一种用电信息采集系统中异常信息的智能诊断系统及方法与流程

本发明涉及一种异常信息诊断技术领域，具体涉及一种用电信息采集系统中异常信息的智能诊断方法。

背景技术：

用电信息采集系统的建设，有助于国家节能减排政策的落实，顺应了国家电力体制改革的发展方向。国家发改委《关于进一步深化电力体制改革的若该意见》中指出“积极开展电力需求侧管理和能效管理，通过运用现代信息技术，培育电能服务、实施需求响应等，促进供需平衡和节能减排。”在国家能源局印发的《配电网建设改造系统计划(2015-2020年)》中，明确提出了“推进配电自动化和智能用电信息采集系统建设，实现配电网客观可控。满足新能源、分布式能源及电动汽车等多元化负荷发展需求，推动智能电网建设与互联网深度融合”的发展目标。

国家电网公司和南方电网公司高度重视用电信息采集系统的建设和功能应用工作，国家电网公司于2009年开始全面启动公司用电信息采集系统建设，预计2015年将实现超过3亿户用电信息自动采集。

但目前用电信息采集系统运维技术还较为粗放，存在一些亟待解决的问题。一是系统运维效率有待提高，现场调试、系统监控和故障消缺需要耗费大量的人力物力；二是系统数据分散，集成度和准确率较低，异常指向性差，丰富的采集数据还未充分发挥作用；三是系统智能化程度较低，对电力企业业务应用的支持不够全面，对各种采集设备的监控和异常报警能力也有待加强。上述问题制约了用电信息采集系统的进一步发展和应用，急需解决。

技术实现要素：

针对上述问题，本发明提出一种用电信息采集系统中异常信息的智能诊断方法，提高了用电信息采集系统运行监控能力，发挥系统在大数据感知、分析、监测方面的技术优势，为电力营销业务提供技术支撑，在实际应用中取得了良好效果。

实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种用电信息采集系统中异常信息的智能诊断系统，包括异常分析专家库、自学习模块和GIS故障定位模块，所述异常分析专家库、自学习模块和GIS故障定位模块之间通过无线网络连接，实现故障信息的共享；

所述异常分析专家库包括若干类异常诊断分析模型；

所述自学习模块用于通过运用朴素贝叶斯算法对异常分析专家库中的数据进行训练，形成与各个异常诊断分析模型对应的判断异常信息类型的准则，并用于接受、分析用电信息采集系统提供的异常信息，利用判断异常信息类型的准则判断异常信息的类型，并与异常分析专家库进行比较，当异常分析专家库中已有该类型的异常诊断分析模型，则将该异常信息归类到异常分析专家库中对应的异常诊断分析模型中，并将该异常类型传递给GIS故障定位模块；若异常分析专家库中没有该类型的异常诊断分析模型，则将该类型异常传递给工作人员，由工作人员进行分析后，设置对应的新的异常诊断分析模型，并将该异常信息归类到新的异常诊断分析模型，通过手动输入的方式将该异常信息、新的异常类型、新的异常诊断分析模型更新到异常分析专家库中，并将该异常类型传递给GIS故障定位模块，同时在GIS故障定位模块的异常严重等级判断模块中，手动设定该新的异常类型与严重等级的关联，并且自学习模块对新的异常分析专家库的数据重新进行训练，形成判断新的异常信息类型的准则，并将该新异常信息重新传给自学习模块进行类别判断，验证新的异常信息的判断准则是否已成功形成；

所述GIS故障定位模块包括安装在各设备上的GPS定位装置、异常严重等级判断模块和GIS数字地图，GPS定位装置用于对故障设备进行自动定位获取故障设备的位置信息，异常严重等级判断模块用于判定该异常的严重等级；GIS数字地图用于将故障设备的位置信息、异常类型、异常的严重等级显示在GIS数字地图上，实现故障位置的快速查询。

