CN114662589A - 一种电表故障研判方法、装置、设备和可读存储介质 - Google Patents

一种电表故障研判方法、装置、设备和可读存储介质 Download PDF

Info

Publication number
CN114662589A
CN114662589A CN202210278795.7A CN202210278795A CN114662589A CN 114662589 A CN114662589 A CN 114662589A CN 202210278795 A CN202210278795 A CN 202210278795A CN 114662589 A CN114662589 A CN 114662589A
Authority
CN
China
Prior art keywords
fault
information
ammeter
code
fault information
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
Application number
CN202210278795.7A
Other languages
English (en)
Inventor
陈伟松
周密
邓建斌
钱斌
郭斌
罗奕
许丽娟
王吉
冯兴兴
张帆
赵烨
李富盛
陈俊艺
孙颖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China South Power Grid International Co ltd
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
China South Power Grid International Co ltd
Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China South Power Grid International Co ltd, Guangzhou Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical China South Power Grid International Co ltd
Priority to CN202210278795.7A priority Critical patent/CN114662589A/zh
Publication of CN114662589A publication Critical patent/CN114662589A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Evolutionary Biology (AREA)
  • Mathematical Physics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Algebra (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本申请公开了一种电表故障研判方法、装置、设备和可读存储介质，方法包括：获取各电表的历史故障信息和当前故障电表的故障信息；确定历史故障信息中的每一条故障信息分别对应的故障状态编码；统计历史故障信息中故障状态转移组的种类和各类故障状态转移组的数量，并依据统计结果生成故障状态转移矩阵；根据当前故障电表的故障信息，确定当前故障电表的故障信息对应的目标故障状态编码；根据故障状态转移矩阵和目标故障状态编码，确定当前故障电表的故障研判结果。依据故障研判结果，运维人员提前对可能发生的二次故障问题进行检查，以避免二次故障发生，或在二次故障检查时，优先对概率高的故障类型进行检测，以提升维修时的故障检查效率。

Description

一种电表故障研判方法、装置、设备和可读存储介质
技术领域
本申请涉及电力诊断领域，更具体地说，涉及电表故障研判方法、装置、设备和可读存储介质。
背景技术
智能电表是智能电网，特别是智能配电网数据采集的基本设备之一，承担着原始电能数据采集、计量和传输的任务，是实现信息集成、分析优化和信息展现的基础。
而长期以来，经过智能电表全面覆盖运行和相关信息系统的建成，智能电表的故障时常发生，电网系统也收集了一系列用户智能电表发生的故障运维工单，然而，因为故障发现不彻底或者多种异常故障之间本身存在链式发生反应，大量电表在上一次故障处理完成后，没过多长时间又出现了其它或者同类故障事件，这为运维人员的现场核查检定带来了很多反复的工作。
基于上述情况，本申请提出了一种电表故障研判方案，实现对二次故障的发生起到预警作用。
发明内容
