基于遗传算法和社团聚类的电能表运行状态监测方法技术

本发明专利技术涉及一种基于遗传算法和社团聚类的电能表运行状态监测方法，包括以下步骤：1)获得待测电能表的基础数据，提取该待测电能表的用电特征参数；2)基于所述用电特征参数，采用一基于遗传算法和多元神经网络的电能表状态评价模型，获取待测电能表的运行状态；其中，所述用电特征参数根据电能表运行状态关联因素选定，所述电能表运行状态关联因素基于社团聚类算法确定。与现有技术相比，本发明专利技术具有推动电能表状态轮换合理化、智能化，及时发现故障表及存在质量隐患的电能表，保障电能表运行质量水平等优点。

【技术实现步骤摘要】
基于遗传算法和社团聚类的电能表运行状态监测方法
本专利技术涉及一种电能表状态监测方法，尤其是涉及一种基于遗传算法和社团聚类的电能表运行状态监测方法。
技术介绍
作为法定计量器具的电能表，承担着电压、电流、电能量等重要信息的测量、存储和传输任务，电能计量和信息传输的准确、及时关系到电力公司与客户之间电费结算的质量和效率。对于数百万只计量电量较大的运行电能表，目前一般都采用定期现场检验的方式监控其运行状态。交通和人力方面投入量巨大，难以满足目前企业减员增效的管理方向。同时，随着科技进步和产品质量的提高，电能表的现场运行故障率越来越低，频繁的现场检验缺乏实际意义。通过抽样检测的结果判断整批电能表的运行状况，并依此决定电能表整批轮换或是继续使用的抽检监督办法在是目前普遍采用的一种电能运行状态评价及运行调换方法，但该方法较为麻烦。
技术实现思路
本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于遗传算法和社团聚类的电能表状态监测方法。本专利技术的目的可以通过以下技术方案来实现：一种基于遗传算法和社团聚类的电能表运行状态监测方法，包括以下步骤：1)获得待测电能表的基础数据，提取该待测电能表的用电特征参数；2)基于所述用电特征参数，采用一基于遗传算法和多元神经网络的电能表状态评价模型，获取待测电能表的运行状态；其中，所述用电特征参数根据电能表运行状态关联因素选定，所述电能表运行状态关联因素基于社团聚类算法确定。进一步地，对不同的待测电能表以时间维度为序列提取不同的所述用电特征参数。进一步地，所述基础数据基于用电信息采集系统、SG186营销业务系统和MDS生产调度平台获取。进一步地，所述电能表状态评价模型训练时，通过实验室试验以及对典型事件现有数据的筛选提炼建立典型、准确的初始样本数据库对模型进行初始设置和初期训练。进一步地，所述电能表状态评价模型基于一用电特征参数数据库动态修正与更新。进一步地，所述电能表运行状态关联因素确定过程中，利用社团聚类技术依据用电特征和安装环境实现划分，根据电能表关键影响因素的相似性实现智能聚类。进一步地，该方法还包括：基于步骤2)获取的待测电能表的运行状态对待测电能表进行评级。进一步地，采用聚类定性结合风险评级的方式获得待测电能表的评级结果，实现电能表批次智能化划分。与现有技术相比，本专利技术具有以如下有益效果：1、本专利技术为不同种类的待分析电能表制定差异化方案，扩充状态检验模式下电能表状态参数的维度，加强对电能表环境因素以及用户特性的考量，保证了监测结果对网内各类智能电能表的普遍适用性和需求针对性。2、本专利技术采用时间维度上的客户用电特征序列提取技术，实现对客户现存数据的深度挖掘和业务系统功能的扩展应用，解决用户用电特征模糊问题，扩充现存状态检验系统应用范围与分析维度，为电能表状态评价和状态轮换提供数据基础。3、本专利技术针对专家评分模式下人为因素对评价结论的影响问题，采用采用基于遗传算法和多元神经网络的电能表状态评价模型获取待测电能表的运行状态，采取样本训练+机器学习的方式，避免了权重设置、专家评分等人为环节的干涉。4、本专利技术采用聚类定性结合风险评级的方式，有针对性地给出状态评价结论以及状态评价确定性参考结论，结合分析结果反馈机制进行模型自优化，实现对电能表的状态评价分析。5、本专利技术可以自动化、智能化地对在运的大量电能表运行状态进行定位和判断，实现对大量共性电能表的故障预警和隐患排查，并为电能表智能轮换提供依据和参考，推动电能表状态轮换合理化、智能化。6、本专利技术实现电能表批次智能化划分，提前识别批次中可能存在的故障，提升状态轮换管理水平。7、本专利技术电能表状态评价模型基于一用电特征参数数据库动态修正与更新，提升状态评价的自动化和智能化水平，实现电能表状态评价及后续分析预警功能，解决电能表状态难以获取、轮换及预警过度依赖经验的问题。附图说明图1为本专利技术的流程示意图。具体实施方式下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。如图1所示，本专利技术提供一种基于遗传算法和社团聚类的电能表运行状态监测方法，包括以下步骤：1)获得待测电能表的基础数据，进行数据筛选清洗，提取该待测电能表的用电特征参数，用电特征参数根据电能表运行状态关联因素选定，电能表运行状态关联因素基于社团聚类算法确定；2)基于用电特征参数，采用一基于遗传算法和多元神经网络的电能表状态评价模型，获取待测电能表的运行状态；上述方法通过对数据的深度挖掘，利用时间序列分析方法，提取表征电能表状态的关键特征，建立基于人工智能的状态评价模型，实现现场运行电能表的批次划分，采用基于多维度数据分析的人工智能方法代替传统的专家系统对智能电能表运行状态进行客观、合理的评价，实现电能表故障的提前识别与科学判断，将有效提升电能表状态评价的精准性和轮换管理智能化水平，减少资源浪费，及时发现故障表及存在质量隐患的电能表，保障电能表运行质量水平。1、用电特征提取对不同的待测电能表以时间维度为序列提取不同的用电特征参数。考虑网内计量装置种类、特性及客户差异情况，综合用电信息采集系统、SG186营销业务系统、MDS生产调度平台以及PMS2.0系统数据信息，以时间维度为序列选取表征用户用电特征的相关数据项，在时间维度上对客户用电特征序列进行提取，实现对客户现存数据的深度挖掘和业务系统功能的扩展应用，解决用户用电特征模糊问题，扩充现存状态检验系统应用范围与分析维度，为电能表状态评价和状态轮换提供数据基础。电能表运行状态关联因素确定过程中，利用社团聚类技术依据用电特征和安装环境实现划分，根据电能表关键影响因素的相似性实现智能聚类。2、智能表状态评价本专利技术可应用于单、三相智能表状态的评价。本专利技术比对各类电能表对应的用电特征，以用电信息采集数据为核心，以生产调度平台及营销业务系统为补充，注重原始数据和用电特征信息的综合运用，采取机器学习的思路，综合遗传算法、社团聚类分析等多种大数据分析应用手段，研究基于多元神经网络的电能表状态评价分析模型，实现分析模型对样本库的自动优化与自动更新，以聚类分析的优势扩充状态评价结果的维度，综合考虑生产厂商、运行年限、安装环境等因素研究在网电能表状态批次划分方法，制定状态评价分析模型的集群趋势预估及隐患预警规则，强化状态评价分析模型的自适应性和多功能性，提升状态评价的自动化和智能化水平，实现电能表状态评价及后续分析预警功能，解决电能表状态难以获取、轮换及预警过度依赖经验的问题。电能表状态评价模型训练时，通过实验室试验以及对典型事件现有数据的筛选提炼建立典型、准确的初始样本数据库对模型进行初始设置和初期训练。电能表状态评价模型基于一用电特征参数数据库动态修正与更新。在某些实施例中，该方法还包括基于获取的待测电能表的运行状态对待测电能表进行评级。采用聚类定性结合风险评级的方式获得待测电能表的评级结果，实现电能表批次智能化划分。以上详细描述了本专利技术的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本专利技术的构思作出诸多修改和变化。因此，凡本
中技术人员依本专利技术的构思在现有技术的基础上通过逻辑分析、推理或者有限的实本文档来自技高网...

【技术保护点】
1.一种基于遗传算法和社团聚类的电能表运行状态监测方法，其特征在于，包括以下步骤：1)获得待测电能表的基础数据，提取该待测电能表的用电特征参数；2)基于所述用电特征参数，采用一基于遗传算法和多元神经网络的电能表状态评价模型，获取待测电能表的运行状态；其中，所述用电特征参数根据电能表运行状态关联因素选定，所述电能表运行状态关联因素基于社团聚类算法确定。

【技术特征摘要】
1.一种基于遗传算法和社团聚类的电能表运行状态监测方法，其特征在于，包括以下步骤：1)获得待测电能表的基础数据，提取该待测电能表的用电特征参数；2)基于所述用电特征参数，采用一基于遗传算法和多元神经网络的电能表状态评价模型，获取待测电能表的运行状态；其中，所述用电特征参数根据电能表运行状态关联因素选定，所述电能表运行状态关联因素基于社团聚类算法确定。2.根据权利要求1所述的基于遗传算法和社团聚类的电能表运行状态监测方法，其特征在于，对不同的待测电能表以时间维度为序列提取不同的所述用电特征参数。3.根据权利要求1所述的基于遗传算法和社团聚类的电能表运行状态监测方法，其特征在于，所述基础数据基于用电信息采集系统、SG186营销业务系统和MDS生产调度平台获取。4.根据权利要求1所述的基于遗传算法和社团聚类的电能表运行状态监测方法，其特征在于，所述电能表状态评价模型训练时，通过实...

【专利技术属性】
技术研发人员：王新刚，张垠，赵舫，陈金涛，魏晓川，
申请(专利权)人：国网上海市电力公司，
类型：发明
国别省市：上海,31