CN111985561B - 一种智能电表的故障诊断方法、系统及电子装置 - Google Patents

Abstract

本发明公开一种智能电表的故障诊断方法、系统及电子装置，方法包括以下步骤：S1、数据采集；S2、特征因子提取，建立故障标签，形成故障画像；S3、建设故障感知模型，输出故障感知结果；S4、与故障模型库对比，完成故障成因定位、处理建议或者帮助指引；系统包括智能诊断支撑中心、采集处理模块、故障感知模块、故障诊断模块和运维学习模块。本发明基于运维、环境、故障分析、检定检测、采集等各类信息，利用大数据分析、人工智能技术进行采集故障智能诊断模型研究，解决采集故障的精准研判、设备故障定性分析与现场故障处理的作业流程指导问题。

Description

一种智能电表的故障诊断方法、系统及电子装置

技术领域

本发明涉及智能电表领域，具体的是一种智能电表的故障诊断方法、系统及电子装置。

背景技术

智能电能表作为国家电网的智能终端，是国家电网高级计量体系中的重要设备之一，是保证企业和用户共同利益必不可少的环节，提高智能电能表的故障分析能力，其工作效率才能够提高，进而保证供电服务的优质完成。找出智能电能表薄弱环节与缺陷，掌握其主要失效机理及易损关键元器件，对电表潜在故障隐患及时预测，进而提出有针对性的方法。不仅能够降低电表故障发生的概率，还可以降低电表设备运行和维护的成本。

目前，现场众多的运行设备、复杂的运行环境、多样的设备故障类型，导致采集故障处理工作压力越来越大，随着电网运行对电力设备稳定性、可靠性的要求不断提高，数据采集频度、数据质量要求进一步加强，传统的故障处理模式将难以满足计量精益化管理要求，需要对当前模式进行创新，确保现场设备安全、稳定、可靠的运行。

发明内容

为解决上述背景技术中提到的不足，本发明的目的在于提供一种智能电表的故障诊断方法、系统及电子装置，基于现场实际情况研究、归纳、整理计量在线监测功能数据清理、筛选和研判模型优化方案，解决拓展业务、数据分析对计量异常在线监测模型新需求的问题；全面收集用电信息采集现场故障信息，调研现场故障处理技术需求，基于运维、环境、故障分析、检定检测、采集等各类信息，利用大数据分析、人工智能技术进行采集故障智能诊断模型研究，解决采集故障的精准研判、设备故障定性分析与现场故障处理的作业流程指导问题。

本发明的目的可以通过以下技术方案实现：

一种智能电表的故障诊断方法，包括以下步骤：

S1、通过分布式实时采集与离线采集相结合的模式获取档案数据、运行数据、事件数据、工况数据、工单数据、调度数据、环境数据和运营商数据；

S2、基于获取的各项数据对已有设备故障进行特征因子提取，建立故障标签，形成故障画像；

S3、基于实时提取特征，结合聚类算法建设故障感知模型，模型通过故障现象标签，结合聚类算法进行相似度测量，然后群组合并，根据合并的群组生成故障感知预判，输出故障感知结果；

S4、将故障感知模型与故障模型库对比，完成故障成因定位、处理建议或者帮助指引。

优选地，故障模型库基于故障特征工程，首先完成对故障或异常的定义，再根据故障特征数据挖掘任务的具体要求，从相关数据源中抽取相关数据集，而后进行数据清洗，以清除重复样本、疑似错误异常样本、偏离样本整体分布的样本，处理缺失值，选择特征，数据集划分与重构，从而建立故障模型库。

