CN116933134A - 一种电表日自动抄表失败故障分析方法及系统 - Google Patents

一种电表日自动抄表失败故障分析方法及系统 Download PDF

Info

Publication number
CN116933134A
CN116933134A CN202310880338.XA CN202310880338A CN116933134A CN 116933134 A CN116933134 A CN 116933134A CN 202310880338 A CN202310880338 A CN 202310880338A CN 116933134 A CN116933134 A CN 116933134A
Authority
CN
China
Prior art keywords
ammeter
fault
meter reading
data
reading
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
CN202310880338.XA
Other languages
English (en)
Inventor
王志喜
王强
陈少强
谈红焱
吴智兴
林焯明
马超亮
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.)
Guangdong Power Grid Co Ltd
Zhongshan Power Supply Bureau of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Zhongshan 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 Guangdong Power Grid Co Ltd, Zhongshan Power Supply Bureau of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202310880338.XA priority Critical patent/CN116933134A/zh
Publication of CN116933134A publication Critical patent/CN116933134A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)

Abstract

本发明涉及电表抄表技术领域，公开了一种电表日自动抄表失败故障分析方法及系统，其方法通过获取目标电表在不同的预设抄表故障类别下的电表抄表时序数据，构建数据集，利用卷积神经网络对训练数据集进行训练，得到电表抄表故障检测模型，并对电表抄表故障检测模型进行优化，通过优化后的电表抄表故障检测模型对待识别的电表抄表时序数据进行检测，输出相对应的抄表故障类别，从而提高电表日自动抄表失败故障分析效率和准确性。

