配一个节点，则将其所对应的分析结果添加到result3中，并向result3中添加分析结果对应的概率，若该分析结果已存在，则与原有概率比较，取大值存入result3中。

4.3)遍历完专家系统知识库后，返回最后的result3。

5.对result3按照概率进行排序，只保留前四项。

6.在每个判断结果(序号)的数据中添加备注：将序号对应的判断结果加入备注中；若result3中包含确定性算法所对应的结果，则使用知识库中的确定性算法，对其相应的概率进行奖惩，并将使用确定性算法获得的分析结果添加到备注中。

7.部分确定性算法可能需要重复召测数据完成最终判断。

8.返回result1，result2，result3，所使用的确定性算法编号MS。

9.向设备故障日志里添加一条故障记录。

list<result1>：AA,BA,CA....

list<result2>：AA,AB,AC,BA....；

list<result3>：一，10,20；二，5,15；三，2,15；……

MS：Z*……(通常只有一个)

确定性算法不包含在result1和result2当中。

二、确定性算法的重复召测

在执行了上述算法后，有部分确定性算法由于需要召测到一定的数据才能做出判断，需多次召测确认。当且仅当result3中所得的概率＞30％时，才需进行确定算法。

既将所获得的结果加入到设备历史故障日志中，并将需要召测确认的设备加入到待召测列表中。

每隔一个小时执行待召测列表一次，若得到确认，则在设备历史故障日志中更新相应结果，同时从待召测列表中删掉该设备。

确定性条件的数据结构：

ZA：确认结果；分析正确次数/6

当满足确定性条件(上例中ZA)时，对相应的判断结果的概率进行修正，假设未修正前概率为P，ZA对应的概率为Q，则

满足ZA时修正概率为：P`＝1-(1-P)*(1-Q)；

不满足ZA时修正概率为：P`＝P*(1-Q)；

若无法确认，则P`＝P。

三、对用户展示

Input：设备故障日志

Output：报错日志、设备故障日志(更新)

根据所返回的result1列表统计初步分析结果，根据result3中判断概率最高的判断结果统计最终分析结果；使用者点击故障设备时，将整个result3的列表展示，将概率*100标为“可能性指数”展示，并展示相关备注，如下表所示：

根据人工确认原因(可能为多个)，在设备历史故障日志和故障日志中，添加相应的确认原因、确认时间。

四、历史故障日志

一条故障记录：result1，result2，result3，确定性条件满足情况，故障日期，确认原因，确认时间

保存日志：

设备故障日志(按单个设备进行记录)

故障日志(根据使用者人工反馈的情况和时间按单个日期进行记录)