一种智能电表的故障诊断系统，包括智能诊断支撑中心、采集处理模块、故障感知模块、故障诊断模块和运维学习模块；

智能诊断支撑中心为故障诊断系统具体实现提供从底层到应用的全面支撑，保障故障诊断的稳定运行；

采集处理模块针对性的根据场景进行设计，采用先进的数据采集汇聚技术，进行实时流数据采集、非实时多粒度的离线数据采集；

故障感知模块用于建立故障实时感知模型，输出故障预判结果；

故障诊断模块用于完成故障诊断的全链条建设，可进行实时诊断和离线诊断，并进行相关故障修复；

运维学习模块可对故障发现和处理进行知识沉淀，丰富运维人员故障解决经验，并提供有效的解决方案。

优选地，智能诊断支撑中心包括资源层、数据采集层、数据处理层、计算引擎层、智能挖掘层、应用层等多个层级；

资源层主要实现对底层服务器资源的管控，提供深度学习训练集群、海量数据实时处理集群、海量数据离线计算集群、海量数据存储集群、海量数据分析和挖掘集群等，以及相关集群的管理和监控；

数据采集层包括针对不同数据采集场景提供的不同技术驱动方式，如流数据采集、日志数据采集、关系型数据数据采集等；

数据处理层主要包括数据治理相关工作，对接入数据进行质检，异常数据进行处理和转化，对采集数据进行关联处理，并进行相关元数据管理，形成数据知识；

计算引擎层封装相关的计算集群服务能力，统一为故障诊断提供服务，包括实时计算引擎、离线计算引擎等；

智能挖掘层包括特征工程、机器学习算法、深度学习算法、深度学习框架等服务能力，并对这些服务能力进行封装，提供组件化服务，支撑故障诊断模型的开发，并进行模型库的管理工作。

优选地，采集处理模块通过分布式实时采集与离线采集相结合的模式获取数据，并结合现有的Oracle数据同步策略实现数据采集引擎的主体机制，在此采集机制的基础之上，对整个采集流进行监控和错误预警。

优选地，其特征在于，故障感知模块包括故障特征画像、标签画像管理、实时特征提取和故障感知模型；

故障特征画像基于现场运维人员的反馈结合资产、用采、营销、调度系统及运营商、天气数据，对已有设备故障进行特征因子提取，共建立起若干个故障标签，形成完整的故障画像；

标签画像管理是对标签的类目及标签层级关系进行维护，对于叶子标签定义具体计算规则及权重比例，配置标签关联组合规则，形成模型及预测标签，通过开放标签应用功能，不断对故障标签库进行迭代更新，使其更加完善，从而更精准快速定位故障原因；

实时特征提取基于Flink计算引擎建立实时特征提取服务，利用Kafka实时消息机制接入各类数据源形成基础数据仓库，然后接入标签基础库，根据标签计算规则自动提取数据源中各类标签，最后将故障特征结果输送到kafka中；

故障感知模型基于实时提取特征，结合聚类算法建设故障感知模型，模型通过故障现象标签，结合聚类算法进行相似度测量，然后群组合并，根据合并的群组生成故障感知预判，输出故障感知结果，最后根据故障感知模型输出的结果分类通知对应故障诊断模块进行详细诊断。

优选地，故障诊断模块包括故障诊断模型建设和故障诊断引擎；

故障诊断模型建设基于实际业务和故障特征，模拟变量与重构变量，抽取业务逻辑、数据逻辑，选择算法、参数，经不断的调整和修正，构建出合理的模型，以贴近并还原计量故障发生的真实场景；

故障诊断引擎结合故障特征工程、故障诊断模型构成，故障诊断引擎包含特征管理、算法组件、模型数据训练和算法评估、模型库管理、支撑实时诊断。

优选地，特征管理基于故障特征工程，首先完成对故障或异常的定义，再根据故障特征数据挖掘任务的具体要求，从相关数据源中抽取相关数据集，而后进行数据清洗，以清除重复样本、疑似错误异常样本、偏离样本整体分布的样本，处理缺失值，选择特征，数据集划分与重构，建立故障特征库；

算法组件将数据维度都调整到某范围内，依靠完备的算法组件，自动匹配计算路径、代码注入，然后自动调用实际的业务参数、交叉验证；

模型数据训练和算法评估用于定义识别字段、分配信息、挖掘类型和特定的控制字段，并在预测新数据的时候能达到什么程度，当评估完算法模型之后，可以用整个数据集重新训练算法，生成最终的算法模型；