Description

一种电表日自动抄表失败故障分析方法及系统
技术领域
本发明涉及电表抄表技术领域，尤其涉及一种电表日自动抄表失败故障分析方法及系统。
背景技术
随着智能电网建设和智能电表的广泛推广应用，电力行业的数据量不断增加，对于电能使用情况进行智能分析和监测也变得越来越重要。其中，电表日自动抄表是电能监测的关键环节之一，但是在实际应用中，由于多种原因，自动抄表可能会出现失败的情况。目前，如何快速准确地分析电表自动抄表失败的原因，为后续数据分析和服务提供准确的数据基础，成为电力行业急需解决的技术问题。
而目前对电表日自动抄表失败故障进行分析时，需要人工进行分析，这导致电表日自动抄表失败故障分析效率和准确性均较差，容易导致电网运行不稳定。
发明内容
本发明提供了一种电表日自动抄表失败故障分析方法及系统，解决了电表日自动抄表失败故障分析效率和准确性均较差的技术问题。
有鉴于此，本发明第一方面提供了一种电表日自动抄表失败故障分析方法，包括以下步骤：
获取目标电表在不同的预设抄表故障类别下的电表抄表时序数据，构建数据集；
将所述数据集划分为训练数据集和测试数据集；
基于卷积神经网络对所述训练数据集进行训练，得到电表抄表故障检测模型；
通过所述测试数据集对所述电表抄表故障检测模型进行测试，输出测试结果以及测试准确率；
根据所述测试准确率对所述电表抄表故障检测模型的网络参数进行优化，输出优化后的电表抄表故障检测模型；
通过优化后的电表抄表故障检测模型对待识别的电表抄表时序数据进行检测，输出相对应的抄表故障类别。
优选地，获取目标电表在不同的预设抄表故障类别下的电表抄表时序数据，构建数据集的步骤具体包括：
对目标电表以及其所依次连接的集中器和配电终端进行仿真，得到电表抄表配网模型；
根据预设抄表故障类别对所述电表抄表配网模型进行故障仿真，输出所述目标电表的电表抄表时序数据，其中，所述预设抄表故障类别包括测量点重复故障、电表参数设置故障、电表工单参数设置故障、工单新装或增容故障、表箱采集器故障、集中器下行故障、集中器离线故障和电表物理故障。
优选地，获取目标电表在不同的预设抄表故障类别下的电表抄表时序数据，构建数据集的步骤之后还包括：
对所述电表抄表时序数据进行数据清洗和标准化处理。
优选地，本方法还包括：
对目标电表的抄表数据进行数据异常检测，若检测到所述目标电表的抄表数据出现数据异常，则执行通过优化后的电表抄表故障检测模型对待识别的电表抄表时序数据进行检测，输出相对应的抄表故障类别的步骤，其中，数据异常为抄表数据缺失或日冻结数据突变。
优选地，通过优化后的电表抄表故障检测模型对待识别的电表抄表时序数据进行检测，输出相对应的抄表故障类别的步骤之后还包括：
将所述抄表故障类别在预设的电表维修维修措施数据库中进行匹配相应的电表维修措施。
第二方面，本发明还提供了一种电表日自动抄表失败故障分析系统，包括：
数据获取模块，用于获取目标电表在不同的预设抄表故障类别下的电表抄表时序数据，构建数据集；
数据划分模块，用于将所述数据集划分为训练数据集和测试数据集；
模型训练模块，用于基于卷积神经网络对所述训练数据集进行训练，得到电表抄表故障检测模型；
数据测试模块，用于通过所述测试数据集对所述电表抄表故障检测模型进行测试，输出测试结果以及测试准确率；
模型优化模块，用于根据所述测试准确率对所述电表抄表故障检测模型的网络参数进行优化，输出优化后的电表抄表故障检测模型；
故障识别模块，用于通过优化后的电表抄表故障检测模型对待识别的电表抄表时序数据进行检测，输出相对应的抄表故障类别。
优选地，所述数据获取模块具体包括：
电表仿真模块，用于对目标电表以及其所依次连接的集中器和配电终端进行仿真，得到电表抄表配网模型；
故障仿真模块，用于根据预设抄表故障类别对所述电表抄表配网模型进行故障仿真，输出所述目标电表的电表抄表时序数据，其中，所述预设抄表故障类别包括测量点重复故障、电表参数设置故障、电表工单参数设置故障、工单新装或增容故障、表箱采集器故障、集中器下行故障、集中器离线故障和电表物理故障。
优选地，本系统还包括：
数据处理模块，用于对所述电表抄表时序数据进行数据清洗和标准化处理。
优选地，本系统还包括：
异常检测模块，用于对目标电表的抄表数据进行数据异常检测，若检测到所述目标电表的抄表数据出现数据异常，则执行通过优化后的电表抄表故障检测模型对待识别的电表抄表时序数据进行检测，输出相对应的抄表故障类别的步骤，其中，数据异常为抄表数据缺失或日冻结数据突变。
优选地，本系统还包括：
维修匹配模块，用于将所述抄表故障类别在预设的电表维修维修措施数据库中进行匹配相应的电表维修措施。
从以上技术方案可以看出，本发明具有以下优点：
本发明通过获取目标电表在不同的预设抄表故障类别下的电表抄表时序数据，构建数据集，利用卷积神经网络对训练数据集进行训练，得到电表抄表故障检测模型，并对电表抄表故障检测模型进行优化，通过优化后的电表抄表故障检测模型对待识别的电表抄表时序数据进行检测，输出相对应的抄表故障类别，从而提高电表日自动抄表失败故障分析效率和准确性。
附图说明
图1为本发明实施例提供的一种电表日自动抄表失败故障分析方法的流程图；
图2为本发明实施例提供的一种电表日自动抄表失败故障分析系统的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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他实施例，都属于本发明保护的范围。
为了便于理解，请参阅图1，本发明提供的一种电表日自动抄表失败故障分析方法，包括以下步骤：
步骤一、获取目标电表在不同的预设抄表故障类别下的电表抄表时序数据，构建数据集。