所述异常诊断分析模型分为单一诊断分析模型和关联诊断分析模型，所述单一诊断分析模型包括电量异常诊断模型、电压电流异常诊断模型、异常用电诊断模型、负荷异常诊断模型、时钟异常诊断模型、接线异常诊断模型、费控异常诊断模型；所述关联诊断分析模型包括疑似窃电模型、设备故障模型、错接线模型、配变需扩容模型、现场维护模型、电池失效模型、回路异常模型、用电异常模型。

所述异常严重等级判断模块用于判定该异常的严重等级，具体为：根据预先设定的异常类型与严重等级之间的相关关系，对接收到的异常类型进行严重等级判断；所述GIS数字地图具体用于根据故障设备的位置信息显示出故障设备的位置，并在相应的位置上根据异常类型和异常严重等级对各类故障设备分别以不同的颜色和标志进行告警，并在进行异常流程处理后，实时展示故障处理的结果。

所述的异常严重等级包括：

1级：紧急事件，包括用户有疑似窃电行为发生的事件、对专变用户负荷开关状态的监测事件类需要第一时间主动上报的事件；与之相对应的异常诊断分析模型包括：电量异常诊断模型、异常用电诊断模型、负荷异常诊断模型、时钟异常诊断模型、接线异常诊断模型、疑似窃电模型；

2级：重要事件，包括掉电、参数变更类对设备正常运行有影响的事件；与之相对应的异常诊断分析模型包括：设备故障模型、电池失效模型；

3级：较重要事件，包括失压、时间超差类对用户可靠用电有影响的事件；与之相对应的异常诊断分析模型包括：电压电流异常诊断模型、回路异常模型、配变需扩容模型、用电异常模型；

4级：一般事件，包括远程或本地对设备进行过命令操作，可根据管理需要进行核查和处理的事件；与之相对应的异常诊断分析模型包括：现场维护模型、错接线模型、费控异常诊断模型。

一种用电信息采集系统中异常信息的智能诊断方法，包括以下步骤：

步骤一、数据预处理:对用电信息采集系统采集到的异常信息中的重复数据进行剔重；

步骤二、将该异常信息采集点所属用户信息与营销流程进行比对，检查档案是否错误；

步骤三、当档案检查无误时，自学习模块通过运用朴素贝叶斯算法对异常分析专家库中的数据进行训练，形成与各个异常诊断分析模型对应的判断异常信息类型的准则，并接受、分析用电信息采集系统提供的异常信息，利用判断异常信息类型的准则判断异常信息的类型，并与异常分析专家库进行比较，从而执行以下操作：

A：若异常分析专家库中已有该类型的异常诊断分析模型，则将该异常信息归类到异常分析专家库中对应的异常诊断分析模型中，并将异常类型传递给GIS故障定位模块；

B：若异常分析专家库中没有该类型的异常诊断分析模型，则将该类型异常传递给工作人员，由工作人员进行分析后，设置对应的新的异常诊断分析模型，并将该异常信息归类到新的异常诊断分析模型，通过手动输入的方式将该异常信息、新的异常类型、新的异常诊断分析模型更新到异常分析专家库中，并将该异常类型传递给GIS故障定位模块，同时在GIS故障定位模块的异常严重等级判断模块中，手动设定该新的异常类型与严重等级的关联，并且自学习模块对新的异常分析专家库的数据重新进行训练，形成判断新的异常信息类型的准则，并将该新异常信息重新传给自学习模块进行类别判断，验证新的异常信息的判断准则是否已成功形成；

步骤四、利用GPS定位装置对故障设备定位获得故障设备的位置信息，异常严重等级判断模块根据接收到的异常信息判定该异常的严重等级；最后利用GIS数字地图将故障设备的位置信息、异常类型和异常的严重等级显示在GIS数字地图上，实现故障位置的快速查询；

