一种基于机器学习预测智能电能表故障的方法及系统技术方案

本发明专利技术公开了一种基于机器学习预测智能电能表故障的方法及系统，属于机器学习技术领域。本发明专利技术方法包括：确定故障智能电能表的故障类型；删除重复数据和与故障智能电能表故障无关的数据，补全故障智能电能表故障退运数据缺失值，获取预测数据；确定与故障有关的特征数据；获取智能电能表故障预测模型；获取智能电能表与故障有关的特征数据；根据智能电能表故障预测模型，对智能电能表故障进行预测，确定智能电能表预测故障类型。本发明专利技术结合机器学习和神经网络的方法对智能电表故障数据进行分析，可以有效的预测出智能电表的故障类型。

A method and system based on machine learning to predict the fault of intelligent electric energy meter

【技术实现步骤摘要】
一种基于机器学习预测智能电能表故障的方法及系统
本专利技术涉及机器学习
，并且更具体地，涉及一种基于机器学习预测智能电能表故障的方法及系统。
技术介绍
随着智能电表智能化和普及程度提高，用电信息采集系统覆盖范围也不断扩展，智能电表的故障日益呈现出突发性、复杂性、多面性等特点。仅依靠检修人员发现电表的故障势必有人员投入不均匀，故障检修不及时的问题。本文通过分析智能电表正常运行数据和故障数据，基于统计、预处理、聚类和预测等方法，分析故障类型与出现问题现象及原因之间的关系，建立智能电表故障预测模型。在电表发生故障时，有效的预测其故障类型，并以此配备相应的维修人员，从而达到降低人力资源成本和节省维修时间的目的。目前预测智能的故障主要通过故障机理分析，目前故障机理分析存在几个问题：1.智能运行过程中不可避免产生损伤和出现早期故障，它具有潜在性和动态响应的微弱性；复合故障和系统故障由于多因素共同耦合，通过单一的机理方法难以溯源故障成因。2.智能电表的故障机理是指通过理论或大量的试验分析，得到智能电表故障状态信号与输出参数之间的规律，根据研究对象的物理特点，建立相应数学的模型，通过统计检验的方式验证其正确性。然而智能电表的机理模型中存在多参数可靠度模型难以有效拟合的问题。
技术实现思路
针对上述问题，本专利技术提出了一种基于机器学习预测智能电能表故障的方法，包括：确定故障智能电能表的故障类型；获取故障智能电能表故障退运数据，对故障智能电能表故障退运数据进行预处理，删除重复数据和与故障智能电能表故障无关的数据，补全故障智能电能表故障退运数据缺失值，获取预测数据；根据预测数据，对故障智能电能表的故障类型进行故障特征选择，确定与故障有关的特征数据；根据所述故障智能电能表的故障类型及故障有关的特征关系及智能电能表预测评价标准，获取智能电能表故障预测模型；获取智能电能表与故障有关的特征数据，根据智能电能表故障预测模型，对智能电能表故障进行预测，确定智能电能表预测故障类型。可选的，故障退运数据，包括：故障智能电能表的厂家信息、批次信息、有功准确度等级、安装地点、库存时间、运行时间、安装时间、异常类别、异常现象、异常时间、故障部位、故障时间、安装地点气候环境信息和安装地点电应力的电气环境信息。可选的，预处理为对故障智能电能表故障退运数据进行线性函数归一化处理或零均值归一化处理。可选的，故障特征，包括：离散型特征和连续型特征。本专利技术还提供了一种基于机器学习预测智能电能表故障的系统，所述系统包括：确定故障类型模块，确定故障智能电能表的故障类型；数据获取模块，获取故障智能电能表故障退运数据，对故障智能电能表故障退运数据进行预处理，删除重复数据和与故障智能电能表故障无关的数据，补全故障智能电能表故障退运数据缺失值，获取预测数据；指标确定模块，根据预测数据，对故障智能电能表的故障类型进行故障特征选择，确定与故障有关的特征数据；模型生成模块，根据所述故障智能电能表的故障类型及故障有关的特征关系及智能电能表预测评价标准，获取智能电能表故障预测模型；预测模块，获取智能电能表数据，根据智能电能表故障预测模型，对智能电能表故障进行预测，确定智能电能表预测故障类型。可选的，故障退运数据，包括：智能电能表的厂家信息、批次信息、有功准确度等级、安装地点、库存时间、运行时间、安装时间、异常类别、异常现象、异常时间、故障部位、故障时间、安装地点气候环境信息和安装地点电应力的电气环境信息。可选的，预处理为对故障智能电能表故障退运数据进行线性函数归一化处理或零均值归一化处理。可选的，故障特征，包括：离散型特征和连续型特征。本专利技术结合机器学习和神经网络的方法对智能电表故障数据进行分析，可以有效的预测出智能电表的故障类型。附图说明图1为本专利技术一种基于机器学习预测智能电能表故障的方法流程图；图2为本专利技术一种基于机器学习预测智能电能表故障的方法数据缺失情况图；图3为本专利技术一种基于机器学习预测智能电能表故障的系统结构图。具体实施方式现在参考附图介绍本专利技术的示例性实施方式，然而，本专利技术可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本专利技术，并且向所属
的技术人员充分传达本专利技术的范围。对于表示在附图中的示例性实施方式中的术语并不是对本专利技术的限定。在附图中，相同的单元/元件使用相同的附图标记。除非另有说明，此处使用的术语(包括科技术语)对所属
的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。本专利技术提出了一种基于机器学习预测智能电能表故障的方法，如图1所示，包括：确定故障智能电能表的故障类型及故障类型的发生频率,不同故障类型及发生频率如表1所示。表1不同故障类型发生频率上述统计了故障智能电表可能出现的所有故障及数量，得到故障退回主要是由电池故障造成，除此之外，外观故障、通信单元、软件故障、显示单元也是主要故障退回的次要原因。同时这也为后续智能电表运行状态的评价中运行风险计算提供了依据；获取故障智能电能表故障退运数据，对故障智能电能表故障退运数据进行预处理，删除重复数据和与故障智能电能表故障无关的数据，补全故障智能电能表故障退运数据缺失值，获取预测数据；智能电表的故障退运数据是由运行系统数据库导出，故障退运数据，包括：智能电能表的厂家信息、批次信息、有功准确度等级、安装地点、库存时间、运行时间、安装时间、异常类别、异常现象、异常时间、故障部位、故障时间、安装地点气候环境信息和安装地点电应力的电气环境信息。故障电能表退运数据中部分数据与智能电表的故障无关，而且包含一些重复数据，会降低算法的效率，从表中看出一场类别和异常现象是都是一一对应的关系，所以取其中一格即可。由于退运数据在采集的过程中由于系统本身或者环境的原因，会存在一定的缺失值，如图2所示，因此补全这些缺省值可以为后续机器学习提供支持，同时可以提高数据质量，提高分类和预测算法的准确性。数据的标准化是将数据按照比例进行缩放，使数据落在一个特定的小范围内，其中最为典型的是数据的归一化，即将数据同一映射到[0,1]区间内，其目的在于去除数据的单位限制，将其转化为无量纲的纯数值，便于不同单位或量级的指标能够进行比较和加权，进而加快模型的收敛速度和提升模型精度。常见的归一化方法有线性函数归一化和零均值归一化。(1)线性函数归一化；它对原始数据进行先行变换，使结果映射到[0,1]的范围内，实现对原始数据的等比例缩放，线性归一化公式如下：其中X为原始数据，、Xmax和Xmin分别为数据的最大值和最小值。(2)零均值归一本文档来自技高网...

【技术保护点】
1.一种基于机器学习预测智能电能表故障的方法，所述方法包括：/n确定故障智能电能表的故障类型；/n获取故障智能电能表故障退运数据，对故障智能电能表故障退运数据进行预处理，删除重复数据和与故障智能电能表故障无关的数据，补全故障智能电能表故障退运数据缺失值，获取预测数据；/n根据预测数据，对故障智能电能表的故障类型进行故障特征选择，确定与故障有关的特征数据；/n根据所述故障智能电能表的故障类型及故障有关的特征关系及智能电能表预测评价标准，获取智能电能表故障预测模型；/n获取智能电能表与故障有关的特征数据，根据智能电能表故障预测模型，对智能电能表故障进行预测，确定智能电能表预测故障类型。/n

【技术特征摘要】
1.一种基于机器学习预测智能电能表故障的方法，所述方法包括：
确定故障智能电能表的故障类型；
获取故障智能电能表故障退运数据，对故障智能电能表故障退运数据进行预处理，删除重复数据和与故障智能电能表故障无关的数据，补全故障智能电能表故障退运数据缺失值，获取预测数据；
根据预测数据，对故障智能电能表的故障类型进行故障特征选择，确定与故障有关的特征数据；
根据所述故障智能电能表的故障类型及故障有关的特征关系及智能电能表预测评价标准，获取智能电能表故障预测模型；
获取智能电能表与故障有关的特征数据，根据智能电能表故障预测模型，对智能电能表故障进行预测，确定智能电能表预测故障类型。


2.根据权利要求1所述的方法，所述的故障退运数据，包括：故障智能电能表的厂家信息、批次信息、有功准确度等级、安装地点、库存时间、运行时间、安装时间、异常类别、异常现象、异常时间、故障部位、故障时间、安装地点气候环境信息和安装地点电应力的电气环境信息。


3.根据权利要求1所述的方法，所述的预处理为对故障智能电能表故障退运数据进行线性函数归一化处理或零均值归一化处理。


4.根据权利要求1所述的方法，所述的故障特征，包括：离散型特征和连续型特征。


5.一种基于...

【专利技术属性】
技术研发人员：李贺龙，于海波，王春雨，刘佳，王兴媛，袁金帅，王春妍，
申请(专利权)人：中国电力科学研究院有限公司，国家电网有限公司，国网重庆市电力公司电力科学研究院，
类型：发明
国别省市：北京;11