CN112905670B - 用于户内停电故障研判的电能表系统、户内停电故障研判方法 - Google Patents
用于户内停电故障研判的电能表系统、户内停电故障研判方法 Download PDFInfo
- Publication number
- CN112905670B CN112905670B CN202110295346.9A CN202110295346A CN112905670B CN 112905670 B CN112905670 B CN 112905670B CN 202110295346 A CN202110295346 A CN 202110295346A CN 112905670 B CN112905670 B CN 112905670B
- Authority
- CN
- China
- Prior art keywords
- fault
- user
- power failure
- electric energy
- energy meter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000011160 research Methods 0.000 title claims abstract description 85
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 62
- 238000003062 neural network model Methods 0.000 claims description 63
- 230000008439 repair process Effects 0.000 claims description 47
- 230000008859 change Effects 0.000 claims description 41
- 230000008569 process Effects 0.000 claims description 34
- 238000012545 processing Methods 0.000 claims description 27
- 238000012549 training Methods 0.000 claims description 23
- 230000035772 mutation Effects 0.000 claims description 13
- 238000003745 diagnosis Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 3
- 230000001902 propagating effect Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 230000001052 transient effect Effects 0.000 description 6
- 238000005406 washing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000000370 acceptor Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q20/00—Payment architectures, schemes or protocols
- G06Q20/22—Payment schemes or models
- G06Q20/28—Pre-payment schemes, e.g. "pay before"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种用于户内停电故障研判的电能表系统,包括查询装置、数据召测装置、故障研判装置、数据库装置、信息统计装置;查询装置用于查询用户电能表状态;数据召测装置用于召测停电故障信息;故障研判装置接收召测数据并输出故障研判结果;信息统计装置对数据库装置中召测数据进行统计和整理。此外,本发明还公开了一种户内停电故障研判方法。采用本发明的电能表系统及户内停电故障研判方法能够快速利用神经网络准确地研判出用户侧发生故障的用电器类型,用于户内停电故障研判的电能表系统大幅提高了用电器故障研判效率和准确度,辅助运维人员及时进行维修处理,从而提高了用户对供电公司服务质量的认可度。
Description
技术领域
本发明涉及供电管理技术领域,特别涉及一种用于户内停电故障研判的电能表系统及户内停电故障研判方法。
背景技术
现有技术中,电网上的配电自动化系统利用各类配电终端装置对于配电线路停电、线路区段停电和配电台区停电的情况进行实时监测。对于电能表前端故障导致的用户停电可通过电能表内的后备电源将停电事件上报至主站系统;然而,对于电能表后端故障导致的用户停电,例如计量箱内电能表出线侧空气开关跳闸、用户配电箱内漏电保护器跳闸等情况,在电力系统的现有技术条件下不能被感测到。
