CN111985558A - 一种电能表异常诊断方法及其系统 - Google Patents

Abstract

本发明公开了一种电能表异常诊断方法及其系统，属于电能质量检测技术领域，S1：采集对象数据包括分布式实时采集、离线数据采集和Oracle数据准实时同步，采集内容包括档案数据、运行数据、事件数据、工况数据、工单数据、调度数据和环境数据；S2：将采集到的数据发送至异常感知模块和异常诊断模块；S3：通过对故障诊断涉及的周边业务梳理，结合聚类算法进行相似度测量、群组合并，建立故障实时感知模型，输出故障预判结果；S4：故障原始特征提取和数据清洗后的特征分类是故障诊断引擎建设的基础，找到引起故障发生原因，并进行故障远程修复或提供现场修复解决方案；实现自动对电能表的运行状态进行判断的电能表异常诊断方法。

Description

一种电能表异常诊断方法及其系统

技术领域

本发明涉及电能质量检测技术领域，更具体地说，涉及一种电能表异常诊断方法及其系统。

背景技术

近些年来，随着国内电力需求和电网规模的扩大，电压等级不断提升，大容量、高电压等级用户不断增多，同时随着分时电价和阶梯电价的实行，电能计量的准确性和可靠性已成为社会关注的焦点，检测过程中对于电能表诊断的准确性要求更高，现有的检测过程中电能表诊断主要是通过人工的方式在电能表现场进行，现场缺乏数据支持，也非法通过程序化的方法进行量化准确判断，都是依靠人工经验数据来判断，容易造成诊断不准确或者误诊断的情况，难以满足计量精益化管理需求。

发明内容

针对现有技术的不足，本发明的目的在于提供一种电能表异常诊断方法及其系统，实现自动对电能表的运行状态进行判断的电能表异常诊断方法。

本发明的目的可以通过以下技术方案实现：

一种电能表异常诊断方法，包括以下步骤：

S1：采集对象数据包括分布式实时采集、离线数据采集和Oracle数据准实时同步，采集内容包括档案数据、运行数据、事件数据、工况数据、工单数据、调度数据和环境数据；

S2：将采集到的数据发送至异常感知模块和异常诊断模块；

S3：异常感知模块处理采集到的数据，通过对故障诊断涉及的周边业务梳理，针对故障进行画像，建设故障标签体系，并提供标签规则维护，可根据实际场景自定义规则算法、数据逻辑，不断对故障标签库进行迭代更新完善，进行标签可视化管理，并基于高并发、分布式的大数据实时处理技术，结合标签体系实时对故障数据进行特征提取，结合聚类算法进行相似度测量、群组合并，建立故障实时感知模型，输出故障预判结果；

S4：异常诊断模块处理采集到的数据，故障原始特征提取和数据清洗后的特征分类是故障诊断引擎建设的基础，合理利用采集到的各种数业务据，研究系统全链条的异常诊断和定位，跨系统回溯数据来源、流动方向、变更轨迹，以及人员行为习惯，通过故障特征工程的建设，基于机器学习，对故障进行更丰富特征化分析，根据实际业务和故障特征，模拟变量与重构变量，抽取业务逻辑、数据逻辑，选择算法、参数，经不断的训练，调整和修正参数、算法逻辑，构建出合理的模型，以贴近并还原计量故障发生的真实场景，找到引起故障发生原因，并进行故障远程修复或提供现场修复解决方案。

作为本发明的一种优选方案，在步骤S1中，故障诊断涉及到用采数据、营销数据、调度数据、资产数据、故障数据、环境数据等各类数据，通过对故障智能采集的建设，针对性的根据场景进行设计，采用先进的数据采集汇聚技术，进行实时流数据采集、非实时多粒度的离线数据采集。

作为本发明的一种优选方案，在步骤S3中，通过对故障感知模型的搭建，实时发现可能发生的故障，进行及时诊断、预警和处理，提高故障发现效率。

作为本发明的一种优选方案，在步骤S4中，通过故障诊断引擎的构建，则完成故障诊断的全链条建设，可进行实时诊断和离线诊断，并进行相关故障修复，极大提高现场故障诊断和解决效率，降低故障运维成本。