模型库管理具体为模型经验证和故障诊断引擎实用化检验，形成一套自有的模型库，供随时调用，模型诊断故障的准确度都有数据和可视化查询，遇到具体故障需要分析，在选择模型的时候，可以看到模型推荐。

支撑实时诊断在真实的业务环境和场景下，将计量故障、计量异常关联数据代入诊断引擎完成诊断，结果是故障成因定位、处理建议或者帮助指引。

优选地，运维学习模块包括故障知识汇聚、故障知识抽取、故障知识推理、故障知识存储和故障知识图谱可视化，运维学习模块通过对设备故障运维检修报告、设备故障处理工单、故障诊断数据、以及设备运行参数中各类异常运行状态的挖掘学习，归类总结设备故障诊断知识，构建以终端设备、故障特点、解决方案为关联核心的设备故障诊断知识图谱，协助运维人员进行故障维护和现场故障处理。

一种智能电表的故障诊断电子装置，包括服务器和若干感应器，服务器可实现智能诊断支撑中心、故障感知模块、故障诊断模块和运维学习模块的各项指令，感应器用于故障感知模块的各种数据监测。

本发明的有益效果：

本发明基于现场实际情况研究、归纳、整理计量在线监测功能数据清理、筛选和研判模型优化方案，解决拓展业务、数据分析对计量异常在线监测模型新需求的问题，全面收集用电信息采集现场故障信息，调研现场故障处理技术需求，基于运维、环境、故障分析、检定检测、采集等各类信息，利用大数据分析、人工智能技术进行采集故障智能诊断模型研究，解决采集故障的精准研判、设备故障定性分析与现场故障处理的作业流程指导问题。

附图说明

下面结合附图对本发明作进一步的说明。

图1是本发明智能电表的故障诊断系统的总体结构示意图；

图2是本发明智能诊断支撑中心的层级结构示意图；

图3是本发明故障感知模块的结构示意图；

图4是本发明故障诊断模块的结构示意图；

图5是本发明运维学习模块的结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

在本发明的描述中，需要理解的是，术语“开孔”、“上”、“下”、“厚度”、“顶”、“中”、“长度”、“内”、“四周”等指示方位或位置关系，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组件或元件必须具有特定的方位，以特定的方位构造和操作，因此不能理解为对本发明的限制。

一种智能电表的故障诊断方法，包括以下步骤：

S1、通过分布式实时采集与离线采集相结合的模式获取档案数据、运行数据、事件数据、工况数据、工单数据、调度数据、环境数据和运营商数据；

S2、基于获取的各项数据对已有设备故障进行特征因子提取，建立故障标签，形成故障画像；

S3、基于实时提取特征，结合聚类算法建设故障感知模型，模型通过故障现象标签，结合聚类算法进行相似度测量，然后群组合并，根据合并的群组生成故障感知预判，输出故障感知结果；

S4、将故障感知模型与故障模型库对比，完成故障成因定位、处理建议或者帮助指引。

故障模型库基于故障特征工程，首先完成对故障或异常的定义，再根据故障特征数据挖掘任务的具体要求，从相关数据源中抽取相关数据集，而后进行数据清洗，以清除重复样本、疑似错误异常样本、偏离样本整体分布的样本，处理缺失值，选择特征，数据集划分与重构，从而建立故障模型库。

一种智能电表的故障诊断系统，包括智能诊断支撑中心、采集处理模块、故障感知模块、故障诊断模块和运维学习模块；

智能诊断支撑中心为故障诊断系统具体实现提供从底层到应用的全面支撑，保障故障诊断的稳定运行；

采集处理模块针对性的根据场景进行设计，采用先进的数据采集汇聚技术，进行实时流数据采集、非实时多粒度的离线数据采集；

故障感知模块用于建立故障实时感知模型，输出故障预判结果；

故障诊断模块用于完成故障诊断的全链条建设，可进行实时诊断和离线诊断，并进行相关故障修复；

运维学习模块可对故障发现和处理进行知识沉淀，丰富运维人员故障解决经验，并提供有效的解决方案。

智能诊断支撑中心包括资源层、数据采集层、数据处理层、计算引擎层、智能挖掘层、应用层等多个层级；

资源层主要实现对底层服务器资源的管控，提供深度学习训练集群、海量数据实时处理集群、海量数据离线计算集群、海量数据存储集群、海量数据分析和挖掘集群等，以及相关集群的管理和监控；

