本發(fā)明涉及一種電力采集系統(tǒng)異常的智能化診斷方法，實現(xiàn)對電力計量裝置系統(tǒng)故障的智能診斷和精確定位。

背景技術(shù)：

電力計量裝置是供電企業(yè)計量的重要設(shè)施，電力計量裝置的正常運行是保證計量準確的關(guān)鍵，是維持正常電力市場秩序的重要條件，同時也是電力營銷管理工作的重點。在電力計量數(shù)據(jù)的深化應(yīng)用中，不管是面向營銷的實用化出賬、用電行為特征分析，還是反竊電、線損精細化管理等電力應(yīng)用都依賴于高質(zhì)量的用電計量數(shù)據(jù)。因此，計量數(shù)據(jù)及相關(guān)信息采集的可靠性就變得很關(guān)鍵。對于電力采集系統(tǒng)異常的故障診斷非常重要。

技術(shù)實現(xiàn)要素：

本發(fā)明的一種電力采集系統(tǒng)異常的智能化診斷方法，依靠歷史數(shù)據(jù)形成診斷知識，根據(jù)現(xiàn)象進行智能診斷，依靠專家系統(tǒng)快速找到處理預(yù)案。同時整個智能診斷系統(tǒng)也具有自學(xué)能力，根據(jù)預(yù)案的執(zhí)行情況反饋，可以不斷訓(xùn)練系統(tǒng)，從而使得系統(tǒng)積累的知識越豐富，逐步提高診斷的準確率。

實現(xiàn)上述目的的一種技術(shù)方案是：一種電力采集系統(tǒng)異常的智能化診斷方法，其特征在于，所述智能化診斷方法包括以下步驟：

步驟1，故障關(guān)鍵特征提取步驟，對故障特征的類型進行提取分類，提取關(guān)鍵故障特征；

步驟2，故障智能診斷步驟，根據(jù)多維數(shù)據(jù)和步驟1提取的關(guān)鍵故障特征，對故障現(xiàn)象進行診斷；

步驟3，故障處理預(yù)案推理步驟，采用專家系統(tǒng)的知識庫產(chǎn)生規(guī)則，對步驟2的故障診斷結(jié)果進行匹配執(zhí)行，直至找到故障解答或者沒有規(guī)則與故障與之匹配時停止。

進一步的，步驟1的所述故障關(guān)鍵特征提取步驟包括以下步驟：

首先，人工對故障的特征進行挑選得到特征樣本；

然后，采用Relief算法來計算各個特征的權(quán)重，每次從特征樣本集中隨機取出一個樣本R，然后從和R同類的樣本集中找出R的k個近鄰樣本(Near Hits)，從每個R的不同類的樣本集中均找出k個近鄰樣本(Near Misses)，然后更新每個特征的權(quán)重，如下式所示：

$W\left(A\right)=W-\underset{j=1}{\overset{k}{\Σ}}\frac{diff(A,R,H_j)}{mk}+\underset{C\∈class\left(R\right)}{\Σ}\frac{\[\frac{p\left(C\right)}{1-p\left(Class\right(R\left)\right)}{\mathrm{\Σ}}_{j=1}^{k}diff(A,R,M_j(C\left)\right)\]}{mk}$

將步驟1.2重復(fù)m次，最后得到各特征的平均權(quán)重；

最后，根據(jù)計算的故障的特征的平均權(quán)重確定關(guān)鍵故障特征。

進一步的，步驟2的所述故障智能診斷步驟中的多維數(shù)據(jù)，包括集中器下全無數(shù)據(jù)、采集器下全無數(shù)據(jù)、電能表無數(shù)據(jù)。

進一步的，步驟2的所述故障智能診斷步驟采用決策樹進行診斷。

進一步的，步驟3的所述故障處理預(yù)案推理步驟以采集系統(tǒng)故障處理預(yù)案為該專家系統(tǒng)的知識庫，以“IF…THEN…”的形式來描述規(guī)則，尋找與同數(shù)據(jù)庫中的事實或斷言相匹配的那些規(guī)則，并運用沖突的消除策略，從皆匹配的規(guī)則中挑選一個執(zhí)行，從而改變原來數(shù)據(jù)內(nèi)容，再重復(fù)上述步驟，直到數(shù)據(jù)庫的事實與目標一致即找到解答，或者到?jīng)]有規(guī)則可以與之匹配時才停止。

本方法通過對采集系統(tǒng)的歷史維護工單出發(fā)，提取歷史故障的關(guān)鍵特征，并結(jié)合當前監(jiān)測情況、停電計劃、運維標簽庫等多維信息，對故障類型進行智能診斷，并對故障進行精確定位。同時，通過將新故障納入歷史經(jīng)驗積累和知識庫支撐，實現(xiàn)預(yù)案推理，找到成功率最高的處理預(yù)案，使得運維工作更有針對性，實現(xiàn)對計量裝置及采集系統(tǒng)更科學(xué)、更高效的智能運維。

附圖說明

圖1為本發(fā)明的一種電力采集系統(tǒng)異常的智能化診斷方法的流程示意圖。

具體實施方式

為了能更好地對本發(fā)明的技術(shù)方案進行理解，下面通過具體地實施例并結(jié)合附圖進行詳細地說明：

請參閱圖1，本發(fā)明提出了下述三個智能診斷步驟：故障關(guān)鍵特征提取步驟、故障智能診斷步驟、提出故障處理預(yù)案步驟。

步驟1，故障關(guān)鍵特征提取步驟：根據(jù)采集故障運維歷史工單、人工經(jīng)驗指導(dǎo)以及累積形成的運維標簽庫，提取不同類型故障的關(guān)鍵特征，作為下一步故障診斷的知識庫，對實現(xiàn)自動診斷起到關(guān)鍵的支撐作用。同時，知識庫也會根據(jù)運維反饋情況，不斷自動學(xué)習，不斷根據(jù)歷史累積情況修正這些關(guān)鍵特征，或使得這些關(guān)鍵特征更細化，實現(xiàn)更精細、更準確的診斷。

步驟1的處理步驟是：首先，依據(jù)先驗經(jīng)驗人工挑選特征。人工挑選的特征范圍較廣，而且無法區(qū)分特征的重要程度。然后，采用Relief算法來計算各個特征的權(quán)重：每次從訓(xùn)練樣本集中隨機取出一個樣本R，然后從和R同類的樣本集中找出R的k個近鄰樣本(Near Hits)，從每個R的不同類的樣本集中均找出k個近鄰樣本(Near Misses)，然后更新每個特征的權(quán)重，如下式所示：

$W\left(A\right)=W-\underset{j=1}{\overset{k}{\Σ}}\frac{diff(A,R,H_j)}{mk}+\underset{C\∈class\left(R\right)}{\Σ}\frac{\[\frac{p\left(C\right)}{1-p\left(Class\right(R\left)\right)}{\mathrm{\Σ}}_{j=1}^{k}diff(A,R,M_j(C\left)\right)\]}{mk}$

以上過程重復(fù)m次，最后得到各特征的平均權(quán)重。特征的權(quán)重越大，表示該特征的分類能力越強，反之，表示該特征分類能力越弱，這樣能從定量化的角度來決定特征的重要程度及選取那些重要程度高的特征。最后，根據(jù)計算的故障的特征的平均權(quán)重確定故障關(guān)鍵特征。

步驟2，故障智能診斷步驟：根據(jù)搜集的故障現(xiàn)象作出智能判斷，判斷目前的現(xiàn)象屬于哪類故障，從而為進一步采取什么樣的運維措施提供方向性指導(dǎo)意見。

步驟2處理步驟是：采集集中器下全無數(shù)據(jù)、采集器下全無數(shù)據(jù)、電能表無數(shù)據(jù)等，并結(jié)合用戶歷史數(shù)據(jù)采集情況、歷史工單信息、終端當前通訊情況、采集運維標簽庫信息、停電檢修計劃等多維度數(shù)據(jù)，進行初步診斷分析和遠程處理，再根據(jù)步驟1提取的故障關(guān)鍵特征，對照當前表現(xiàn)出的故障現(xiàn)象，采用決策樹模型來實現(xiàn)智能診斷。將決策樹應(yīng)用于故障診斷領(lǐng)域，對大量的狀態(tài)數(shù)據(jù)進行挖掘，發(fā)現(xiàn)故障數(shù)據(jù)中存在的規(guī)律，并以規(guī)則的形式體現(xiàn)出來。

構(gòu)造決策樹的關(guān)鍵步驟是分裂屬性。所謂分裂屬性就是在某個節(jié)點處按照某一特征屬性的不同劃分構(gòu)造不同的分支，其目標是讓各個分裂子集盡可能純粹，使一個分裂子集中的待分類項屬于同一類別。

決策樹構(gòu)建的基本步驟如下：

1.開始，所有記錄看作一個節(jié)點

2.遍歷每個變量的每一種分割方式，找到最好的分割點

3.分割成兩個節(jié)點N1和N2

4.對N1和N2分別繼續(xù)執(zhí)行2-3步，直到每個節(jié)點足夠純粹為止。

構(gòu)造決策樹的關(guān)鍵性內(nèi)容是進行屬性選擇度量，屬性選擇度量是一種選擇分裂準則，是將給定的類標記的訓(xùn)練集合的數(shù)據(jù)劃分D分成個體類的啟發(fā)式方法，它決定了拓撲結(jié)構(gòu)及分裂點split_point的選擇。

屬性選擇度量算法有很多，一般使用自頂向下遞歸分治法，并采用不回溯的貪心策略。在故障智能診斷模型中我們采用ID3算法。其中設(shè)D為用類別對訓(xùn)練元組進行的劃分，則D的熵(entropy)表示為：

$\inf o\left(D\right)=-\underset{i=1}{\overset{m}{\Σ}}{p}_i{\log }_2\left(p_i\right)$

其中pi表示第i個類別在整個訓(xùn)練元組中出現(xiàn)的概率，可以用屬于此類別元素的數(shù)量除以訓(xùn)練元組元素總數(shù)量作為估計。熵的實際意義表示是D中元組的類標號所需要的平均信息量。

假設(shè)將訓(xùn)練元組D按屬性A進行劃分，則A對D劃分的期望信息為：

${\mathrm{info}}_A\left(D\right)=\underset{j=1}{\overset{v}{\Σ}}\frac{\left|D_j\right|}{D}\inf o\left(D_j\right)$

而信息增益即為兩者的差值：

gain(A)＝info(D)-info_A(D)

ID3算法就是在每次需要分裂時，計算每個屬性的增益率，然后選擇增益率最大的屬性進行分裂。

通過決策樹，診斷后將故障進行具體的描述和定位。

步驟3，故障處理預(yù)案推理步驟：根據(jù)故障診斷結(jié)果，并結(jié)合歷史工單處理預(yù)案的經(jīng)驗類型，提出可行的故障運維建議，并對預(yù)案按照成功概率進行排序。同時，搜集運維結(jié)果反饋情況，形成自反饋、自學(xué)習機制，使得下次推薦的預(yù)案更具可操作性，切實提高運維工作的一次成功率，從而提高整體運維工作的效率。

故障處理預(yù)案推理步驟采用專家系統(tǒng)為基本框架，以采集系統(tǒng)故障處理預(yù)案為該專家系統(tǒng)的知識庫，以產(chǎn)生式規(guī)則IF…THEN…的形式來描述知識。采用正向鏈的策略作為專家系統(tǒng)的推理機。具體方法是尋找出前提可以同數(shù)據(jù)庫中的事實或斷言相匹配的那些規(guī)則，并運用沖突的消除策略，從這些都可滿足的規(guī)則中挑選出一個執(zhí)行，從而改變原來數(shù)據(jù)庫的內(nèi)容。這樣反復(fù)地進行尋找，直到數(shù)據(jù)庫的事實與目標一致即找到解答，或者到?jīng)]有規(guī)則可以與之匹配時才停止。

本技術(shù)領(lǐng)域中的普通技術(shù)人員應(yīng)當認識到，本發(fā)明并不局限于電力變壓器的診斷，也適用于其他電力設(shè)備的診斷，甚至適用于機械、建筑等診斷。該綜合診斷方法的核心精神是自學(xué)習，自組織，具有開放性，可伸縮性，可擴展性，極具智能化的診斷方法。