步骤五、工作人员根据GIS数据地图上的警告信息的严重等级安排处理顺序，并进行处理；

步骤六、异常处理结束后，GIS故障定位模块实时展示故障处理的结果。

所述步骤三中，所述异常诊断分析模型分为单一诊断分析模型和关联诊断分析模型，所述单一诊断分析模型包括电量异常诊断模型、电压电流异常诊断模型、异常用电诊断模型、负荷异常诊断模型、时钟异常诊断模型、接线异常诊断模型、费控异常诊断模型；所述关联诊断分析模型包括疑似窃电模型、设备故障模型、错接线模型、配变需扩容模型、现场维护模型、电池失效模型、回路异常模型、用电异常模型。

所述步骤四中，所述异常严重等级判断模块用于判定该异常的严重等级，具体为：根据预先设定的异常类型与严重等级之间的相关关系，对接收到的异常类型进行严重等级判断；所述GIS数字地图具体用于根据故障设备的位置信息显示出故障设备的位置，并在相应的位置上根据异常类型和异常严重等级对各类故障设备分别以不同的颜色和标志进行告警。

所述步骤四中，严重等级具体分为：

1级：紧急事件，包括用户有疑似窃电行为发生的事件、对专变用户负荷开关状态的监测事件类需要第一时间主动上报的事件；与之对应的异常诊断分析模型包括：电量异常诊断模型、异常用电诊断模型、负荷异常诊断模型、时钟异常诊断模型、接线异常诊断模型、疑似窃电模型；

2级：重要事件，包括掉电、参数变更类对设备正常运行有影响的事件与之对应的异常诊断分析模型包括：设备故障模型、电池失效模型；

3级：较重要事件，包括失压、时间超差类对用户可靠用电有影响的事件与之对应的异常诊断分析模型包括：电压电流异常诊断模型、回路异常模型、配变需扩容模型、用电异常模型；

4级：一般事件，包括远程或本地对设备进行过命令操作，可根据管理需要进行核查和处理的事件与之对应的异常诊断分析模型包括：现场维护模型、错接线模型、费控异常诊断模型。

本发明的有益效果：

本发明以用电信息采集系统所采集的数据为依托，通过异常分析专家库和自学习模块对获取的各类用电数据进行统计、分析和诊断，判定异常类型和严重程度，并通过GIS故障定位模块快速准确地锁定故障发生地的具体位置，极大程度上提高了故障监测的准确度和故障处理的效率。

附图说明

图1为一种用电信息采集系统中异常信息的智能诊断系统的拓扑结构图。

图2为一种用电信息采集系统中异常信息的智能诊断方法的工作流程图。

图3为一种用电信息采集系统中异常信息的智能诊断技术的功能架构图。

图中：1-异常分析专家库，2-自学习模块，3-GIS故障定位模块，4-异常诊断分析模型，5-用电信息采集系统，6-GPS定位装置，7-GIS数字地图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，一种用电信息采集系统中异常信息的智能诊断系统，包括异常分析专家库1、自学习模块2和GIS故障定位模块3，所述异常分析专家库1、自学习模块2和GIS故障定位模块3之间通过无线网络连接，实现故障信息的共享；

所述异常分析专家库1包括若干类异常诊断分析模型4；在发明中，各个单一异常诊断分析模型中，包含相同类型的各种异常数据，例如：电压越限模型包括收集到的各种用户的电能表过压以及欠压异常值，我们常称之为训练数据。

所述自学习模块2用于通过运用朴素贝叶斯算法对异常分析专家库中的数据进行训练，形成与各个异常诊断分析模型对应的判断异常信息类型的准则，并用于接受、分析用电信息采集系统提供的异常信息，利用判断异常信息类型的准则判断异常信息的类型，并与异常分析专家库进行比较，当异常分析专家库中已有该类型的异常诊断分析模型，则将该异常信息归类到异常分析专家库中对应的异常诊断分析模型中，并将该异常类型传递给GIS故障定位模块；若异常分析专家库中没有该类型的异常诊断分析模型，则将该类型异常传递给工作人员，由工作人员进行分析后，设置对应的新的异常诊断分析模型，并将该异常信息归类到新的异常诊断分析模型，通过手动输入的方式将该异常信息、新的异常类型、新的异常诊断分析模型更新到异常分析专家库中，并将该异常类型传递给GIS故障定位模块，同时在GIS故障定位模块的异常严重等级判断模块中，手动设定该新的异常类型与严重等级的关联(在本发明中，所述的新的异常类型的输入，就是人工判断并创建新异常诊断分析模型后，将该异常的名称和一些参数的要求或者说是条件存入到专家库中)，并且自学习模块对新的异常分析专家库的数据重新进行训练，形成判断新的异常信息类型的准则，并将该新异常信息重新传给自学习模块进行类别判断，验证新的异常信息的判断准则是否已成功形成；