普通居民用户对于停电的认知以及理解不全面,在遇到停电发生时自身不具备能力进行简单的故障识别与分析,只能求助供电公司或者向供电公司进行投诉,此时供电公司才能获知停电情况并派遣抢修人员前往处理;发生停电故障时,在用户故障上报后抢修人员进入现场抢修之前,对于故障信息仅依赖于用户描述,而不能准确定位故障源、获得相关故障设备信息、分析故障类型和影响范围等;例如,现有电力用户通过供电公司报修电话进行故障报修,业务受理人员进行报修受理,记录用户报修信息,并将用户报修信息转发给远程工作站,程工作站人员再根据报修地域向各急修班派发抢修工单,急修班收到抢修工单再调度抢修人员到现场确认故障类型,继而进行现场抢修;该种业务流程所带来的是问题是,电力故障发生时定位故障源、获取相关故障设备信息、分析故障类型和影响范围必须由抢修人员现场进行,影响了抢修的进度,并且由于调度时不能明确故障类型和影响范围,所以在抢修人员数量有限时不能将抢修人员优先配置到影响范围大的电力故障上,不利于及时解决影响范围大的电力故障,无法实现抢修资源的最佳配置;用户停电时间的延长不仅影响供电可靠性水平,也影响用户对供电公司的服务质量的认可度。
此外,我国低压配电台区居民用户的电能表通常为智能电能表;智能电能表的起动电流一般为0.020A,额定电压220V,即用户负荷超过5W就会被电能表感知并计量用电量;家中常用的用电器如电冰箱、电视机、机顶盒、路由器、洗衣机、空调及电脑等的待机功耗或累计待机功耗均超过5W,按照绝大多数居民用户的用电规律,通常情况下不会将所有家电彻底断电,即除非意外停电或人为关掉用户总开关,居民用户的负载电流均超过电能表起动电流,其为通过瞬时负荷突变分析用户负荷来判断用户侧停电故障提供了重要依据。
发明内容
基于此,为解决现有技术中的技术问题,特提出了一种户内停电故障研判方法,包括:
当户内发生停电故障时,用户进行停电报修;在查询装置中输入用户信息进行用户电能表状态查询;
接收用户的停电故障报修后,数据召测装置召测用户侧的停电故障信息,停电故障信息包括瞬时突变负荷功率信息;所述数据召测装置召测得到用户侧的瞬时突变负荷功率信息并生成召测数据;
其中,瞬时突变负荷功率信息包括用户在停电报修前设定时间段内用电器的负荷功率发生瞬时突变的次数及对应的瞬时突变负荷功率数据;
故障研判装置中包含用于故障研判的神经网络;所述故障研判装置接收召测数据,将所述召测数据输入至所述神经网络中进行故障研判处理,并输出故障研判结果;
将故障研判结果发送至停电报修的用户进行确认;当确认故障研判结果错误时,将所述召测数据输入至神经网络重新进行训练以优化神经网络;利用优化后的神经网络重新进行故障研判处理,直至确认故障研判结果正确;当确认故障研判结果正确时,根据故障研判结果在用户侧解决停电故障问题;所述数据召测装置存储当前召测数据至数据库装置中;
当用户反馈故障已解决后,信息统计装置对所述数据库装置中存储的召测数据进行统计和整理,所述故障研判装置利用召测数据更新和优化其神经网络;完成神经网络更新和优化后,所述信息统计装置释放数据库装置中存储的召测数据。
在一种实施例中,当用户进行停电故障报修时,首先通过查询装置查询用户电能表状态以确定该用户是否欠费;
当查询得到用户信息对应的用户电能表中余额小于等于剩余金额报警值时则判定该用户已欠费,当查询得到用户信息对应的用户电能表中剩余金额大于余额报警值时则判定该用户未欠费;
当判定用户未欠费时则继续进行户内停电故障研判处理;当判定用户已欠费时,则结束当前户内停电故障研判处理,电能表系统发送欠费提醒信息至用户,提醒用户需要缴费后才能继续供电。
在一种实施例中,所述停电故障信息还包括户外电能表的电压电流信息;数据召测装置在电能表系统接收用户的停电故障报修后、召测用户侧的瞬时突变负荷功率信息前,先召测户外电能表的电压电流信息;当户外电能表的电压电流异常时则判定为户外停电故障,结束当前户内停电故障研判处理;当召测户外电能表的电压电流信息正常时则判定为户内停电故障,继续当前户内停电故障研判处理。
在一种实施例中,利用神经网络进行故障研判处理,具体包括:
步骤1,构建并训练用于故障研判的神经网络模型;
步骤2,利用训练得到的神经网络模型进行故障研判处理;
步骤3,更新和优化用于故障研判的神经网络模型。
在一种实施例中,构建并训练用于故障研判的神经网络模型,具体包括:
步骤1.1,采集多种用电器在启动时以及正常运行时两种状态下发生停电故障时的瞬时突变负荷功率数据,并生成停电故障样本数据;
其中,所述停电故障样本数据包含不同故障类型的故障样本数据,包括启动时停电故障样本数据、正常运行时停电故障样本数据;
步骤1.2,构建神经网络模型,所述神经网络模型包含输入层、隐含层、输出层;所述输入层的节点个数根据用电器类型及故障类型进行设置,所述输出层的节点个数根据用电器类型进行设置;
步骤1.3,将启动时停电故障样本数据、正常运行时停电故障样本数据分别输入至神经网络模型中,训练得到用于故障研判的神经网络模型;
在一种实施例中,用于故障研判的神经网络模型的训练过程包括正向传播过程、反向传播过程;在正向传播过程中,由输入层输入的停电故障样本数据经过隐含层的逐层处理后由输出层输出故障研判结果;在反向传播过程中,通过由输出层向输入层反方向传播实际值与网络输出之间的误差来调整和修改各层神经元的连接权值从而使得该误差减小;然后,再转入正向传播过程,反复迭代直至误差小于设定阈值为止,最终获得用于故障研判的神经网络模型。
在一种实施例中,利用经过训练的神经网络模型进行故障研判处理,具体包括:
步骤2.1,将数据召测装置召测得到的瞬时突变负荷功率信息输入至训练得到的神经网络模型中;
