CN113176530A - 一种基于拆回表运行特征的在运电能表批次故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于拆回表运行特征的在运电能表批次故障诊断方法，属于电能表故障诊断领域，其包括以下步骤：S1：使用数据清洗方法对拆回电能表分拣数据和采集异常数据进行缺失值、异常值处理；S2：将处理后的数据输入LASSO回归模型进行自动化学习，提取拆回电能表批次故障率的规律特征，构建故障诊断模型；S3：使用故障诊断模型，诊断在运电能表的批次故障率。本发明能够通过拆回表的批次故障率对在运电能表批次故障进行诊断，且诊断准确性高。

Description

一种基于拆回表运行特征的在运电能表批次故障诊断方法

技术领域

本发明涉及电能表故障诊断领域，具体是一种基于拆回表运行特征的在运电能表批次故障诊断方法。

背景技术

电能表是电力行业最基础的计量设备，它的质量情况对于电力企业的生产经营有重要影响。随着“物联网”技术同计量技术的融合应用和国网“大营销”体系建设的实施，网省公司积累的拆回表分拣数据和采集异常(运行特征)数据为建立故障诊断模型打下了数据基础。可以利用前期积累的数据，应用机器学习技术，挖掘拆回表的批次故障率随采集异常(运行特征)数据变化规律。进而利用挖掘到的规律诊断在运电能表的批次故障率，然而现有技术中并没有这种方法。

公布号为CN 107529652 A的专利文献公开了一种拆回电能表的故障现象相关性分析方法，包括以下步骤：1)根据拆回故障电能表的故障类别、故障数量，对电能表进行区分，将电能表分为单一故障类型、复合故障类型两类(2)通过排查，排除由于用户或人工安装问题造成的电能表故障；(3)针对排查之后的电能表，将其按照不同批次分为不同单元，并对每一个单元的电能表分别计算其故障发生相关系数；(4)对于相关系数超过0.4的相关故障，进一步分析该相关故障对应的电能表的故障发生时间，判断该相关故障是否属于本批次的电能表相关故障。采用本发明的分析方法能够准确、合理的评价电能表故障的相关性，从而提高了电能表资产的可靠性，并对电能表相关故障处理量做出了合理的相关预估计。但是，该方法用于拆回表的故障相关性分析，不能解决上述技术问题。

公布号为CN 110781206 A的专利文献公开了一种学习拆回表故障特征规则预测在运电能表是否故障的方法，使用XGBoost模型学习拆回分拣结果和电能表的历史运行事件的数据中电能表故障与否的规则，利用学习到的规则预测在运表是否故障。其具体包括如下步骤：步骤一、数据采集：采集拆回分拣表的数据；步骤二、数据预处理：将采集到的数据加工处理成模型能够使用的数据；步骤三、建模分析：使用XGBoost模型对步骤二中的预处理数据进行分析，学习如何判断电能表是否故障的规则；步骤四、数据结果落地：利用学习到的规则，使用步骤二加工好的在运电能表数据，判断出在运电能表是否故障。该发明可降低在运电能表批量故障集中爆发风险且工作效率高。但是，该发明预测在运电能表故障率的准确度偏低。

发明内容

有鉴于此，本发明针对现有技术的不足，提供的一种能够通过拆回表的批次故障率对在运电能表批次故障进行准确诊断的基于拆回表运行特征的在运电能表批次故障诊断方法。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于拆回表运行特征的在运电能表批次故障诊断方法，包括以下步骤：

