CN117607780A - 一种电能计量装置异常分析系统及其分析方法 - Google Patents
一种电能计量装置异常分析系统及其分析方法 Download PDFInfo
- Publication number
- CN117607780A CN117607780A CN202311401835.3A CN202311401835A CN117607780A CN 117607780 A CN117607780 A CN 117607780A CN 202311401835 A CN202311401835 A CN 202311401835A CN 117607780 A CN117607780 A CN 117607780A
- Authority
- CN
- China
- Prior art keywords
- data
- analysis
- electric energy
- abnormality
- metering device
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 65
- 230000005856 abnormality Effects 0.000 title claims abstract description 53
- 230000002159 abnormal effect Effects 0.000 claims abstract description 45
- 238000012544 monitoring process Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims description 50
- 238000001514 detection method Methods 0.000 claims description 38
- 238000007781 pre-processing Methods 0.000 claims description 16
- 238000007405 data analysis Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004140 cleaning Methods 0.000 claims description 10
- 238000013079 data visualisation Methods 0.000 claims description 10
- 238000009499 grossing Methods 0.000 claims description 10
- 238000012423 maintenance Methods 0.000 claims description 10
- 230000002776 aggregation Effects 0.000 claims description 9
- 238000004220 aggregation Methods 0.000 claims description 9
- 238000007726 management method Methods 0.000 claims description 9
- 230000035772 mutation Effects 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 230000000694 effects Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000013500 data storage Methods 0.000 claims description 6
- 238000003745 diagnosis Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 3
- 230000007774 longterm Effects 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000013450 outlier detection Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000013441 quality evaluation Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000010183 spectrum analysis Methods 0.000 claims description 3
- 230000000087 stabilizing effect Effects 0.000 claims description 3
- 238000013179 statistical model Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 4
