CN117630800A - 一种电能表自动检定装置故障诊断方法及系统 - Google Patents
一种电能表自动检定装置故障诊断方法及系统 Download PDFInfo
- Publication number
- CN117630800A CN117630800A CN202311630285.2A CN202311630285A CN117630800A CN 117630800 A CN117630800 A CN 117630800A CN 202311630285 A CN202311630285 A CN 202311630285A CN 117630800 A CN117630800 A CN 117630800A
- Authority
- CN
- China
- Prior art keywords
- abnormal
- data
- electric energy
- energy meter
- data set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000003745 diagnosis Methods 0.000 title claims abstract description 61
- 230000002159 abnormal effect Effects 0.000 claims abstract description 136
- 238000001514 detection method Methods 0.000 claims abstract description 76
- 238000012795 verification Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 27
- 238000004458 analytical method Methods 0.000 claims abstract description 13
- 230000005856 abnormality Effects 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000007689 inspection Methods 0.000 abstract description 9
- 230000000694 effects Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 8
- 238000003556 assay Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 229940079593 drug Drugs 0.000 description 2
- 239000003814 drug Substances 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000002788 crimping Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
Landscapes
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种电能表自动检定装置故障诊断方法及系统,涉及电能表故障诊断技术领域,包括采集待测样本检测数据构建待测样本检测数据集;对待测样本检测数据集进行筛选,构建异常值数据集;基于局部异常因子算法对异常值数据集进行解析输出异常表位。本发明提供的电能表自动检定装置故障诊断方法通过非正常态数据筛选,避免异常数据干扰影响后期故障诊断的准确性,通过局部异常因子算法,提高检定可靠性,通过使用异常值检测算法,能够迅速确定可能存在故障的电能表,减少诊断时间,提高效率,结合人工检查和算法分析,能够准确地定位到故障表位,并确定故障原因。本发明在检定可靠性、时间成本以及准确性方面都取得更加良好的效果。
Description
技术领域
本发明涉及电能表故障诊断技术领域,具体为一种电能表自动检定装置故障诊断方法及系统。
背景技术
在电力系统中,电能表是用来测量和计费电力量的设备,其正常工作对电力系统的稳定运行至关重要。目前,电能表的故障诊断主要依赖于专业技术人员通过手动方式进行检查,该方法耗时长、劳动强度大,且可能由于技术人员判断失误导致诊断结果不准确。
在自动化技术和人工智能技术日益发展的今天,虽然已经有一些技术采用了自动化或半自动化的方式进行电能表的故障诊断,但大多数仍然依赖于人工设定阈值或者诊断规则,这些方法无法适应电能表检测数据的复杂性和动态变化,因此,其诊断方法的鲁棒性和结果的准确性还有待提高。