有鉴于此，本申请提供了一种电表故障研判方法、装置、设备和可读存储介质，实现对作业全过程各类人员安全生产责任落实情况进行有效综合量化评估。
为了实现上述目的，现提出的方案如下：
一种电表故障研判方法，包括：
获取各电表的历史故障信息和当前故障电表的故障信息；
确定所述历史故障信息中的每一条故障信息分别对应的故障状态编码；
统计所述历史故障信息中故障状态转移组的种类和各类所述故障状态转移组的数量，并依据统计结果生成故障状态转移矩阵，所述故障状态转移组包括同一电表上相邻两次故障的故障状态编码及转移方向，所述故障状态转移矩阵由各故障状态编码之间的转移概率组成；
根据所述当前故障电表的故障信息，确定所述当前故障电表的故障信息对应的目标故障状态编码；
根据所述故障状态转移矩阵和所述目标故障状态编码，确定所述当前故障电表的故障研判结果，所述故障研判结果包括下一次故障可能的故障类型和对应的概率。
优选的，确定所述历史故障信息中的每一条故障信息分别对应的故障状态编码，包括：
分别确定所述历史故障信息中的每一条故障信息属于的故障类型及在所述属于的故障类型下的编码；
将所述编码确定为对应的故障信息的故障状态编码。
优选的，分别确定所述历史故障信息中的每一条故障信息属于的故障类型及在所述属于的故障类型下的编码，包括：
将所述历史故障信息划分为数据异常类型和设备异常类型；
对于属于数据异常类型的各故障信息：
获取发生数据异常的各电表在预设时间范围内的用电曲线，生成用电曲线数据库；
对所述用电曲线数据库进行聚类，得到若干聚类簇，将每一聚类簇中用电曲线的中位曲线作为类特征曲线，并定义所述每一聚类簇的数据异常子类型及编码，其中，所述聚类簇的异常类型作为聚类簇内各故障信息所属的异常类型，所述聚类簇的编码作为聚类簇内各故障信息的编码；
对于属于设备异常类型的各故障信息：
定义所述设备异常类型下的每一种异常的设备异常子类型及编码。
优选的，在生成用电曲线数据库之前，还包括：
对所述用电曲线进行标幺化处理。
优选的，若所述当前故障电表的故障信息属于数据异常类型的故障信息，则确定所述当前故障电表的故障信息对应的目标故障状态编码的过程，包括：
获取所述当前故障电表的预设时间范围内的目标用电曲线；
对所述目标用电曲线和所述每一聚类簇的类特征曲线进行相似度评判，并将相似度最高的类特征曲线所在的聚类簇的编码作为目标故障状态编码。
优选的，对所述目标用电曲线和所述每一聚类簇的类特征曲线进行相似度评判，并将相似度最高的类特征曲线所在的聚类簇的编码作为目标故障状态编码，包括：
逐一计算所述目标用电曲线和所述每一聚类簇的类特征曲线的欧式距离，并将欧式距离最小的类特征曲线所在的聚类簇的编码作为目标故障状态编码。
优选的，定义所述每一聚类簇的编码，包括：
依据所述每一聚类簇的类特征曲线的排列顺序，确定所述每一聚类簇的编码。
一种电表故障研判装置，包括：
获取单元，用于获取各电表的历史故障信息和当前故障电表的故障信息；
第一编码单元，用于确定所述历史故障信息中的每一条故障信息分别对应的故障状态编码；
统计单元，用于统计所述历史故障信息中故障状态转移组的种类和各类所述故障状态转移组的数量，并依据统计结果生成故障状态转移矩阵，所述故障状态转移组包括同一电表上相邻两次故障的故障状态编码及转移方向，所述故障状态转移矩阵由各故障状态编码之间的转移概率组成；
第二编码单元，用于根据所述当前故障电表的故障信息，确定所述当前故障电表的故障信息对应的目标故障状态编码；
研判单元，用于根据所述故障状态转移矩阵和所述目标故障状态编码，确定所述当前故障电表的故障研判结果，所述故障研判结果包括下一次故障可能的故障类型和对应的概率。
一种电表故障研判设备，包括存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如上述的电表故障研判方法的各个步骤。
一种可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述的电表故障研判方法的各个步骤。
从上述的技术方案可以看出，本申请实施例提供的一种电表故障研判方法、装置、设备和可读存储介质，通过获取各电表的历史故障信息和当前故障电表的故障信息，确定所述历史故障信息中每一条故障信息对应的故障状态编码，对各电表的历史故障信息进行统计分析，得到历史故障信息中故障状态转移组的种类和各类所述故障状态转移组的数量，并依据统计结果生成故障状态转移矩阵，由于故障状态转移组包括同一电表上相邻两次故障的故障状态编码及转移方向，因此各类所述故障状态转移组的数量即为发生前后连续两次故障的故障状态编码组成方式及转移方式相同的故障转移次数，次数的多少可以体现这两种故障之间的关联性。故障状态转移矩阵依据统计结果生成，所述故障状态转移矩阵由各故障状态编码之间的转移概率组成，即故障状态转移矩阵的每一个因子都表征一种故障导致下一次发生的另一故障的概率。
