CN113033642A - 一种基于告警事件的智能电能表状态判断方法及系统 - Google Patents
一种基于告警事件的智能电能表状态判断方法及系统 Download PDFInfo
- Publication number
- CN113033642A CN113033642A CN202110287288.5A CN202110287288A CN113033642A CN 113033642 A CN113033642 A CN 113033642A CN 202110287288 A CN202110287288 A CN 202110287288A CN 113033642 A CN113033642 A CN 113033642A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- data
- meter
- state judgment
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000007689 inspection Methods 0.000 claims abstract description 47
- 238000001514 detection method Methods 0.000 claims abstract description 30
- 238000005070 sampling Methods 0.000 claims abstract description 30
- 238000005457 optimization Methods 0.000 claims description 38
- 239000011159 matrix material Substances 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000010801 machine learning Methods 0.000 abstract description 3
- 238000003860 storage Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 4
- 238000004134 energy conservation Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007635 classification algorithm Methods 0.000 description 2
- 235000019800 disodium phosphate Nutrition 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
本发明提供一种基于告警事件的智能电能表状态判断方法及系统,其中,方法包括:获取历史低压电表抽检数据;根据所述历史低压电表抽检数据及低压电表检测结果数据,建立智能电能表状态判断模型;输入目标低压电表抽检数据至所述智能电能表状态判断模型,生成目标低压电表抽检结果。本发明基于电能表的基础属性及告警数据,并通过历史抽检数据进行有监督的机器学习,能够对电能表的运行状态进行有效评价,精准度高;并且,本发明可以避免安装额外的总表,减少设备成本的投入,保证系统运行寿命。
Description
技术领域
本发明涉及智能电表仪器检测技术领域,特别是涉及一种基于告警事件的智能电能表状态判断方法及系统。
背景技术
智能电表作为智能电网建设中的最重要组成部分,其质量和运行状态直接影响到了电网数据采集系统的稳定性和安全性。目前在智能电能表的质量信息相关数据的获取和管理方面,国家电网开发并投入使用的电信息采集系统,积累到大量智能电能表实时运行状态、质量等方面的数据,这些数据较为全面地覆盖了智能电能表质量管理的各个环节。
目前,基于能量守恒的智能电表为实现无线损的环境,通过在表箱上额外安装总表,对于表箱的能量守恒来识别其中的精度超差电表。
但是该方法存在以下缺点:
1)真实线损不易获得;2)模拟真实线损的方式会导致电表的误差计算偏差很大;3)模拟无线损的环境需要安装总表,增加设备投入成本。
发明内容
本发明提供一种基于告警事件的智能电能表状态判断方法及系统,基于电能表的基础属性及告警数据,根据历史抽检数据进行有监督的机器学习建立学习模型,能够对电能表的运行状态进行有效评价,提高预测精准度。
本发明一个实施例提供一种基于告警事件的智能电能表状态判断方法,包括:
获取历史低压电表抽检数据;
根据所述历史低压电表抽检数据及低压电表检测结果数据,建立智能电能表状态判断模型;
输入目标低压电表抽检数据至所述智能电能表状态判断模型,生成目标低压电表抽检结果。
进一步地,所述建立智能电能表状态判断模型之后,还包括:
根据混淆矩阵对所述智能电能表状态判断模型进行优化;具体地:
根据所述混淆矩阵中的被所述智能电能表状态判断模型预测为正的正样本数、被所述智能电能表状态判断模型预测为正的负样本数、被所述智能电能表状态判断模型预测为负的正样本数及被所述智能电能表状态判断模型预测为负的负样本数,计算查准率及召回率;