现有的电能表故障诊断技术主要依赖于专业技术人员通过手动方式进行,这主要存在以下几点问题:
耗时和耗力:手动检测和诊断过程中,需要专业人员逐个检查和分析电能表的工作状态和检测数据,这不仅消耗大量的时间,而且劳动强度大。
诊断准确性低:由于手动诊断主要依赖于技术人员的主观判断,易受人为因素影响,如疲劳、经验不足等,可能导致诊断结果不准确。
难以适应动态变化:当电能表的检测数据发生动态变化时,人工诊断往往难以及时适应,从而影响诊断结果的准确性。
故障诊断规则固定:现有的电能表故障诊断技术大多采用固定的诊断规则,而这些规则可能不适用于所有情况,导致故障判定的可靠性和准确性降低。
因此,现有的电能表故障诊断技术存在效率低、准确性差、难以适应数据动态变化等问题。
发明内容
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有的电能表故障诊断方法存在运行成本高,诊断准确性低,难以适应动态变化,以及故障诊断规则固定的问题。
为解决上述技术问题,本发明提供如下技术方案:一种电能表自动检定装置故障诊断方法,包括采集待测样本检测数据构建待测样本检测数据集;对待测样本检测数据集进行筛选,构建异常值数据集;基于局部异常因子算法对异常值数据集进行解析输出异常表位。
作为本发明所述的电能表自动检定装置故障诊断方法的一种优选方案,其中:所述采集待测样本检测数据构建待测样本检测数据集包括采集检定单元性能数据、稳态运行数据以及监测指标数据;
所述检定单元性能数据包括电能表电压、电流、功率;
所述稳态运行数据包括工作模式、运行时长、负载情况、电能表误差数据;
所述监测指标数据包括温度、湿度。
作为本发明所述的电能表自动检定装置故障诊断方法的一种优选方案,其中:所述采集待测样本检测数据构建待测样本检测数据集包括根据电能表自动检定装置检定单元序号,按照从小到大的顺序选取M个检定单元作为待测样本,获取待测样本的检测数据;
所述M为预设的待测样本数量;
对检测数据稳态数据判定,删除异常数据,构建待测样本检测数据集,稳态数据判定条件表示为:
Amax-Amin<APR
其中,Amax为最大指标数值,Amin为最小指标数值,APR为指标数值波动范围;
完成稳态认定后删除异常数据。
作为本发明所述的电能表自动检定装置故障诊断方法的一种优选方案,其中:所述对待测样本检测数据集进行筛选包括划定正常态区间,正常态区间表示为:
[μ-3σ,μ+3σ]
其中,μ为均值,σ为标准差。
作为本发明所述的电能表自动检定装置故障诊断方法的一种优选方案,其中:所述构建异常值数据集包括标记异常值,建立异常值数据集;
若数据在筛选后输出为正常态区间数值,则数据标记为正常态数据;
若数据在筛选后输出后不在数据区间,则数据标记为非正常态数据;
将非正常态数据进行整理后标记为异常值,建立异常值数据集。
作为本发明所述的电能表自动检定装置故障诊断方法的一种优选方案,其中:所述基于局部异常因子算法对异常值数据集进行解析输出异常表位包括输出给定点p与数据点间的欧式距离和相距点p最近的k个点形成点p的k邻域,通过k邻域中的点输出点p的局部异常因子,表示为:
其中,LOFk(p)为局部异常因子,|Nk(p)|为第k邻域包含的点的个数,lrdk(p)为点P的局部可达密度,lrdk(o)为点o的局部可达密度;
点o的局部可达密度表示为:
其中,reach_distk(p,o)为点o到点P的第k可达距离;
点o到点P的第k可达距离表示为:
reach_distk(p,o)=max{dk(O),d(p,O)}
其中,d(p,O)为任一点o距离点p的欧式距离,dk(O)为距离点p第k近的点到点p间的距离。
作为本发明所述的电能表自动检定装置故障诊断方法的一种优选方案,其中:所述基于局部异常因子算法对异常值数据集进行解析输出异常表位包括人工检查异常表位,确定故障原因;
检查异常表位后,将对比数据和设备信息,确定故障原因。
本发明的另外一个目的是提供一种电能表自动检定装置故障诊断系统,其能通过输出点局部异常因子,判断离群点输出异常表位,解决了目前的电能表故障诊断技术含有故障判定的可靠性和准确性低的问题。
作为本发明所述的电能表自动检定装置故障诊断系统的一种优选方案,其中:包括初始化模块,待测样本检测数据集构建模块,非正常态数据筛选模块,异常值数据集解析模块;所述初始化模块用于采集待测样本检测数据;所述待测样本检测数据集构建模块用于根据电能表自动检定装置检定单元序号构建待测样本;所述非正常态数据筛选模块用于标记异常值,构建异常值数据集;所述异常值数据集解析模块用于根据离群点输出异常表位。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序是实现电能表自动检定装置故障诊断方法的步骤。