步骤2.2,所述神经网络模型利用各类用电器发生故障时的瞬时突变负荷功率数据范围研判当前发生故障的用电器类型,生成并输出故障研判结果;
其中,更新和优化用于故障研判的神经网络模型,具体包括:
步骤3.1,当故障研判结果与实际发生故障的用电器不一致即故障研判结果错误时进行数据遍历处理,利用数据遍历结果优化神经网络模型;
步骤3.2,统计和整理当前的召测数据,将所述召测数据作为停电故障样本数据输入至神经网络中继续进行数据训练,从而更新和优化神经网络模型。
在一种实施例中,采集并生成N组停电故障样本数据(Xk,Yk),k=1,2,...,N作为神经网络模型的学习训练实例,第k组瞬时突变负荷功率数据为Xk=(x1k,x2k,x3k...,xmk),对应第k组的实际用电器类型为Yk=(y1k,y2k,y3k...,ynk),m为输入层节点个数,n为输出层节点个数;
在一种实施例中,隐含层与输出层的传递函数为Sigmoid型函数,如下式所示:
在一种实施例中,将瞬时突变负荷功率数据Xk=(x1k,x2k,x3k...,xmk)作为神经网络模型的输入值,在正向传播过程中从输入层的m个节点输入,经过隐含层逐层处理,在神经网络模型输出层的n个节点输出故障研判结果即用电器类型作为该神经网络的实际输出值,比较实际输出值与目标输出值即该组停电故障样本数据的实际用电器类型,计算实际输出值与目标输出值的误差值E,其中误差值E为下式所示:
当误差值E无法满足期望值时进入反向传播过程,将误差值由神经网络的输出层向输入层反向传播,并在该反向传播过程中调整和修改各层神经元的连接权值,直至误差值E小于设定阈值为止,得到用于故障研判的神经网络模型。
此外,为解决现有技术中的技术问题,特提出了一种用于户内停电故障研判的电能表系统,包括查询装置、数据召测装置、故障研判装置、数据库装置、信息统计装置;
其中,所述查询装置连接至用户电能表,其用于查询用户电能表状态;当户内发生停电故障时,用户进行停电报修,在所述查询装置中输入用户信息进行用户电能表状态查询;
其中,所述数据召测装置用于召测用户侧的停电故障信息,所述停电故障信息包括瞬时突变负荷功率信息;电能表系统接收用户的停电故障报修后,所述数据召测装置召测得到用户侧的瞬时突变负荷功率信息并生成召测数据;将所述召测数据传输至电能表系统中进行故障研判处理;
其中,瞬时突变负荷功率信息包括用户在停电报修前设定时间段内用电器的负荷功率发生瞬时突变的次数及对应的瞬时突变负荷功率数据;
其中,所述故障研判装置连接至所述数据召测装置,其包含用于故障研判的神经网络;所述故障研判装置接收召测数据,将所述召测数据输入至所述神经网络中进行故障研判处理,并输出故障研判结果;
所述电能表系统将故障研判结果发送至停电报修的用户进行确认;当确认故障研判结果错误时,将所述召测数据输入至神经网络中重新进行训练以优化神经网络;利用优化后的神经网络重新进行故障研判处理,直至确认故障研判结果正确;当确认故障研判结果正确时,根据故障研判结果在用户侧解决停电故障问题;
所述数据召测装置连接至所述数据库装置,所述数据召测装置存储当前召测数据至数据库装置中;
所述信息统计装置连接至数据库装置;当用户反馈故障已经解决后,信息统计装置对所述数据库装置中存储的召测数据进行统计和整理,所述故障研判装置利用所述召测数据更新和优化神经网络;完成神经网络更新和优化后,所述信息统计装置释放数据库装置中存储的召测数据。
在一种实施例中,所述用户信息包括用户姓名、身份证号、户号、电能表号;
当用户进行停电故障报修时,首先通过查询装置查询用户电能表状态以确定该用户是否欠费;
当查询得到用户信息对应的用户电能表中余额小于等于剩余金额报警值时则判定该用户已欠费,当查询得到用户信息对应的用户电能表中剩余金额大于余额报警值时则判定该用户未欠费;
当判定用户未欠费时则继续进行户内停电故障研判处理;当判定用户已欠费时,则结束当前户内停电故障研判处理,电能表系统发送欠费提醒信息至用户,提醒用户需要缴费后才能继续供电。
在一种实施例中,所述停电故障信息还包括户外电能表的电压电流信息;数据召测装置在电能表系统接收用户的停电故障报修后、召测用户侧的瞬时突变负荷功率信息前,先召测户外电能表的电压电流信息;当户外电能表的电压电流异常时则判定为户外停电故障,结束当前户内停电故障研判处理;当召测户外电能表的电压电流信息正常时则判定为户内停电故障,继续当前户内停电故障研判处理。
在一种实施例中,用于故障研判的神经网络包含输入层、隐含层、输出层;所述输入层的节点个数根据用电器类型及故障类型进行设置,所述输出层的节点个数根据用电器类型进行设置;所述隐含层与输出层的传递函数为Sigmoid型函数。
实施本发明实施例,将具有如下有益效果:
本发明公开的户内停电故障研判方法能够利用神经网络快速地研判出用户侧发生故障的用电器类型,通过用于户内停电故障研判的电能表系统能够大幅提高用电器故障研判效率和准确度,辅助运维人员及时进行维修处理,提高用户对供电公司服务质量的认可度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
其中:
图1为本发明中用于户内停电故障研判的电能表系统的示意图;
图2为本发明中户内停电故障研判处理方法的流程示意图;
图3为本发明中利用神经网络进行故障研判处理的流程示意图。
