CN116027253A - 一种电能表故障自诊断方法 - Google Patents

Abstract

本申请提供一种电能表故障自诊断方法，包括：电能表检测温度、显示、接触不良、短路、不稳定等异常；电能表记录异常内容，判断故障类型；预测未来可能的异常，具体包括：针对一种以上的异常，并行的进行检查；判断异常严重度，进行记录；电能表异常记录显示；根据异常显示提示工人检查电表自身无法判断的部件；再次提示工人进一步检测下一个部件，多次进行交互显示。

Description

一种电能表故障自诊断方法

技术领域

本发明涉及信息技术领域，尤其涉及一种电能表故障自诊断方法。

背景技术

在电网系统中，电能表故障是一个经常发生的问题，普通的故障需要电网工人进行各种方案的尝试和探索，但是有一些故障比较严重，有一些小问题没有特别严重，有一些需要马上有人处理，有一些小问题可以通过系统自动处理。很多故障可能不是一时突然产生，而是可能前期有一些征兆，这些征兆可能还不足以让电能表损坏，但如果经常进行自动诊断和记录，就能够更好的为重大的故障提供维修数据支持。如果进行电能表的自动诊断，尤其是并行地诊断多种故障类型，多次自诊断后，是否能够在人工检测时，与人工进行数据的交互，以便更快的获得有价值的信息，更好的反映电能表自动诊断的内容，这些是当前电能表都还无法解决的问题。

发明内容

本发明提供了一种电能表故障自诊断方法，主要包括：

电能表检测温度、显示、接触不良、短路、不稳定等异常；电能表记录异常内容，判断故障类型；预测未来可能的异常，具体包括：针对一种以上的异常，并行的进行检查；判断异常严重度，进行记录；电能表异常记录显示；根据异常显示提示工人检查电表自身无法判断的部件；再次提示工人进一步检测下一个部件，多次进行交互显示。

进一步可选地，所述电能表检测温度、显示、接触不良、短路、不稳定等异常包括：

第一步，获取预设的电能表内的历史故障数据库和故障预测结果集合；由历史故障数据库与故障预测结果集合进行关联，读取最小支持度；所述历史故障数据库为电能表历史故障信息组成的信息集合，故障预测结果集合为根据历史故障数据库运用神经网络预测，所得到的电能表故障预测信息集合；为所述最小支持度为用户或专家定义的衡量支持度的一个阈值，表示项目集在统计意义上的最低重要性；由Apriori算法据最小支持度，第一阶段先从历史故障数据库与故障预测结果集合中找出所有的高频相关项目组，第二阶段再由这些高频相关项目组中产生关联规则；根据历史故障数据库中的关联规则构建电能表故障诊断模型，模型中包含电能表故障指数与电能表实时运行数据的线性关系；第二步，检测电能表的实时运行情况，获取{温度、显示、接触不良、短路、不稳定}实时运行数据，将所述实时运行数据输入预设的电能表故障诊断模型，生成电能表故障指数。

进一步可选地，所述电能表记录异常内容，判断故障类型包括：

基于电能表的温度、显示、接触不良、短路、不稳定数据，以及故障智能电能表故障退运数据进行分类；用电能表的温度、显示、接触不良、短路、不稳定数据，以及故障智能电能表故障退运数据作为特征的输入，根据电能表故障类型的输出，作为标注值，训练神经网络学习模型；根据神经网络学习模型的最终输出结果，得出电能表故障类型的判别报告；所述神经网络学习模型的训练过程如下：输入电能表的温度、显示、接触不良、短路、不稳定数据，以及故障智能电能表故障退运数据；把所述电能表的温度、显示、接触不良、短路、不稳定数据，以及故障智能电能表故障退运数据输入信息层；然后从电能表服务器后台系统记录，导入对应的电能表故障类型；在输出的电能表故障类型中，分类为“电池欠压”，“电源故障”，“计量失准”，“电量异常”，“时钟错误”，“通信故障”，“显示故障”，“跳/合闸失败”，以及“外观故障”，在对应输入集合后标注对应预设的阈值；将已经标注的集合作为输出数据，并分类存入模型记忆库，作为后续输入信息的对照组；若输入与对应标注的集合的模型记忆库对比超过预设的阈值相同的信息，将其作为相应的输出数据，作为神经网络学习模型的最终输出结果。

进一步可选地，所述预测未来可能的异常包括：

实时获得故障电能表的厂家信息、批次信息、有功准确度等级、安装地点、库存时间、运行时间、安装时间、异常类别、异常现象、异常时间、故障部位、故障时间、安装地点气候环境信息和安装地点电应力的电气环境信息，各评估指标的预测值和实际值；根据各所述评估指标的预测值和实际值的预测差值，与对应的基准差值，确定各评估指标之间的误差参数；预测差值＝预测值-实际值；误差参数＝预测差值-基准差值；所述预测差值为获取的故障电能表的各评估指标的预测值和实际值之差；所述基准差值为获取的故障电能表的各评估指标的预测值和实际值之间的基准误差值；根据误差参数获取电能表的异常错误值，异常错误值为各评估指标的误差参数的平均值；包括：针对一种以上的异常，并行的进行检查；

所述针对一种以上的异常，并行的进行检查，具体包括：

识别所述电能表故障中的厂家信息、批次信息、有功准确度等级、安装地点、库存时间、运行时间、安装时间、异常类别、异常现象、异常时间、故障部位、故障时间、安装地点气候环境信息和安装地点电应力的电气环境信息，各评估指标的误差参数之和的平均值；误差参数＝预测差值-基准差值。由Apriori算法据最小支持度，得出各评估指标中误差参数的关联规则；所述最小支持度阈值是用户或专家定义的衡量支持度的一个阈值,表示项目集在统计意义上的最低重要性；对某个项集的支持度大于或等于预设的最小支持度阈值，为频繁项集，对设定为频繁项集对应的规则，认为支持该项规则所做的假定。针对归类为频繁项集的误差参数集，所对应的评估指标，进行异常并行检查。

进一步可选地，所述判断异常严重度，进行记录包括：

故障电能表的异常严重度u＝异常错误值μ*特征指数z；所述异常错误值μ为电能表评估指标的预测值和实际值的预测差值，与对应的基准差值，确定的各评估指标之间的误差参数之和的平均值；误差参数＝预测差值-基准差值；所述预测差值为获取的故障电能表的各评估指标的预测值和实际值之差；所述基准差值为获取的故障电能表的各评估指标的预测值和实际值之间的基准误差值；所述特征指数z为实时测得电能表的温度、显示、接触不良、短路、不稳定数据与基准值的差值平均值；记录电能表的异常严重度。

进一步可选地，所述电能表异常记录显示包括：

根据决策树算法，构建决策树；建立的决策树为电能异常记录分析模型，并对决策树进行剪枝，将故障电能表的异常严重度数据作为数据集，随机划分数据集，将数据集的80％划分为训练数据集，20％划分为测试数据集；训练数据集用来不断生成决策树，而测试数据集用来对生成的决策树进行测试，并在测试的过程中通过改变电能异常记录分析规则，来对模型优化并提高拟合值；由以上生成的最优的决策树，并由该决策树生成电能异常记录分析规则，形成的规则有两条；异常严重度高于预设的阈值的故障电能表，异常严重等级为“一级故障电能表”；异常严重度低于预设的阈值的故障电能表，异常严重等级为“二级故障电能表”；将测试性能良好的决策树，应用于统计得到的故障电能表数据集；显示故障电能表的{电压、电流、温度、显示、接触不良、短路、不稳定}运行数据，以及异常严重等级。

进一步可选地，所述根据异常显示提示工人检查电表自身无法判断的部件包括：

处理器模块接收到故障电能表的运作中断通知后，根据电能表的异常记录显示{电压、电流、温度、显示、接触不良、短路、不稳定}实时运行数据；获取故障电能表各部位异常严重度U；所述故障电能表各部位异常严重度U为电能表评估指标，其所在部位的预测值和实际值的预测差值；根据故障电能表各部位异常严重度U从大到小，在电能表缓存模块中查询对应的存储位置，由存储位置信息在所述缓存模块中查询对应的电能表故障位置，依次提示工人检查电能表对应的故障位置。

进一步可选地，所述再次提示工人进一步检测下一个部件，多次进行交互显示包括：

根据电能表显示的异常严重等级提示工人检测部件故障位置；设置优先检测顺序，电能表显示提示工人检测的顺序为，异常严重等级为“一级故障电能表”，“二级故障电能表”；处理器模块接收到故障电能表的运作中断通知后，根据电能表的异常记录显示{电压、电流、温度、显示、接触不良、短路、不稳定}运行数据，查询电能表故障位置，提示工人检查电能表对应的故障位置；当电能表显示无异常严重等级时结束提示。

本发明实施例提供的技术方案可以包括以下有益效果：

本发明能够通过检测电能表异常内容，判断故障类型，预测未来可能的异常。并自动诊断技术，为人工诊断提供更多的信息，便于工人在做电表维修和诊断时，能够根据自动诊断的记录，进行下一步检测的操作，减少人工检测时间。从而提高检测维修电能表的效率。

附图说明

图1为本发明的一种电能表故障自诊断方法的流程图。

图2为本发明的一种电能表故障自诊断方法的示意图。

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、详细地描述。所描述的实施例仅仅是本发明的一部分实施例。

本实施例一种电能表故障自诊断方法具体可以包括：

步骤101，电能表检测温度、显示、接触不良、短路、不稳定等异常。

第一步，获取预设的电能表内的历史故障数据库和故障预测结果集合；由历史故障数据库与故障预测结果集合进行关联，读取最小支持度；所述历史故障数据库为电能表历史故障信息组成的信息集合，故障预测结果集合为根据历史故障数据库运用神经网络预测，所得到的电能表故障预测信息集合。为所述最小支持度为用户或专家定义的衡量支持度的一个阈值，表示项目集在统计意义上的最低重要性；由Apriori算法据最小支持度，第一阶段先从历史故障数据库与故障预测结果集合中找出所有的高频相关项目组，第二阶段再由这些高频相关项目组中产生关联规则。根据历史故障数据库中的关联规则构建电能表故障诊断模型，模型中包含电能表故障指数与电能表实时运行数据的线性关系；第二步，检测电能表的实时运行情况，获取{温度、显示、接触不良、短路、不稳定}实时运行数据，将所述实时运行数据输入预设的电能表故障诊断模型，生成电能表故障指数。第一步，获取预设的电能表内的历史故障数据库；由故障信息集合与故障预测结果集合进行关联，读取最小支持度为0.2；由Apriori算法据最小支持度和置信度，得出历史故障数据库中的关联规则；根据历史故障数据库中的关联规则构建电能表故障诊断模型，模型中包含电能表故障指数与电能表实时运行数据的线性关系；第二步，检测电能表的实时运行情况，获取{温度、显示、接触不良、短路、不稳定}实时运行数据，将所述实时运行数据输入预设的电能表故障诊断模型，生成的电能表故障指数为0.3。

步骤102，电能表记录异常内容，判断故障类型。

基于电能表的温度、显示、接触不良、短路、不稳定数据，以及故障智能电能表故障退运数据进行分类。用电能表的温度、显示、接触不良、短路、不稳定数据，以及故障智能电能表故障退运数据作为特征的输入，根据电能表故障类型的输出，作为标注值，训练神经网络学习模型；根据神经网络学习模型的最终输出结果，得出电能表故障类型的判别报告。所述神经网络学习模型的训练过程如下：输入电能表的温度、显示、接触不良、短路、不稳定数据，以及故障智能电能表故障退运数据；把所述电能表的温度、显示、接触不良、短路、不稳定数据，以及故障智能电能表故障退运数据输入信息层；然后从电能表服务器后台系统记录，导入对应的电能表故障类型；在输出的电能表故障类型中，分类为“电池欠压”，“电源故障”，“计量失准”，“电量异常”，“时钟错误”，“通信故障”，“显示故障”，“跳/合闸失败”，以及“外观故障”，在对应输入集合后标注对应预设的阈值；将已经标注的集合作为输出数据，并分类存入模型记忆库，作为后续输入信息的对照组；若输入与对应标注的集合的模型记忆库对比超过预设的阈值相同的信息，将其作为相应的输出数据，作为神经网络学习模型的最终输出结果。基于电能表的温度、显示、接触不良、短路、不稳定数据，以及故障智能电能表故障退运数据进行分类。用电能表的温度、显示、接触不良、短路、不稳定数据，以及故障智能电能表故障退运数据作为特征的输入，根据电能表故障类型的输出，作为标注值，训练神经网络学习模型；根据神经网络学习模型的最终输出结果，得出电能表故障类型的判别报告。所述神经网络学习模型的训练过程如下：输入电能表的温度、显示、接触不良、短路、不稳定数据，以及故障智能电能表故障退运数据；把所述电能表的温度、显示、接触不良、短路、不稳定数据，以及故障智能电能表故障退运数据输入信息存入输入集合；然后从电能表服务器后台系统记录，导入对应的电能表故障类型；在输出的电能表故障类型中，分类为“电池欠压”，“电源故障”，“计量失准”，“电量异常”，“时钟错误”，“通信故障”，“显示故障”，“跳/合闸失败”，以及“外观故障”，在对应输入集合后标注1，2，3，4，5，6，7，8，9，10；将所述对应输入集合后标注为1，2，3，4，5，6，7，8，9，10的集合作为输出数据，并分类存入模型记忆库，作为后续输入信息的对照组；对任务A，再次输入与对应标注为“5”的集合的模型记忆库对比，对数据进行相应筛选和对比，确定超过预设的阈值98％相同的信息，其作为相应的输出数据为“5”，对任务A的电能表故障类型为“时钟错误”，作为神经网络学习模型的最终输出结果。

步骤103，预测未来可能的异常。

实时获得故障电能表的厂家信息、批次信息、有功准确度等级、安装地点、库存时间、运行时间、安装时间、异常类别、异常现象、异常时间、故障部位、故障时间、安装地点气候环境信息和安装地点电应力的电气环境信息，各评估指标的预测值和实际值；根据各所述评估指标的预测值和实际值的预测差值，与对应的基准差值，确定各评估指标之间的误差参数。预测差值＝预测值-实际值。误差参数＝预测差值-基准差值。所述预测差值为获取的故障电能表的各评估指标的预测值和实际值之差。所述基准差值为获取的故障电能表的各评估指标的预测值和实际值之间的基准误差值。根据误差参数获取电能表的异常错误值，异常错误值为各评估指标的误差参数的平均值。实时获得故障电能表A的厂家信息、批次信息、有功准确度等级、安装地点、库存时间、运行时间、安装时间、异常类别、异常现象、异常时间、故障部位、故障时间、安装地点气候环境信息和安装地点电应力的电气环境信息，各评估指标的预测值和实际值；根据各所述评估指标的预测值和实际值的预测差值，与对应的基准差值，确定各评估指标之间的误差参数。误差参数＝预测差值-基准差值。各评估指标的误差参数之和为84，其平均值为6，即为电能表A未来的异常错误值。

针对一种以上的异常，并行的进行检查。

识别所述电能表故障中的厂家信息、批次信息、有功准确度等级、安装地点、库存时间、运行时间、安装时间、异常类别、异常现象、异常时间、故障部位、故障时间、安装地点气候环境信息和安装地点电应力的电气环境信息，各评估指标的误差参数之和的平均值；误差参数＝预测差值-基准差值。由Apriori算法据最小支持度，得出各评估指标中误差参数的关联规则；所述最小支持度阈值是用户或专家定义的衡量支持度的一个阈值,表示项目集在统计意义上的最低重要性；对某个项集的支持度大于或等于预设的最小支持度阈值，为频繁项集，对设定为频繁项集对应的规则，认为支持该项规则所做的假定。针对归类为频繁项集的误差参数集，所对应的评估指标，进行异常并行检查。识别所述电能表A故障中的厂家信息、批次信息、有功准确度等级、安装地点、库存时间、运行时间、安装时间、异常类别、异常现象、异常时间、故障部位、故障时间、安装地点气候环境信息和安装地点电应力的电气环境信息，各评估指标的误差参数之和的平均值；误差参数＝预测差值-基准差值。由Apriori算法据最小支持度0.3和置信度0.9，得出各评估指标中误差参数的关联规则；评估指标集的安装时间、异常类别、异常现象、异常时间的最小支持度大于0.2，为频繁项集。对电能表A的安装时间、异常类别、异常时间进行并行检查。

步骤104，判断异常严重度，进行记录。

故障电能表的异常严重度u＝异常错误值μ*特征指数z。所述异常错误值μ为电能表评估指标的预测值和实际值的预测差值，与对应的基准差值，确定的各评估指标之间的误差参数之和的平均值。误差参数＝预测差值-基准差值。所述预测差值为获取的故障电能表的各评估指标的预测值和实际值之差。所述基准差值为获取的故障电能表的各评估指标的预测值和实际值之间的基准误差值。所述特征指数z为实时测得电能表的温度、显示、接触不良、短路、不稳定数据与基准值的差值平均值。记录电能表的异常严重度。记录故障电能表A的异常严重度u。故障电能表的异常严重度u＝异常错误值μ*特征指数z。所述异常错误值μ为电能表评估指标的预测值和实际值的预测差值，与对应的基准差值，确定的各评估指标之间的误差参数之和的平均值。所述特征指数z为实时测得电能表的温度、显示、接触不良、短路、不稳定数据与基准值的差值平均值。故障电能表A的异常错误值μ为6，特征指数z为1.2；由故障电能表的异常严重度u＝异常错误值μ*特征指数z；记录故障电能表的异常严重度u为7.2。

步骤105，电能表异常记录显示。

根据决策树算法，构建决策树。建立的决策树为电能异常记录分析模型，并对决策树进行剪枝，将故障电能表的异常严重度数据作为数据集，随机划分数据集，将数据集的80％划分为训练数据集，20％划分为测试数据集。训练数据集用来不断生成决策树，而测试数据集用来对生成的决策树进行测试，并在测试的过程中通过改变电能异常记录分析规则，来对模型优化并提高拟合值。由以上生成的最优的决策树，并由该决策树生成电能异常记录分析规则，形成的规则有两条。异常严重度高于预设的阈值的故障电能表，异常严重等级为“一级故障电能表”。异常严重度低于预设的阈值的故障电能表，异常严重等级为“二级故障电能表”。将测试性能良好的决策树，应用于统计得到的故障电能表数据集。显示故障电能表的{电压、电流、温度、显示、接触不良、短路、不稳定}运行数据，以及异常严重等级。识别故障电能表A的异常严重等级，根据决策树算法，构建决策树。建立的决策树为电能异常记录分析模型，并对决策树进行剪枝，将故障电能表的异常严重度数据作为数据集，随机划分数据集，将数据集的80％划分为训练数据集，20％划分为测试数据集。训练数据集用来不断生成决策树，而测试数据集用来对生成的决策树进行测试，测试结果拟合值为0.9，拟合度较好。由以上生成的最优的决策树，并由该决策树生成电能异常记录分析规则，形成的规则有两条。异常严重度高于预设的阈值的故障电能表，异常严重等级为“一级故障电能表”。异常严重度低于预设的阈值的故障电能表，异常严重等级为“二级故障电能表”。将测试性能良好的决策树，应用于统计得到的故障电能表数据集。故障电能表A的异常严重度为7.2，其异常严重等级为“一级故障电能表”。显示故障电能表A的{电压、电流、温度、显示、接触不良、短路、不稳定}运行数据，以及异常严重等级为“一级故障电能表”。

步骤106，根据异常显示提示工人检查电表自身无法判断的部件。

处理器模块接收到故障电能表的运作中断通知后，根据电能表的异常记录显示{电压、电流、温度、显示、接触不良、短路、不稳定}实时运行数据。获取故障电能表各部位异常严重度U。所述故障电能表各部位异常严重度U为电能表评估指标，其所在部位的预测值和实际值的预测差值。根据故障电能表各部位异常严重度U从大到小，在电能表缓存模块中查询对应的存储位置，由存储位置信息在所述缓存模块中查询对应的电能表故障位置，依次提示工人检查电能表对应的故障位置。处理器模块接收到故障电能表A的运作中断通知后，根据电能表的异常记录显示{电压、电流、温度、显示、接触不良、短路、不稳定}运行数据，获取故障电能表各部位严重度U。所述故障电能表各部位异常严重度U为电能表评估指标，其所在部位的预测值和实际值的预测差值。电能表异常记录显示其电池部位的异常严重度为9.1，电源部位异常严重度为10。提示工人依次检测故障电能表A的电源和电池部位。

步骤107，再次提示工人进一步检测下一个部件，多次进行交互显示。

根据电能表显示的异常严重等级提示工人检测部件故障位置。设置优先检测顺序，电能表显示提示工人检测的顺序为，异常严重等级为“一级故障电能表”，“二级故障电能表”。处理器模块接收到故障电能表的运作中断通知后，根据电能表的异常记录显示{电压、电流、温度、显示、接触不良、短路、不稳定}运行数据，查询电能表故障位置，提示工人检查电能表对应的故障位置。当电能表显示无异常严重等级时结束提示。处理器模块接收到故障电能表A的运作中断通知后，检测可能原因是：电压表的接线柱接触不良；提示工人检查电能表接线柱。工人对接线柱进行故障处理后，电能表显示的异常严重等级为“二级故障电能表”，根据电能表A的异常记录显示{电压、电流、温度、显示、接触不良、短路、不稳定}运行数据，在电能表缓存模块中查询对应的存储位置，由存储位置信息在所述缓存模块中查询对应的电能表故障位置。电能表A异常记录显示电能表计量电量异常增大,提示工人对电能表内校表参数进行故障检查。工人对电能表内校表参数进行故障检查后，电能表A异常记录从“二级故障电能表”变为无显示，结束交互提示检测。

以上所述仅为本说明书一个或多个实施例的较佳实施例而已，并不用以限制本说明书一个或多个实施例，凡在本说明书一个或多个实施例的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例保护的范围之内。

Claims (8)

1.一种电能表故障自诊断方法，其特征在于，所述方法包括：

电能表检测温度、显示、接触不良、短路、不稳定等异常；电能表记录异常内容，判断故障类型；预测未来可能的异常，具体包括：针对一种以上的异常，并行的进行检查；判断异常严重度，进行记录；电能表异常记录显示；根据异常显示提示工人检查电表自身无法判断的部件；再次提示工人进一步检测下一个部件，多次进行交互显示。

2.根据权利要求1所述的方法，其中，所述电能表检测温度、显示、接触不良、短路、不稳定等异常，包括:

第一步，获取预设的电能表内的历史故障数据库和故障预测结果集合；由历史故障数据库与故障预测结果集合进行关联，读取最小支持度；所述历史故障数据库为电能表历史故障信息组成的信息集合，故障预测结果集合为根据历史故障数据库运用神经网络预测，所得到的电能表故障预测信息集合；为所述最小支持度为用户或专家定义的衡量支持度的一个阈值，表示项目集在统计意义上的最低重要性；由Apriori算法据最小支持度，第一阶段先从历史故障数据库与故障预测结果集合中找出所有的高频相关项目组，第二阶段再由这些高频相关项目组中产生关联规则；根据历史故障数据库中的关联规则构建电能表故障诊断模型，模型中包含电能表故障指数与电能表实时运行数据的线性关系；第二步，检测电能表的实时运行情况，获取{温度、显示、接触不良、短路、不稳定}实时运行数据，将所述实时运行数据输入预设的电能表故障诊断模型，生成电能表故障指数。

3.根据权利要求1所述的方法，其中，所述电能表记录异常内容，判断故障类型，包括:

基于电能表的温度、显示、接触不良、短路、不稳定数据，以及故障智能电能表故障退运数据进行分类；用电能表的温度、显示、接触不良、短路、不稳定数据，以及故障智能电能表故障退运数据作为特征的输入，根据电能表故障类型的输出，作为标注值，训练神经网络学习模型；根据神经网络学习模型的最终输出结果，得出电能表故障类型的判别报告；所述神经网络学习模型的训练过程如下：输入电能表的温度、显示、接触不良、短路、不稳定数据，以及故障智能电能表故障退运数据；把所述电能表的温度、显示、接触不良、短路、不稳定数据，以及故障智能电能表故障退运数据输入信息层；然后从电能表服务器后台系统记录，导入对应的电能表故障类型；在输出的电能表故障类型中，分类为“电池欠压”，

“电源故障”，“计量失准”，“电量异常”，“时钟错误”，“通信故障”，“显示故障”，“跳/合闸失败”，以及“外观故障”，在对应输入集合后标注对应预设的阈值；将已经标注的集合作为输出数据，并分类存入模型记忆库，作为后续输入信息的对照组；若输入与对应标注的集合的模型记忆库对比超过预设的阈值相同的信息，将其作为相应的输出数据，作为神经网络学习模型的最终输出结果。

4.根据权利要求1所述的方法，其中，所述预测未来可能的异常，包括:

实时获得故障电能表的厂家信息、批次信息、有功准确度等级、安装地点、库存时间、运行时间、安装时间、异常类别、异常现象、异常时间、故障部位、故障时间、安装地点气候环境信息和安装地点电应力的电气环境信息，各评估指标的预测值和实际值；根据各所述评估指标的预测值和实际值的预测差值，与对应的基准差值，确定各评估指标之间的误差参数；预测差值＝预测值-实际值；误差参数＝预测差值-基准差值；所述预测差值为获取的故障电能表的各评估指标的预测值和实际值之差；所述基准差值为获取的故障电能表的各评估指标的预测值和实际值之间的基准误差值；根据误差参数获取电能表的异常错误值，异常错误值为各评估指标的误差参数的平均值；包括：针对一种以上的异常，并行的进行检查；

所述针对一种以上的异常，并行的进行检查，具体包括:

识别所述电能表故障中的厂家信息、批次信息、有功准确度等级、安装地点、库存时间、运行时间、安装时间、异常类别、异常现象、异常时间、故障部位、故障时间、安装地点气候环境信息和安装地点电应力的电气环境信息，各评估指标的误差参数之和的平均值；误差参数＝预测差值-基准差值；由Apriori算法据最小支持度，得出各评估指标中误差参数的关联规则；所述最小支持度阈值是用户或专家定义的衡量支持度的一个阈值,表示项目集在统计意义上的最低重要性；对某个项集的支持度大于或等于预设的最小支持度阈值，为频繁项集，对设定为频繁项集对应的规则，认为支持该项规则所做的假定；针对归类为频繁项集的误差参数集，所对应的评估指标，进行异常并行检查。

5.根据权利要求1所述的方法，其中，所述判断异常严重度，进行记录，包括:

故障电能表的异常严重度u＝异常错误值μ*特征指数z；所述异常错误值μ为电能表评估指标的预测值和实际值的预测差值，与对应的基准差值，确定的各评估指标之间的误差参数之和的平均值；误差参数＝预测差值-基准差值；所述预测差值为获取的故障电能表的各评估指标的预测值和实际值之差；所述基准差值为获取的故障电能表的各评估指标的预测值和实际值之间的基准误差值；所述特征指数z为实时测得电能表的温度、显示、接触不良、短路、不稳定数据与基准值的差值平均值；记录电能表的异常严重度。

6.根据权利要求1所述的方法，其中，所述电能表异常记录显示，包括:

根据决策树算法，构建决策树；建立的决策树为电能异常记录分析模型，并对决策树进行剪枝，将故障电能表的异常严重度数据作为数据集，随机划分数据集，将数据集的80％划分为训练数据集，20％划分为测试数据集；训练数据集用来不断生成决策树，而测试数据集用来对生成的决策树进行测试，并在测试的过程中通过改变电能异常记录分析规则，来对模型优化并提高拟合值；由以上生成的最优的决策树，并由该决策树生成电能异常记录分析规则，形成的规则有两条；异常严重度高于预设的阈值的故障电能表，异常严重等级为“一级故障电能表”；异常严重度低于预设的阈值的故障电能表，异常严重等级为“二级故障电能表”；将测试性能良好的决策树，应用于统计得到的故障电能表数据集；显示故障电能表的{电压、电流、温度、显示、接触不良、短路、不稳定}运行数据，以及异常严重等级。

7.根据权利要求1所述的方法，其中，所述根据异常显示提示工人检查电表自身无法判断的部件，包括:

处理器模块接收到故障电能表的运作中断通知后，根据电能表的异常记录显示{电压、电流、温度、显示、接触不良、短路、不稳定}实时运行数据；获取故障电能表各部位异常严重度U；所述故障电能表各部位异常严重度U为电能表评估指标，其所在部位的预测值和实际值的预测差值；根据故障电能表各部位异常严重度U从大到小，在电能表缓存模块中查询对应的存储位置，由存储位置信息在所述缓存模块中查询对应的电能表故障位置，依次提示工人检查电能表对应的故障位置。

8.根据权利要求1所述的方法，其中，所述再次提示工人进一步检测下一个部件，多次进行交互显示，包括:

根据电能表显示的异常严重等级提示工人检测部件故障位置；设置优先检测顺序，电能表显示提示工人检测的顺序为，异常严重等级为“一级故障电能表”，“二级故障电能表”；处理器模块接收到故障电能表的运作中断通知后，根据电能表的异常记录显示{电压、电流、温度、显示、接触不良、短路、不稳定}运行数据，查询电能表故障位置，提示工人检查电能表对应的故障位置；当电能表显示无异常严重等级时结束提示。

Images