数据采集层包括针对不同数据采集场景提供的不同技术驱动方式，如流数据采集、日志数据采集、关系型数据数据采集等；

数据处理层主要包括数据治理相关工作，对接入数据进行质检，异常数据进行处理和转化，对采集数据进行关联处理，并进行相关元数据管理，形成数据知识；

计算引擎层封装相关的计算集群服务能力，统一为故障诊断提供服务，包括实时计算引擎、离线计算引擎等；

智能挖掘层包括特征工程、机器学习算法、深度学习算法、深度学习框架等服务能力，并对这些服务能力进行封装，提供组件化服务，支撑故障诊断模型的开发，并进行模型库的管理工作。

采集处理模块通过分布式实时采集与离线采集相结合的模式获取数据，并结合现有的Oracle数据同步策略实现数据采集引擎的主体机制，在此采集机制的基础之上，对整个采集流进行监控和错误预警。

其特征在于，故障感知模块包括故障特征画像、标签画像管理、实时特征提取和故障感知模型；

故障特征画像基于现场运维人员的反馈结合资产、用采、营销、调度系统及运营商、天气数据，对已有设备故障进行特征因子提取，共建立起若干个故障标签，形成完整的故障画像；

标签画像管理是对标签的类目及标签层级关系进行维护，对于叶子标签定义具体计算规则及权重比例，配置标签关联组合规则，形成模型及预测标签，通过开放标签应用功能，不断对故障标签库进行迭代更新，使其更加完善，从而更精准快速定位故障原因；

实时特征提取基于Flink计算引擎建立实时特征提取服务，利用Kafka实时消息机制接入各类数据源形成基础数据仓库，然后接入标签基础库，根据标签计算规则自动提取数据源中各类标签，最后将故障特征结果输送到kafka中；

故障感知模型基于实时提取特征，结合聚类算法建设故障感知模型，模型通过故障现象标签，结合聚类算法进行相似度测量，然后群组合并，根据合并的群组生成故障感知预判，输出故障感知结果，最后根据故障感知模型输出的结果分类通知对应故障诊断模块进行详细诊断。

故障诊断模块包括故障诊断模型建设和故障诊断引擎；

故障诊断模型建设基于实际业务和故障特征，模拟变量与重构变量，抽取业务逻辑、数据逻辑，选择算法、参数，经不断的调整和修正，构建出合理的模型，以贴近并还原计量故障发生的真实场景；

故障诊断引擎结合故障特征工程、故障诊断模型构成，故障诊断引擎包含特征管理、算法组件、模型数据训练和算法评估、模型库管理、支撑实时诊断。

特征管理基于故障特征工程，首先完成对故障或异常的定义，再根据故障特征数据挖掘任务的具体要求，从相关数据源中抽取相关数据集，而后进行数据清洗，以清除重复样本、疑似错误异常样本、偏离样本整体分布的样本，处理缺失值，选择特征，数据集划分与重构，建立故障特征库；

算法组件将数据维度都调整到某范围内，依靠完备的算法组件，自动匹配计算路径、代码注入，然后自动调用实际的业务参数、交叉验证；

模型数据训练和算法评估用于定义识别字段、分配信息、挖掘类型和特定的控制字段，并在预测新数据的时候能达到什么程度，当评估完算法模型之后，可以用整个数据集重新训练算法，生成最终的算法模型；

模型库管理具体为模型经验证和故障诊断引擎实用化检验，形成一套自有的模型库，供随时调用，模型诊断故障的准确度都有数据和可视化查询，遇到具体故障需要分析，在选择模型的时候，可以看到模型推荐。