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明公开了一种电能计量装置异常分析系统及其分析方法，涉及到电能计量装置异常分析技术领域，包括数据采集模块、数据预处理模块、数据分析模块以及异常检测模块，数据采集模块通过采集电能计量装置内的电能数据，来传输给数据预处理模块，数据预处理模块对采集到的原始电能数据进行数据清洗与转换，然后将多个数据点合并为一个时间段内的统计值，达到数据合聚处理效果，并将预处理的数据输送到数据分析模块，数据分析模块使用模型与算法来挖掘数据中的异常数据点。本发明能够提供准确、实时的异常监测和分析，帮助提高电能计量的质量和可靠性，减少异常风险的发生，对保障电能计量的精度和公正性具有显著的优势。
Description
技术领域
本发明涉及电能计量装置异常分析技术领域，特别涉及一种电能计量装置异常分析系统及其分析方法。
背景技术
电能计量装置是用于测量和记录电能消耗的重要设备。如果电能计量装置存在异常，例如数据漂移、精度下降、断电或故障等问题，将导致计量数据的不准确和不可靠。而通过异常分析可以实时监测和检测电能计量装置的异常情况，及时发现和处理计量装置的问题，保证电能计量数据的准确性和可靠性，为用户提供可信赖的电能消费数据，因此需要对电能计量装置进行异常分析维护。
但是，传统的人工异常检测方法需要大量的时间和人力资源，且准确率较低，不能满足对电能计量装置的异常分析需求，同时，现有的部分电能计量装置的异常分析系统没有实时监测和报警功能，因此往往无法及时察觉和处理异常情况，且对数据的处理较为粗糙，能存在噪声、错误或缺失，导致数据质量不稳定。
为此，本申请提供了一种电能计量装置异常分析系统及其分析方法来解决上述技术问题。
发明内容
本申请的目的在于提供一种电能计量装置异常分析系统及其分析方法，能够提供准确、实时的异常监测和分析，帮助提高电能计量的质量和可靠性，减少异常风险的发生，对保障电能计量的精度和公正性具有显著的优势。
为实现上述目的，本申请提供如下技术方案：一种电能计量装置异常分析系统，包括数据采集模块、数据预处理模块、数据分析模块以及异常检测模块，所述数据采集模块通过采集电能计量装置内的电能数据，来传输给所述数据预处理模块，所述数据预处理模块对采集到的原始电能数据进行数据清洗与转换，然后将多个数据点合并为一个时间段内的统计值，达到数据合聚处理效果，并将预处理的数据输送到所述数据分析模块，所述数据分析模块使用模型与算法来挖掘数据中的异常数据点，且配合异常检测模块来根据历史数据的趋势和规律，进行未来的预测和比较分析，达到确定异常问题的目的，并将异常问题进行警报与可视化展示。
作为进一步的优选方案，所述数据采集模块包括电流互感器、电压互感器、电能表以及数据记录仪，并连接有数据存储模块，来进行数据存储，将实时数据与历史数据存保存在数据库或文件系统中，以提供历史数据的回溯和查询功能。
作为进一步的优选方案，所述数据预处理模块对数据的预处理步骤包括：
A1、数据清洗：去除原始数据中的噪声、异常值和缺失值等错误或不合理的数据；
A2、数据转换：根据需要，来对应采用归一化、标准化对数据进行转换，以符合分析的要求；
A3、数据聚合：对原始数据进行聚合操作，将多个数据点合并为一个时间段内的统计值；
A4、数据降维：在原始数据量较大的情况，通过主成分分析与特征选择来降低数据维度；
A5、数据归类：采用聚类算法、分类算法来将数据按照不同的特征或属性进行分类，以供后续的分析和处理；
A6、数据质量评估：对预处理后的数据进行质量评估，检查数据的完整性、准确性和一致性。
作为进一步的优选方案，所述数据分析模块包括数据可视化单元、数据趋势分析单元、以及统计分析单元，且所述数据可视化单元将预处理后的数据以图形化方式展示，用于观察数据的趋势、分布和异常情况；所述数据趋势分析单元通过对数据的时间序列进行分析，观察数据的长期趋势和周期性变化；所述统计分析单元使用统计学方法分析数据的特征和分布。
作为进一步的优选方案，所述数据可视化单元的图形展示方式包括折线图、柱状图、散点图；所述数据趋势分析单元的分析方法包括移动平均法、指数平滑法。
作为进一步的优选方案，所述异常检测模块先对预处理后的数据中进行特征提取，选择最具代表性和相关性的特征变量，用于后续的异常检测任务，然后对异常进行定义和建模，根据具体的业务需求和领域知识来确定异常的定义和判定标准，并建立相应的异常检测模型、算法，且通过模型、算法来对异常检测结果进行评估和验证，通过与已知的标签或真实情况进行比较，计算异常检测的准确率、召回率、精度指标，来评估算法的性能和效果，最后，据异常检测结果生成相应的警报和通知。
作为进一步的优选方案，所述异常检测模块内设的异常检测模块、算法包括：
B1、基于统计的方法：
基于阈值的方法：通过定义固定的阈值，将超过阈值的数据标记为异常；
箱线图(Box Plot)：根据箱线图中的统计学指标，包括上下四分位数和离群值判定标准，捕捉异常值；
Z-Score方法：根据数据样本与平均值的偏离程度，计算Z-Score，并将超过阈值的数据标记为异常；
B2、基于机器学习的方法：
聚类方法：使用聚类算法，包括K-means、DBSCAN，通过将数据聚类成群组，然后将与其他群组差异较大的数据点标记为异常；