根据所述查准率及召回率建立优化模型,并输出优化指标。
进一步地,所述查准率通过以下公式计算:
precision=TP/(TP+FP);
其中,precision表示查准率,TP表示被所述智能电能表状态判断模型预测为正的正样本数,FP表示被所述智能电能表状态判断模型预测为正的负样本数;
所述召回率通过以下公式进行计算:
recall=TP/(TP+FN);
其中,recall表示召回率,TP表示被所述智能电能表状态判断模型预测为正的正样本数,FN表示被所述智能电能表状态判断模型预测为负的正样本数。
进一步地,所述根据所述查准率及召回率建立优化模型,具体地:
通过以下公式建立优化模型:
其中,F1表示优化指标,precision表示查准率,recall表示召回率。
进一步地,所述根据所述历史低压电表抽检数据及低压电表检测结果数据,建立智能电能表状态判断模型,包括:
根据所述历史低压电表抽检数据建立样本数据的特征属性集;
根据所述低压电表检测结果数据建立样本数据的目标类变量集;
基于朴素贝叶斯算法,通过所述特征属性集及目标类变量集建立智能电能表状态判断模型;其中,所述智能电能表状态判断模型通过以下公式进行计算:
其中,xj={x1,x2,x3,x4,x5,x6,x7,x8,x9,x10}表示样本数据的特征属性集,yi={y1,y2}表示样本数据的目标类变量集;
x1为电表基础属性数据中的电表服务年限数据、x2为厂家数据、x3为批次数据、x4为电表告警事件数据中的电能表停走次数数据、x5为电能表超量程次数数据、x6为电能表飞走次数数据、x7为电能表倒走次数数据、x8为电能表复位次数数据、x9为电能表超差次数数据及x10为电能表时钟是否异常数据;
y1为低压电表检测合格,y2为低压电表检测不合格;
P(yi|xj)表示样本数据的特征属性为xj时划分为yi的概率,P(yi)表示总体样本中yi类别的概率,p(xj|yi)表示yi类别下出现xj的概率,p(xj)表示总体样本中xj类别的概率。
本发明一实施例提供一种基于告警事件的智能电能表状态判断系统,包括:
数据获取模块,用于获取历史低压电表抽检数据;
智能电能表状态判断模型建立模块,用于根据所述历史低压电表抽检数据及低压电表检测结果数据,建立智能电能表状态判断模型;
目标低压电表抽检结果生模块,用于输入目标低压电表抽检数据至所述智能电能表状态判断模型,生成目标低压电表抽检结果。
进一步地,所述的一种基于告警事件的智能电能表状态判断系统,还包括:
模型优化模块,用于根据混淆矩阵对所述智能电能表状态判断模型进行优化;
具体地:
根据所述混淆矩阵中的被所述智能电能表状态判断模型预测为正的正样本数、被所述智能电能表状态判断模型预测为正的负样本数、被所述智能电能表状态判断模型预测为负的正样本数及被所述智能电能表状态判断模型预测为负的负样本数,计算查准率及召回率;
根据所述查准率及召回率建立优化模型,并输出优化指标。
进一步地,所述模型优化模块,包括:
查准率计算子模块,所述查准率通过以下公式计算:
precision=TP/(TP+FP);
其中,precision表示查准率,TP表示被所述智能电能表状态判断模型预测为正的正样本数,FP表示被所述智能电能表状态判断模型预测为正的负样本数;
召回率计算子模块,所述召回率通过以下公式进行计算:
recall=TP/(TP+FN);
其中,recall表示召回率,TP表示被所述智能电能表状态判断模型预测为正的正样本数,FN表示被所述智能电能表状态判断模型预测为负的正样本数。
进一步地,所述根据所述查准率及召回率建立优化模型,具体地:
通过以下公式建立优化模型:
其中,F1表示优化指标,precision表示查准率,recall表示召回率。
进一步地,所述智能电能表状态判断模型建立模块,包括:
特征属性集建立子模块,用于根据所述历史低压电表抽检数据建立样本数据的特征属性集;
目标类变量集建立子模块,用于根据所述低压电表检测结果数据建立样本数据的目标类变量集;
判断模型建立子模块,用于基于朴素贝叶斯算法,通过所述特征属性集及目标类变量集建立智能电能表状态判断模型;
其中,所述智能电能表状态判断模型通过以下公式进行计算:
其中,xj={x1,x2,x3,x4,x5,x6,x7,x8,x9,x10}表示样本数据的特征属性集,yi={y1,y2}表示样本数据的目标类变量集;
x1为电表基础属性数据中的电表服务年限数据、x2为厂家数据、x3为批次数据、x4为电表告警事件数据中的电能表停走次数数据、x5为电能表超量程次数数据、x6为电能表飞走次数数据、x7为电能表倒走次数数据、x8为电能表复位次数数据、x9为电能表超差次数数据及x10为电能表时钟是否异常数据;
y1为低压电表检测合格,y2为低压电表检测不合格;
P(yi|xj)表示样本数据的特征属性为xj时划分为yi的概率,P(yi)表示总体样本中yi类别的概率,p(xj|yi)表示yi类别下出现xj的概率,p(xj)表示总体样本中xj类别的概率。