一种计算机可读存储介质,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电能表自动检定装置故障诊断方法的步骤。
本发明的有益效果:本发明提供的电能表自动检定装置故障诊断方法通过非正常态数据筛选,建立异常值数据集并减少需要处理的数据数量,提前排除正常工作导致的异常数据,避免异常数据干扰影响后期故障诊断的准确性,通过局部异常因子算法,实时监测机械原因导致的短路、断路,及时发现表位故障,提高检定可靠性,通过使用异常值检测算法,能够迅速确定可能存在故障的电能表,和人工逐个检查相比,大大减少了诊断时间,提高了效率,结合人工检查和算法分析,能够准确地定位到故障表位,并确定故障原因,相比于传统手动检查方法,准确性大幅提升。本发明在检定可靠性、时间成本以及准确性方面都取得更加良好的效果。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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发明的一些实施例,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,还可以根据这些附图获得其它的附图。
图1为本发明第一个实施例提供的一种电能表自动检定装置故障诊断方法的整体流程图。
图2为本发明第一个实施例提供的一种电能表自动检定装置故障诊断方法的方法流程图。
图3为本发明第一个实施例提供的一种电能表自动检定装置故障诊断方法的检测数据集流程图。
图4为本发明第一个实施例提供的一种电能表自动检定装置故障诊断方法的采用局部异常因子算法对异常值数据集进行解析流程图。
图5为本发明第三个实施例提供的一种电能表自动检定装置故障诊断系统的整体流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
实施例1
参照图1,为本发明的一个实施例,提供了一种电能表自动检定装置故障诊断方法,包括:
S1:采集待测样本检测数据构建待测样本检测数据集。
更进一步的,采集检定单元性能数据、稳态运行数据以及监测指标数据;
检定单元性能数据,这类数据涉及电能表自动检定装置中各检定单元的性能指标,例如电压、电流、功率等相关参数;
稳态运行数据为在确保检定装置处于稳定工作状态下收集的数据。它们用于判断装置的运行是否稳定,是否符合预期的工作条件,
监测指标数据:具体涉及每个检定单元的各项监测指标,如温度、湿度、电流、电压等,以及这些指标的波动范围和稳定性。
异常数据和正常数据:在数据处理过程中,会区分出正常和异常数据。正常数据符合预期的工作范围和条件,而异常数据则可能指示潜在的故障或问题。
应说明的是,建立待测样本检测数据集;这一步骤在于获取并整理待测样本的相关数据,用于进行后续检测。经过这一步,可以构建一个系统的待测样本数据集,包含了待检定的电能表的运行信息,为后续的筛选和解析提供初始数据。
还应说明的是,根据电能表自动检定装置检定单元序号,按照从小到大的顺序选取M个检定单元作为待测样本,其中,M为预设的待测样本数量。
更进一步的,获取待测样本的检测数据,对检测数据稳态数据判定,剔除异常数据,建立待测样本检测数据集。
应说明的是,稳态数据判定条件为:
Amax-Amin<APR
其中,Amax为最大指标数值,Amin为最小指标数值,APR为指标数值波动范围,完成稳态认定后剔除异常数据。
对检测数据稳态数据判定,剔除异常数据,建立待测样本检测数据集。在被测电能表接入表位进行检定的过程中,无法避免回路接通时瞬时电流导致的数据波动,该波动属于正常情况,若将该部分数据统计入异常值则会影响后期故障判断的准确性,因此需要剔除该部分异常数据。
S2:对待测样本检测数据集进行筛选,构建异常值数据集。
更进一步的,划定正常态区间,本实施例中,正常态区间表示为:
[μ-3σ,μ+3σ]
其中,μ为均值,σ为标准差。正常检定过程中,各项测试数据分布近似正态分布,采用传统K-sigam方法,对异常值进行识别
应说明的是,标记异常值,建立异常值数据集;
若数据在筛选后输出为正常态区间数值,则数据标记为正常态数据;
若数据在筛选后输出后不在数据区间,则数据标记为非正常态数据;
将非正常态数据进行整理后标记为异常值,建立异常值数据集。
应说明的是,对待测样本检测数据集进行非正常态数据筛选,建立异常值数据集;此步骤的主要目的是筛选出可能存在问题的数据点,即异常值,为进一步的故障定位奠定基础。通过这种方法,我们可以有效地通过筛选出非正常态数据,快速定位可能的异常,大大减少数据处理量,提高处理效率。
S3:基于局部异常因子算法对异常值数据集进行解析输出异常表位。