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他实施例,都属于本发明保护的范围。
如图1所示,本发明公开了一种用于户内停电故障研判的电能表系统,具体包括:
电能表系统包括查询装置、数据召测装置、故障研判装置、数据库装置、信息统计装置;
其中,所述查询装置连接至用户电能表,其用于查询用户电能表状态;当户内发生停电故障时,用户进行停电报修,在所述查询装置中输入用户信息进行用户电能表状态查询;
特别地,所述用户信息包括用户姓名、身份证号、户号、电能表号等;
具体地,当用户进行停电故障报修时,首先通过查询装置查询用户电能表状态以确定该用户是否欠费;
具体地,当查询得到用户信息对应的用户电能表中余额小于等于剩余金额报警值时则判定该用户已欠费,当查询得到用户信息对应的用户电能表中剩余金额大于余额报警值时则判定该用户未欠费;当判定用户已欠费时,则结束当前户内停电故障研判处理,当判定用户未欠费时则继续进行户内停电故障研判处理;
特别地,当判定用户已欠费时,电能表系统发送欠费提醒信息至用户,提醒用户需要缴费后才能继续供电;
其中,所述数据召测装置用于召测用户侧的停电故障信息,所述停电故障信息包括瞬时突变负荷功率信息;电能表系统接收用户的停电故障报修后,所述数据召测装置召测得到用户侧的瞬时突变负荷功率信息并生成召测数据;
将所述召测数据传输至电能表系统中进行故障研判处理;
特别地,用户侧的瞬时突变负荷功率信息包括用户侧在停电报修前设定时间段内用电器的负荷功率发生瞬时突变的次数及对应的瞬时突变负荷功率数据;
特别地,设定时间段根据实际情况进行设置;例如,设定时间段可以是15分钟、30分钟、1个小时等;
特别地,所述停电故障信息还包括户外电能表的电压电流信息;所述数据召测装置在电能表系统接收用户的停电故障报修后、召测用户侧的瞬时突变负荷功率信息前,先召测户外电能表的电压电流信息;当户外电能表的电压电流异常时则判定为户外停电故障,结束当前户内停电故障研判处理;当召测户外电能表的电压电流信息正常时则判定为户内停电故障,继续当前户内停电故障研判处理;
特别地,当户外电能表的电流为0时则判定为户外停电故障,当户外电能表的电流不为0时则判定为户内用电器故障;
其中,所述故障研判装置连接至所述数据召测装置,其包含用于故障研判的神经网络;所述故障研判装置接收召测数据,将所述召测数据输入至所述神经网络中进行故障研判处理,并输出故障研判结果;
电能表系统将故障研判结果发送至停电报修的用户进行确认;当确认故障研判结果错误时,即确认故障研判结果与实际用电器故障不一致时,将所述召测数据作为停电故障样本数据输入至神经网络中重新进行训练以优化神经网络;利用优化后的神经网络重新进行故障研判处理,直至确认故障研判结果正确;当确认故障研判结果正确时,即确认故障研判结果与实际用电器故障一致时,根据故障研判结果在用户侧解决停电故障问题;
特别地,采集多种用电器在启动时以及正常运行时两种状态下发生停电故障时的瞬时突变负荷功率数据作为停电故障样本数据;
其中,所述停电故障样本数据包含不同故障类型的故障样本数据,包括启动时停电故障样本数据、正常运行时停电故障样本数据;
特别地,所述用电器包括电冰箱、电视机、机顶盒、路由器、洗衣机、空调、电脑等;
用于故障研判的神经网络模型包含输入层、隐含层、输出层;
特别地,所述输入层的节点个数根据用电器类型及故障类型进行设置,所述输出层的节点个数根据用电器类型进行设置;
例如,用电器类型包括电冰箱、电视机、机顶盒、路由器、洗衣机、空调、电脑7种,而故障类型包括启动时停电故障、正常运行时停电故障2种,则所述输入层的节点个数m、所述输出层的节点个数n可以分别设置为14和7;
具体地,采集并生成N组停电故障样本数据(Xk,Yk),k=1,2,...,N作为神经网络模型的学习训练实例,第k组瞬时突变负荷功率数据为Xk=(x1k,x2k,x3k...,xmk),对应第k组的实际用电器类型为Yk=(y1k,y2k,y3k...,ynk),m为输入层节点个数,n为输出层节点个数;
具体地,隐含层与输出层的传递函数为Sigmoid型函数,如下式所示:
具体地,将瞬时突变负荷功率数据Xk=(x1k,x2k,x3k...,xmk)作为神经网络模型的输入值,在正向传播过程中从输入层的m个节点输入,经过隐含层逐层处理,在神经网络模型输出层的n个节点输出故障研判结果即用电器类型作为该神经网络的实际输出值,比较实际输出值与目标输出值即该组停电故障样本数据的实际用电器类型,计算实际输出值与目标输出值的误差值E,其中误差值E为下式所示:
当误差值E无法满足期望值时进入反向传播过程,将误差值由神经网络的输出层向输入层反向传播,并在该反向传播过程中调整和修改各层神经元的连接权值,直至误差值E小于设定阈值为止,得到用于故障研判的神经网络模型;
所述数据召测装置连接至所述数据库装置,所述数据召测装置存储当前召测数据至数据库装置中;
所述信息统计装置连接至数据库装置;当用户反馈故障已经解决后,信息统计装置对所述数据库装置中存储的召测数据进行统计和整理,所述故障研判装置利用所述召测数据更新和优化神经网络;完成神经网络更新和优化后,所述信息统计装置释放数据库装置中存储的召测数据,并等待新的召测数据;
其中,所述召测数据包括瞬时突变负荷功率信息,所述瞬时突变负荷功率信息包括用户侧在停电报修前设定时间段内用电器的负荷功率发生瞬时突变的次数及对应的瞬时突变负荷功率数据。