其中，根据预设抄表故障类别对电表抄表时序数据进行设置标签，从而构建抄表故障类别与电表抄表时序数据之间的映射关系，构建数据集。
步骤二、将数据集划分为训练数据集和测试数据集。
其中，训练数据集和测试数据集的数据比例为1:3。
步骤三、基于卷积神经网络对训练数据集进行训练，得到电表抄表故障检测模型。
其中，在卷积神经网络训练过程中，以电表抄表时序数据为输入，并以相应的抄表故障类别为输出进行训练。
步骤四、通过测试数据集对电表抄表故障检测模型进行测试，输出测试结果以及测试准确率。
其中，测试准确率基于测试结果计算得到。
步骤五、根据测试准确率对电表抄表故障检测模型的网络参数进行优化，输出优化后的电表抄表故障检测模型。
其中，在根据测试准确率对电表抄表故障检测模型的网络参数进行优化过程中，若测试准确率小于预设的准确率阈值时，则对电表抄表故障检测模型的网络参数进行优化，直至测试准确率大于预设的准确率阈值后，完成优化，输出优化后的电表抄表故障检测模型。
步骤六、通过优化后的电表抄表故障检测模型对待识别的电表抄表时序数据进行检测，输出相对应的抄表故障类别。
需要说明的是，本发明通过获取目标电表在不同的预设抄表故障类别下的电表抄表时序数据，构建数据集，利用卷积神经网络对训练数据集进行训练，得到电表抄表故障检测模型，并对电表抄表故障检测模型进行优化，通过优化后的电表抄表故障检测模型对待识别的电表抄表时序数据进行检测，输出相对应的抄表故障类别，从而提高电表日自动抄表失败故障分析效率和准确性。
在一个具体实施例中，步骤一具体包括：
101、对目标电表以及其所依次连接的集中器和配电终端进行仿真，得到电表抄表配网模型。
其中，电表抄表配网模型包含目标电表、集中器和配电终端以及三者连接关系结构。
102、根据预设抄表故障类别对电表抄表配网模型进行故障仿真，输出目标电表的电表抄表时序数据，其中，预设抄表故障类别包括测量点重复故障、电表参数设置故障、电表工单参数设置故障、工单新装或增容故障、表箱采集器故障、集中器下行故障、集中器离线故障和电表物理故障。
需要说明的是，测量点重复故障是指同一集中器对应的不同资产编号低压用户，但计量点序号相同，导致用户读数错乱。
电表参数设置故障是指低压用户“通讯方式”为计算值或00，“停止位”不等于“1位”，其电表参数改变，容易影响抄表读数出现错误。
电表工单参数设置故障是指不在线低压用户近一段时间发生更换计量装置工单，容易影响抄表读数出现错误。
工单新装或增容故障是指不在线低压用户近一段时间内发生低压新装流程或增容流程的工单，在之后不再关联工单，容易影响抄表读数出现错误。
表箱采集器故障是指同一集中器同一地址(按地址排序)固定户号多天连续不在线。
集中器下行故障是指同一集中器不同户号随机多天出现不在线。
集中器离线故障是指根据集中器离职时间和抄表读数零点时间相对比，如5月10日上午6点离线的，那么10零点正常情况应该有数，这种用户11日零点可能无抄表读数。
电表物理故障是指同一集中器个别用户无读数。
在一个具体实施例中，步骤一之后还包括：
10、对电表抄表时序数据进行数据清洗和标准化处理。
在一个具体实施例中，本方法还包括：
对目标电表的抄表数据进行数据异常检测，若检测到目标电表的抄表数据出现数据异常，则执行通过优化后的电表抄表故障检测模型对待识别的电表抄表时序数据进行检测，输出相对应的抄表故障类别的步骤，其中，数据异常为抄表数据缺失或日冻结数据突变。
其中，日冻结数据突变是指日冻结数据差距大。
在一个具体实施例中，步骤六之后还包括：
将抄表故障类别在预设的电表维修维修措施数据库中进行匹配相应的电表维修措施。
其中，电表维修维修措施数据库包含抄表故障类别与电表维修措施之间的映射关系。
在一个示例中，测量点重复故障对应的电表维修措施为修改测试点序号。电表参数设置故障对应的电表维修措施为重新下发电表参数。电表工单参数设置故障对应的电表维修措施为重新下发电表工单参数并持续观察。工单新装或增容故障对应的电表维修措施为下发参数或表前开关未合闸。表箱采集器故障对应的电表维修措施为更换采集器。集中器下行故障对应的电表维修措施为更换集中器下行模块。集中器离线故障对应的电表维修措施为跟进集中器状态和抄表情况。电表物理故障对应的电表维修措施为更换电表。
以上为本发明提供的一种电表日自动抄表失败故障分析方法的实施例的详细描述，以下为本发明提供的一种电表日自动抄表失败故障分析系统的实施例的详细描述。
为了便于理解，请参阅图2，本发明提供的一种电表日自动抄表失败故障分析系统，包括：
数据获取模块100，用于获取目标电表在不同的预设抄表故障类别下的电表抄表时序数据，构建数据集；
数据划分模块200，用于将数据集划分为训练数据集和测试数据集；
模型训练模块300，用于基于卷积神经网络对训练数据集进行训练，得到电表抄表故障检测模型；
数据测试模块400，用于通过测试数据集对电表抄表故障检测模型进行测试，输出测试结果以及测试准确率；
模型优化模块500，用于根据测试准确率对电表抄表故障检测模型的网络参数进行优化，输出优化后的电表抄表故障检测模型；
故障识别模块600，用于通过优化后的电表抄表故障检测模型对待识别的电表抄表时序数据进行检测，输出相对应的抄表故障类别。
在一个具体实施例中，数据获取模块具体包括：
电表仿真模块，用于对目标电表以及其所依次连接的集中器和配电终端进行仿真，得到电表抄表配网模型；
故障仿真模块，用于根据预设抄表故障类别对电表抄表配网模型进行故障仿真，输出目标电表的电表抄表时序数据，其中，预设抄表故障类别包括测量点重复故障、电表参数设置故障、电表工单参数设置故障、工单新装或增容故障、表箱采集器故障、集中器下行故障、集中器离线故障和电表物理故障。