与现有技术相比,本发明实施例的有益效果在于:
本发明一实施例提供一种基于告警事件的智能电能表状态判断方法,包括:获取历史低压电表抽检数据;根据所述历史低压电表抽检数据及低压电表检测结果数据,建立智能电能表状态判断模型;输入目标低压电表抽检数据至所述智能电能表状态判断模型,生成目标低压电表抽检结果。本发明基于电能表的基础属性及告警数据,并通过历史抽检数据进行有监督的机器学习,能够对电能表的运行状态进行有效评价,精准度高;并且,本发明可以避免安装额外的总表,减少设备成本的投入,保证系统运行寿命。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施方式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方式,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。
图1是本发明某一实施例提供的一种基于告警事件的智能电能表状态判断方法的流程图;
图2是本发明另一实施例提供的一种基于告警事件的智能电能表状态判断方法的流程图;
图3是本发明又一实施例提供的一种基于告警事件的智能电能表状态判断方法的流程图;
图4是本发明某一实施例提供的一种基于告警事件的智能电能表状态判断系统的装置图;
图5是本发明另一实施例提供的一种基于告警事件的智能电能表状态判断系统的装置图;
图6是本发明又一实施例提供的一种基于告警事件的智能电能表状态判断系统的装置图;
图7是本发明某一实施例提供的一种电子设备的结构图。
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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
基于能量守恒的智能电表存在一个较大的难点,那就是如何获得台区的真实线损(不是计量线损),不然用其他方法来模拟真实线损都会导致电表误差计算偏差很大。如果要实现无线损的环境,那么就需要额外在表箱上额外安装总表,对于表箱的能量守恒来识别其中的精度超差电表。
第一方面。
请参阅图1-3,本发明一实施例提一种基于告警事件的智能电能表状态判断方法,包括:
S10、获取历史低压电表抽检数据。
需要说明的是,所述历史低压电表抽检数据包括:电表基础属性数据及告警事件数据。
如表1所示,所述电表基础属性数据包括:电表基础属性数据中的电表服务年限数据、厂家数据及批次数据。
表1电表基础属性数据
如表2所示,所述告警事件数据包括:电表告警事件数据中的电能表停走次数数据、电能表超量程次数数据、电能表飞走次数数据、电能表倒走次数数据、电能表复位次数数据、电能表超差次数数据及电能表时钟是否异常数据。
表2告警事件数据
基于以上特征变量,对于样本电表进行数据回溯,获取其检定前3个月的告警事件数据及基础属性数据,并进行数据融合。
在某一具体实施例中,从检定数据库中抽取近1年低压电表抽检数据,如果数据量太大,可适当缩小时间范围。不需要电表首检数据,因为首检电表未投入使用,获取不到检定前的数据行为。
至少需要获取电表资产编号、检定时间、是否合格的数据样本,需要包含“合格”与“不合格”的电表数据。
S20、根据所述历史低压电表抽检数据及低压电表检测结果数据,建立智能电能表状态判断模型。
优选地,所述步骤S20、根据所述历史低压电表抽检数据及低压电表检测结果数据,建立智能电能表状态判断模型,包括:
S21、根据所述历史低压电表抽检数据建立样本数据的特征属性集。
S22、根据所述低压电表检测结果数据建立样本数据的目标类变量集。
S23、基于朴素贝叶斯算法,通过所述特征属性集及目标类变量集建立智能电能表状态判断模型。
其中,所述智能电能表状态判断模型通过以下公式进行计算:
其中,xj={x1,x2,x3,x4,x5,x6,x7,x8,x9,x10}表示样本数据的特征属性集,yi={y1,y2}表示样本数据的目标类变量集;
x1为电表基础属性数据中的电表服务年限数据、x2为厂家数据、x3为批次数据、x4为电表告警事件数据中的电能表停走次数数据、x5为电能表超量程次数数据、x6为电能表飞走次数数据、x7为电能表倒走次数数据、x8为电能表复位次数数据、x9为电能表超差次数数据及x10为电能表时钟是否异常数据;
y1为低压电表检测合格,y2为低压电表检测不合格;
P(yi|xj)表示样本数据的特征属性为xj时划分为yi的概率,P(yi)表示总体样本中yi类别的概率,p(xj|yi)表示yi类别下出现xj的概率,p(xj)表示总体样本中xj类别的概率。
在某一具体实施例中,对数据进行准备和预处理之后,将“是否合格”设定为输出,特征变量作为输入,选择合适的算法进行建模。由于该模型是一个二元分类算法,我们可以选择朴素贝叶斯、逻辑回归、决策树、支持向量机、随机森林等算法来进行建模。
优选的,朴素贝叶斯分类算法(NBC)是以贝叶斯定理为基础并且假设特征条件之间相互独立的方法,先通过已给定的训练集,以特征词之间独立作为前提假设,学习从输入到输出的联合概率分布,再基于学习到的模型,输入X求出使得后验概率最大的输出Y。