支撑实时诊断在真实的业务环境和场景下，将计量故障、计量异常关联数据代入诊断引擎完成诊断，结果是故障成因定位、处理建议或者帮助指引。

运维学习模块包括故障知识汇聚、故障知识抽取、故障知识推理、故障知识存储和故障知识图谱可视化，运维学习模块通过对设备故障运维检修报告、设备故障处理工单、故障诊断数据、以及设备运行参数中各类异常运行状态的挖掘学习，归类总结设备故障诊断知识，构建以终端设备、故障特点、解决方案为关联核心的设备故障诊断知识图谱，协助运维人员进行故障维护和现场故障处理。

一种智能电表的故障诊断电子装置，包括服务器和若干感应器，服务器可实现智能诊断支撑中心、故障感知模块、故障诊断模块和运维学习模块的各项指令，感应器用于故障感知模块的各种数据监测。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。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。

Claims (7)

1.一种智能电表的故障诊断方法，其特征在于，包括以下步骤：

S1、通过分布式实时采集与离线采集相结合的模式获取档案数据、运行数据、事件数据、工况数据、工单数据、调度数据、环境数据和运营商数据；

S2、基于获取的各项数据对已有设备故障进行特征因子提取，建立故障标签，形成故障画像；

S3、基于实时提取特征，结合聚类算法建设故障感知模型，模型通过故障现象标签，结合聚类算法进行相似度测量，然后群组合并，根据合并的群组生成故障感知预判，输出故障感知结果；

S4、将故障感知模型与故障模型库对比，完成故障成因定位、处理建议或者帮助指引；

包括智能电表的故障诊断系统，所述的智能电表的故障诊断系统，包括智能诊断支撑中心、采集处理模块、故障感知模块、故障诊断模块和运维学习模块；

所述智能诊断支撑中心为故障诊断系统具体实现提供从底层到应用的全面支撑，保障故障诊断的稳定运行；

所述采集处理模块针对性的根据场景进行设计，采用先进的数据采集汇聚技术，进行实时流数据采集、非实时多粒度的离线数据采集；

所述故障感知模块用于建立故障实时感知模型，输出故障预判结果；

所述故障诊断模块用于完成故障诊断的全链条建设，可进行实时诊断和离线诊断，并进行相关故障修复；

所述运维学习模块可对故障发现和处理进行知识沉淀，丰富运维人员故障解决经验，并提供有效的解决方案；

所述故障诊断模块包括故障诊断模型建设和故障诊断引擎；

所述故障诊断模型建设基于实际业务和故障特征，模拟变量与重构变量，抽取业务逻辑、数据逻辑，选择算法、参数，经不断的调整和修正，构建出合理的模型，以贴近并还原计量故障发生的真实场景；

所述故障诊断引擎结合故障特征工程、故障诊断模型构成，故障诊断引擎包含特征管理、算法组件、模型数据训练和算法评估、模型库管理、支撑实时诊断；

所述特征管理基于故障特征工程，首先完成对故障或异常的定义，再根据故障特征数据挖掘任务的具体要求，从相关数据源中抽取相关数据集，而后进行数据清洗，以清除重复样本、疑似错误异常样本、偏离样本整体分布的样本，处理缺失值，选择特征，数据集划分与重构，建立故障特征库；

所述算法组件将数据维度都调整到某范围内，依靠完备的算法组件，自动匹配计算路径、代码注入，然后自动调用实际的业务参数、交叉验证；

所述模型数据训练和算法评估用于定义识别字段、分配信息、挖掘类型和特定的控制字段，并评估在预测新数据的时候能达到什么程度，当评估完算法模型之后，可以用整个数据集重新训练算法，生成最终的算法模型；

所述模型库管理具体为模型经验证和故障诊断引擎实用化检验，形成一套自有的模型库，供随时调用，模型诊断故障的准确度都有数据和可视化查询，遇到具体故障需要分析，在选择模型的时候，可以看到模型推荐；