S1：使用数据清洗方法对拆回电能表分拣数据和采集异常数据进行缺失值、异常值处理；

S2：将处理后的数据输入LASSO回归模型进行自动化学习，提取拆回电能表批次故障率的规律特征，构建故障诊断模型；

S3：使用故障诊断模型，诊断在运电能表的批次故障率。

进一步的，S1中，经过处理的数据作为LASSO回归模型的自变量，自变量包括该批次电能表示值不平平均发生次数、该批次电能表飞走平均发生次数、该批次电能表倒走平均发生次数、该批次电能表停走平均发生次数、该批次电能表电压断相平均发生次数、该批次电能表电量差动异常平均发生次数、该批次电能表功率差动异常平均发生次数、该批次电能表功率因数异常平均发生次数、该批次电能表时钟异常平均发生次数、该批次电能表反向电量异常平均发生次数、该批次电能表潮流反向平均发生次数、该批次电能表时钟异常诊断平均发生次数、该批次电能表严重计量异常平均发生次数、该批次电能表异常事件平均发生次数、该批次电能表费率设置异常平均发生次数、该批次电能表电压越限平均发生次数、该批次电能表电压不平衡平均发生次数、该批次电能表高供高计B相异常平均发生次数、该批次电能表电流失流平均发生次数、该批次电能表电流不平衡平均发生次数、该批次电能表电能表开盖平均发生次数、该批次电能表计量门开闭平均发生次数、该批次电能表恒定磁场干扰平均发生次数、该批次电能表用户停电平均发生次数、该批次电能表需量超容平均发生次数、该批次电能表负荷超容平均发生次数、该批次电能表电流过流平均发生次数、该批次电能表负荷持续超下限平均发生次数、该批次电能表相序异常平均发生次数、该批次电能表费控下发异常平均发生次数、该批次电能表剩余金额异常平均发生次数、该批次电能表电量异常诊断平均发生次数、该批次电能表电压电流异常诊断平均发生次数、该批次电能表异常用电诊断平均发生次数、该批次电能表负荷异常诊断平均发生次数、该批次电能表接线异常诊断平均发生次数、费该批次电能表控异常诊断平均发生次数、该批次电能表终端与主站无通信平均发生次数、该批次电能表集中器下电表全无数据平均发生次数、该批次电能表采集器下电表全无数据平均发生次数、该批次电能表电能表持续多天无数据平均发生次数、该批次电能表终端抄表不稳定平均发生次数、该批次电能表终端时钟异常平均发生次数、该批次电能表第一次采集异常的电能表平均运行天数、该批次电能表平均运行天数、该批次电能表制造单位、该批次电能表芯片厂家、该批次电能表芯片型号。

进一步的，S2中，LASSO回归模型是在损失函数后，加L1正则化，公式如下所示：

m为样本个数，k为参数个数，其中

为L1正则化。

模型求解过程如下：

(1)把θ向量随机取一个初值，开始迭代求解。

(2)对于第k轮的迭代，我们从θ₁ ^k开始，到θ_n ^k为止，依次求θ_i ^k，其中θ_i ^k的表达式如下：

θ_i ^k＝argmin J(θ₁ ^k，θ₂ ^k，...，θ_i-1 ^k，θ_i，θ_i+1 ^k-1，...，θ_n ^k-1).

(3)检查向量θ^k和向量θ^k-1在各个维度上的变化情况，如果在所有维度上变化都足够小，那么即为最终结果，否则转入2，继续第k+1轮的迭代。

进一步的，S3中，诊断在运电能表的批次故障率的方法包括以下步骤：

步骤1：将拆回电能表分拣数据按照批次的维度加工得到自变量；

步骤2：使用各批次的拆回分拣数据形成该批次某天的故障率；

步骤3：将步骤1的自变量，步骤2的数据作为因变量输入模型进行训练；

步骤4：提取在运电能表的特征数据，输入模型进行诊断，得到在运电能表的批次未来7天的故障率。

随着我国计量和信息化技术的进步，电能表生产工艺和智能化水平有了很大提升。目前国家电网已实现智能电能表全覆盖和全寿命周期信息化实时管控，若仍执行固定检定周期制度，对大量计量性能依旧良好的智能电能表，开展拆回检定，需要投入巨大的检定和安装调试成本，将造成极大的资源浪费；同时，也与计量技术进步、智能电能表运行特征及新时代绿色节能的发展要求不适应。因此，需要提前获知在运电能表的批次故障率，然而，现有技术人员在预测电能表故障时，通常采用电能表的现场监测，或者采用统计电运用表的安装信息，定期检测等常规技术操作，如公布号为CN 110531303 A专利文献公开的一种在运智能电能表批次故障预警方法及其系统，步骤1：将所有在运智能电能表批量按照批次划分规则分成运行批次；步骤2：对智能电能表检定检验数据、运行数据进行处理；步骤3：按照统计周期计算历史故障率、现场检验失准率，作为批次故障预警研判触发条件，若达到或超过设定阈值，则进入步骤4，若没有达到，则返回步骤2；步骤4：输出批次故障判定结果；步骤5：判断该运行批次是否满足批次故障判定条件，若满足条件，则进入步骤6；若不满足，则返回步骤2；步骤6：生成智能电能表运行批次故障处置方案；又如公布号为CN 110703183A专利文献公开的一种智能电能表故障数据分析方法及系统，旨在解决现有技术中对电能表故障问题缺乏有效管理的技术问题，包括：收集电能表故障数据；对电能表故障数据进行标准化处理；采用关联分析方法构建数据分析模型对标准化处理后的数据进行分析，获取基本属性与故障类型之间的相互关联关系；由此可知，基于拆回表分拣数据和采集异常(运行特征)数据，提取拆回电能表发生故障的规律特征，使用LASSO回归构建故障诊断模型，以故障表提取的规律特征类推同样特征的在运电能表，当在运电能表符合故障发生规则时，则诊断在运电能表7天内是否故障，对本领域技术人员来说是不容易想到的。