在一个具体实施例中，本系统还包括：
数据处理模块，用于对电表抄表时序数据进行数据清洗和标准化处理。
在一个具体实施例中，本系统还包括：
异常检测模块，用于对目标电表的抄表数据进行数据异常检测，若检测到目标电表的抄表数据出现数据异常，则执行通过优化后的电表抄表故障检测模型对待识别的电表抄表时序数据进行检测，输出相对应的抄表故障类别的步骤，其中，数据异常为抄表数据缺失或日冻结数据突变。
在一个具体实施例中，本系统还包括：
维修匹配模块，用于将抄表故障类别在预设的电表维修维修措施数据库中进行匹配相应的电表维修措施。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种电表日自动抄表失败故障分析方法，其特征在于，包括以下步骤：
获取目标电表在不同的预设抄表故障类别下的电表抄表时序数据，构建数据集；
将所述数据集划分为训练数据集和测试数据集；
基于卷积神经网络对所述训练数据集进行训练，得到电表抄表故障检测模型；
通过所述测试数据集对所述电表抄表故障检测模型进行测试，输出测试结果以及测试准确率；
根据所述测试准确率对所述电表抄表故障检测模型的网络参数进行优化，输出优化后的电表抄表故障检测模型；
通过优化后的电表抄表故障检测模型对待识别的电表抄表时序数据进行检测，输出相对应的抄表故障类别。
2.根据权利要求1所述的电表日自动抄表失败故障分析方法，其特征在于，获取目标电表在不同的预设抄表故障类别下的电表抄表时序数据，构建数据集的步骤具体包括：
对目标电表以及其所依次连接的集中器和配电终端进行仿真，得到电表抄表配网模型；
根据预设抄表故障类别对所述电表抄表配网模型进行故障仿真，输出所述目标电表的电表抄表时序数据，其中，所述预设抄表故障类别包括测量点重复故障、电表参数设置故障、电表工单参数设置故障、工单新装或增容故障、表箱采集器故障、集中器下行故障、集中器离线故障和电表物理故障。
3.根据权利要求1所述的电表日自动抄表失败故障分析方法，其特征在于，获取目标电表在不同的预设抄表故障类别下的电表抄表时序数据，构建数据集的步骤之后还包括：
对所述电表抄表时序数据进行数据清洗和标准化处理。
4.根据权利要求1所述的电表日自动抄表失败故障分析方法，其特征在于，还包括：
对目标电表的抄表数据进行数据异常检测，若检测到所述目标电表的抄表数据出现数据异常，则执行通过优化后的电表抄表故障检测模型对待识别的电表抄表时序数据进行检测，输出相对应的抄表故障类别的步骤，其中，数据异常为抄表数据缺失或日冻结数据突变。
5.根据权利要求1所述的电表日自动抄表失败故障分析方法，其特征在于，通过优化后的电表抄表故障检测模型对待识别的电表抄表时序数据进行检测，输出相对应的抄表故障类别的步骤之后还包括：
将所述抄表故障类别在预设的电表维修维修措施数据库中进行匹配相应的电表维修措施。
6.一种电表日自动抄表失败故障分析系统，其特征在于，包括：
数据获取模块，用于获取目标电表在不同的预设抄表故障类别下的电表抄表时序数据，构建数据集；
数据划分模块，用于将所述数据集划分为训练数据集和测试数据集；
模型训练模块，用于基于卷积神经网络对所述训练数据集进行训练，得到电表抄表故障检测模型；
数据测试模块，用于通过所述测试数据集对所述电表抄表故障检测模型进行测试，输出测试结果以及测试准确率；
模型优化模块，用于根据所述测试准确率对所述电表抄表故障检测模型的网络参数进行优化，输出优化后的电表抄表故障检测模型；
故障识别模块，用于通过优化后的电表抄表故障检测模型对待识别的电表抄表时序数据进行检测，输出相对应的抄表故障类别。
7.根据权利要求6所述的电表日自动抄表失败故障分析系统，其特征在于，所述数据获取模块具体包括：
电表仿真模块，用于对目标电表以及其所依次连接的集中器和配电终端进行仿真，得到电表抄表配网模型；
故障仿真模块，用于根据预设抄表故障类别对所述电表抄表配网模型进行故障仿真，输出所述目标电表的电表抄表时序数据，其中，所述预设抄表故障类别包括测量点重复故障、电表参数设置故障、电表工单参数设置故障、工单新装或增容故障、表箱采集器故障、集中器下行故障、集中器离线故障和电表物理故障。
8.根据权利要求6所述的电表日自动抄表失败故障分析系统，其特征在于，还包括：
数据处理模块，用于对所述电表抄表时序数据进行数据清洗和标准化处理。
9.根据权利要求6所述的电表日自动抄表失败故障分析系统，其特征在于，还包括：
异常检测模块，用于对目标电表的抄表数据进行数据异常检测，若检测到所述目标电表的抄表数据出现数据异常，则执行通过优化后的电表抄表故障检测模型对待识别的电表抄表时序数据进行检测，输出相对应的抄表故障类别的步骤，其中，数据异常为抄表数据缺失或日冻结数据突变。
10.根据权利要求6所述的电表日自动抄表失败故障分析系统，其特征在于，还包括：
维修匹配模块，用于将所述抄表故障类别在预设的电表维修维修措施数据库中进行匹配相应的电表维修措施。
CN202310880338.XA 2023-07-18 2023-07-18 一种电表日自动抄表失败故障分析方法及系统 Pending CN116933134A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310880338.XA CN116933134A (zh) 2023-07-18 2023-07-18 一种电表日自动抄表失败故障分析方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310880338.XA CN116933134A (zh) 2023-07-18 2023-07-18 一种电表日自动抄表失败故障分析方法及系统

Publications (1)

Publication Number Publication Date
CN116933134A true CN116933134A (zh) 2023-10-24

Family

ID=88385655

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310880338.XA Pending CN116933134A (zh) 2023-07-18 2023-07-18 一种电表日自动抄表失败故障分析方法及系统

Country Status (1)

Country Link
CN (1) CN116933134A (zh)

Similar Documents

Publication Publication Date Title
CN107462863B (zh) 一种智能电能表运行误差运行诊断分析方法及系统
CN109298379B (zh) 一种基于数据监测的智能电表现场误差异常的识别方法
CN110727662A (zh) 基于相关性分析的低压台区用户相位识别方法和系统
CN113032454A (zh) 基于云计算的交互式用户用电异常监测预警管理云平台
CN110311709B (zh) 用电信息采集系统故障判别方法
CN113792939B (zh) 基于混合威布尔分布的电能表可靠性预测方法及装置
CN107741577B (zh) 一种关口表准确度在线监控和分析方法及系统
CN108010305B (zh) 一种综合能源管理平台数据采集故障的自诊断方法
CN107543989B (zh) 基于电能表失压断相判断线损异常的方法
CN109085454B (zh) 一种基于大数据分析的计量串户智能甄别方法
CN104535949A (zh) 一种电能质量监测装置现场校验的方法和系统
CN111257820B (zh) 三相智能电表接线远程检测方法
CN113655425B (zh) 适用于10kv配线线路的计量点运行误差监测方法与系统
CN112819653B (zh) 一种在线监测入炉煤和入厂煤热值差的系统及方法
CN110874685A (zh) 基于神经网络的智能电能表运行状态判别方法及系统
CN118378545B (zh) 一种电网复杂运行模式下的计量拓扑仿真方法及系统
CN114152896A (zh) 一种基于采集平台的失准更换系统
CN115856760A (zh) 一种基于电能表数据信息的动态检定系统和方法
CN106569165A (zh) 一种电子式电能表计量性能远程在线检测系统
CN104574221B (zh) 一种基于损失电量特征参数的光伏电站运行状态辨识方法
CN110443481B (zh) 基于混合k-近邻算法的配电自动化终端状态评价系统及方法
CN115809805A (zh) 基于边缘计算的电网多源数据处理方法
CN109409629B (zh) 基于多属性决策模型的采集终端生产厂商评价方法
Jiao et al. An on-line anomaly identifying method for calibration devices in an automatic verification system for electricity smart meters
CN109444799A (zh) 一种基于闭环管理的电能表质量评价方法及系统

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