分向梯度KNN智能电表故障智能诊断方法及系统技术方案

本发明专利技术提出分向梯度KNN智能电表故障智能诊断方法及系统，方法包括以下步骤：S1.采集智能电表监测的用电数据；S2.根据步骤S1获得的用电数据，构建用于表征智能电表健康状态的监测数据特征向量；S3.构建分向函数，所述分向函数用于对监测数据特征向量进行分向获得正向数据或反向数据；S4.分别计算正向数据或反向数据中关于时间和台区用户总数的梯度，提取梯度特征表征智能电表健康状态；S5.根据步骤S4获得的梯度特征构建正向KNN故障智能诊断模型或反向KNN故障智能诊断模型；S6.获得故障诊断结果。本发明专利技术提升电表故障诊断效率，降低人力成本，建模结果更加精细化，提升电表健康状态监测的敏感度。监测的敏感度。监测的敏感度。

【技术实现步骤摘要】
分向梯度KNN智能电表故障智能诊断方法及系统


[0001]本专利技术涉及智能电表故障诊断
，尤其涉及分向梯度KNN智能电表故障智能诊断方法及系统。

技术介绍

[0002]智能电表广泛应用于电力行业，一旦发生故障，将降低电力使用的稳定性及计费。提高运行中的电表的故障诊断能力，可保障电能计量的准确性和稳定性。随着人工智能的发展和日趋成熟，将智能诊断算法引入智能电表可大大提升智能电表的故障诊断效率，降低人力检修成本，最大化保障电力供需双方的利益。
[0003]目前智能电表的智能诊断算法由于多提取单一特征作为监测指标，导致监测信息不全面，导致电表故障诊断效率、电表健康状态监测的敏感度不高的问题。

技术实现思路

[0004]针对现有技术的不足，本专利技术的目的是提供分向梯度KNN智能电表故障智能诊断方法及系统，对监测数据进行分向处理后，计算数据梯度，然后构建KNN分类模型实现智能电表的智能诊断，提升电表故障诊断效率，降低人力成本，建模结果更加精细化，提升电表健康状态监测的敏感度。
[0005]为了实现上述目的，本专利技术采用的技术方案如下：
[0006]本专利技术分向梯度KNN智能电表故障智能诊断方法，包括以下步骤：
[0007]S1.采集智能电表监测的用电数据；所述用电数据包括历史典型故障数据和实时监测用电数据；所述历史典型故障数据和实时监测用电数据分别包括正向有功数据和反向有功数据；
[0008]S2.根据步骤S1获得的用电数据，构建用于表征智能电表健康状态的监测数据特征向量；
[0009]S3.构建分向函数，所述分向函数用于对监测数据特征向量进行分向获得正向数据或反向数据；
[0010]S4.分别计算正向数据或反向数据中关于时间和台区用户总数的梯度，提取梯度特征表征智能电表健康状态；
[0011]S5.根据步骤S4获得的梯度特征构建正向KNN故障智能诊断模型或反向KNN故障智能诊断模型；所述正向KNN故障智能诊断用于对正向数据采用KNN模型进行故障的分类；所述反向KNN故障智能诊断模型用于对反向数据采用KNN模型进行故障的分类；
[0012]S6.若步骤S3获得正向数据，则通过正向KNN故障智能诊断模型获得故障诊断结果；若步骤S3获得反向数据，则通过反向KNN故障智能诊断模型获得故障诊断结果。
[0013]进一步地，所述正向有功数据包括正向有功总x1、正向有功峰x2、正向有功平x3、正向有功谷x4、正向有功尖x5；所述反向有功数据包括反向有功总x6、反向有功峰x7、反向有功平x8、反向有功谷x9和反向有功尖x
10
。
[0014]进一步地，所述步骤S2中，构建监测数据特征向量的具体方法为：构建特征向量X1＝[x1,x2,
…
,x5]和特征向量X2＝[x6,x7,
…
,x
10
]。
[0015]进一步地，所述步骤S3中，构建分向函数F如下：
[0016][0017]当特征向量X1中的元素全部为0时，F的值为0；否则F的值为1。
[0018]进一步地，所述步骤S2中，对监测数据特征向量进行分向获得正向数据或反向数据具体为：计算特征向量X1的F值；当F＝1时，则设特征向量X1为正向数据；当F＝0时，则设特征向量X2为反向数据。
[0019]进一步地，所述步骤S4中，梯度计算方法如下：
[0020][0021]其中，代表取第n个样本第i个维度特征的梯度变化值，i,i＝{1,2,
…
,10}为特征向量的维度，n为监测数据样本编号，Δt为时间间隔，h为台区用电户总数。
[0022]进一步地，所述KNN模型采用欧氏距离进行故障的分类，具体为：
[0023]采用欧式距离计算方法计算出实时数据特征点和不同故障点之间的距离：
[0024][0025]其中，为实时数据特征点和不同故障点之间的距离，为实时采集的样本数据的梯度特征，为历史故障类别j的梯度特征，m为第m个邻近值，k为邻近值总数；
[0026]为各个距离添加变化的权重值，对特征敏感度进行调节，权重值设定的函数如下：
[0027][0028]其中，w
i
为第i个特征的权重；
[0029]计算实时数据和各类故障数据的总距离为：
[0030][0031]其中，D
j
,j＝{1,2,
…
,J}为实时监测数据特征和故障j的特征点的距离；
[0032]故障类别判定方式如下：
[0033]L＝argmin(D
j
),j＝{1,2,
…
,J}
[0034]其中，L为判定的故障类别，argmin表示故障类别为距离最小的值对应的故障。
[0035]应用上述智能电表故障智能诊断方法的智能电表故障诊断的系统，包括：
[0036]数据采集模块，用于采集每个智能电表分区的用电数据；
[0037]数据存储模块，用于存储数据采集模块采集到的用电数据；
[0038]数据处理模块，用于利用数据采集模块采集到的用电数据对每个智能电表监测数据进行计算分析；
[0039]处理结果显示模块，用于显示数据处理模块的处理结果；
[0040]数据采集模块与数据存储模块通信连接，数据存储模块与数据处理模块通信连接，数据处理模块与处理结果显示模块通信连接。
[0041]进一步地，还包括服务器；所述数据处理模块与服务器通信连接。
[0042]1.本专利技术采集智能电表台区监测用电数据，监测电表的健康状态，构建分向函数，对数据进行分流，实现精细化建模，提取实时用电数据梯度特征，建立正向KNN和反向KNN分析监测数据，智能判别智能电表故障类别。通过电表类别的智能判定，提升电表故障诊断效率，降低人力成本。
[0043]2.本专利技术通过建立分向函数，通过分向函数对监测数据特征向量进行分流，分为正向数据和反向数据，为两类数据分别建立KNN故障诊断模型，建模结果更加精细化，故障诊断效率也同步得到提升。
[0044]3.本专利技术提出梯度特征，可提升电表健康状态监测的敏感度。
附图说明
[0045]为了更清楚地说明本专利技术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，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0046]图1为本专利技术实施例分向梯度KNN智能电表故障诊断方法的流程图；
[0047]图2为本专利技术实施例智能电表多类故障监测的用电数据与时间的关系图，其中左图为正向有功数据，右图为反向有功数据。
[0048]图3为本专利技术实施例计算数据梯度特征的梯度特征示意图；
[0049]图4为本专利技术实施例智能电表故障诊断准确率的结果图。
...