另外，现有技术中也存在采用拆回表故障信息来预测在运电能表故障的方法，如公布号为CN 110781206 A专利文献公开的一种学习拆回表故障特征规则预测在运电能表是否故障的方法，使用XGBoost模型学习拆回分拣结果和电能表的历史运行事件的数据中电能表故障与否的规则，利用学习到的规则预测在运表是否故障。其具体包括如下步骤：步骤一、数据采集：采集拆回分拣表的数据；步骤二、数据预处理：将采集到的数据加工处理成模型能够使用的数据；步骤三、建模分析：使用XGBoost模型对步骤二中的预处理数据进行分析，学习如何判断电能表是否故障的规则；步骤四、数据结果落地：利用学习到的规则，使用步骤二加工好的在运电能表数据，判断出在运电能表是否故障；但是，由于故障信息的不同，数据处理的方法也不同，构建的模型不同，从而对于预测在运电能表故障率的准确性也不同，而信息采集、信息处理和模型构建是一个统一、完整的过程，需要付出创造性的劳动，为了满足本申请的高准确率，本领域技术人员在现有技术的基础上难以实现。

与现有技术相比，本发明的有益效果如下：

本发明基于拆回表运行特征的在运电能表批次故障诊断方法，基于拆回表分拣数据和采集异常(运行特征)数据，首先将原始数据进行缺失值、异常值处理，然后将清洗好的数据输入LASSO模型进行自动化学习，提取拆回电能表批次故障率的规律特征，构建批次故障率诊断模型，最后依据建立的模型，诊断在运电能表的批次故障率，准确度高。

本发明基于拆回表运行特征的在运电能表批次故障诊断方法，整个诊断过程自动进行，并且模型能够使用最新的数据进行自动修正，随着有效数据的累计，模型的精度可以逐渐提升；本发明通过诊断得出的批次故障率，能够提前估计批次电能表的故障状态，尽早做出决策，防止大面积电能表故障带来的危害。

附图说明

图1是本发明实施例二的流程示意图。

具体实施方式

为了更好地理解本发明，下面结合实施例进一步清楚阐述本发明的内容，但本发明的保护内容不仅仅局限于下面的实施例。在下文的描述中，给出了大量具体的细节以便提供对本发明更为彻底的理解。然而，对于本领域技术人员来说显而易见的是，本发明可以无需一个或多个这些细节而得以实施。