在确定所述当前故障电表的目标故障状态编码后，根据所述故障状态转移矩阵，可以确定所述当前故障电表的故障研判结果，即当前电表二次故障将可能发生的故障类型和对应的概率。依据故障研判结果，运维人员可在发生当前故障时，就对可能发生的二次故障问题进行检查，以避免二次故障发生，同时也可以在二次故障发生后，优先对概率高的故障类型进行检测，以提升维修时的对故障电表的故障检查效率。
附图说明
为了更清楚地说明本申请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申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种电表故障研判方法的流程图；
图2为本申请公开的一种电表故障研判装置结构框图；
图3为本申请公开的一种电表故障研判设备的硬件结构框图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
接下来介绍本申请方案，本申请提出如下技术方案，具体参见下文。
图1为本申请实施例公开的一种电表故障研判方法流程图，如图1所示，该方法可以包括：
步骤S1、获取各电表的历史故障信息和当前故障电表的故障信息。
具体的，获取各电表的历史故障信息，即获取历史低压用户智能电能表历史故障运维工单信息。历史故障信息包括曾发生故障的智能电表资产编号、运行地区、故障发生时间、故障发生原因等，每发生一次故障生成一条故障信息记录在历史故障信息中。
示例如，电表1发生第一次故障，则生成一条故障信息，记录该次故障对应的故障时间、故障原因等，电表1在一段时间后发生第二次故障，再次生成一条故障记录，记录第二次故障对应的故障时间、故障原因等。在该电网中，任一电表发生的故障都要对应生成故障信息，所有已生成故障信息组成历史故障信息。
当前故障电表的故障信息为当前发生故障的故障电表对应的当前故障故障信息，需依据当前该电表的故障信息，分析该电表下一次故障可能发生的故障类型和对应的概率。
步骤S2、确定所述历史故障信息中的每一条故障信息分别对应的故障状态编码。
具体的，针对历史故障信息中的多条故障信息，根据每一故障信息包含的故障发生原因，即产生每一故障信息的原因，依照不同的原因类型设置不同故障状态编码，每一编码可对应指代特定类型的故障。
如表1所示，历史故障信息中存在4条故障记录，TA开路、TV断熔丝、表箱损坏分别设备编码为101、102、103，四条故障记录对应的故障状态编码分别为101、103、101、102。
故障电表 故障原因 故障状态编码
1 电表1第一次故障 TA开路 101
2 电表2第一次故障 表箱损坏 103
3 电表3第一次故障 TA开路 101
4 电表1第二次故障 TV断熔丝 102
表1
依次确定历史故障信息中每一条故障信息对于的故障状态编码后，即可依据故障状态编码进行数量统计。
步骤S3、统计所述历史故障信息中故障状态转移组的种类和各类所述故障状态转移组的数量，并依据统计结果生成故障状态转移矩阵。
具体的，所述故障状态转移组包括同一电表上相邻两次故障的故障状态编码及转移方向，所述故障状态转移矩阵由各故障状态编码之间的转移概率组成。
示例如，对于某电表，其共有4条故障信息，依据故障发生的先后顺序故障状态编码依次为101、102、101、103，则对于该电表将有三组不同的故障状态转移组，分别为101→102、102→101、101→103，包含的故障状态编码及转移方向均相同的故障状态转移组才为相同的故障状态转移组。
首先确定历史故障信息中故障状态转移组的种类，再统计得到历史故障信息中每一种故障状态转移组的数量。对于故障状态转移组的数量较多的种类，说明这类故障状态转移组表征的两个故障间的关联性较大，当发生一次故障后，第二次生成另一种特定故障的概率较高。因此，可依据统计结果生成故障状态转移矩阵，所述故障状态转移矩阵由各故障状态编码之间的转移概率组成，故障状态转移矩阵中每一因子表征一种故障后，下一次发生其他另一种故障的概率。
示例如，发生Si到Sj状态转移的数量如下表所示，通过统计不同故障状态转移组的数量，可生成表2，Na,b表示Sa转移到Sb的转移数，Sk和Sm分别表征两种不同的故障类型的故障特征状态编码，N1,k为S1转移到第一种故障类型下第K种故障特征状态编码的数量，N1,m为S1转移另一种故障类型下第m种故障特征状态编码的数量。
Figure BDA0003557246340000071
表2
各转移数Na,b与状态i转移到状态j的数量累加比值可以得到对应概率Pa,b形成故障状态转移矩阵T：
Figure BDA0003557246340000072
其中，P1,0表示特征状态S1转移到Sj的特征状态转移概率。