此外,本发明还公开了一种户内停电故障研判处理方法,为了进一步阐述用于户内停电故障研判的电能表系统的具体实现方式,下面根据图2所示户内停电故障研判处理方法的流程示意图,结合具体实例对本发明进一步的详细说明:
当户内发生停电故障时,用户进行停电报修;在查询装置中输入用户信息进行用户电能表状态查询;
具体地,当用户进行停电故障报修时,首先通过查询装置查询用户电能表状态以确定该用户是否欠费;
当查询得到用户信息对应的用户电能表中余额小于等于剩余金额报警值时则判定该用户已欠费,当查询得到用户信息对应的用户电能表中剩余金额大于余额报警值时则判定该用户未欠费;当判定用户已欠费时,则结束当前户内停电故障研判处理;当判定用户未欠费时则继续进行户内停电故障研判处理;
特别地,所述用户信息包括用户姓名、身份证号、户号、电能表号等;
特别地,当判定用户已欠费时,电能表系统发送欠费提醒信息至用户,提醒用户需要缴费后才能继续供电;
接收用户的停电故障报修后,数据召测装置召测用户侧的停电故障信息,停电故障信息包括瞬时突变负荷功率信息;数据召测装置召测得到用户侧的瞬时突变负荷功率信息并生成召测数据;
将所述召测数据传输至电能表系统中进行故障研判处理;
其中,用户侧的瞬时突变负荷功率信息包括用户侧在停电报修前设定时间段内用电器的负荷功率发生瞬时突变的次数及对应的瞬时突变负荷功率数据;
特别地,设定时间段根据实际情况进行设置;例如,设定时间段可以是15分钟、30分钟、1个小时等;
特别地,所述停电故障信息还包括户外电能表的电压电流信息;数据召测装置在电能表系统接收用户的停电故障报修后、召测用户侧的瞬时突变负荷功率信息前,先召测户外电能表的电压电流信息;当户外电能表的电压电流异常时则判定为户外停电故障,结束当前户内停电故障研判处理;当召测户外电能表的电压电流信息正常时则判定为户内停电故障,继续当前户内停电故障研判处理;
例如,当户外电能表的电流为0时则判定为户外停电故障,当户外电能表的电流不为0时则判定为户内用电器故障;
故障研判装置中包含用于故障研判的神经网络;所述故障研判装置接收召测数据,将所述召测数据输入至所述神经网络中,利用神经网络进行故障研判处理,由所述神经网络输出故障研判结果;
将故障研判结果发送至停电报修的用户进行确认;当确认故障研判结果错误时,即确认故障研判结果与实际用电器故障不一致时,将所述召测数据作为停电故障样本数据输入至神经网络重新进行训练以优化神经网络;利用优化后的神经网络重新进行故障研判处理,直至确认故障研判结果正确;所述数据召测装置存储当前召测数据至数据库装置中;
当确认故障研判结果正确时,即确认故障研判结果与实际用电器故障一致时,根据故障研判结果在用户侧解决停电故障问题;所述数据召测装置存储当前召测数据至数据库装置中;
当用户反馈故障已解决后,信息统计装置对所述数据库装置中存储的召测数据进行统计和整理,所述故障研判装置利用召测数据更新和优化其神经网络;完成神经网络更新和优化后,所述信息统计装置释放数据库装置中存储的召测数据,并等待新的召测数据;
其中,所述召测数据包括瞬时突变负荷功率信息,所述瞬时突变负荷功率信息包括用户侧在停电报修前设定时间段内用电器的负荷功率发生瞬时突变的次数及对应的瞬时突变负荷功率数据;
其中,如图3所示,利用神经网络进行故障研判处理,具体包括以下步骤:
步骤1,构建并训练用于故障研判的神经网络模型;
其中,构建并训练用于故障研判的神经网络模型,具体包括:
步骤1.1,采集多种用电器在启动时以及正常运行时两种状态下发生停电故障时的瞬时突变负荷功率数据,并生成停电故障样本数据;
其中,所述停电故障样本数据包含不同故障类型的故障样本数据,包括启动时停电故障样本数据、正常运行时停电故障样本数据;
特别地,所述用电器包括电冰箱、电视机、机顶盒、路由器、洗衣机、空调、电脑等;
步骤1.2,构建神经网络模型,所述神经网络模型包含输入层、隐含层、输出层;
特别地,所述输入层的节点个数根据用电器类型及故障类型进行设置,所述输出层的节点个数根据用电器类型进行设置;
例如,用电器类型包括电冰箱、电视机、机顶盒、路由器、洗衣机、空调、电脑7种,而故障类型包括启动时停电故障、正常运行时停电故障2种,则所述输入层的节点个数m、所述输出层的节点个数n可以分别设置为14和7;
步骤1.3,将启动时停电故障样本数据、正常运行时停电故障样本数据分别输入至神经网络模型中,训练得到用于故障研判的神经网络;
特别地,用于故障研判的神经网络模型的训练过程包括正向传播过程、反向传播过程;在正向传播过程中,由输入层输入的停电故障样本数据经过隐含层的逐层处理后由输出层输出故障研判结果;在反向传播过程中,通过由输出层向输入层反方向传播实际值与网络输出值之间的误差来调整和修改各层神经元的连接权值从而使得该误差减小;然后,再转入正向传播过程,反复迭代直至误差小于设定阈值为止,最终获得用于故障研判的神经网络模型;
具体地,采集并生成N组停电故障样本数据(Xk,Yk),k=1,2,...,N作为神经网络模型的学习训练实例,第k组瞬时突变负荷功率数据为Xk=(x1k,x2k,x3k...,xmk),对应第k组的实际用电器类型为Yk=(y1k,y2k,y3k...,ynk),m为输入层节点个数,n为输出层节点个数;
具体地,隐含层与输出层的传递函数为Sigmoid型函数,如下式所示:
具体地,将瞬时突变负荷功率数据Xk=(x1k,x2k,x3k...,xmk)作为神经网络模型的输入值,在正向传播过程中从输入层的m个节点输入,经过隐含层逐层处理,在神经网络模型输出层的n个节点输出故障研判结果即用电器类型作为该神经网络的实际输出值,比较实际输出值与目标输出值即该组停电故障样本数据的实际用电器类型,计算实际输出值与目标输出值的误差值E,其中误差值E为下式所示:
当误差值E无法满足期望值时进入反向传播过程,将误差值由神经网络的输出层向输入层反向传播,并在该反向传播过程中调整和修改各层神经元的连接权值,直至误差值E小于设定阈值为止,得到用于故障研判的神经网络模型;
步骤2,利用训练得到的神经网络模型进行故障研判处理;
其中,利用经过训练的神经网络模型进行故障研判处理,具体包括:
步骤2.1,将数据召测装置召测得到的瞬时突变负荷功率信息输入至训练得到的神经网络模型中;
步骤2.2,所述神经网络模型利用各类用电器发生故障时的瞬时突变负荷功率数据范围研判当前发生故障的用电器类型,生成并输出故障研判结果;
步骤3,更新和优化用于故障研判的神经网络模型;
其中,更新和优化用于故障研判的神经网络模型,具体包括:
步骤3.1,当故障研判结果与实际发生故障的用电器不一致即故障研判结果错误时进行数据遍历处理,利用数据遍历结果优化神经网络模型;
步骤3.2,统计和整理当前的召测数据,将所述召测数据作为停电故障样本数据输入至神经网络中继续进行数据训练,从而更新和优化神经网络模型。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种户内停电故障研判处理方法,其特征在于,包括:
当户内发生停电故障时,用户进行停电报修;在查询装置中输入用户信息进行用户电能表状态查询;
接收用户的停电故障报修后,数据召测装置召测用户侧的停电故障信息,停电故障信息包括瞬时突变负荷功率信息;所述数据召测装置召测得到用户侧的瞬时突变负荷功率信息并生成召测数据;
其中,瞬时突变负荷功率信息包括用户在停电报修前设定时间段内用电器的负荷功率发生瞬时突变的次数及对应的瞬时突变负荷功率数据;
故障研判装置中包含用于故障研判的神经网络;所述故障研判装置接收召测数据,将所述召测数据输入至所述神经网络中进行故障研判处理,并输出故障研判结果;
将故障研判结果发送至停电报修的用户进行确认;当确认故障研判结果错误时,将所述召测数据输入至神经网络重新进行训练以优化神经网络;利用优化后的神经网络重新进行故障研判处理,直至确认故障研判结果正确;当确认故障研判结果正确时,根据故障研判结果在用户侧解决停电故障问题;所述数据召测装置存储当前召测数据至数据库装置中;
当用户反馈故障已解决后,信息统计装置对所述数据库装置中存储的召测数据进行统计和整理,所述故障研判装置利用召测数据更新和优化其神经网络;完成神经网络更新和优化后,所述信息统计装置释放数据库装置中存储的召测数据。
2.根据权利要求1所述的户内停电故障研判处理方法,其特征在于,
当用户进行停电故障报修时,首先通过查询装置查询用户电能表状态以确定该用户是否欠费;
当查询得到用户信息对应的用户电能表中余额小于等于剩余金额报警值时则判定该用户已欠费,当查询得到用户信息对应的用户电能表中剩余金额大于余额报警值时则判定该用户未欠费;
当判定用户未欠费时则继续进行户内停电故障研判处理;当判定用户已欠费时,则结束当前户内停电故障研判处理,电能表系统发送欠费提醒信息至用户,提醒用户需要缴费后才能继续供电。
3.根据权利要求1所述的户内停电故障研判处理方法,其特征在于,
所述停电故障信息还包括户外电能表的电压电流信息;数据召测装置在电能表系统接收用户的停电故障报修后、召测用户侧的瞬时突变负荷功率信息前,先召测户外电能表的电压电流信息;当户外电能表的电压电流异常时则判定为户外停电故障,结束当前户内停电故障研判处理;当召测户外电能表的电压电流信息正常时则判定为户内停电故障,继续当前户内停电故障研判处理。
4.根据权利要求1所述的户内停电故障研判处理方法,其特征在于,
其中,利用神经网络进行故障研判处理,具体包括:
步骤1,构建并训练用于故障研判的神经网络模型;
步骤2,利用训练得到的神经网络模型进行故障研判处理;
步骤3,更新和优化用于故障研判的神经网络模型。
5.根据权利要求4所述的户内停电故障研判处理方法,其特征在于,
其中,构建并训练用于故障研判的神经网络模型,具体包括:
步骤1.1,采集多种用电器在启动时以及正常运行时两种状态下发生停电故障时的瞬时突变负荷功率数据,并生成停电故障样本数据;
其中,所述停电故障样本数据包含不同故障类型的故障样本数据,包括启动时停电故障样本数据、正常运行时停电故障样本数据;
步骤1.2,构建神经网络模型,所述神经网络模型包含输入层、隐含层、输出层;所述输入层的节点个数根据用电器类型及故障类型进行设置,所述输出层的节点个数根据用电器类型进行设置;
步骤1.3,将启动时停电故障样本数据、正常运行时停电故障样本数据分别输入至神经网络模型中,训练得到用于故障研判的神经网络模型;
其中,用于故障研判神经网络模型的训练过程包括正向传播过程、反向传播过程;在正向传播过程中,由输入层输入的停电故障样本数据经过隐含层的逐层处理后由输出层输出故障研判结果;在反向传播过程中,通过由输出层向输入层反方向传播实际值与网络输出之间的误差来调整和修改各层神经元的连接权值从而使得该误差减小;然后,再转入正向传播过程,反复迭代直至误差小于设定阈值为止,最终获得用于故障研判的神经网络模型;