所述支撑实时诊断在真实的业务环境和场景下，将计量故障、计量异常关联数据代入诊断引擎完成诊断，结果是故障成因定位、处理建议或者帮助指引。

2.根据权利要求1所述的一种智能电表的故障诊断方法，其特征在于，所述故障模型库基于故障特征工程，首先完成对故障或异常的定义，再根据故障特征数据挖掘任务的具体要求，从相关数据源中抽取相关数据集，而后进行数据清洗，以清除重复样本、疑似错误异常样本、偏离样本整体分布的样本，处理缺失值，选择特征，数据集划分与重构，从而建立故障模型库。

3.根据权利要求1所述的一种智能电表的故障诊断方法，其特征在于，所述智能诊断支撑中心包括资源层、数据采集层、数据处理层、计算引擎层、智能挖掘层、应用层多个层级；

所述资源层主要实现对底层服务器资源的管控，提供深度学习训练集群、海量数据实时处理集群、海量数据离线计算集群、海量数据存储集群、海量数据分析和挖掘集群，以及相关集群的管理和监控；

所述数据采集层包括针对不同数据采集场景提供的不同技术驱动方式，包括流数据采集、日志数据采集、关系型数据采集；

所述数据处理层主要包括数据治理相关工作，对接入数据进行质检，异常数据进行处理和转化，对采集数据进行关联处理，并进行相关元数据管理，形成数据知识；

所述计算引擎层封装相关的计算集群服务能力，统一为故障诊断提供服务，包括实时计算引擎、离线计算引擎；

所述智能挖掘层包括特征工程、机器学习算法、深度学习算法、深度学习框架服务能力，并对这些服务能力进行封装，提供组件化服务，支撑故障诊断模型的开发，并进行模型库的管理工作。

4.根据权利要求1所述的智能电表的故障诊断方法，其特征在于，所述采集处理模块通过分布式实时采集与离线采集相结合的模式获取数据，并结合现有的Oracle数据同步策略实现数据采集引擎的主体机制，在此采集机制的基础之上，对整个采集流进行监控和错误预警。

5.根据权利要求1所述的一种智能电表的故障诊断方法，其特征在于，所述故障感知模块包括故障特征画像、标签画像管理、实时特征提取和故障感知模型；

所述故障特征画像基于现场运维人员的反馈结合资产、用采、营销、调度系统及运营商、天气数据，对已有设备故障进行特征因子提取，共建立起若干个故障标签，形成完整的故障画像；

所述标签画像管理是对标签的类目及标签层级关系进行维护，对于叶子标签定义具体计算规则及权重比例，配置标签关联组合规则，形成模型及预测标签，通过开放标签应用功能，不断对故障标签库进行迭代更新，使其更加完善，从而更精准快速定位故障原因；

所述实时特征提取基于Flink计算引擎建立实时特征提取服务，利用Kafka实时消息机制接入各类数据源形成基础数据仓库，然后接入标签基础库，根据标签计算规则自动提取数据源中各类标签，最后将故障特征结果输送到kafka中；

所述故障感知模型基于实时提取特征，结合聚类算法建设故障感知模型，模型通过故障现象标签，结合聚类算法进行相似度测量，然后群组合并，根据合并的群组生成故障感知预判，输出故障感知结果，最后根据故障感知模型输出的结果分类通知对应故障诊断模块进行详细诊断。

6.根据权利要求1所述的一种智能电表的故障诊断方法，其特征在于，所述运维学习模块包括故障知识汇聚、故障知识抽取、故障知识推理、故障知识存储和故障知识图谱可视化，所述运维学习模块通过对设备故障运维检修报告、设备故障处理工单、故障诊断数据、以及设备运行参数中各类异常运行状态的挖掘学习，归类总结设备故障诊断知识，构建以终端设备、故障特点、解决方案为关联核心的设备故障诊断知识图谱，协助运维人员进行故障维护和现场故障处理。

7.一种智能电表的故障诊断电子装置，应用如权利要求1-6任一项所述的一种智能电表的故障诊断方法，其特征在于，包括服务器和若干感应器，所述服务器可实现智能诊断支撑中心、故障感知模块、故障诊断模块和运维学习模块的各项指令，所述感应器用于故障感知模块的各种数据监测。

Images