异常值检测方法：使用异常值检测算法，包括孤立森林、LOF、One-Class SVM，来识别与正常模式不符合的数据点；
深度学习方法：利用深度神经网络，包括自编码器、变分自编码器，通过学习数据的分布特征，来将与该分布差异较大的数据标记为异常；
B3、基于时间序列的方法：
平稳模型方法：对时间序列数据进行平滑，利用统计学模型，包括如ARIMA、指数平滑法，来预测未来值，与实际观测值的偏差超过阈值的部分被视为异常；
异常突变检测方法：通过分析时间序列中的波动性和突变性，识别异常突变点；
频谱分析方法：利用频域分析方法，包括如傅里叶变换、小波变换，来对时间序列信号进行分析，识别出频率分量异常的情况。
作为进一步的优选方案，还包括远程监控与管理模块，通过网络连接，来对电能计量装置的远程监控和管理，且包括实时监测、数据查询、参数设置功能。
一种电能计量装置异常分析系统的分析方法，适用于上述任意一项所述的一种电能计量装置异常分析系统，包括以下步骤：
C1、安装与部署：根据系统的要求，安装并配置相应的硬件设备和软件环境，且确保数据的正确采集和存储；
C2、数据采集与存储：系统启动后，自动采集电能计量装置的数据，并存储到系统的数据库中；
C3、异常诊断：系统会对采集到的数据进行实时分析和处理，识别出可能存在的异常或故障，且在检测到异常时，生成相应的警报信息；
C4、故障定位：在异常诊断模块的基础上，进一步分析和处理，确定异常或故障的具体位置和原因，且提供相关的辅助工具和指导，帮助维护人员快速定位和解决问题；
C5、故障预警与处理：系统通过对历史数据的统计和分析，预测未来可能发生的异常或故障，并及时生成警报，且维护人员可以根据警报信息，采取相应的措施进行预防和处理；
C6、远程监控与管理：系统支持远程监控和管理，可以通过网络连接远程访问系统，进行实时监测、数据查询、参数设置操作；
C7、维护和优化：定期对系统进行维护和优化，包括数据清理、系统升级、故障处理，来确保系统的稳定性和可靠性。
综上，本发明的技术效果和优点：
本发明通过对采集到的电能数据进行预处理、清洗和转换等操作，减少了数据中的噪声和错误，提高了数据的准确性和可靠性，通过异常检测模块，系统能够及时准确地识别和标记出电能数据中的异常情况，如异常波动、缺失数据、异常峰值等，且能够实时监测电能计量装置的数据，并根据设定的阈值或算法生成相应的警报和通知，使得异常情况能够第一时间被相关人员感知和处理，避免潜在风险和损失的发生。
同时，得益于异常分析模块的设置，能够通过精确的数据处理和模型建立，对异常点进行准确定位，帮助用户更快速地找出异常的原因和根源，并采取相应的措施进行修复或调整，而通过对数据可视化与分析，可实现对预处理后的电能数据进行可视化展示，如折线图、柱状图、散点图等，帮助用户更直观地观察数据的趋势、分布和异常情况，并进行深入的数据分析和挖掘。
综上所述，本系统能够提供准确、实时的异常监测和分析，帮助提高电能计量的质量和可靠性，减少异常风险的发生，对保障电能计量的精度和公正性具有显著的优势。
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是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的系统结构框图；
图2为本发明的数据采集模块的结构示意框图；
图3为本发明的数据预处理操作步骤的示意图；
图4为本发明的数据异常检测模块的原理示意图；
图5为本发明的系统使用方法的流程图。
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、完整地描述，显然，所描述的实施例仅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。
实施例：参考图1与图2所示的一种电能计量装置异常分析系统，包括数据采集模块、数据预处理模块、数据分析模块以及异常检测模块，所述数据采集模块通过采集电能计量装置内的电能数据，来传输给所述数据预处理模块，其中，所述数据采集模块包括电流互感器、电压互感器、电能表以及数据记录仪等设备，可直接电能计量装置进行电能数据采集，其该数据采集模块还连接有数据存储模块，因此，可通过数据储存模块来进行数据保存，将实时数据与历史数据存保存在数据库或文件系统中，以提供历史数据的回溯和查询功能，有利于为后续进行风险、异常预测提供数据基础。
而所述数据预处理模块在接收到所采集到的原始电能数据后，会对其进行数据清洗与转换处理，来提高数据质量，具体处理步骤如图3所示：
A1、数据清洗：去除原始数据中的噪声、异常值和缺失值等错误或不合理的数据，本实施例中，可采用但不限于通过平滑滤波、插值、替换等技术进行清洗；
A2、数据转换：根据需要，来对应采用归一化、标准化对数据进行转换，以符合分析的要求；
A3、数据聚合：对原始数据进行聚合操作，将多个数据点合并为一个时间段内的统计值，例如，计算每小时、每天或每月的平均值、最大值、最小值等；
A4、数据降维：在原始数据量较大的情况，通过主成分分析与特征选择来降低数据维度；
A5、数据归类：采用聚类算法、分类算法来将数据按照不同的特征或属性进行分类，以供后续的分析和处理；
A6、数据质量评估：对预处理后的数据进行质量评估，检查数据的完整性、准确性和一致性。
随会，数据预处理模块将多个数据点合并为一个时间段内的统计值，达到数据合聚处理效果，并将预处理的数据输送到所述数据分析模块
配合图3所示，当数据预处理模块对数据进行预处理后，则数据分析模块会接收预处理后的数据，来对其进行分析处理，使用模型与算法来挖掘数据中的异常数据点，且配合异常检测模块来根据历史数据的趋势和规律，进行未来的预测和比较分析，达到确定异常问题的目的，并将异常问题进行警报与可视化展示。
而所述数据分析模块包括数据可视化单元、数据趋势分析单元、以及统计分析单元。
其中，所述数据可视化单元将预处理后的数据以图形化方式展示，用于观察数据的趋势、分布和异常情况，且所述数据可视化单元的图形展示方式包括折线图、柱状图、散点图；
所述数据趋势分析单元的分析方法包括移动平均法、指数平滑法，通过对数据的时间序列进行分析，观察数据的长期趋势和周期性变化；
所述统计分析单元使用统计学方法分析数据的特征和分布。
所述异常检测模块先对预处理后的数据中进行特征提取，选择最具代表性和相关性的特征变量，用于后续的异常检测任务，然后对异常进行定义和建模，根据具体的业务需求和领域知识来确定异常的定义和判定标准，并建立相应的异常检测模型、算法，且通过模型、算法来对异常检测结果进行评估和验证，通过与已知的标签或真实情况进行比较，计算异常检测的准确率、召回率、精度指标，来评估算法的性能和效果，最后，据异常检测结果生成相应的警报和通知。
所述异常检测模块内设的异常检测模块、算法包括：
B1、基于统计的方法：
基于阈值的方法：通过定义固定的阈值，将超过阈值的数据标记为异常；
箱线图(Box Plot)：根据箱线图中的统计学指标，包括上下四分位数和离群值判定标准，捕捉异常值；
Z-Score方法：根据数据样本与平均值的偏离程度，计算Z-Score，并将超过阈值的数据标记为异常；
B2、基于机器学习的方法：
聚类方法：使用聚类算法，包括K-means、DBSCAN，通过将数据聚类成群组，然后将与其他群组差异较大的数据点标记为异常；
异常值检测方法：使用异常值检测算法，包括孤立森林、LOF、One-Class SVM，来识别与正常模式不符合的数据点；
深度学习方法：利用深度神经网络，包括自编码器、变分自编码器，通过学习数据的分布特征，来将与该分布差异较大的数据标记为异常；
B3、基于时间序列的方法：
平稳模型方法：对时间序列数据进行平滑，利用统计学模型，包括如ARIMA、指数平滑法，来预测未来值，与实际观测值的偏差超过阈值的部分被视为异常；
异常突变检测方法：通过分析时间序列中的波动性和突变性，识别异常突变点；
频谱分析方法：利用频域分析方法，包括如傅里叶变换、小波变换，来对时间序列信号进行分析，识别出频率分量异常的情况。
另外，本在系统中，还包括远程监控与管理模块，通过网络连接，来对电能计量装置的远程监控和管理，且包括实时监测、数据查询、参数设置功能。
一种电能计量装置异常分析系统的分析方法，适用于上述任意一项所述的一种电能计量装置异常分析系统，参照图5所示，包括以下步骤：
步骤一、安装与部署：根据系统的要求，安装并配置相应的硬件设备和软件环境，且确保数据的正确采集和存储；
步骤二、数据采集与存储：系统启动后，自动采集电能计量装置的数据，并存储到系统的数据库中；
步骤三、异常诊断：系统会对采集到的数据进行实时分析和处理，识别出可能存在的异常或故障，且在检测到异常时，生成相应的警报信息；
步骤四、故障定位：在异常诊断模块的基础上，进一步分析和处理，确定异常或故障的具体位置和原因，且提供相关的辅助工具和指导，帮助维护人员快速定位和解决问题；
步骤五、故障预警与处理：系统通过对历史数据的统计和分析，预测未来可能发生的异常或故障，并及时生成警报，且维护人员可以根据警报信息，采取相应的措施进行预防和处理；
步骤六、远程监控与管理：系统支持远程监控和管理，可以通过网络连接远程访问系统，进行实时监测、数据查询、参数设置操作；
步骤七、维护和优化：定期对系统进行维护和优化，包括数据清理、系统升级、故障处理，来确保系统的稳定性和可靠性。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (9)
1.一种电能计量装置异常分析系统，其特征在于，包括数据采集模块、数据预处理模块、数据分析模块以及异常检测模块，所述数据采集模块通过采集电能计量装置内的电能数据，来传输给所述数据预处理模块，所述数据预处理模块对采集到的原始电能数据进行数据清洗与转换，然后将多个数据点合并为一个时间段内的统计值，达到数据合聚处理效果，并将预处理的数据输送到所述数据分析模块，所述数据分析模块使用模型与算法来挖掘数据中的异常数据点，且配合异常检测模块来根据历史数据的趋势和规律，进行未来的预测和比较分析，达到确定异常问题的目的，并将异常问题进行警报与可视化展示。
2.根据权利要求1所述的一种电能计量装置异常分析系统，其特征在于：所述数据采集模块包括电流互感器、电压互感器、电能表以及数据记录仪，并连接有数据存储模块，来进行数据存储，将实时数据与历史数据存保存在数据库或文件系统中，以提供历史数据的回溯和查询功能。