步骤S4、根据所述当前故障电表的故障信息，确定所述当前故障电表的故障信息对应的目标故障状态编码。
具体的，对于监测到发生了新的故障运维工单，即生成所述当前故障电表的故障信息，可依据当前电表的故障信息包含的故障发生原因，即产生当前故障信息的原因，确定当前这一故障信息对应的故障状态编码。
步骤S5、根据所述故障状态转移矩阵和所述目标故障状态编码，确定所述当前故障电表的故障研判结果。
具体的，所述故障研判结果包括下一次故障可能的故障类型和对应的概率。依据当前故障电表的故障信息对应的目标故障状态编码，通过之前生成的故障状态转移矩阵可确定周期时间内发生其它故障或者表现为正常的概率。
在实际应用中，该故障研判结果可应用于对二次故障的规避，以及在二次故障发生时对故障进行快速检测。运维人员可在发生当前故障，对当前故障进行处理时，就对可能连带引发的二次故障问题进行检查，提前进行检修，以避免二次故障发生。也可以在二次故障发生后，在确定具体的故障原因时，优先对概率高的故障类型进行检测，以更快的确定故障的具体原因，提升维修时的对故障电表的故障检查效率。
从上述的技术方案可以看出，本申请实施例提供的一种电表故障研判方法，通过获取各电表的历史故障信息和当前故障电表的故障信息，确定所述历史故障信息中每一条故障信息对应的故障状态编码，对各电表的历史故障信息进行统计分析，得到历史故障信息中故障状态转移组的种类和各类所述故障状态转移组的数量，并依据统计结果生成故障状态转移矩阵，由于故障状态转移组包括同一电表上相邻两次故障的故障状态编码及转移方向，因此各类所述故障状态转移组的数量即为发生前后连续两次故障的故障状态编码组成方式及转移方式相同的故障转移次数，次数的多少可以体现这两种故障之间的关联性。故障状态转移矩阵依据统计结果生成，所述故障状态转移矩阵由各故障状态编码之间的转移概率组成，即故障状态转移矩阵的每一个因子都表征一种故障导致下一次发生的另一故障的概率。
在确定所述当前故障电表的目标故障状态编码后，根据所述故障状态转移矩阵，可以确定所述当前故障电表的故障研判结果，即当前电表二次故障将可能发生的故障类型和对应的概率。依据故障研判结果，运维人员可在发生当前故障时，就对可能发生的二次故障问题进行检查，以避免二次故障发生，同时也可以在二次故障发生后，优先对概率高的故障类型进行检测，以提升维修时的对故障电表的故障检查效率。
在本申请的一些实施例中，对步骤S2、确定所述历史故障信息中的每一条故障信息分别对应的故障状态编码的过程进行介绍，具体可以包括：
步骤S21、分别确定所述历史故障信息中的每一条故障信息属于的故障类型及在所述属于的故障类型下的编码。
步骤S22、将所述编码确定为对应的故障信息的故障状态编码。
具体的，针对故障的类型，在进行编码时，需要分别确定所述历史故障信息中的每一条故障信息属于的故障类型，再确定故障信息在所述属于的故障类型下的编码，并将所述编码确定为对应的故障信息的故障状态编码。
可选的，故障类型可以划分为数据异常类型和设备异常类型，即历史故障信息可以进一步划分为数据异常类型和设备异常类型。
具体的，依据故障的软硬件特点，可将故障类型划分为数据异常和设备异常，设备异常可以包括TA开路、TV断熔丝、表箱损坏、电池故障、电气机械故障、电气故障烧毁、过负荷TA、过负荷烧表、互感器变比差错、接线差错、脉冲采样故障、时钟错乱、死机、通信功能故障、显示屏故障等。其他数据类异常均为数据异常类型。
对于不同的故障类型，步骤S21、分别确定所述历史故障信息中的每一条故障信息属于的故障类型及在所述属于的故障类型下的编码的过程的实现方也有所不同，下面分别针对两种不同的故障类型，对步骤S21的具体实施过程进行介绍。
①对于属于数据异常类型的各故障信息：
第一步、获取发生数据异常的各电表在预设时间范围内的用电曲线，生成用电曲线数据库。
具体的，可以获取发生数据异常的各电表在预设时间范围内的用电曲线，生成用电曲线数据库，用电曲线数据库包含多条数据异常对应的用电曲线。对于每一次数据异常，都将对应获取一次其预设范围内的用电曲线。预设的时间范围由人为设定，一般设置为数据异常发生日的前三日至后四日，用电曲线数据一般取每日96点负荷数据，对于不满足条件的低压用户取每日1点的电量数据。
第二步、对所述用电曲线数据库进行聚类，得到若干聚类簇，将每一聚类簇中用电曲线的中位曲线作为类特征曲线，并定义所述每一聚类簇的数据异常子类型及编码。
具体的，对所述用电曲线数据库进行聚类，聚类可使用K-means聚类算法、x-means聚类算法等。选用x-means聚类算法，则聚类可初步拟定类数区间(kmin,kmax)，并根据专家经验，取kmin＝2，
Figure BDA0003557246340000101