待撤销故障日志。

五、分析设备历史故障日志对故障日志进行添加

对于一个设备，三天内(两次确认时间间隔)使用者确认了不同的故障原因，则需撤销前一次确认原因对专家系统知识库的影响。

算法：

针对一个设备，三天内使用者两次确认了故障的原因，且确认了不同的异常原因；

将前一次报错的记录提交进入待撤销报错日志。

六、使用者反馈结果修正知识库

Input：报错日志数据，待撤销故障日志数据，专家系统知识库

Output：修正后的专家系统知识库

每日执行更新一次

1.根据报错日志数据生成单日经验知识森林。

递归算法生成森林：

1.1)读取一条报错记录，获取其中的result2列表，为list1；

1.2)以list1列表(第一项为XA，既某第一层判断依据的编号)，执行单日经验知识树更新算法；

1.3)从list1列表中，删除X开头的所有判断依据的编号(既从XA开始删除到下一个YA之前)，然后将削减过的result2列表，执行单日经验知识树更新算法。

1.4)重复执行1.3直到list1为空。

1.5)回到步骤1.1，直到执行完当日所有报错日志

2.根据待撤销故障日志更新单日经验知识森林。

递归算法更新森林：

2.1)读取一条报错记录，获取其中的result2列表，为list1；

2.2)以list1列表(第一项为XA，既某第一层判断依据的编号)，执行单日经验知识树更新算法；

2.3)从list1列表中，删除X开头的所有判断依据的编号(既从XA开始删除到下一个YA之前)，然后将削减过的result2列表，执行单日经验知识树更新算法。

2.4)重复执行1.3直到list1为空。

2.5)回到步骤1.1，直到执行完当日所有故障日志

3.经验知识树更新算法

单日经验知识树更新算法(若是待撤销故障日志使用此算法，则所有涉及到的计数值均减1)：

3.1)获得更新用列表list1，为list2<a1,a2,a3,a4,...,an>；

3.2)更新以list2第一项a1(XA)为根的树(若无此节点，则新建此节点)，更新XA节点中的总计数和对应原因序号的计数值(均+1)。

3.3)访问对应a2,a3,a4,...,an项的a1的子节点(有两种，若a1为XY，则其子节点只能为X*或*A，若无此节点，则新建节点)，子节点为ai，将<ai,...an>传给ai为根的子树，递归执行子树更新算法；

子树更新算法：

3.3.1)获得列表<b1,...bm>，更新b1节点中的总计数和对应原因序号的计数值(均+1)。

3.3.2)访问对应b2,b3,b4,...bm项的b1的子节点(有两种，若b1为XY，则其子节点只能为X*或*A，若无此节点，则新建节点)，子节点为bi，将<bi,...bn>传给bi为根的子树，执行子树更新算法；

3.3.3)当列表B长度为1时，返回结果。

注：在每一个节点XY上必有节点XA。

确定性算法准确度更新：

若判断满足某一个确定性算法Z*，则Z*对应的判断结果总计数+1，若判断结果与人工分析结果一致，则准确判断计数+1。

专家系统知识库的修正和剪枝：

修正：

上述单日更新结果其实就是一个利用单日数据生成的知识库，此森林与专家系统知识库的森林的生成方法是完全一致的，可以通过深度优先遍历此单日数据森林，将两棵树进行合并(可能需要在知识库中添加新的节点)，并对相应的知识库上的节点中的分析结果的次数值更新(相加)。

被更新的节点：更新节点中的最后更新日期。

剪枝：

定时对专家系统知识库进行剪枝(每月)。

凡近3个月内未被更新且总计数值小于5的节点，以其为根的子树直接抛弃。

七、系统算法的逐步实现与可以做的削减

由于第二层判断依据较多，部分算法耗时较长，可能存在判断时间太长的问题。可以将部分第二层判断变更为确定性算法。

将该判断依据(设为A)在专家系统知识库中的所有节点找出(森林结构中)，对这些节点总计数求和，得到满足A的总计数，并求取这些节点中对应的判断结果的计数值，以其最大值对应的判断结果作为新的确定性条件的目标判断结果，其计数值为判断结果正确的计数(之前求取的最大值)。

如果可以适当的降低准确度，可以删除实际使用中较少成立、耗时较长的判断依据。

判断依据算法可能存在的实现问题

部分算法需要访问大量的数据，然而数据库中不一定有这些数据，针对这些情况，可以考虑跳过这些判断依据的执行。这会一定程度上降低与这些判断依据判断结果的准确度。

专家系统知识库自我修复功能可以分三步实现：

1.无知识库。只完成本方案中一、二、三、四这四个部分，使用上述的“本方案所涉及到的异常原因”部分里所列出来的匹配结果(需要将一些判断依据组剪短)，判断对应的异常原因(判断结果)。

2.无法自我修复的知识库。见专家系统知识库中的初始知识库。使用该知识库为判断结果返回相应的判断结果列表。可以人工修改其中的概率。

3.可自我修复的知识库。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (6)

1.一种电能计量设备异常原因判断的方法，其特征在于，包括：

1)基于每日定时获取的电压曲线、电流曲线、功率曲线、电能示值、异常事件等，通过ETL抽取出符合list<result1>的采集数据，同时提取出数据对应的设备档案信息；

2)根据列表list<result1>判断依据，进行异常的确定性条件第一层判断；

2.1电压电流数值异常判断：G,I,J,L，按照频度、采集时点在线执行；

2.2电能表示值异常判断：A,B,C,D,E,F,H,K,M，按日采集数据执行生成满足第一层判断依据的列表result1；

3)在list<result1>列表的基础上，添加新得到的判断依据，得到列表list<result2>，包含原有的list<result1>列表的项，根据列表list<result2>，执行其中包含的异常项对应的第二层判断依据算法，得到在list<result1>列表的基础上，添加新得到的判断依据，得到满足第二层判断依据的列表result；