3.根据权利要求1所述的一种电能计量装置异常分析系统，其特征在于：所述数据预处理模块对数据的预处理步骤包括：
A1、数据清洗：去除原始数据中的噪声、异常值和缺失值等错误或不合理的数据；
A2、数据转换：根据需要，来对应采用归一化、标准化对数据进行转换，以符合分析的要求；
A3、数据聚合：对原始数据进行聚合操作，将多个数据点合并为一个时间段内的统计值；
A4、数据降维：在原始数据量较大的情况，通过主成分分析与特征选择来降低数据维度；
A5、数据归类：采用聚类算法、分类算法来将数据按照不同的特征或属性进行分类，以供后续的分析和处理；
A6、数据质量评估：对预处理后的数据进行质量评估，检查数据的完整性、准确性和一致性。
4.根据权利要求1所述的一种电能计量装置异常分析系统，其特征在于：所述数据分析模块包括数据可视化单元、数据趋势分析单元、以及统计分析单元，且所述数据可视化单元将预处理后的数据以图形化方式展示，用于观察数据的趋势、分布和异常情况；所述数据趋势分析单元通过对数据的时间序列进行分析，观察数据的长期趋势和周期性变化；所述统计分析单元使用统计学方法分析数据的特征和分布。
5.根据权利要求4所述的一种电能计量装置异常分析系统，其特征在于：所述数据可视化单元的图形展示方式包括折线图、柱状图、散点图；所述数据趋势分析单元的分析方法包括移动平均法、指数平滑法。
6.根据权利要求1所述的一种电能计量装置异常分析系统，其特征在于：所述异常检测模块先对预处理后的数据中进行特征提取，选择最具代表性和相关性的特征变量，用于后续的异常检测任务，然后对异常进行定义和建模，根据具体的业务需求和领域知识来确定异常的定义和判定标准，并建立相应的异常检测模型、算法，且通过模型、算法来对异常检测结果进行评估和验证，通过与已知的标签或真实情况进行比较，计算异常检测的准确率、召回率、精度指标，来评估算法的性能和效果，最后，据异常检测结果生成相应的警报和通知。
7.根据权利要求6所述的一种电能计量装置异常分析系统，其特征在于：所述异常检测模块内设的异常检测模块、算法包括：
B1、基于统计的方法：
基于阈值的方法：通过定义固定的阈值，将超过阈值的数据标记为异常；
箱线图(Box Plot)：根据箱线图中的统计学指标，包括上下四分位数和离群值判定标准，捕捉异常值；
Z-Score方法：根据数据样本与平均值的偏离程度，计算Z-Score，并将超过阈值的数据标记为异常；
B2、基于机器学习的方法：
聚类方法：使用聚类算法，包括K-means、DBSCAN，通过将数据聚类成群组，然后将与其他群组差异较大的数据点标记为异常；
异常值检测方法：使用异常值检测算法，包括孤立森林、LOF、One-Class SVM，来识别与正常模式不符合的数据点；
深度学习方法：利用深度神经网络，包括自编码器、变分自编码器，通过学习数据的分布特征，来将与该分布差异较大的数据标记为异常；
B3、基于时间序列的方法：
平稳模型方法：对时间序列数据进行平滑，利用统计学模型，包括如ARIMA、指数平滑法，来预测未来值，与实际观测值的偏差超过阈值的部分被视为异常；
异常突变检测方法：通过分析时间序列中的波动性和突变性，识别异常突变点；
频谱分析方法：利用频域分析方法，包括如傅里叶变换、小波变换，来对时间序列信号进行分析，识别出频率分量异常的情况。
8.根据权利要求1所述的一种电能计量装置异常分析系统，其特征在于：还包括远程监控与管理模块，通过网络连接，来对电能计量装置的远程监控和管理，且包括实时监测、数据查询、参数设置功能。
9.一种电能计量装置异常分析系统的分析方法，适用于所述权利要求1-8任意一项所述的一种电能计量装置异常分析系统，其特征在于，包括以下步骤：
C1、安装与部署：根据系统的要求，安装并配置相应的硬件设备和软件环境，且确保数据的正确采集和存储；
C2、数据采集与存储：系统启动后，自动采集电能计量装置的数据，并存储到系统的数据库中；
C3、异常诊断：系统会对采集到的数据进行实时分析和处理，识别出可能存在的异常或故障，且在检测到异常时，生成相应的警报信息；
C4、故障定位：在异常诊断模块的基础上，进一步分析和处理，确定异常或故障的具体位置和原因，且提供相关的辅助工具和指导，帮助维护人员快速定位和解决问题；
C5、故障预警与处理：系统通过对历史数据的统计和分析，预测未来可能发生的异常或故障，并及时生成警报，且维护人员可以根据警报信息，采取相应的措施进行预防和处理；
C6、远程监控与管理：系统支持远程监控和管理，可以通过网络连接远程访问系统，进行实时监测、数据查询、参数设置操作；
C7、维护和优化：定期对系统进行维护和优化，包括数据清理、系统升级、故障处理，来确保系统的稳定性和可靠性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311401835.3A CN117607780A (zh) | 2023-10-26 | 2023-10-26 | 一种电能计量装置异常分析系统及其分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311401835.3A CN117607780A (zh) | 2023-10-26 | 2023-10-26 | 一种电能计量装置异常分析系统及其分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117607780A true CN117607780A (zh) | 2024-02-27 |
Family
ID=89954120
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311401835.3A Pending CN117607780A (zh) | 2023-10-26 | 2023-10-26 | 一种电能计量装置异常分析系统及其分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117607780A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117783995A (zh) * | 2024-02-28 | 2024-03-29 | 深圳市江机实业有限公司 | 一种电能表在线校准方法和系统 |
-
2023
- 2023-10-26 CN CN202311401835.3A patent/CN117607780A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117783995A (zh) * | 2024-02-28 | 2024-03-29 | 深圳市江机实业有限公司 | 一种电能表在线校准方法和系统 |
| CN117783995B (zh) * | 2024-02-28 | 2024-05-10 | 深圳市江机实业有限公司 | 一种电能表在线校准方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110366031B (zh) | 一种数字化车间mes系统基于视觉的异常状态监测与故障诊断方法 | |
| CN112101764B (zh) | 基于状态监测的船舶技术状况综合评估系统 | |
| US20200081054A1 (en) | Power line issue diagnostic methods and apparatus using distributed analytics | |
| CN112925279A (zh) | 一种基于mes系统的故障综合分析系统 | |
| US20020183971A1 (en) | Diagnostic systems and methods for predictive condition monitoring | |
| CN111046582A (zh) | 一种核电站柴油发电机组线圈温度预警方法及系统 | |
| CN117607780A (zh) | 一种电能计量装置异常分析系统及其分析方法 | |
| CN110866616A (zh) | 一种变电站二次设备故障预警方法及装置 | |
| CN114781476B (zh) | 一种量测设备故障分析系统和方法 | |
| CN116629627A (zh) | 输电在线监测装置的智能检测系统 | |
| CN117114449A (zh) | 一种电力大数据可视化分析系统及方法 | |
| CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
| CN112580858A (zh) | 设备参数预测分析方法及系统 | |
| CN117761444B (zh) | 一种电涌保护器的寿命监测方法及系统 | |
| CN117150418B (zh) | 基于状态特征故障树的变压器运检周期制定方法和系统 | |
| CN110455370B (zh) | 防汛抗旱远程遥测显示系统 | |
| CN117132243A (zh) | 一种可视化电厂设备监控管理系统 | |
| CN116910128A (zh) | 风电机组硬软故障数据分析系统及其分析方法 | |
| CN116611953A (zh) | 基于物联网的电能表生产制造实时数据管理方法和系统 | |
| CN116595353A (zh) | 一种调相机远程故障诊断及智能决策系统 | |
| CN115788771A (zh) | 一种基于物联网技术的风力发电系统的智能运维管理系统 | |
| CN117057676B (zh) | 多数据融合的故障分析方法、设备及存储介质 | |
| CN118194150A (zh) | 冷水机远程监控与故障预测系统 | |
| CN117493129B (zh) | 一种计算机控制设备的运行功率监测系统 | |
| CN117951633B (zh) | 一种光伏发电设备故障诊断方法及系统 |
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 |