设有样本数据集D={d1,d2,d3...,dn},对应本项目中的近1年的n条数据记录;设样本数据的特征属性集为X={x1,x2,...,xd},对应本项目中的d(此处d=10)个特征变量:电表服务年限、厂家、批次、电能表停走次数、电能表超量程次数、电能表飞走次数、电能表倒走次数、电能表复位次数、电能表超差次数、电能表时钟是否异常;设目标类变量为Y={y1,y2},对应y1,y2分为“合格”与“不合格”两类。其中x1,x2...xd相互独立且随机,则Y的先验概率为P(Y),Y的后验概率为P(Y|X)。
朴素贝叶斯基于各特征之间相互独立,在给定类别为y的情况下,上式可以进一步表示为下式:其中P(X|Y=y)表示在类别为y的情况下X的概率;p(xi|Y=y)表示在类别为y的情况下第i项特征变量xi的概率。
由于P(X)的大小是固定不变的,因此在比较后验概率时,只比较上式的分子部分即可。因此可以得到一个样本数据属于类别yi的朴素贝叶斯计算如下式所示:
其中P(yi|x1x2...xd)表示样本特征值为x1x2...xd时划分为yi类别的概率;P(yi)表示总体样本中yi类别的概率;p(xi|yi)表示第yi类别下出现xi的概率;p(xj)表示第j项特征变量xj的概率。
S30、根据混淆矩阵对所述智能电能表状态判断模型进行优化。
优选地,所述步骤S30包括:
S31、根据所述混淆矩阵中的被所述智能电能表状态判断模型预测为正的正样本数、被所述智能电能表状态判断模型预测为正的负样本数、被所述智能电能表状态判断模型预测为负的正样本数及被所述智能电能表状态判断模型预测为负的负样本数,计算查准率及召回率。
所述查准率通过以下公式计算:
precision=TP/(TP+FP);
其中,precision表示查准率,TP表示被所述智能电能表状态判断模型预测为正的正样本数,FP表示被所述智能电能表状态判断模型预测为正的负样本数;
所述召回率通过以下公式进行计算:
recall=TP/(TP+FN);
其中,recall表示召回率,TP表示被所述智能电能表状态判断模型预测为正的正样本数,FN表示被所述智能电能表状态判断模型预测为负的正样本数。
S32、根据所述查准率及召回率建立优化模型,并输出优化指标。
通过以下公式建立优化模型:
其中,F1表示优化指标,precision表示查准率,recall表示召回率。
在某一具体实施例中,采用多种算法进行训练,然后可以采用各种指标对模型训练的结果进行比较和评估,选择最优的模型。
优选的,采用2×2的混淆矩阵可以查看查准率和查全率。
其中:真正(True Positive,TP):被模型预测为正的正样本。
假正(False Positive,FP):被模型预测为正的负样本。
假负(False Negative,FN):被模型预测为负的正样本。
真负(True Negative,TN):被模型预测为负的负样本。
在该模型中,首先注重查准率,其次为查全率(即召回率)。
查准率:Precision=TP/(TP+FP),即正确预测的正例数/预测正例总数;
召回率:Recall=TP/(TP+FN),即正确预测的正例数/实际正例总数。
查准率值越大,说明识别的异常电能表的准确率越高;
召回率值越大,说明异常电能表被识别漏掉的可能性越小,识别更完全。
优选的,采用F1 Score算法(优化模型)进行计算。
公式中的precision和recall为混淆矩阵中指定的查准率和召回率。F1值(优化指标)越大说明模型越好,异常电能表的识别效果越高。
S40、输入目标低压电表抽检数据至所述智能电能表状态判断模型,生成目标低压电表抽检结果。
本发明基于电能表的基础属性及告警数据,并根据历史抽检数据进行有监督的机器学习,能够对电能表的运行状态进行有效评价,精准度高;并且,本发明可以避免安装额外的总表,减少设备成本的投入,保证系统运行寿命。
第二方面。
请参阅图4-6,本发明一实施例提供一种基于告警事件的智能电能表状态判断系统,包括:
数据获取模块10,用于获取历史低压电表抽检数据。
智能电能表状态判断模型建立模块20,用于根据所述历史低压电表抽检数据及低压电表检测结果数据,建立智能电能表状态判断模型。
在某一具体实施方式中,所述智能电能表状态判断模型建立模块20,包括:
特征属性集建立子模块21,用于根据所述历史低压电表抽检数据建立样本数据的特征属性集。
目标类变量集建立子模块22,用于根据所述低压电表检测结果数据建立样本数据的目标类变量集。
判断模型建立子模块23,用于基于朴素贝叶斯算法,通过所述特征属性集及目标类变量集建立智能电能表状态判断模型。
其中,所述智能电能表状态判断模型通过以下公式进行计算:
其中,xj={x1,x2,x3,x4,x5,x6,x7,x8,x9,x10}表示样本数据的特征属性集,yi={y1,y2}表示样本数据的目标类变量集;
x1为电表基础属性数据中的电表服务年限数据、x2为厂家数据、x3为批次数据、x4为电表告警事件数据中的电能表停走次数数据、x5为电能表超量程次数数据、x6为电能表飞走次数数据、x7为电能表倒走次数数据、x8为电能表复位次数数据、x9为电能表超差次数数据及x10为电能表时钟是否异常数据;