这里n代表故障曲线数据库中的曲线数。聚类生成若干聚类簇后，可以将每一聚类簇中用电曲线的中位曲线作为类特征曲线，并定义所述每一聚类簇的数据异常子类型及编码，其中，所述聚类簇的异常类型作为聚类簇内各故障信息所属的异常类型，所述聚类簇的编码作为聚类簇内各故障信息的编码。至此，用电曲线库中存储的每一故障信息的编码都可以确定，编码为对应的用电曲线所在的聚类簇的编码。
可选的，在生成用电曲线数据库之前，还可以包括对所述用电曲线进行标幺化处理。
具体的，考虑到实际应用中，用户接入的电线容量不完全相同，智能电表的单位可能不同，导致对于相同变化百分比的用电曲线，大容量的用电曲线，其曲线上下幅度范围较大，而小容量的用电曲线，其曲线幅度范围较小，而我们实际需要关心的是，用电曲线中的用电量突变情况，因此为避免电线容量不同、智能电表的单位不同造成的影响，对于数据异常类型的故障，还需对其进行单位化处理，即对其进行标幺化处理，标幺化处理可使用最大归一化、Z-score归一化、最小-最大值归一化等方法。
可选的，定义所述每一聚类簇的编码的过程，可以包括：
依据所述每一聚类簇的类特征曲线的排列顺序，确定所述每一聚类簇的编码。
对于数据异常类型故障，依照每一聚类簇的类特征曲线的排列顺序进行顺序编码，将顺序编码作为作为每一聚类簇的编码。
②对于属于设备异常类型的各故障信息：
定义所述设备异常类型下的每一种异常的设备异常子类型及编码。
可以理解的是，本申请对于编码的方式应不局限于上述方式，能够实现对故障信息进行分类，并对每一类都设置对应的唯一编码的方式都应属于本申请的保护范围。本申请利用以编码代替故障原因，即将故障信息依据故障原因进行分类，其目的是为了统计各类故障之间的转移概率。
在上述实施例的基础上，若所述当前故障电表的故障信息属于数据异常类型的故障信息，则步骤S4中确定所述当前故障电表的故障信息对应的目标故障状态编码的过程具体可以包括:
步骤S41、获取所述当前故障电表的预设时间范围内的目标用电曲线。
步骤S42、对所述目标用电曲线和所述每一聚类簇的类特征曲线进行相似度评判，并将相似度最高的类特征曲线所在的聚类簇的编码作为目标故障状态编码。
具体的，对于属于数据异常类型的故障信息，当发现属于数据异常类型的故障运维工单后，选取该故障电表在故障前三日和故障发生后四日的用电曲线进行标幺化处理后，和所述每一聚类簇的类特征曲线进行相似度评判，取相似度最高的类特征曲线，确定该类特征曲线所属于的聚类簇的编码，将聚类簇的编码作为目标故障状态编码。
进一步的，相似度评判的方式可采用计算目标用电曲线与类特征曲线间欧式距离的方式，具体为：
逐一计算所述目标用电曲线和所述每一聚类簇的类特征曲线的欧式距离，并将欧式距离最小的类特征曲线所在的聚类簇的编码作为目标故障状态编码。
具体的，选取该故障电表在故障前三日和故障发生后四日的用电曲线进行标幺化处理后，逐一计算所述每一聚类簇的类特征曲线与该用电曲线的欧式距离，取欧式距离最小的类特征曲线，确定该欧式距离最小的类特征曲线所属于的聚类簇的编码，将聚类簇的编码作为目标故障状态编码。
下面对本申请实施例提供的电表故障研判装置进行描述，下文描述的电表故障研判装置与上文描述的电表故障研判方法可相互对应参照。
参见图2，图2为本申请实施例公开的一种电表故障研判装置结构示意图。
如图2所示，该装置可以包括：
获取单元110，用于获取各电表的历史故障信息和当前故障电表的故障信息；
第一编码单元120，用于确定所述历史故障信息中的每一条故障信息分别对应的故障状态编码；
统计单元130，用于统计所述历史故障信息中故障状态转移组的种类和各类所述故障状态转移组的数量，并依据统计结果生成故障状态转移矩阵，所述故障状态转移组包括同一电表上相邻两次故障的故障状态编码及转移方向，所述故障状态转移矩阵由各故障状态编码之间的转移概率组成；
第二编码单元140，用于根据所述当前故障电表的故障信息，确定所述当前故障电表的故障信息对应的目标故障状态编码；
研判单元150，用于根据所述故障状态转移矩阵和所述目标故障状态编码，确定所述当前故障电表的故障研判结果，所述故障研判结果包括下一次故障可能的故障类型和对应的概率。
从上述的技术方案可以看出，本申请实施例提供的一种电表故障研判装置，通过获取各电表的历史故障信息和当前故障电表的故障信息，确定所述历史故障信息中每一条故障信息对应的故障状态编码，对各电表的历史故障信息进行统计分析，得到历史故障信息中故障状态转移组的种类和各类所述故障状态转移组的数量，并依据统计结果生成故障状态转移矩阵，由于故障状态转移组包括同一电表上相邻两次故障的故障状态编码及转移方向，因此各类所述故障状态转移组的数量即为发生前后连续两次故障的故障状态编码组成方式及转移方式相同的故障转移次数，次数的多少可以体现这两种故障之间的关联性。故障状态转移矩阵依据统计结果生成，所述故障状态转移矩阵由各故障状态编码之间的转移概率组成，即故障状态转移矩阵的每一个因子都表征一种故障导致下一次发生的另一故障的概率。
在确定所述当前故障电表的目标故障状态编码后，根据所述故障状态转移矩阵，可以确定所述当前故障电表的故障研判结果，即当前电表二次故障将可能发生的故障类型和对应的概率。依据故障研判结果，运维人员可在发生当前故障时，就对可能发生的二次故障问题进行检查，以避免二次故障发生，同时也可以在二次故障发生后，优先对概率高的故障类型进行检测，以提升维修时的对故障电表的故障检查效率。
可选的，上述第一编码单元，执行确定所述历史故障信息中的每一条故障信息分别对应的故障状态编码的过程，可以包括：
分别确定所述历史故障信息中的每一条故障信息属于的故障类型及在所述属于的故障类型下的编码；
将所述编码确定为对应的故障信息的故障状态编码。
可选的，上述第一编码单元，执行分别确定所述历史故障信息中的每一条故障信息属于的故障类型及在所述属于的故障类型下的编码的过程，可以包括：
将所述历史故障信息划分为数据异常类型和设备异常类型；
对于属于数据异常类型的各故障信息：
获取发生数据异常的各电表在预设时间范围内的用电曲线，生成用电曲线数据库；
对所述用电曲线数据库进行聚类，得到若干聚类簇，将每一聚类簇中用电曲线的中位曲线作为类特征曲线，并定义所述每一聚类簇的数据异常子类型及编码，其中，所述聚类簇的异常类型作为聚类簇内各故障信息所属的异常类型，所述聚类簇的编码作为聚类簇内各故障信息的编码；
对于属于设备异常类型的各故障信息：
定义所述设备异常类型下的每一种异常的设备异常子类型及编码。
可选的，上述第一编码单元，还可以用于在生成用电曲线数据库之前，对所述用电曲线进行标幺化处理。
可选的，若所述当前故障电表的故障信息属于数据异常类型的故障信息，则上述第二编码单元执行确定所述当前故障电表的故障信息对应的目标故障状态编码的过程，可以包括：
获取所述当前故障电表的预设时间范围内的目标用电曲线；
对所述目标用电曲线和所述每一聚类簇的类特征曲线进行相似度评判，并将相似度最高的类特征曲线所在的聚类簇的编码作为目标故障状态编码。
可选的，上述第二编码单元，执行对所述目标用电曲线和所述每一聚类簇的类特征曲线进行相似度评判，并将相似度最高的类特征曲线所在的聚类簇的编码作为目标故障状态编码的过程，可以包括：
逐一计算所述目标用电曲线和所述每一聚类簇的类特征曲线的欧式距离，并将欧式距离最小的类特征曲线所在的聚类簇的编码作为目标故障状态编码。
可选的，上述第一编码单元，执行定义所述每一聚类簇的编码过程，可以包括：
依据所述每一聚类簇的类特征曲线的排列顺序，确定所述每一聚类簇的编码。
本申请实施例提供的电表故障研判装置可应用于电表故障研判设备。可选的，图3示出了电表故障研判设备的硬件结构框图，参照图3，电表故障研判设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
在本申请实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
处理器1可能是一个中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
存储器3可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatilememory)等，例如至少一个磁盘存储器；
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
获取各电表的历史故障信息和当前故障电表的故障信息；
确定所述历史故障信息中的每一条故障信息分别对应的故障状态编码；
统计所述历史故障信息中故障状态转移组的种类和各类所述故障状态转移组的数量，并依据统计结果生成故障状态转移矩阵，所述故障状态转移组包括同一电表上相邻两次故障的故障状态编码及转移方向，所述故障状态转移矩阵由各故障状态编码之间的转移概率组成；
根据所述当前故障电表的故障信息，确定所述当前故障电表的故障信息对应的目标故障状态编码；
根据所述故障状态转移矩阵和所述目标故障状态编码，确定所述当前故障电表的故障研判结果，所述故障研判结果包括下一次故障可能的故障类型和对应的概率。
可选地，所述程序的细化功能和扩展功能可参照上文描述。
本申请实施例还提供一种可读存储介质，该可读存储介质可存储有适于处理器执行的程序，所述程序用于：
获取各电表的历史故障信息和当前故障电表的故障信息；
确定所述历史故障信息中的每一条故障信息分别对应的故障状态编码；
统计所述历史故障信息中故障状态转移组的种类和各类所述故障状态转移组的数量，并依据统计结果生成故障状态转移矩阵，所述故障状态转移组包括同一电表上相邻两次故障的故障状态编码及转移方向，所述故障状态转移矩阵由各故障状态编码之间的转移概率组成；
根据所述当前故障电表的故障信息，确定所述当前故障电表的故障信息对应的目标故障状态编码；