【技术保护点】

【技术特征摘要】
1.分向梯度KNN智能电表故障智能诊断方法，其特征在于，包括以下步骤：S1.采集智能电表监测的用电数据；所述用电数据包括历史典型故障数据和实时监测用电数据；所述历史典型故障数据和实时监测用电数据分别包括正向有功数据和反向有功数据；S2.根据步骤S1获得的用电数据，构建用于表征智能电表健康状态的监测数据特征向量；S3.构建分向函数，所述分向函数用于对监测数据特征向量进行分向获得正向数据或反向数据；S4.分别计算正向数据或反向数据中关于时间和台区用户总数的梯度，提取梯度特征表征智能电表健康状态；S5.根据步骤S4获得的梯度特征构建正向KNN故障智能诊断模型或反向KNN故障智能诊断模型；所述正向KNN故障智能诊断用于对正向数据采用KNN模型进行故障的分类；所述反向KNN故障智能诊断模型用于对反向数据采用KNN模型进行故障的分类；S6.若步骤S3获得正向数据，则通过正向KNN故障智能诊断模型获得故障诊断结果；若步骤S3获得反向数据，则通过反向KNN故障智能诊断模型获得故障诊断结果。2.根据权利要求1所述的分向梯度KNN智能电表故障智能诊断方法，其特征在于，所述正向有功数据包括正向有功总x1、正向有功峰x2、正向有功平x3、正向有功谷x4、正向有功尖x5；所述反向有功数据包括反向有功总x6、反向有功峰x7、反向有功平x8、反向有功谷x9和反向有功尖x
10
。3.根据权利要求2所述的分向梯度KNN智能电表故障智能诊断方法，其特征在于，所述步骤S2中，构建监测数据特征向量的具体方法为：构建特征向量X1＝[x1,x2,
…
,x5]和X2＝[x6,x7,
…
,x10]。4.根据权利要求3所述的分向梯度KNN智能电表故障智能诊断方法，其特征在于，所述步骤S3中，构建分向函数F如下：当特征向量X1中的元素全部为0时，F的值为0；否则F的值为1。5.根据权利要求3所述的分向梯度KNN智能电表故障智能诊断方法，其特征在于，所述步骤S2中，对监测数据特征向量进行分向获得正向数据或反向数据具体为：计算特征向量X1的F值；当...

【专利技术属性】
技术研发人员：杨舟，王亚楠，陈珏羽，周政雷，高武东，蒋雯倩，林秀清，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：