一种电能表异常诊断方法的系统，包括故障诊断支撑中心、采集处理模块、运维学习模块、异常感知模块和异常诊断模块；

故障诊断支撑中心包括基础资源管理、数据采集调度、数据处理隧道、数据存储服务、分析计算服务、特征工程、机器学习服务和可视化服务；

包括采集处理模块包括分布式实时采集、离线数据采集和Oracle数据准实时同步，数据采集对象包括档案数据、运行数据、事件数据、工况数据、工单数据、调度数据和环境数据；

运维学习模块包括故障知识汇聚、故障知识抽取、故障知识推理、故障知识存储和故障知识图谱可视化；

异常诊断模块包括终端离线故障诊断、离线故障频发分析、调度计划停电分析、参数错误异常分析、主站服务器异常分析、终端调试状态分析和终端硬件故障诊断。

本发明的有益效果：

本发明设置有故障诊断支撑中心、采集处理模块、运维学习模块、异常感知模块和异常诊断模块；通过对故障感知模型的搭建，实时发现可能发生的故障，进行及时诊断、预警和处理，提高故障发现效率；通过故障诊断引擎的构建，则完成故障诊断的全链条建设，可进行实时诊断和离线诊断，并进行相关故障修复，极大提高现场故障诊断和解决效率，降低故障运维成本。

附图说明

为了更清楚地说明本发明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，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他的附图。

图1为电能表异常诊断系统的模块图；

图2为数据采集对象的示意图。

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、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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

如图所示，一种电能表异常诊断方法，其特征在于，包括以下步骤：

S1：采集对象数据包括分布式实时采集、离线数据采集和Oracle数据准实时同步，采集内容包括档案数据、运行数据、事件数据、工况数据、工单数据、调度数据和环境数据；

S2：将采集到的数据发送至异常感知模块和异常诊断模块；

S3：异常感知模块处理采集到的数据，通过对故障诊断涉及的周边业务梳理，针对故障进行画像，建设故障标签体系，并提供标签规则维护，可根据实际场景自定义规则算法、数据逻辑，不断对故障标签库进行迭代更新完善，进行标签可视化管理，并基于高并发、分布式的大数据实时处理技术，结合标签体系实时对故障数据进行特征提取，结合聚类算法进行相似度测量、群组合并，建立故障实时感知模型，输出故障预判结果；

S4：异常诊断模块处理采集到的数据，故障原始特征提取和数据清洗后的特征分类是故障诊断引擎建设的基础，合理利用采集到的各种数业务据，研究系统全链条的异常诊断和定位，跨系统回溯数据来源、流动方向、变更轨迹，以及人员行为习惯，通过故障特征工程的建设，基于机器学习，对故障进行更丰富特征化分析，根据实际业务和故障特征，模拟变量与重构变量，抽取业务逻辑、数据逻辑，选择算法、参数，经不断的训练，调整和修正参数、算法逻辑，构建出合理的模型，以贴近并还原计量故障发生的真实场景，找到引起故障发生原因，并进行故障远程修复或提供现场修复解决方案。

在步骤S1中，故障诊断涉及到用采数据、营销数据、调度数据、资产数据、故障数据、环境数据等各类数据，通过对故障智能采集的建设，针对性的根据场景进行设计，采用先进的数据采集汇聚技术，进行实时流数据采集、非实时多粒度的离线数据采集。

在步骤S3中，通过对故障感知模型的搭建，实时发现可能发生的故障，进行及时诊断、预警和处理，提高故障发现效率。

在步骤S4中，通过故障诊断引擎的构建，则完成故障诊断的全链条建设，可进行实时诊断和离线诊断，并进行相关故障修复，极大提高现场故障诊断和解决效率，降低故障运维成本。

一种电能表异常诊断方法的系统，包括故障诊断支撑中心、采集处理模块、运维学习模块、异常感知模块和异常诊断模块；

故障诊断支撑中心包括基础资源管理、数据采集调度、数据处理隧道、数据存储服务、分析计算服务、特征工程、机器学习服务和可视化服务；

包括采集处理模块包括分布式实时采集、离线数据采集和Oracle数据准实时同步，数据采集对象包括档案数据、运行数据、事件数据、工况数据、工单数据、调度数据和环境数据；