4)电压电流数值异常和电能表示值异常分析判断依据时是分开执行，但最后的result1和result2均需要将两者列表合并为一个列表，既每天得到一个最终的result1和result2。合并列表result1和result2，根据判断依据项进行升序排序；

5)使用result2列表，以排序后的结果深度优先遍历访问整个专家知识库，进行路径匹配，查找被result2完全包含的路径：专家系统知识库的森林结构中，子节点必包含父节点所有含有的判断依据项，故若不完全包含父节点的判断依据列表，则不需再访问其子节点：

5.1 result2<a1,a2,a3,a4,...,an>；

5.2访问以第一项a1{XA}为根的树；

5.3访问对应a2,a3,a4,...,an项的a1的子节点，若a1为XY，则其子节点只能为X*或*A，子节点为ai，将<ai,...an>传给ai为根的子树，递归执行子树查询算法：

5.3.1获得列表B<b1,...bm>；

5.3.2访问对应b2,b3,b4,...bm项的b1的子节点，若b1为XY，则其子节点只能为X*或*A，将<bi,...bn>传给bi为根的子树，执行子树查询算法；

5.3.3当列表B长度为1时，返回查询结果；

6)深度优先遍历匹配没成功一个点，则将其说对应的分析结果添加到result3中，并向result3中添加分析结果对应的概率，若已存在分析结果则进行比较取最大值存入，基于概率进行降序排列，得到列表result3；

7)基于上述步骤生成输出异常原因；

8)在执行上述步骤后，部分确定性算法由于需要召测到一定的数据才能判断，需要多次召测确认，当且仅当result3中所得的概率>30％时，进行确定性算法，直至所有异常均生成以及输出异常原因；

9)所获得的结果加入到异常设备历史故障日志中，并将需要召测确认的异常设备加入到待召测列表中，每隔一个小时执行待召测列表一次，若得到确认，则在异常设备历史故障日志中更新相应结果，同时从待召测列表中删掉该设备；

10)根据result1列表统计初步分析结果，根据result3中判断概率最高的判断结果统计最终分析结果，将整个result3的列表展示，将概率标为“可能性指数”展示，并展示相关备注。

2.根据权利要求1所述的电能计量设备异常原因判断的方法，其特征在于：还包括有专家知识库更新步骤，包括：

(1)基于生成的每日定时读取经用户确认过的设备故障日志；

(2)根据判断依据清单和用户确认的异常类型生成临时的专家知识库；

(3)以临时的专家知识库更新正式的专家知识库。

3.根据权利要求1所述的电能计量设备异常原因判断的方法，其特征在于：所述list<result1>对应的异常类型包括反向走字、电表倒走、电表飞走、电表停走、电压异常、三相电流不平衡、电量比对、总分电量不相等、电流异常、低功率因数。

4.根据权利要求1所述的电能计量设备异常原因判断的方法，其特征在于：所述步骤3)由于第二层判断依据较多，部分算法耗时较长，根据预设的阈值，当result2达到N≥6后，可将部分第二层判断变更为确定性算法。

5.根据权利要求1所述的电能计量设备异常原因判断的方法，其特征在于：所述的确定性算法其确定性条件为：

(1)ZA发电设备白名单过滤；

(2)ZB电能表接线错误判断；

(3)ZC共用终端地址的查找确定；

(4)ZD确定230M终端问题的算法；

(5)ZE测量点属性混乱确定算法；

(6)ZF正向示值最高位异常。

6.根据权利要求1所述的电能计量设备异常原因判断的方法，其特征在于：所述提取设备档案以及采集数据，针对一个设备三天内使用多次确认故障原因，并将前一次故障的记录反馈提交至待撤销故障日志，反馈至数据库，同时基于递归算法根据报错日志数据生成单日经验知识森林，用于更新知识库。

Images