其中,利用经过训练的神经网络模型进行故障研判处理,具体包括:
步骤2.1,将数据召测装置召测得到的瞬时突变负荷功率信息输入至训练得到的神经网络模型中;
步骤2.2,所述神经网络模型利用各类用电器发生故障时的瞬时突变负荷功率数据范围研判当前发生故障的用电器类型,生成并输出故障研判结果;
其中,更新和优化用于故障研判的神经网络模型,具体包括:
步骤3.1,当故障研判结果与实际发生故障的用电器不一致即故障研判结果错误时进行数据遍历处理,利用数据遍历结果优化神经网络模型;
步骤3.2,统计和整理当前的召测数据,将所述召测数据作为停电故障样本数据输入至神经网络中继续进行数据训练,从而更新和优化神经网络模型。
6.一种利用权利要求1-5任一项所述的户内停电故障研判处理方法实现的用于户内停电故障研判的电能表系统,其特征在于,包括查询装置、数据召测装置、故障研判装置、数据库装置、信息统计装置;
其中,所述查询装置连接至用户电能表,其用于查询用户电能表状态;当户内发生停电故障时,用户进行停电报修,在所述查询装置中输入用户信息进行用户电能表状态查询;
其中,所述数据召测装置用于召测用户侧的停电故障信息,所述停电故障信息包括瞬时突变负荷功率信息;电能表系统接收用户的停电故障报修后,所述数据召测装置召测得到用户侧的瞬时突变负荷功率信息并生成召测数据;将所述召测数据传输至电能表系统中进行故障研判处理;
其中,瞬时突变负荷功率信息包括用户在停电报修前设定时间段内用电器的负荷功率发生瞬时突变的次数及对应的瞬时突变负荷功率数据;
其中,所述故障研判装置连接至所述数据召测装置,其包含用于故障研判的神经网络;所述故障研判装置接收召测数据,将所述召测数据输入至所述神经网络中进行故障研判处理,并输出故障研判结果;
所述电能表系统将故障研判结果发送至停电报修的用户进行确认;当确认故障研判结果错误时,将所述召测数据输入至神经网络中重新进行训练以优化神经网络;利用优化后的神经网络重新进行故障研判处理,直至确认故障研判结果正确;当确认故障研判结果正确时,根据故障研判结果在用户侧解决停电故障问题;
所述数据召测装置连接至所述数据库装置,所述数据召测装置存储当前召测数据至数据库装置中;
所述信息统计装置连接至数据库装置;当用户反馈故障已经解决后,信息统计装置对所述数据库装置中存储的召测数据进行统计和整理,所述故障研判装置利用所述召测数据更新和优化神经网络;完成神经网络更新和优化后,所述信息统计装置释放数据库装置中存储的召测数据。
7.根据权利要求6所述的用于户内停电故障研判的电能表系统,其特征在于,
其中,所述用户信息包括用户姓名、身份证号、户号、电能表号;
当用户进行停电故障报修时,首先通过查询装置查询用户电能表状态以确定该用户是否欠费;
当查询得到用户信息对应的用户电能表中余额小于等于剩余金额报警值时则判定该用户已欠费,当查询得到用户信息对应的用户电能表中剩余金额大于余额报警值时则判定该用户未欠费;
当判定用户未欠费时则继续进行户内停电故障研判处理;当判定用户已欠费时,则结束当前户内停电故障研判处理,电能表系统发送欠费提醒信息至用户,提醒用户需要缴费后才能继续供电。
8.根据权利要求6所述的用于户内停电故障研判的电能表系统,其特征在于,
所述停电故障信息还包括户外电能表的电压电流信息;数据召测装置在电能表系统接收用户的停电故障报修后、召测用户侧的瞬时突变负荷功率信息前,先召测户外电能表的电压电流信息;当户外电能表的电压电流异常时则判定为户外停电故障,结束当前户内停电故障研判处理;当召测户外电能表的电压电流信息正常时则判定为户内停电故障,继续当前户内停电故障研判处理。
9.根据权利要求6所述的用于户内停电故障研判的电能表系统,其特征在于,
用于故障研判的神经网络包含输入层、隐含层、输出层;所述输入层的节点个数根据用电器类型及故障类型进行设置,所述输出层的节点个数根据用电器类型进行设置;所述隐含层与输出层的传递函数为Sigmoid型函数。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2020114588885 | 2020-12-11 | ||
CN202011458888 | 2020-12-11 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112905670A CN112905670A (zh) | 2021-06-04 |
CN112905670B true CN112905670B (zh) | 2023-12-01 |
Family
ID=76105506
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110295346.9A Active CN112905670B (zh) | 2020-12-11 | 2021-03-19 | 用于户内停电故障研判的电能表系统、户内停电故障研判方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112905670B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115061013B (zh) * | 2022-08-17 | 2022-12-30 | 国网江西省电力有限公司电力科学研究院 | 基于停电事件大数据分析的低压常见故障研判方法及系统 |