运维学习模块包括故障知识汇聚、故障知识抽取、故障知识推理、故障知识存储和故障知识图谱可视化；

异常诊断模块包括终端离线故障诊断、离线故障频发分析、调度计划停电分析、参数错误异常分析、主站服务器异常分析、终端调试状态分析和终端硬件故障诊断。

本发明设置有故障诊断支撑中心、采集处理模块、运维学习模块、异常感知模块和异常诊断模块；通过对故障感知模型的搭建，实时发现可能发生的故障，进行及时诊断、预警和处理，提高故障发现效率；通过故障诊断引擎的构建，则完成故障诊断的全链条建设，可进行实时诊断和离线诊断，并进行相关故障修复，极大提高现场故障诊断和解决效率，降低故障运维成本。

在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。

以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。

Claims (5)

1.一种电能表异常诊断方法，其特征在于，包括以下步骤：

S1：采集对象数据包括分布式实时采集、离线数据采集和Oracle数据准实时同步，采集内容包括档案数据、运行数据、事件数据、工况数据、工单数据、调度数据和环境数据；

S2：将采集到的数据发送至异常感知模块和异常诊断模块；

S3：异常感知模块处理采集到的数据，通过对故障诊断涉及的周边业务梳理，针对故障进行画像，建设故障标签体系，并提供标签规则维护，可根据实际场景自定义规则算法、数据逻辑，不断对故障标签库进行迭代更新完善，进行标签可视化管理，并基于高并发、分布式的大数据实时处理技术，结合标签体系实时对故障数据进行特征提取，结合聚类算法进行相似度测量、群组合并，建立故障实时感知模型，输出故障预判结果；

S4：异常诊断模块处理采集到的数据，故障原始特征提取和数据清洗后的特征分类是故障诊断引擎建设的基础，合理利用采集到的各种数业务据，研究系统全链条的异常诊断和定位，跨系统回溯数据来源、流动方向、变更轨迹，以及人员行为习惯，通过故障特征工程的建设，基于机器学习，对故障进行更丰富特征化分析，根据实际业务和故障特征，模拟变量与重构变量，抽取业务逻辑、数据逻辑，选择算法、参数，经不断的训练，调整和修正参数、算法逻辑，构建出合理的模型，以贴近并还原计量故障发生的真实场景，找到引起故障发生原因，并进行故障远程修复或提供现场修复解决方案。

2.根据权利要求1所述的一种电能表异常诊断方法，其特征在于：在步骤S1中，故障诊断涉及到用采数据、营销数据、调度数据、资产数据、故障数据、环境数据等各类数据，通过对故障智能采集的建设，针对性的根据场景进行设计，采用先进的数据采集汇聚技术，进行实时流数据采集、非实时多粒度的离线数据采集。

3.根据权利要求1所述的一种电能表异常诊断方法，其特征在于：在步骤S3中，通过对故障感知模型的搭建，实时发现可能发生的故障，进行及时诊断、预警和处理，提高故障发现效率。

4.根据权利要求1所述的一种电能表异常诊断方法，其特征在于：在步骤S4中，通过故障诊断引擎的构建，则完成故障诊断的全链条建设，可进行实时诊断和离线诊断，并进行相关故障修复，极大提高现场故障诊断和解决效率，降低故障运维成本。

5.一种如权利要求1所述的电能表异常诊断方法的系统，其特征在于：

包括故障诊断支撑中心、采集处理模块、运维学习模块、异常感知模块和异常诊断模块；

故障诊断支撑中心包括基础资源管理、数据采集调度、数据处理隧道、数据存储服务、分析计算服务、特征工程、机器学习服务和可视化服务；

包括采集处理模块包括分布式实时采集、离线数据采集和Oracle数据准实时同步，数据采集对象包括档案数据、运行数据、事件数据、工况数据、工单数据、调度数据和环境数据；

运维学习模块包括故障知识汇聚、故障知识抽取、故障知识推理、故障知识存储和故障知识图谱可视化；

异常诊断模块包括终端离线故障诊断、离线故障频发分析、调度计划停电分析、参数错误异常分析、主站服务器异常分析、终端调试状态分析和终端硬件故障诊断。

Images