根据所述故障状态转移矩阵和所述目标故障状态编码，确定所述当前故障电表的故障研判结果，所述故障研判结果包括下一次故障可能的故障类型和对应的概率。
可选地，所述程序的细化功能和扩展功能可参照上文描述。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本申请。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种电表故障研判方法，其特征在于，包括：
获取各电表的历史故障信息和当前故障电表的故障信息；
确定所述历史故障信息中的每一条故障信息分别对应的故障状态编码；
统计所述历史故障信息中故障状态转移组的种类和各类所述故障状态转移组的数量，并依据统计结果生成故障状态转移矩阵，所述故障状态转移组包括同一电表上相邻两次故障的故障状态编码及转移方向，所述故障状态转移矩阵由各故障状态编码之间的转移概率组成；
根据所述当前故障电表的故障信息，确定所述当前故障电表的故障信息对应的目标故障状态编码；
根据所述故障状态转移矩阵和所述目标故障状态编码，确定所述当前故障电表的故障研判结果，所述故障研判结果包括下一次故障可能的故障类型和对应的概率。
2.根据权利要求1所述的方法，其特征在于，确定所述历史故障信息中的每一条故障信息分别对应的故障状态编码，包括：
分别确定所述历史故障信息中的每一条故障信息属于的故障类型及在所述属于的故障类型下的编码；
将所述编码确定为对应的故障信息的故障状态编码。
3.根据权利要求2所述的方法，其特征在于，分别确定所述历史故障信息中的每一条故障信息属于的故障类型及在所述属于的故障类型下的编码，包括：
将所述历史故障信息划分为数据异常类型和设备异常类型；
对于属于数据异常类型的各故障信息：
获取发生数据异常的各电表在预设时间范围内的用电曲线，生成用电曲线数据库；
对所述用电曲线数据库进行聚类，得到若干聚类簇，将每一聚类簇中用电曲线的中位曲线作为类特征曲线，并定义所述每一聚类簇的数据异常子类型及编码，其中，所述聚类簇的异常类型作为聚类簇内各故障信息所属的异常类型，所述聚类簇的编码作为聚类簇内各故障信息的编码；
对于属于设备异常类型的各故障信息：
定义所述设备异常类型下的每一种异常的设备异常子类型及编码。
4.根据权利要求3所述的方法，其特征在于，在生成用电曲线数据库之前，还包括：
对所述用电曲线进行标幺化处理。
5.根据权利要求3或4任一项所述的方法，其特征在于，若所述当前故障电表的故障信息属于数据异常类型的故障信息，则确定所述当前故障电表的故障信息对应的目标故障状态编码的过程，包括：
获取所述当前故障电表的预设时间范围内的目标用电曲线；
对所述目标用电曲线和所述每一聚类簇的类特征曲线进行相似度评判，并将相似度最高的类特征曲线所在的聚类簇的编码作为目标故障状态编码。
6.根据权利要求5所述的方法，其特征在于，对所述目标用电曲线和所述每一聚类簇的类特征曲线进行相似度评判，并将相似度最高的类特征曲线所在的聚类簇的编码作为目标故障状态编码，包括：
逐一计算所述目标用电曲线和所述每一聚类簇的类特征曲线的欧式距离，并将欧式距离最小的类特征曲线所在的聚类簇的编码作为目标故障状态编码。
7.根据权利要求3所述的方法，其特征在于，定义所述每一聚类簇的编码，包括：
依据所述每一聚类簇的类特征曲线的排列顺序，确定所述每一聚类簇的编码。
8.一种电表故障研判装置，其特征在于，包括：
获取单元，用于获取各电表的历史故障信息和当前故障电表的故障信息；
第一编码单元，用于确定所述历史故障信息中的每一条故障信息分别对应的故障状态编码；
统计单元，用于统计所述历史故障信息中故障状态转移组的种类和各类所述故障状态转移组的数量，并依据统计结果生成故障状态转移矩阵，所述故障状态转移组包括同一电表上相邻两次故障的故障状态编码及转移方向，所述故障状态转移矩阵由各故障状态编码之间的转移概率组成；
第二编码单元，用于根据所述当前故障电表的故障信息，确定所述当前故障电表的故障信息对应的目标故障状态编码；
研判单元，用于根据所述故障状态转移矩阵和所述目标故障状态编码，确定所述当前故障电表的故障研判结果，所述故障研判结果包括下一次故障可能的故障类型和对应的概率。
9.一种电表故障研判设备，其特征在于，包括存储器和处理器；
所述存储器，用于存储程序；
所述处理器，用于执行所述程序，实现如权利要求1-7中任一项所述的电表故障研判方法的各个步骤。
10.一种可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-7中任一项所述的电表故障研判方法的各个步骤。
CN202210278795.7A 2022-03-21 2022-03-21 一种电表故障研判方法、装置、设备和可读存储介质 Pending CN114662589A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210278795.7A CN114662589A (zh) 2022-03-21 2022-03-21 一种电表故障研判方法、装置、设备和可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210278795.7A CN114662589A (zh) 2022-03-21 2022-03-21 一种电表故障研判方法、装置、设备和可读存储介质

Publications (1)

Publication Number Publication Date
CN114662589A true CN114662589A (zh) 2022-06-24

Family

ID=82030648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210278795.7A Pending CN114662589A (zh) 2022-03-21 2022-03-21 一种电表故障研判方法、装置、设备和可读存储介质

Country Status (1)

Country Link
CN (1) CN114662589A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115048965A (zh) * 2022-08-15 2022-09-13 南方医科大学珠江医院 超声波医疗设备的故障检测方法、装置、设备及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115048965A (zh) * 2022-08-15 2022-09-13 南方医科大学珠江医院 超声波医疗设备的故障检测方法、装置、设备及介质
CN115048965B (zh) * 2022-08-15 2022-12-13 南方医科大学珠江医院 超声波医疗设备的故障检测方法、装置、设备及介质

Similar Documents

Publication Publication Date Title
CN110824270B (zh) 结合台区线损和异常事件的窃电用户辨识方法及装置
CN106780121B (zh) 一种基于用电负荷模式分析的用电异常识别方法
CN114298863B (zh) 一种智能抄表终端的数据采集方法及系统
CN111738462B (zh) 电力计量装置故障抢修主动服务预警方法
CN105184084B (zh) 一种电力计量自动化终端故障类型预测方法和系统
CN109670676A (zh) 基于支持向量数据描述的配网台区风险预警方法及系统
CN109697570B (zh) 变电站二次设备状态评估方法、系统及设备
CN113011530B (zh) 一种基于多分类器融合的智能电表故障预测方法
CN109409444B (zh) 一种基于先验概率的多元电网故障类型的判别方法
CN111967620A (zh) 一种光伏组件诊断方法、装置、设备及可读存储介质
CN111786385B (zh) 一种电网运维方案规划方法、系统及设备
CN113125903A (zh) 线损异常检测方法、装置、设备及计算机可读存储介质
CN109872084A (zh) 风电机组的故障率统计方法及系统
CN115730749B (zh) 基于融合电力数据的电力调度风险预警方法及装置
CN114118588A (zh) 聚类欠采样下基于博弈特征提取的迎峰度夏停电预测方法
CN111506635A (zh) 一种基于自回归和朴素贝叶斯算法的居民用电行为分析的系统及方法
CN117439256A (zh) 一种基于物联网的电站设备管理方法及系统
CN115617784A (zh) 一种信息化配电的数据处理系统及其处理方法
CN114662589A (zh) 一种电表故障研判方法、装置、设备和可读存储介质
CN117674119A (zh) 电网运行风险评估方法、装置、计算机设备和存储介质
CN114626433A (zh) 一种智能电能表故障预测并分类方法、装置及系统
CN114548493A (zh) 一种电能表电流过载预测方法与系统
CN113835947A (zh) 一种基于异常识别结果确定异常原因的方法和系统
CN114399407B (zh) 一种基于动静态选择集成的电力调度监控数据异常检测方法
CN115146715A (zh) 用电安全隐患诊断方法、装置、设备及存储介质

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