CN117666449B (zh) * | 2024-01-31 | 2024-04-12 | 四川水利职业技术学院 | 一种基于计算机数据采集分析监控系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103915827A (zh) * | 2014-03-14 | 2014-07-09 | 国网山东省电力公司青岛供电公司 | 配用电网故障研判方法及研判系统 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN108765187A (zh) * | 2018-04-11 | 2018-11-06 | 国网山东省电力公司 | 一种停电故障辅助研判方法、装置及系统 |
-
2021
- 2021-03-19 CN CN202110295346.9A patent/CN112905670B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103915827A (zh) * | 2014-03-14 | 2014-07-09 | 国网山东省电力公司青岛供电公司 | 配用电网故障研判方法及研判系统 |
WO2015172560A1 (zh) * | 2014-05-16 | 2015-11-19 | 华南理工大学 | 基于bp神经网络的中央空调冷负荷的预测方法 |
CN108765187A (zh) * | 2018-04-11 | 2018-11-06 | 国网山东省电力公司 | 一种停电故障辅助研判方法、装置及系统 |
Non-Patent Citations (1)
Title |
---|
基于停电管理系统的配电网停电研判方案;郭佩;朱有产;;电力信息与通信技术(09);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112905670A (zh) | 2021-06-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112905670B (zh) | 用于户内停电故障研判的电能表系统、户内停电故障研判方法 | |
CN104143823B (zh) | 一种停电事件信息采集方法和系统 | |
CN109474067B (zh) | 一种电网调度故障处理辅助决策方法 | |
CN107180314B (zh) | 一种基于一二次系统关联关系的运维业务模型建模方法 | |
CN103901317A (zh) | 一种基于多系统协作的配电故障研判方法 | |
CN103413044B (zh) | 一种基于变电站量测信息的电力系统局部拓扑估计方法 | |
CN109782060B (zh) | 一种精益化线损分析系统 | |
CN113283041B (zh) | 基于多源信息融合感知算法的停电区域快速研判方法 | |
CN112366690B (zh) | 一种基于强同步电压特征匹配的低压台区横向节点关系识别方法 | |
CN109508945A (zh) | 一种调度自动化信息点自动核对的方法 | |
CN113169709A (zh) | 基于机器学习的太阳能发电控制系统及方法 | |
CN114742488B (zh) | 一种主变压器运行风险评估方法和系统 | |
CN113406438A (zh) | 一种适用于低压台区的故障智能诊断方法及其运维系统 | |
Shen et al. | Self-healing evaluation of smart distribution network based on uncertainty theory | |
CN115453267A (zh) | 一种电力信息系统故障诊断系统 | |
CN104834305A (zh) | 基于dms系统的配网自动化终端遥测异常分析系统及方法 | |
CN110443481A (zh) | 基于混合k-近邻算法的配电自动化终端状态评价系统及方法 | |
CN109886539A (zh) | 基于不确定多属性的智能配电网自愈性评价方法和系统 | |
CN112611997B (zh) | 一种台区关口表挂接关系在线校验方法和系统 | |
CN114254774A (zh) | 一种基于一键顺控的检修单关联操作票自动发令系统 | |
CN116430749A (zh) | 电力监控系统仿真测试方法、装置、介质及电子设备 | |
CN108414851B (zh) | 基于ems理论电量数据与采集电量数据的智能校核方法 | |
CN112446801A (zh) | 一种有效提升电力系统数据质量的系统及方法 | |
CN111985794A (zh) | 一种基于营配信息集成平台的线损管理方法 | |
CN113890020B (zh) | 一种frtu和fi的混合优化配置方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |