CN113591266A - 一种电能表故障概率的分析方法及系统 - Google Patents
一种电能表故障概率的分析方法及系统 Download PDFInfo
- Publication number
- CN113591266A CN113591266A CN202110659398.XA CN202110659398A CN113591266A CN 113591266 A CN113591266 A CN 113591266A CN 202110659398 A CN202110659398 A CN 202110659398A CN 113591266 A CN113591266 A CN 113591266A
- Authority
- CN
- China
- Prior art keywords
- fault
- electric energy
- energy meter
- probability
- reinstallation
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Abstract
本发明提供一种电能表故障概率的分析方法及系统,包括:获取在运电能表的技术参数,并为在运电能表设置多个在运时长;将在运电能表的技术参数及多个在运时长输入到预先构建的故障分析模型中,分别得到多个设定在运时长下在运电能表的故障分类概率;将大于故障阈值且电能表数量最多时的故障分类概率对应的在运时长作为在运电能表的故障重装拐点,并计算在运电能表在故障重装拐点时对应的故障概率;其中,故障分析模型是基于决策树算法,利用在运电能表的当前的技术参数及历史故障电能表的技术参数构建的。本发明基于决策树算法可以精准预测电能表的故障重装拐点及对应的故障概率,有效减少因故障电能表未及时更换对电网造成扰动及电量异常的情况。
Description
技术领域
本发明涉及电能表故障分析领域,具体涉及一种电能表故障概率的分析方法及系统。
背景技术
目前对电能表的故障概率分析,主要是根据电能表安装及故障情况计算电能表额定故障率来确定电能表的故障情况。这种分析方法是对电能表历史运行情况的分析和说明,在用于当前在运电能表进行故障识别时的准确率较低,不能满足电能表故障概率分析的业务需求。同时,随着时间的推移,在历史固定时刻安装的批量电能表的故障概率不断的增加,利用现有的电能表故障概率分析方法难以准确预测电能表出现大批量故障重装的时间拐点及电能表在故障重装的时间拐点的故障概率,容易造成故障电能表故障重装不及时导致的电网波动及电量异常的问题。
发明内容
针对现有技术中存在的电能表的故障概率预测准确度较低的问题,本发明提供了一种电能表故障概率的分析方法,包括:
获取在运电能表的技术参数,并为所述在运电能表设置多个在运时长;
将所述在运电能表的技术参数及多个在运时长输入到预先构建的故障分析模型中,分别得到多个设定在运时长下在运电能表的故障分类概率;
将大于故障阈值且电能表数量最多时的故障分类概率对应的在运时长作为在运电能表的故障重装拐点,并计算在运电能表在故障重装拐点时对应的故障概率;
其中,所述故障分析模型是基于决策树算法,利用所述在运电能表的当前的技术参数及历史故障电能表的技术参数构建的。
优选的,所述在运电能表及所述历史故障电能表的技术参数,包括:区域、供应商、利用在运电能表的冻结日期或历史故障电能表的故障日期及对应的安装日期计算得到的在运时长、利用在运电能表或历史故障电能表的入库日期及对应的安装日期计算的库存时长、故障及正常标签。
优选的,所述故障情况分析模型的构建,包括:
基于决策树算法,分别利用所述区域、供应商、在运时长、库存时长属性下对应的每个电能表的参数对应计算每个属性的信息增益率;
将所述信息增益率最大对应的属性作为根节点,并在确定根节点后重复计算所述每个属性对应的信息增益率按照每轮计算得到的最大信息增益率生成内部节点,直至信息增益率不变时的节点作为叶节点;
基于所述根节点、内部节点及叶节点构建所述故障分析模型。
优选的,所述将大于故障阈值且电能表数量最多时的故障分类概率对应的设定在运时长作为在运电能表的故障重装拐点,并计算在运电能表在故障重装拐点时对应的故障概率,包括:
将大于所述故障阈值时对应的设定运行时长的所有电能表作为故障重装拐点下的故障电能表;
将所述在设定运行时长下的故障电能表的数量与所有在运电能表的总数之比作为在运电能表运行到所述故障重装拐点的故障概率。
优选的,所述多个设定在运时长是利用所述在运电能表的当前在运时长加上多个设定变更的时间长度确定的。
基于同一发明构思,本发明还提供一种电能表故障概率的分析系统,包括:
获取模块,用于获取在运电能表的技术参数,并为所述在运电能表设置多个在运时长;
故障分析模块,用于将所述在运电能表的技术参数及多个在运时长输入到预先构建的故障分析模型中,分别得到多个设定在运时长下在运电能表的故障分类概率;
重装拐点及故障概率确定模块,用于将大于故障阈值且电能表数量最多时的故障分类概率对应的在运时长作为在运电能表的故障重装拐点,并计算在运电能表在故障重装拐点时对应的故障概率;
其中,所述故障分析模型是基于决策树算法,利用所述在运电能表的当前的技术参数及历史故障电能表的技术参数构建的。
优选的,所述获取模块获取到的在运电能表的技术参数及所述历史故障电能表的技术参数,包括:区域、供应商、利用在运电能表的冻结日期或历史故障电能表的故障日期及对应的安装日期计算得到的在运时长、利用在运电能表或历史故障电能表的入库日期及对应的安装日期计算的库存时长、故障及正常标签。
优选的,所述故障情况分析模型的构建,包括:
基于决策树算法,分别利用所述区域、供应商、在运时长、库存时长属性下对应的每个电能表的参数对应计算每个属性的信息增益率;
将所述信息增益率最大对应的属性作为根节点,并在确定根节点后重复计算所述每个属性对应的信息增益率按照每轮计算得到的最大信息增益率生成内部节点,直至信息增益率不变时的节点作为叶节点;
基于所述根节点、内部节点及叶节点构建所述故障分析模型。
优选的,所述重装拐点及故障概率确定模块,包括:
重装拐点确定子模块,用于将大于所述故障阈值时对应的设定运行时长的所有电能表作为故障重装拐点下的故障电能表;
故障概率确定子模块,用于将所述在设定运行时长下的故障电能表的数量与所有在运电能表的总数之比作为在运电能表运行到所述故障重装拐点的故障概率。
与现有技术相比,本发明的有益效果为:
本发明提供一种电能表故障概率的分析方法及系统,包括:获取在运电能表的技术参数,并为所述在运电能表设置多个在运时长;将所述在运电能表的技术参数及多个在运时长输入到预先构建的故障分析模型中,分别得到多个设定在运时长下在运电能表的故障分类概率;将大于故障阈值且电能表数量最多时的故障分类概率对应的在运时长作为在运电能表的故障重装拐点,并计算在运电能表在故障重装拐点时对应的故障概率;其中,所述故障分析模型是基于决策树算法,利用所述在运电能表的当前的技术参数及历史故障电能表的技术参数构建的。本发明基于决策树算法可以精准预测电能表的故障重装拐点及对应的故障概率,有效减少因故障电能表的不及时更换对电网造成扰动及电量异常的情况。
附图说明
图1为本发明一种电能表故障概率的分析方法的流程图;
图2为本发明一种电能表故障概率的分析系统的示意图。
具体实施方式
实施例1
针对现有技术存在的电能表的故障概率预测准确度较低的问题,本发明提供一种电能表故障概率的分析方法,如图1所示,包括:
步骤1,获取在运电能表的技术参数,并为所述在运电能表设置多个在运时长;
步骤2,将所述在运电能表的技术参数及多个在运时长输入到预先构建的故障分析模型中,分别得到多个设定在运时长下在运电能表的故障分类概率;
步骤3,将大于故障阈值且电能表数量最多时的故障分类概率对应的在运时长作为在运电能表的故障重装拐点,并计算在运电能表在故障重装拐点时对应的故障概率;
其中,所述故障分析模型是基于决策树算法,利用所述在运电能表的当前的技术参数及历史故障电能表的技术参数构建的。
在所述步骤1中,获取当前在运电能表的技术参数,为所述在运电能表设置多个在运时长;
所述在运电能表的技术参数包括:区域、供应商、利用在运电能表的冻结日期及对应的安装日期计算得到的在运时长、利用在运电能表的入库日期及对应的安装日期计算的库存时长、正常标签。
在本实施例中,从资产生命周期来看,资产运行时间越长,越接近退役期,资产的故障概率越高,因此,电能表的在运时长属性,对于预测电能表的故障概率具有重大意义。对于正在运行的电能表,其在运时长计算公式如下:
Li=R-ARi
式中,Li表示在运电能表中第i只在运电能表的在运时长,R表示在运数据的冻结日期,ARi表示第i只电能表的安装日期。
所述在运电能表的库存时长按下式确定:
Kn=ARn-DRn
式中,Kn表示第n只在运电能表的库存时长,ARn表示第n只在运电能表的安装日期,DRn表示第n只在运电能表的入库日期。
所述为在运电能表设置的多个设定在运时长,是利用在运电能表的在运时长加上多个设定变更的时间长度确定的,后续用于对在运电能表未来几年的大批量故障重装拐点及故障概率进行预测;
所述在运电能表的多个在运时长,按下式确定:
ZY′i,j=zyi+j(j=1,2,3…n)
式中,ZY′i,j表示第i个在运电能表的在运时长变更为运行到第j个时段的在运时长,zyi表示第i个在运电能表的当前在运时长,j表示变更时长。
在所述步骤2之前,利用决策树算法构建故障分析模型,具体步骤如下:
获取历史故障电能表的技术参数,包括:区域、供应商、利用历史故障电能表的历史故障电能表的故障日期及对应的安装日期计算得到的在运时长、利用历史故障电能表的入库日期及对应的安装日期计算的库存时长、故障标签;
其中,历史故障电能表的在运时长,按下式计算:
L′i=Ri-AR′i
式中,L′i表示历史故障电能表中第i只电能表的在运时长,Ri表示历史故障电能表中第i只电能表的故障日期,AR′i表示历史故障电能表中第i只电能表的安装日期。
历史故障电能表的库存时长按下式确定:
Kh=ARh-DRh
式中,Kh表示第h只历史故障电能表的库存时长,ARh表示第h只历史故障电能表的安装日期,DRh表示第h只历史故障电能表的入库日期;
基于决策树算法,分别利用每个在运电能表及历史故障电能表的技术参数按照区域、供应商、在运时长、库存时长属性下对应的每个电能表的参数形成决策树分析宽表,并对应计算每个属性的信息增益率;
将所述信息增益率最大对应的属性作为根节点,并在确定根节点后重复计算所述每个属性对应的信息增益率按照每轮计算得到的最大信息增益率生成内部节点,直至信息增益率不变时的节点作为叶节点;
基于所述根节点、内部节点及叶节点构建所述故障分析模型。
在本实施例中,所述故障分析模型是基于C4.5决策树算法构建的,同时可应用于全部在运电能表故障概率的预测;根据在运电能表的技术参数及历史故障电能表的技术参数中包含的故障标签,将标签为正常的电能表作为标签0类,标签为故障的电能表作为标签1类,输出决策树算法分类概率,并在所述分类概率中筛选出每个节点中包含的数据分类到标签1类的概率大于0.9对应的在运电能表的数据和历史故障电能表。
对于分析维度i,按下式确定:
式中,Si表示第i个供应商(or区域or安装年份)分类到标签1类的概率大于0.9对应的在运电能表和历史故障电能表的数量,d表示故障分类概率,Zi表示第i个供应商(or区域or安装年份)总在运电能表的数量;
其中,所述分析维度i下电能表的故障概率,按下式计算:
式中,Pi表示第i个供应商(or区域or安装年份)的电能表故障概率。
根据计算得到的基于第i个维度的电能表故障概率Pi,获取各个区域、供应商当前的电能表故障概率,了解在运电能表整体健康状况,为电能表的库存管理提供决策支撑。
在所述步骤2中,将所述步骤1中获取的在运电能表的技术参数及对应的多个设定在运时长输入到构建好的故障分析模型中,输出在运电能表在多个设定在运时长下的故障分类概率;
在所述步骤3中,基于所述步骤2中得到的故障分类概率,计算分到标签1类分类概率达到故障阈值为0.9以上的在运电能表的数量占全部在运电能表数量的比值作为电能表的故障概率,将所述故障概率最大时对应设定在运时长作为大批量电能表出现故障的故障重装拐点,并计算故障重装拐点对应的在运电能表的故障概率;
所述故障重装拐点对应的在运电能表的故障概率,按下式计算:
式中,Pj表示在运时长为j时在运电能表故障概率,Pj表示在运时长为j时分类概率大于故障阈值的在运电能表的数量,Z表示在运电能表的总数量。
本发明提供的一种电能表故障概率的分析方法,通过对未来时段的电能表故障概率进行预测,获取电能表故障占比情况,可准确预测到电能表大批量更换的故障重装拐点及更换的数量,解决了现有技术中基于电能表数据开展电能表故障分析时只能基于已发生故障的电能表数据计算电能表的总故障率,难于准确预测当前在运电能表可能已经发生故障的情况、电能表出现大批量故障重装的时间拐点及对应的故障概率,进而降低了因故障电能表的不及时更换对电网造成扰动及电量异常的概率,有效减少因故障电能表的不及时更换对电网造成扰动及电量异常的情况,有助于电能表的库存管理及电能表运行管理。
实施例2
基于同一发明构思,本发明还提供一种电能表故障概率的分析系统,如图2所示,包括:
获取模块,用于获取在运电能表的技术参数,并为所述在运电能表设置多个在运时长;
故障分析模块,用于将所述在运电能表的技术参数及多个在运时长输入到预先构建的故障分析模型中,分别得到多个设定在运时长下在运电能表的故障分类概率;
重装拐点及故障概率确定模块,用于将大于故障阈值且电能表数量最多时的故障分类概率对应的在运时长作为在运电能表的故障重装拐点,并计算在运电能表在故障重装拐点时对应的故障概率;
其中,所述故障分析模型是基于决策树算法,利用所述在运电能表的当前的技术参数及历史故障电能表的技术参数构建的。
所述获取模块,包括参数获取子模块和参数设置子模块;
所述参数获取子模块,用于获取当前在运电能表的技术参数;
所述参数获取子模块获取到的在运电能表的技术参数包括:区域、供应商、利用在运电能表的冻结日期及对应的安装日期计算得到的在运时长、利用在运电能表的入库日期及对应的安装日期计算的库存时长、正常标签。
在本实施例中,从资产生命周期来看,资产运行时间越长,越接近退役期,资产的故障概率越高,因此,电能表的在运时长属性,对于预测电能表的故障概率具有重大意义。对于正在运行的电能表,其在运时长计算公式如下:
Li=R-ARi
式中,Li表示在运电能表中第i只在运电能表的在运时长,R表示在运数据的冻结日期,ARi表示第i只电能表的安装日期。
所述在运电能表的库存时长按下式确定:
Kn=ARn-DRn
式中,Kn表示第n只在运电能表的库存时长,ARn表示第n只在运电能表的安装日期,DRn表示第n只在运电能表的入库日期。
所述参数设置子模块,用于为所述在运电能表设置多个在运时长;
所述参数设置子模块利用在运电能表的在运时长加上多个设定变更的时间长度确定的;
所述在运电能表的多个在运时长,按下式确定:
ZY′i,j=zyi+j(j=1,2,3…n)
式中,ZY′i,j表示第i个在运电能表的在运时长变更为运行到第j个时段的在运时长,zyi表示第i个在运电能表的当前在运时长,j表示变更时长。
在利用所述故障分析模块对在运电能表进行分析之前,利用决策树算法构建故障分析模型,具体步骤如下:
获取历史故障电能表的技术参数,包括:区域、供应商、利用历史故障电能表的历史故障电能表的故障日期及对应的安装日期计算得到的在运时长、利用历史故障电能表的入库日期及对应的安装日期计算的库存时长、故障标签;
其中,历史故障电能表的在运时长,按下式计算:
L′i=Ri-AR′i
式中,L′i表示历史故障电能表中第i只电能表的在运时长,Ri表示历史故障电能表中第i只电能表的故障日期,AR′i表示历史故障电能表中第i只电能表的安装日期。
历史故障电能表的库存时长按下式确定:
Kh=ARh-DRh
式中,Kh表示第h只历史故障电能表的库存时长,ARh表示第h只历史故障电能表的安装日期,DRh表示第h只历史故障电能表的入库日期;
基于决策树算法,分别利用每个在运电能表及历史故障电能表的技术参数按照区域、供应商、在运时长、库存时长属性下对应的每个电能表的参数形成决策树分析宽表,并对应计算每个属性的信息增益率;
将所述信息增益率最大对应的属性作为根节点,并在确定根节点后重复计算所述每个属性对应的信息增益率按照每轮计算得到的最大信息增益率生成内部节点,直至信息增益率不变时的节点作为叶节点;
基于所述根节点、内部节点及叶节点构建所述故障分析模型。
在本实施例中,所述故障分析模型是基于C4.5决策树算法构建的,同时可应用于全部在运电能表故障概率的预测;根据在运电能表的技术参数及历史故障电能表的技术参数中包含的故障标签,将标签为正常的电能表作为标签0类,标签为故障的电能表作为标签1类,输出决策树算法分类概率,并在所述分类概率中筛选出每个节点中包含的数据分类到标签1类的概率大于0.9对应的在运电能表的数据和历史故障电能表。
对于分析维度i,按下式确定:
式中,Si表示第i个供应商(or区域or安装年份)分类到标签1类的概率大于0.9对应的在运电能表和历史故障电能表的数量,d表示故障分类概率,Zi表示第i个供应商(or区域or安装年份)总在运电能表的数量;
其中,所述分析维度i下电能表的故障概率,按下式计算:
式中,Pi表示第i个供应商(or区域or安装年份)的电能表故障概率。
根据计算得到的基于第i个维度的电能表故障概率Pi,获取各个区域、供应商当前的电能表故障概率,了解在运电能表整体健康状况,为电能表的库存管理提供决策支撑。
所述故障分析模块,用于将所述步骤1中获取的在运电能表的技术参数及对应的多个设定在运时长输入到构建好的故障分析模型中,输出在运电能表在多个设定在运时长下的故障分类概率;
所述重装拐点及故障概率确定模块,包括:故障拐点确定子模块及故障概率确定子模块;
所述故障拐点确定子模块,用于基于所述分类概率,计算分到标签1类分类概率达到故障阈值为0.9以上的在运电能表的数量占全部在运电能表数量的比值作为电能表的故障概率,将所述故障概率最大时对应设定在运时长作为大批量电能表出现故障的故障重装拐点;
所述故障概率确定子模块,用于计算故障重装拐点对应的在运电能表的故障概率;
所述故障重装拐点对应的在运电能表的故障概率,按下式计算:
式中,Pj表示在运时长为j时在运电能表故障概率,Pj表示在运时长为j时分类概率大于故障阈值的在运电能表的数量,Z表示在运电能表的总数量。
显然,所描述的实施例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做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。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种电能表故障概率的分析方法,其特征在于,包括:
获取在运电能表的技术参数,并为所述在运电能表设置多个在运时长;
将所述在运电能表的技术参数及多个在运时长输入到预先构建的故障分析模型中,分别得到多个设定在运时长下在运电能表的故障分类概率;
将大于故障阈值且电能表数量最多时的故障分类概率对应的在运时长作为在运电能表的故障重装拐点,并计算在运电能表在故障重装拐点时对应的故障概率;
其中,所述故障分析模型是基于决策树算法,利用所述在运电能表的当前的技术参数及历史故障电能表的技术参数构建的。
2.根据权利要求1所述方法,其特征在于,所述在运电能表及所述历史故障电能表的技术参数,包括:区域、供应商、利用在运电能表的冻结日期或历史故障电能表的故障日期及对应的安装日期计算得到的在运时长、利用在运电能表或历史故障电能表的入库日期及对应的安装日期计算的库存时长、故障及正常标签。
3.根据权利要求1所述方法,其特征在于,所述故障情况分析模型的构建,包括:
基于决策树算法,分别利用所述区域、供应商、在运时长、库存时长属性下对应的每个电能表的参数对应计算每个属性的信息增益率;
将所述信息增益率最大对应的属性作为根节点,并在确定根节点后重复计算所述每个属性对应的信息增益率按照每轮计算得到的最大信息增益率生成内部节点,直至信息增益率不变时的节点作为叶节点;
基于所述根节点、内部节点及叶节点构建所述故障分析模型。
4.根据权利要求1所述方法,其特征在于,所述将大于故障阈值且电能表数量最多时的故障分类概率对应的设定在运时长作为在运电能表的故障重装拐点,并计算在运电能表在故障重装拐点时对应的故障概率,包括:
将大于所述故障阈值时对应的设定运行时长的所有电能表作为故障重装拐点下的故障电能表;
将所述在设定运行时长下的故障电能表的数量与所有在运电能表的总数之比作为在运电能表运行到所述故障重装拐点的故障概率。
5.根据权利要求1所述方法,其特征在于,所述多个设定在运时长是利用所述在运电能表的当前在运时长加上多个设定变更的时间长度确定的。
7.一种电能表故障概率的分析系统,其特征在于,包括:
获取模块,用于获取在运电能表的技术参数,并为所述在运电能表设置多个在运时长;
故障分析模块,用于将所述在运电能表的技术参数及多个在运时长输入到预先构建的故障分析模型中,分别得到多个设定在运时长下在运电能表的故障分类概率;
重装拐点及故障概率确定模块,用于将大于故障阈值且电能表数量最多时的故障分类概率对应的在运时长作为在运电能表的故障重装拐点,并计算在运电能表在故障重装拐点时对应的故障概率;
其中,所述故障分析模型是基于决策树算法,利用所述在运电能表的当前的技术参数及历史故障电能表的技术参数构建的。
8.根据权利要求7所述系统,其特征在于,所述获取模块获取到的在运电能表的技术参数及所述历史故障电能表的技术参数,包括:区域、供应商、利用在运电能表的冻结日期或历史故障电能表的故障日期及对应的安装日期计算得到的在运时长、利用在运电能表或历史故障电能表的入库日期及对应的安装日期计算的库存时长、故障及正常标签。
9.根据权利要求7所述系统,其特征在于,所述故障情况分析模型的构建,包括:
基于决策树算法,分别利用所述区域、供应商、在运时长、库存时长属性下对应的每个电能表的参数对应计算每个属性的信息增益率;
将所述信息增益率最大对应的属性作为根节点,并在确定根节点后重复计算所述每个属性对应的信息增益率按照每轮计算得到的最大信息增益率生成内部节点,直至信息增益率不变时的节点作为叶节点;
基于所述根节点、内部节点及叶节点构建所述故障分析模型。
10.根据权利要求7所述系统,其特征在于,所述重装拐点及故障概率确定模块,包括:
重装拐点确定子模块,用于将大于所述故障阈值时对应的设定运行时长的所有电能表作为故障重装拐点下的故障电能表;
故障概率确定子模块,用于将所述在设定运行时长下的故障电能表的数量与所有在运电能表的总数之比作为在运电能表运行到所述故障重装拐点的故障概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659398.XA CN113591266A (zh) | 2021-06-15 | 2021-06-15 | 一种电能表故障概率的分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659398.XA CN113591266A (zh) | 2021-06-15 | 2021-06-15 | 一种电能表故障概率的分析方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113591266A true CN113591266A (zh) | 2021-11-02 |
Family
ID=78243746
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110659398.XA Pending CN113591266A (zh) | 2021-06-15 | 2021-06-15 | 一种电能表故障概率的分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113591266A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116990744A (zh) * | 2023-09-25 | 2023-11-03 | 北京志翔科技股份有限公司 | 一种电能表检测方法、装置、设备及介质 |
-
2021
- 2021-06-15 CN CN202110659398.XA patent/CN113591266A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116990744A (zh) * | 2023-09-25 | 2023-11-03 | 北京志翔科技股份有限公司 | 一种电能表检测方法、装置、设备及介质 |
CN116990744B (zh) * | 2023-09-25 | 2023-12-05 | 北京志翔科技股份有限公司 | 一种电能表检测方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
CN104966141B (zh) | 更新用于生成工业资产健康状况简档的模型的方法和系统 | |
Lin et al. | Time series prediction algorithm for intelligent predictive maintenance | |
CN111754024B (zh) | 一种基于回归分析的电力行业时间序列的预测方法和系统 | |
CN111814964A (zh) | 基于空气质量状况预报的空气污染处理方法及存储介质 | |
CN116187552A (zh) | 异常检测方法、计算设备及计算机存储介质 | |
CN115204536A (zh) | 楼宇设备故障预测方法、装置、设备及存储介质 | |
CN112148561A (zh) | 业务系统的运行状态预测方法、装置及服务器 | |
CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
CN115755614A (zh) | 基于碳排监测的用能优化调控方法及装置 | |
CN112734141B (zh) | 一种多元化负荷区间预测方法及装置 | |
CN111080484A (zh) | 一种配电网异常数据监测方法及装置 | |
CN113591266A (zh) | 一种电能表故障概率的分析方法及系统 | |
CN110781206A (zh) | 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 | |
CN116293454A (zh) | 一种基于蒸汽管网动态平衡的管理系统、方法及介质 | |
CN110796282A (zh) | 一种基于相关性系数的行业波动周期监测方法 | |
Kirschenmann et al. | Decision dependent stochastic processes | |
CN108664696B (zh) | 一种冷水机组运行状态的测评方法及装置 | |
CN112734072A (zh) | 电力负荷预测方法、系统、终端设备及介质 | |
CN115271277A (zh) | 电力设备画像构建方法、系统、计算机设备及存储介质 | |
Peralta et al. | Unit commitment with load uncertainty by joint chance-constrained programming | |
CN114168409A (zh) | 一种业务系统运行状态监控预警方法与系统 | |
CN114037285A (zh) | 一种配网自动化应用成效分析方法及相关系统 | |
CN112737120A (zh) | 区域电网控制报告的生成方法、装置和计算机设备 | |
Cherukuri et al. | Control Spare Parts Inventory Obsolescence by Predictive Modelling |
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 |