更进一步的,采用局部异常因子算法对异常值数据集进行解析,得出异常表位;局部异常因子算法是一种用于寻找数据集中异常值的常用方法,它可以准确地描绘出数据特征的复杂实体关系,使得异常检测更加准确。将此算法应用于异常数据分析中,可以捕获检测数据集中的异常表位,进一步缩小可能故障的范围。计算给定点p与其他数据点间的欧式距离,找出相距点p最近的k个点形成点p的k邻域。
应说明的是,通过k邻域中的点计算点p的局部异常因子,表示为:
其中,LOFk(p)为局部异常因子,|Nk(p)|为第k邻域包含的点的个数,lrdk(p)为点P的局部可达密度,lrdk(o)为点o的局部可达密度;
点o的局部可达密度表示为:
其中,reach_distk(p,o)为点o到点P的第k可达距离;
点o到点P的第k可达距离表示为:
reach_distk(p,o)=max{dk(O),d(p,O)}
其中,d(p,O)为任一点o距离点p的欧式距离,dk(O)为距离点p第k近的点到点p间的距离。
根据局部异常因子的数值大小判断点p是否为离群点;依据离群点得出异常表位。
还应说明的是,人工检查异常表位,确定故障原因。即使有高效的算法辅助,人工检查仍然是不可或缺的步骤。因为算法虽然能够找出异常点,但确定并解决问题的任务需要交给人来完成。技术人员检查异常表位后,将对比相关数据和设备信息,确定故障原因,这样便能对症下药,高效解决问题。
实施例2
参照图2-图4,为本发明的一个实施例,提供了一种电能表自动检定装置故障诊断方法,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。
如图2所示,一种电能表自动检定装置故障诊断方法,所述的方法包括:
如图3所示,步骤1:建立待测样本检测数据集;这一步骤在于获取并整理待测样本的相关数据,用于进行后续检测。经过这一步,可以构建一个系统的待测样本数据集,包含了待检定的电能表的运行信息,为后续的筛选和解析提供初始数据。
步骤1.1:根据电能表自动检定装置检定单元序号,按照从小到大的顺序选取M个检定单元作为待测样本,其中,M为预设的待测样本数量。本实施例中,选取电能表自动检定装置整条流水线所有检定单元作为待测样本,因此该部分M数量为12。
步骤1.2:获取待测样本的检测数据;本实施例中,检定单元包括60个表位,每次监测需要采集6项采集指标,每次指标需要进行10次数据测量,单批次待测样本数据规模为43200条。
步骤1.3:对检测数据稳态数据判定,剔除异常数据,建立待测样本检测数据集。在被测电能表接入表位进行检定的过程中,无法避免回路接通时瞬时电流导致的数据波动,该波动属于正常情况,若将该部分数据统计入异常值则会影响后期故障判断的准确性,因此需要剔除该部分异常数据。
本实施例中,所述的步骤1.3稳态数据判定条件为:
Amax-Amin<APR,其中,Amax为最大指标数值,Amin为最小指标数值,APR为指标数值波动范围,完成稳态认定后剔除异常数据。
待测样本数据经判定后有426条数据被剔除,剔除比例为0.98%,根据历史数据,瞬时电流导致的数据异常比例通常为0.5%-1%,符合历史数据规律。
步骤2:对待测样本检测数据集进行非正常态数据筛选,建立异常值数据集;此步骤的主要目的是筛选出可能存在问题的数据点,即异常值,为进一步的故障定位奠定基础。通过这种方法,我们可以有效地通过筛选出非正常态数据,快速定位可能的异常,大大减少数据处理量,提高处理效率。
步骤2.1:划定正常态区间,本实施例中,正常态区间为:[μ-3σ,μ+3σ]其中,μ为均值,σ为标准差;正常检定过程中,各项测试数据分布近似正态分布,采用传统K-sigam方法,对异常值进行识别。
步骤2.2:标记异常值,建立异常值数据集,在正常态区间数值为正常态数据,不在此数据区间为非正常态数据,将非正常态数据进行整理后标记为异常值,建立异常值数据集。
本实施例中,异常数据值为962条涉及8个检测单元26个检定表位。
如图4所示,步骤3:采用局部异常因子算法对异常值数据集进行解析,得出异常表位;局部异常因子算法是一种用于寻找数据集中异常值的常用方法,它可以准确地描绘出数据特征的复杂实体关系,使得异常检测更加准确。将此算法应用于异常数据分析中,可以捕获检测数据集中的异常表位,进一步缩小可能故障的范围。
步骤3.1:计算给定点p与其他数据点间的欧式距离,找出相距点p最近的k个点形成点p的k邻域;
步骤3.2:通过k邻域中的点计算点p的局部异常因子;
所述的步骤3.2计算步骤如下:
其中,LOFk(p)为局部异常因子,|Nk(p)|为第k邻域包含的点的个数,lrdk(p)为点P的局部可达密度,lrdk(o)为点o的局部可达密度;
其中,reach_distk(p,o)为点o到点P的第k可达距离;
reach_distk(p,o)=max{dk(O),d(p,O)}
其中,d(p,O)为任一点o距离点p的欧式距离,dk(O)为距离点p第k近的点到点p间的距离。
步骤3.3:根据局部异常因子的数值大小判断点p是否为离群点;
步骤3.4:依据离群点得出异常表位。
本实施例中,对26个检定表位计算局部异常因子。
表1实验结果表
表位号 | 局部异常因子 | 表位号 | 局部异常因子 |
1 | 1.123 | 14 | 1.789 |
2 | 1.456 | 15 | 1.432 |
3 | 1.821 | 16 | 1.864 |
4 | 1.312 | 17 | 1.654 |
5 | 1.654 | 18 | 1.278 |
6 | 1.789 | 19 | 1.567 |
7 | 1.587 | 20 | 1.312 |
8 | 1.972 | 21 | 1.456 |
9 | 1.245 | 22 | 1.789 |
10 | 1.398 | 23 | 1.954 |
11 | 1.726 | 24 | 1.234 |
12 | 1.543 | 25 | 1.567 |
13 | 1.367 | 26 | 1.432 |
由表可知,顺序从大到小排列,该样本局部异常因子1.8以上的数据为离群点,分别为3、8、16、23对应的检定表位分别为检定单元4的检定表位16、59,检定单元6的检定表位18,检定单元11的检定表位46。
步骤4:人工检查异常表位,确定故障原因。即使有高效的算法辅助,人工检查仍然是不可或缺的步骤。因为算法虽然能够找出异常点,但确定并解决问题的任务需要交给人来完成。技术人员检查异常表位后,将对比相关数据和设备信息,确定故障原因,这样便能对症下药,高效解决问题。
对4个异常表位进行检测人工检查,全部表位均检测出了不同程度的机械压接端子形变与锈蚀,异常识别率为100%。
实施例3
本发明的一个实施例,提供了一种电能表自动检定装置故障诊断方法,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。
一种电能表自动检定装置故障诊断方法的实施例,首先,设定检定单元的数量M为10,按照从小到大的顺序选择10个检定单元作为待测样本。然后获取这10个待测样本的检测数据,并进行稳态数据判定。判定条件设为Amax-Amin<APR,在本例中,设定最大指标数值为100,最小指标数值为90,指标数值波动范围设定为5。因此,所有指标数值在85-105范围内的数据被视为稳态数据,超出这个范围的数据被认为是异常数据并被剔除,建立待测样本检测数据集。
接下来,对待测样本检测数据集进行非正常态数据筛选,划定正常态区间为[μ-3σ,μ+3σ],在本例中,设定均值μ为95,标准差σ为2。因此,正常态区间为[89,101],落在此区间的数值视为正常数据,超过此区间的数据为非正常态数据,被标记为异常值,建立异常值数据集。
然后采用局部异常因子算法对异常值数据集进行解析。首先,计算给定点p与其他数据点间的欧式距离,找出相距点p最近的k个点,设定k=3,形成点p的k邻域。然后,通过k邻域中的点计算点p的局部异常因子,最后,根据局部异常因子的数值大小判断点p是否为离群点。
在本例中,设定局部异常因子大于1.5的点为离群点,这些离群点被认为是可能存在故障的电能表单元。最后,通过人工检查这些可能存在故障的电能表单元,确定故障原因,进行故障处理或者修复。
实施例4
本发明的一个实施例,提供了一种电能表自动检定装置故障诊断方法,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。
首先设计一个对照实验,将本发明方法与传统方法进行比较。
对照组:采用传统方法对电能表进行故障诊断。
实验组:应用发明中的方法,包括建立异常值数据集和局部异常因子算法,进行故障诊断。
为保证比较的有效性,两组实验使用相同的原始数据,包括10个检定单元的电压、电流、功率、温度和湿度数据。这些数据既包括正常情况也包括异常情况,以模拟真实的电能表检定环境。
在对照组,通过人工检查每个检定单元的数据,识别异常表位并确定故障原因。
在实验组,首先对数据进行稳态判定和异常值筛选,然后应用局部异常因子算法识别异常表位。最后,进行人工检查以确认故障原因。
表1实验结果表
根据上表数据,可以观察到:
效率提高:发明方法通过自动化处理减少了人工检查的需求,从而显著提高了检测效率。
准确性提升:在实验中,发明方法的准确性普遍高于传统方法。这表明算法辅助的故障诊断能够更准确地识别真实的故障点。
鲁棒性强:算法能够适应不同的故障情况,有效降低了误诊率,从而保证了故障诊断的准确性。
易于操作:发明方法的自动化流程降低了操作难度,提高了操作的易用性。
降低成本:减少了人力投入和时间成本,尤其在大规模应用中,这一优势更为显著。
综上所述,我方发明在可靠性、时间成本以及准确性方面上是一种优选方案。
实施例5
参照图5,为本发明的一个实施例,提供了一种电能表自动检定装置故障诊断系统,包括初始化模块,待测样本检测数据集构建模块,非正常态数据筛选模块,异常值数据集解析模块。
其中初始化模块用于采集待测样本检测数据,待测样本检测数据集构建模块用于根据电能表自动检定装置检定单元序号构建待测样本,非正常态数据筛选模块用于标记异常值,构建异常值数据集,异常值数据集解析模块用于根据离群点输出异常表位。
功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种电能表自动检定装置故障诊断方法,其特征在于,包括:
采集待测样本检测数据构建待测样本检测数据集;
对待测样本检测数据集进行筛选,构建异常值数据集;
基于局部异常因子算法对异常值数据集进行解析输出异常表位。
2.如权利要求1所述的电能表自动检定装置故障诊断方法,其特征在于:所述采集待测样本检测数据构建待测样本检测数据集包括采集检定单元性能数据、稳态运行数据以及监测指标数据;
所述检定单元性能数据包括电能表电压、电流、功率;
所述稳态运行数据包括工作模式、运行时长、负载情况、电能表误差数据;
所述监测指标数据包括温度、湿度。
3.如权利要求2所述的电能表自动检定装置故障诊断方法,其特征在于:所述采集待测样本检测数据构建待测样本检测数据集包括根据电能表自动检定装置检定单元序号,按照从小到大的顺序选取M个检定单元作为待测样本,获取待测样本的检测数据;
所述M为预设的待测样本数量;
对检测数据稳态数据判定,删除异常数据,构建待测样本检测数据集,稳态数据判定条件表示为:
Amax-Amin<APR
其中,Amax为最大指标数值,Amin为最小指标数值,APR为指标数值波动范围;
完成稳态认定后删除异常数据。
4.如权利要求3所述的电能表自动检定装置故障诊断方法,其特征在于:所述对待测样本检测数据集进行筛选包括划定正常态区间,正常态区间表示为:
[μ-3σ,μ+3σ]
其中,μ为均值,σ为标准差。
5.如权利要求4所述的电能表自动检定装置故障诊断方法,其特征在于:所述构建异常值数据集包括标记异常值,建立异常值数据集;
若数据在筛选后输出为正常态区间数值,则数据标记为正常态数据;
若数据在筛选后输出后不在数据区间,则数据标记为非正常态数据;
将非正常态数据进行整理后标记为异常值,建立异常值数据集。
6.如权利要求5所述的电能表自动检定装置故障诊断方法,其特征在于:所述基于局部异常因子算法对异常值数据集进行解析输出异常表位包括输出给定点p与数据点间的欧式距离和相距点p最近的k个点形成点p的k邻域,通过k邻域中的点输出点p的局部异常因子,表示为:
其中,LOFk(p)为局部异常因子,|Nk(p)|为第k邻域包含的点的个数,lrdk(p)为点P的局部可达密度,lrdk(o)为点o的局部可达密度;
点o的局部可达密度表示为:
其中,reach_distk(p,o)为点o到点P的第k可达距离;
点o到点P的第k可达距离表示为:
reach_distk(p,o)=max{dk(O),d(p,O)}
其中,d(p,O)为任一点o距离点p的欧式距离,dk(O)为距离点p第k近的点到点p间的距离。
7.如权利要求6所述的电能表自动检定装置故障诊断方法,其特征在于:所述基于局部异常因子算法对异常值数据集进行解析输出异常表位包括人工检查异常表位,确定故障原因;
检查异常表位后,将对比数据和设备信息,确定故障原因。
8.一种采用如权利要求1~7任一所述的电能表自动检定装置故障诊断方法的系统,其特征在于:包括初始化模块,待测样本检测数据集构建模块,非正常态数据筛选模块,异常值数据集解析模块;
所述初始化模块用于采集待测样本检测数据;
所述待测样本检测数据集构建模块用于根据电能表自动检定装置检定单元序号构建待测样本;
所述非正常态数据筛选模块用于标记异常值,构建异常值数据集;
所述异常值数据集解析模块用于根据离群点输出异常表位。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的电能表自动检定装置故障诊断方法的步骤。
10.一种计算机可读存储介质,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权利要求1至7中任一项所述的电能表自动检定装置故障诊断方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311630285.2A CN117630800A (zh) | 2023-11-30 | 2023-11-30 | 一种电能表自动检定装置故障诊断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311630285.2A CN117630800A (zh) | 2023-11-30 | 2023-11-30 | 一种电能表自动检定装置故障诊断方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117630800A true CN117630800A (zh) | 2024-03-01 |
Family
ID=90031747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311630285.2A Pending CN117630800A (zh) | 2023-11-30 | 2023-11-30 | 一种电能表自动检定装置故障诊断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117630800A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118011307A (zh) * | 2024-04-08 | 2024-05-10 | 中电装备山东电子有限公司 | 一种电能表故障数据监测系统及数据存储介质 |
-
2023
- 2023-11-30 CN CN202311630285.2A patent/CN117630800A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118011307A (zh) * | 2024-04-08 | 2024-05-10 | 中电装备山东电子有限公司 | 一种电能表故障数据监测系统及数据存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
CN116879662B (zh) | 基于数据分析的变压器故障检测方法 | |
CN108802535B (zh) | 筛选方法、主干扰源识别方法及装置、服务器及存储介质 | |
CN111611294B (zh) | 星敏感器数据异常检测方法 | |
CN117630800A (zh) | 一种电能表自动检定装置故障诊断方法及系统 | |
CN110738346A (zh) | 一种基于威布尔分布的批次电能表可靠度预测方法 | |
CN117270514B (zh) | 基于工业物联网的生产过程全流程故障检测方法 | |
CN115422759A (zh) | 一种设备故障诊断模型构建及设备故障诊断方法、装置 | |
CN113721182B (zh) | 一种电力互感器性能在线监测结果可靠度评估方法及系统 | |
CN112149296A (zh) | 一种判定水文时间序列平稳性类型的方法 | |
CN117029968A (zh) | 一种流量数据的诊断方法、系统、存储介质和电子设备 | |
CN113837591A (zh) | 一种面向多工况运行条件的装备健康评估方法 | |
CN116994641A (zh) | 一种半导体老化测试方法及其系统 | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 | |
CN108446213A (zh) | 一种静态代码质量分析方法和装置 | |
CN115221963B (zh) | 一种数据驱动的核级管道共振故障检测方法和系统 | |
CN115308644A (zh) | 基于电流偏移比差分析的变压器绕组故障检测方法及系统 | |
CN112699609A (zh) | 一种基于振动数据的柴油机可靠性模型构建方法 | |
CN110516659A (zh) | 滚珠丝杠退化阶段识别方法、装置、设备及存储介质 | |
CN111638427A (zh) | 一种基于核胶囊神经元覆盖的变压器故障检测方法 | |
JP2008117380A (ja) | 診断プロセス支援方法とそのためのプログラム | |
CN112445632A (zh) | 基于故障数据建模的hpc可靠性评估方法 | |
CN114322917B (zh) | 一种变压器绕组检测方法、装置、电子设备及存储介质 | |
CN118071525B (zh) | 一种财务数据审核方法及系统 | |
CN114580982B (zh) | 一种工业设备的数据质量的评估方法、装置及设备 |
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 |