y1为低压电表检测合格,y2为低压电表检测不合格;
P(yi|xj)表示样本数据的特征属性为xj时划分为yi的概率,P(yi)表示总体样本中yi类别的概率,p(xj|yi)表示yi类别下出现xj的概率,p(xj)表示总体样本中xj类别的概率。
模型优化模块30,用于根据混淆矩阵对所述智能电能表状态判断模型进行优化。
在某一具体实施方式中,所述模型优化模块30具体的:
根据所述混淆矩阵中的被所述智能电能表状态判断模型预测为正的正样本数、被所述智能电能表状态判断模型预测为正的负样本数、被所述智能电能表状态判断模型预测为负的正样本数及被所述智能电能表状态判断模型预测为负的负样本数,计算查准率及召回率;
根据所述查准率及召回率建立优化模型,并输出优化指标。
在某一具体实施方式中,所述模型优化模块30,包括:
查准率计算子模块31,所述查准率通过以下公式计算:
precision=TP/(TP+FP);
其中,precision表示查准率,TP表示被所述智能电能表状态判断模型预测为正的正样本数,FP表示被所述智能电能表状态判断模型预测为正的负样本数。
召回率计算子模块32,所述召回率通过以下公式进行计算:
recall=TP/(TP+FN);
其中,recall表示召回率,TP表示被所述智能电能表状态判断模型预测为正的正样本数,FN表示被所述智能电能表状态判断模型预测为负的正样本数。
所述根据所述查准率及召回率建立优化模型,具体地:
通过以下公式建立优化模型:
其中,F1表示优化指标,precision表示查准率,recall表示召回率。
目标低压电表抽检结果生模块40,用于输入目标低压电表抽检数据至所述智能电能表状态判断模型,生成目标低压电表抽检结果。
第三方面。
本发明提供了一种电子设备,该电子设备包括:
处理器、存储器和总线;
所述总线,用于连接所述处理器和所述存储器;
所述存储器,用于存储操作指令;
所述处理器,用于通过调用所述操作指令,可执行指令使处理器执行如本申请的第一方面所示的一种基于告警事件的智能电能表状态判断方法对应的操作。
在一个可选实施例中提供了一种电子设备,如图7所示,图7所示的电子设备5000包括:处理器5001和存储器5003。其中,处理器5001和存储器5003相连,如通过总线5002相连。可选地,电子设备5000还可以包括收发器5004。需要说明的是,实际应用中收发器5004不限于一个,该电子设备5000的结构并不构成对本申请实施例的限定。
处理器5001可以是CPU,通用处理器,DSP,ASIC,FPGA或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器5001也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等。
总线5002可包括一通路,在上述组件之间传送信息。总线5002可以是PCI总线或EISA总线等。总线5002可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
存储器5003可以是ROM或可存储静态信息和指令的其他类型的静态存储设备,RAM或者可存储信息和指令的其他类型的动态存储设备,也可以是EEPROM、CD-ROM或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
存储器5003用于存储执行本申请方案的应用程序代码,并由处理器5001来控制执行。处理器5001用于执行存储器5003中存储的应用程序代码,以实现前述任一方法实施例所示的内容。
其中,电子设备包括但不限于:移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。
第四方面。
本发明提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现本申请第一方面所示的一种基于告警事件的智能电能表状态判断方法。
本申请的又一实施例提供了一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,当其在计算机上运行时,使得计算机可以执行前述方法实施例中相应内容。
Claims (10)
1.一种基于告警事件的智能电能表状态判断方法,其特征在于,包括:
获取历史低压电表抽检数据;
根据所述历史低压电表抽检数据及低压电表检测结果数据,建立智能电能表状态判断模型;
输入目标低压电表抽检数据至所述智能电能表状态判断模型,生成目标低压电表抽检结果。
2.如权利要求1所述的一种基于告警事件的智能电能表状态判断方法,其特征在于,所述建立智能电能表状态判断模型之后,还包括:
根据混淆矩阵对所述智能电能表状态判断模型进行优化;具体地:
根据所述混淆矩阵中的被所述智能电能表状态判断模型预测为正的正样本数、被所述智能电能表状态判断模型预测为正的负样本数、被所述智能电能表状态判断模型预测为负的正样本数及被所述智能电能表状态判断模型预测为负的负样本数,计算查准率及召回率;
根据所述查准率及召回率建立优化模型,并输出优化指标。
3.如权利要求2所述的一种基于告警事件的智能电能表状态判断方法,其特征在于,
所述查准率通过以下公式计算:
precision=TP/(TP+FP);
其中,precision表示查准率,TP表示被所述智能电能表状态判断模型预测为正的正样本数,FP表示被所述智能电能表状态判断模型预测为正的负样本数;
所述召回率通过以下公式进行计算:
recall=TP/(TP+FN);
其中,recall表示召回率,TP表示被所述智能电能表状态判断模型预测为正的正样本数,FN表示被所述智能电能表状态判断模型预测为负的正样本数。
5.如权利要求1所述的一种基于告警事件的智能电能表状态判断方法,其特征在于,所述根据所述历史低压电表抽检数据及低压电表检测结果数据,建立智能电能表状态判断模型,包括:
根据所述历史低压电表抽检数据建立样本数据的特征属性集;
根据所述低压电表检测结果数据建立样本数据的目标类变量集;
基于朴素贝叶斯算法,通过所述特征属性集及目标类变量集建立智能电能表状态判断模型;其中,所述智能电能表状态判断模型通过以下公式进行计算:
其中,xj={x1,x2,x3,x4,x5,x6,x7,x8,x9,x10}表示样本数据的特征属性集,yi={y1,y2}表示样本数据的目标类变量集;
x1为电表基础属性数据中的电表服务年限数据、x2为厂家数据、x3为批次数据、x4为电表告警事件数据中的电能表停走次数数据、x5为电能表超量程次数数据、x6为电能表飞走次数数据、x7为电能表倒走次数数据、x8为电能表复位次数数据、x9为电能表超差次数数据及x10为电能表时钟是否异常数据;
y1为低压电表检测合格,y2为低压电表检测不合格;
P(yi|xj)表示样本数据的特征属性为xj时划分为yi的概率,P(yi)表示总体样本中yi类别的概率,p(xj|yi)表示yi类别下出现xj的概率,p(xj)表示总体样本中xj类别的概率。
6.一种基于告警事件的智能电能表状态判断系统,其特征在于,包括:
数据获取模块,用于获取历史低压电表抽检数据;
智能电能表状态判断模型建立模块,用于根据所述历史低压电表抽检数据及低压电表检测结果数据,建立智能电能表状态判断模型;
目标低压电表抽检结果生模块,用于输入目标低压电表抽检数据至所述智能电能表状态判断模型,生成目标低压电表抽检结果。
7.如权利要求6所述的一种基于告警事件的智能电能表状态判断系统,其特征在于,还包括:
模型优化模块,用于根据混淆矩阵对所述智能电能表状态判断模型进行优化;
具体地:
根据所述混淆矩阵中的被所述智能电能表状态判断模型预测为正的正样本数、被所述智能电能表状态判断模型预测为正的负样本数、被所述智能电能表状态判断模型预测为负的正样本数及被所述智能电能表状态判断模型预测为负的负样本数,计算查准率及召回率;
根据所述查准率及召回率建立优化模型,并输出优化指标。
8.如权利要求7所述的一种基于告警事件的智能电能表状态判断系统,其特征在于,所述模型优化模块,包括:
查准率计算子模块,所述查准率通过以下公式计算:
precision=TP/(TP+FP);
其中,precision表示查准率,TP表示被所述智能电能表状态判断模型预测为正的正样本数,FP表示被所述智能电能表状态判断模型预测为正的负样本数;
召回率计算子模块,所述召回率通过以下公式进行计算:
recall=TP/(TP+FN);
其中,recall表示召回率,TP表示被所述智能电能表状态判断模型预测为正的正样本数,FN表示被所述智能电能表状态判断模型预测为负的正样本数。
10.如权利要求6所述的一种基于告警事件的智能电能表状态判断系统,其特征在于,所述智能电能表状态判断模型建立模块,包括:
特征属性集建立子模块,用于根据所述历史低压电表抽检数据建立样本数据的特征属性集;
目标类变量集建立子模块,用于根据所述低压电表检测结果数据建立样本数据的目标类变量集;
判断模型建立子模块,用于基于朴素贝叶斯算法,通过所述特征属性集及目标类变量集建立智能电能表状态判断模型;
其中,所述智能电能表状态判断模型通过以下公式进行计算:
其中,xj={x1,x2,x3,x4,x5,x6,x7,x8,x9,x10}表示样本数据的特征属性集,yi={y1,y2}表示样本数据的目标类变量集;
x1为电表基础属性数据中的电表服务年限数据、x2为厂家数据、x3为批次数据、x4为电表告警事件数据中的电能表停走次数数据、x5为电能表超量程次数数据、x6为电能表飞走次数数据、x7为电能表倒走次数数据、x8为电能表复位次数数据、x9为电能表超差次数数据及x10为电能表时钟是否异常数据;
y1为低压电表检测合格,y2为低压电表检测不合格;
P(yi|xj)表示样本数据的特征属性为xj时划分为yi的概率,P(yi)表示总体样本中yi类别的概率,p(xj|yi)表示yi类别下出现xj的概率,p(xj)表示总体样本中xj类别的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110287288.5A CN113033642A (zh) | 2021-03-17 | 2021-03-17 | 一种基于告警事件的智能电能表状态判断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110287288.5A CN113033642A (zh) | 2021-03-17 | 2021-03-17 | 一种基于告警事件的智能电能表状态判断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113033642A true CN113033642A (zh) | 2021-06-25 |
Family
ID=76471415
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110287288.5A Pending CN113033642A (zh) | 2021-03-17 | 2021-03-17 | 一种基于告警事件的智能电能表状态判断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033642A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130185234A1 (en) * | 2012-01-16 | 2013-07-18 | Amrinder Arora | System and Method for Using Genetic Algorithm for Optimization of Targeting Systems, Based on Aggregated Scoring Models |
CN106154209A (zh) * | 2016-07-29 | 2016-11-23 | 国电南瑞科技股份有限公司 | 基于决策树算法的电能表故障预测方法 |
CN108287327A (zh) * | 2017-12-13 | 2018-07-17 | 广西电网有限责任公司电力科学研究院 | 基于贝叶斯分类的计量自动化终端故障诊断方法 |
CN109785976A (zh) * | 2018-12-11 | 2019-05-21 | 青岛中科慧康科技有限公司 | 一种基于Soft-Voting的痛风病分期预测系统 |
CN109858785A (zh) * | 2019-01-16 | 2019-06-07 | 中国电力科学研究院有限公司 | 一种评价智能电能表运行状态的方法和系统 |
CN111126759A (zh) * | 2019-11-18 | 2020-05-08 | 国网浙江省电力有限公司 | 一种基于异常事件故障关联度的电能表状态评估方法 |
CN112001422A (zh) * | 2020-07-28 | 2020-11-27 | 南京航空航天大学 | 一种基于深度贝叶斯学习的图像标记估计方法 |
-
2021
- 2021-03-17 CN CN202110287288.5A patent/CN113033642A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130185234A1 (en) * | 2012-01-16 | 2013-07-18 | Amrinder Arora | System and Method for Using Genetic Algorithm for Optimization of Targeting Systems, Based on Aggregated Scoring Models |
CN106154209A (zh) * | 2016-07-29 | 2016-11-23 | 国电南瑞科技股份有限公司 | 基于决策树算法的电能表故障预测方法 |
CN108287327A (zh) * | 2017-12-13 | 2018-07-17 | 广西电网有限责任公司电力科学研究院 | 基于贝叶斯分类的计量自动化终端故障诊断方法 |
CN109785976A (zh) * | 2018-12-11 | 2019-05-21 | 青岛中科慧康科技有限公司 | 一种基于Soft-Voting的痛风病分期预测系统 |
CN109858785A (zh) * | 2019-01-16 | 2019-06-07 | 中国电力科学研究院有限公司 | 一种评价智能电能表运行状态的方法和系统 |
CN111126759A (zh) * | 2019-11-18 | 2020-05-08 | 国网浙江省电力有限公司 | 一种基于异常事件故障关联度的电能表状态评估方法 |
CN112001422A (zh) * | 2020-07-28 | 2020-11-27 | 南京航空航天大学 | 一种基于深度贝叶斯学习的图像标记估计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | Compositional vector space models for improved bug localization | |
CN113792825B (zh) | 一种用电信息采集设备故障分类模型训练方法及装置 | |
Bowring et al. | Active learning for automatic classification of software behavior | |
Pandey et al. | Early software reliability prediction | |
Graczyk et al. | Comparative analysis of premises valuation models using KEEL, RapidMiner, and WEKA | |
Maggo et al. | A machine learning based efficient software reusability prediction model for java based object oriented software | |
Mishra et al. | Defect prediction for object oriented software using support vector based fuzzy classification model | |
CN110532301A (zh) | 审计方法、系统和可读存储介质 | |
CN112182214A (zh) | 一种数据分类方法、装置、设备及介质 | |
Subandri et al. | Cyclomatic complexity for determining product complexity level in COCOMO II | |
Zelenkov | Bankruptcy prediction using survival analysis technique | |
Polaczek et al. | Exploring the software repositories of embedded systems: An industrial experience | |
CN113886373A (zh) | 一种数据处理方法、装置及电子设备 | |
Asmono et al. | Absolute correlation weighted naïve bayes for software defect prediction | |
CN105894138A (zh) | 一种制造业发货量的最优加权组合预测方法 | |
Wang et al. | An empirical classification-based framework for the safety criticality assessment of energy production systems, in presence of inconsistent data | |
CN113033642A (zh) | 一种基于告警事件的智能电能表状态判断方法及系统 | |
Wang et al. | Personalized recommendation system based on support vector machine and particle swarm optimization | |
Canaparo et al. | Data Mining Techniques for Software Quality Prediction in Open Source Software-An Initial Assessment | |
Peng | Research on software defect prediction and analysis based on machine learning | |
CN114416524A (zh) | 文件错误的定位方法及装置 | |
Ueda et al. | Accuracy Improvement by Training Data Selection in Automatic Test Cases Generation Method | |
Jayaraj et al. | Software defect prediction using boosting techniques | |
Wang et al. | Defect prediction model for object oriented software based on particle swarm optimized SVM | |
Zavíralová et al. | Computational system for simulation and forecasting in waste management incomplete data problems |
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 |