实施例一

一种基于拆回表运行特征的在运电能表批次故障诊断方法，包括以下步骤：

S1：使用数据清洗方法对拆回电能表分拣数据和采集异常数据进行缺失值、异常值处理；

S2：将处理后的数据输入LASSO回归模型进行自动化学习，提取拆回电能表批次故障率的规律特征，构建故障诊断模型；

S3：使用故障诊断模型，诊断在运电能表的批次故障率。

S1中，经过处理的数据作为LASSO回归模型的自变量，自变量包括该批次电能表示值不平平均发生次数、该批次电能表飞走平均发生次数、该批次电能表倒走平均发生次数、该批次电能表停走平均发生次数、该批次电能表电压断相平均发生次数、该批次电能表电量差动异常平均发生次数、该批次电能表功率差动异常平均发生次数、该批次电能表功率因数异常平均发生次数、该批次电能表时钟异常平均发生次数、该批次电能表反向电量异常平均发生次数、该批次电能表潮流反向平均发生次数、该批次电能表时钟异常诊断平均发生次数、该批次电能表严重计量异常平均发生次数、该批次电能表异常事件平均发生次数、该批次电能表费率设置异常平均发生次数、该批次电能表电压越限平均发生次数、该批次电能表电压不平衡平均发生次数、该批次电能表高供高计B相异常平均发生次数、该批次电能表电流失流平均发生次数、该批次电能表电流不平衡平均发生次数、该批次电能表电能表开盖平均发生次数、该批次电能表计量门开闭平均发生次数、该批次电能表恒定磁场干扰平均发生次数、该批次电能表用户停电平均发生次数、该批次电能表需量超容平均发生次数、该批次电能表负荷超容平均发生次数、该批次电能表电流过流平均发生次数、该批次电能表负荷持续超下限平均发生次数、该批次电能表相序异常平均发生次数、该批次电能表费控下发异常平均发生次数、该批次电能表剩余金额异常平均发生次数、该批次电能表电量异常诊断平均发生次数、该批次电能表电压电流异常诊断平均发生次数、该批次电能表异常用电诊断平均发生次数、该批次电能表负荷异常诊断平均发生次数、该批次电能表接线异常诊断平均发生次数、费该批次电能表控异常诊断平均发生次数、该批次电能表终端与主站无通信平均发生次数、该批次电能表集中器下电表全无数据平均发生次数、该批次电能表采集器下电表全无数据平均发生次数、该批次电能表电能表持续多天无数据平均发生次数、该批次电能表终端抄表不稳定平均发生次数、该批次电能表终端时钟异常平均发生次数、该批次电能表第一次采集异常的电能表平均运行天数、该批次电能表平均运行天数、该批次电能表制造单位、该批次电能表芯片厂家、该批次电能表芯片型号。

S2中，LASSO回归模型是在损失函数后，加L1正则化，公式如下所示：

m为样本个数，k为参数个数，其中

为L1正则化。

模型求解过程如下：

(1)把θ向量随机取一个初值，开始迭代求解。

(2)对于第k轮的迭代，我们从θ₁ ^k开始，到θ_n ^k为止，依次求θ_i ^k，其中θ_i ^k的表达式如下：

θ_i ^k＝argmin J(θ₁ ^k，θ₂ ^k，，..，θ_i-1 ^k，θ_i，θ_i+1 ^k-1，...，θ_n ^k-1).

(3)检查向量θ^k和向量θ^k-1在各个维度上的变化情况，如果在所有维度上变化都足够小，那么即为最终结果，否则转入2，继续第k+1轮的迭代。

S3中，诊断在运电能表的批次故障率的方法包括以下步骤：

步骤1：将拆回电能表分拣数据按照批次的维度加工得到自变量；

步骤2：使用各批次的拆回分拣数据形成该批次某天的故障率；

步骤3：将步骤1的自变量，步骤2的数据作为因变量输入模型进行训练；

步骤4：提取在运电能表的特征数据，输入模型进行诊断，得到在运电能表的批次未来7天的故障率，如下表1所示：

表1两批次的7天故障率

序号

批次

d1

d2

d3

d4

d5

d6

d7

1

90002008911100578

0.0％

0.0037％

0.0100％

0.0300％

0.0％

0.0％

0.0％

2

2615051130470322

0.033％

0.0033％

0.0031％

0.0100％

0.0％

0.0％

0.0％

随机选择20个批次，诊断未来七天的故障率，和真实故障率进行对比，平均偏差为0.003714％。每个批次的偏差数据如下表2所示：

表2诊断偏差

由表2可知，本发明实施例的基于拆回表运行特征的在运电能表批次故障诊断方法，诊断误差小，能够准确估计在运电能表的批次未来7天的故障率，从而可以提前估计批次电能表的故障状态，尽早做出决策，防止大面积电能表故障带来的危害。

实施例二

如图1所示，本发明实施例的基于拆回表运行特征的在运电能表批次故障诊断方法，与实施例一的不同之处在于：包括以下步骤：(1)获取折回电能表分拣结果数据、采集异常(运行特征)数据和电能表档案数据；(2)将上述数据进行数据处理，包括数据清洗、数据转换和数据构造；(3)将处理后的数据进行模型构建，使用LASSO构建回归模型；(4)使用模型诊断在运电能表批次故障。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.一种基于拆回表运行特征的在运电能表批次故障诊断方法，其特征在于，包括以下步骤：

S1：使用数据清洗方法对拆回电能表分拣数据和采集异常数据进行缺失值、异常值处理；

S2：将处理后的数据输入LASSO回归模型进行自动化学习，提取拆回电能表批次故障率的规律特征，构建故障诊断模型；

S3：使用故障诊断模型，诊断在运电能表的批次故障率。

2.如权利要求1所述的基于拆回表运行特征的在运电能表批次故障诊断方法，其特征在于：S1中，经过处理的数据作为LASSO回归模型的自变量，自变量包括该批次电能表示值不平平均发生次数、该批次电能表飞走平均发生次数、该批次电能表倒走平均发生次数、该批次电能表停走平均发生次数、该批次电能表电压断相平均发生次数、该批次电能表电量差动异常平均发生次数、该批次电能表功率差动异常平均发生次数、该批次电能表功率因数异常平均发生次数、该批次电能表时钟异常平均发生次数、该批次电能表反向电量异常平均发生次数、该批次电能表潮流反向平均发生次数、该批次电能表时钟异常诊断平均发生次数、该批次电能表严重计量异常平均发生次数、该批次电能表异常事件平均发生次数、该批次电能表费率设置异常平均发生次数、该批次电能表电压越限平均发生次数、该批次电能表电压不平衡平均发生次数、该批次电能表高供高计B相异常平均发生次数、该批次电能表电流失流平均发生次数、该批次电能表电流不平衡平均发生次数、该批次电能表电能表开盖平均发生次数、该批次电能表计量门开闭平均发生次数、该批次电能表恒定磁场干扰平均发生次数、该批次电能表用户停电平均发生次数、该批次电能表需量超容平均发生次数、该批次电能表负荷超容平均发生次数、该批次电能表电流过流平均发生次数、该批次电能表负荷持续超下限平均发生次数、该批次电能表相序异常平均发生次数、该批次电能表费控下发异常平均发生次数、该批次电能表剩余金额异常平均发生次数、该批次电能表电量异常诊断平均发生次数、该批次电能表电压电流异常诊断平均发生次数、该批次电能表异常用电诊断平均发生次数、该批次电能表负荷异常诊断平均发生次数、该批次电能表接线异常诊断平均发生次数、费该批次电能表控异常诊断平均发生次数、该批次电能表终端与主站无通信平均发生次数、该批次电能表集中器下电表全无数据平均发生次数、该批次电能表采集器下电表全无数据平均发生次数、该批次电能表电能表持续多天无数据平均发生次数、该批次电能表终端抄表不稳定平均发生次数、该批次电能表终端时钟异常平均发生次数、该批次电能表第一次采集异常的电能表平均运行天数、该批次电能表平均运行天数、该批次电能表制造单位、该批次电能表芯片厂家、该批次电能表芯片型号。

3.如权利要求2所述的基于拆回表运行特征的在运电能表批次故障诊断方法，其特征在于：S2中，LASSO回归模型是在损失函数后，加L1正则化，公式如下所示：

m为样本个数，k为参数个数，其中

为L1正则化。

模型求解过程如下：

(1)把θ向量随机取一个初值，开始迭代求解。

(2)对于第k轮的迭代，我们从θ₁ ^k开始，到θ_n ^k为止，依次求θ_i ^k，其中θ_i ^k的表达式如下：

θ_i ^k＝argminJ(θ₁ ^k，θ₂ ^k，..，θ_i-1 ^k，θ_i，θ_i+1 ^k-1，...，θ_n ^k-1).

(3)检查向量θ^k和向量θ^k-1在各个维度上的变化情况，如果在所有维度上变化都足够小，那么即为最终结果，否则转入2，继续第k+1轮的迭代。

4.如权利要求3所述的基于拆回表运行特征的在运电能表批次故障诊断方法，其特征在于：S3中，诊断在运电能表的批次故障率的方法包括以下步骤：

步骤1：将拆回电能表分拣数据按照批次的维度加工得到自变量；

步骤2：使用各批次的拆回分拣数据形成该批次某天的故障率；

步骤3：将步骤1的自变量，步骤2的数据作为因变量输入模型进行训练；

步骤4：提取在运电能表的特征数据，输入模型进行诊断，得到在运电能表的批次未来7天的故障率。

Images