所述自学习模块2形成与各个异常诊断分析模型对应的判断异常信息类型的准则即求取各个异常诊断分析模型的先验概率。具体步骤举例如下：

给定一个训练集{(x₁,y₁),(x₂,y₂),…,(x_n,y_n)}包含n条训练数据(例如：x₁代表电压越限，y₁代表电压异常)，其中x₁＝(x₁⁽¹⁾,x₁⁽²⁾,…,x₁^(M))^T是M维向量(电压越限有多种异常特征，如：低于额定电压5％～10％、10％～20％等，高于额定电压5％～10％、10％～20％等)，y₁∈{c₁,c₂,...c_k}属于异常类型中的一类。

首先将y₁代入公式(1)，计算p(y＝c_k)＝p(y＝y₁)；

$p(y=c_k)=\frac{{\mathrm{\Σ}}_{i=1}^{n}I(y_i=c_k)}{n}---\left(1\right)$

设M维特征的第j维存在L个取值，则某维特征的某个取值a_jl，在给定某分类c_k下的条件概率为：

$p(x^j=a_{jl}|y=c_k)=\frac{{\mathrm{\Σ}}_{i=1}^{n}I(x^j=a_{jl},y_i=c_k)}{{\mathrm{\Σ}}_{i=1}^{n}I(y_i=c_k)}---\left(2\right)$

例如：x₁代表电压越限，取一种低于额定电压5％～10％的异常特征将该异常特征的异常电压值a_jl代入公式(2)，其他异常特征以此类推，即可得到电压异常类型的基本概率，也就完成了判断异常信息类型的准则的形成过程。

通过学到的概率，给定未分类新异常实例X，就可以通过判断异常信息类型的准则(先验概率)进行判断(计算)，得到该异常实例属于各异常类型的后验概率p(y＝c_k|X)，其中最大概率的异常类型即为该异常实例所属类型。

所述GIS故障定位模块包括安装在各设备上的GPS定位装置6、异常严重等级判断模块和GIS数字地图7，GPS定位装置用于对故障设备进行自动定位获取故障设备的位置信息，异常严重等级判断模块用于判定该异常的严重等级；GIS数字地图用于将故障设备的位置信息、异常类型、异常的严重等级显示在GIS数字地图上，实现故障位置的快速查询。在本发明中，异常设备和异常信息是相关联的，通过识别异常信息来源的设备号，然后利用GPS定位装置6定位异常位置。

所述异常诊断分析模型来源于对电能表和采集终端所采集数据的分析结果，能够对电能计量装置的运行状态进行判断。

所述异常诊断分析模型分为单一诊断分析模型和关联诊断分析模型，所述单一诊断分析模型包括电量异常诊断模型、电压电流异常诊断模型、异常用电诊断模型、负荷异常诊断模型、时钟异常诊断模型、接线异常诊断模型、费控异常诊断模型；所述关联诊断分析模型包括疑似窃电模型、设备故障模型、错接线模型、配变需扩容模型、现场维护模型、电池失效模型、回路异常模型、用电异常模型。

所述异常严重等级判断模块用于判定该异常的严重等级，具体为：根据预先设定的异常类型与严重等级之间的相关关系，对接收到的异常类型进行严重等级判断；所述GIS数字地图具体用于根据故障设备的位置信息显示出故障设备的位置，并在相应的位置上根据异常类型和异常严重等级对各类故障设备分别以不同的颜色和标志进行告警，并在进行异常流程处理后，实时展示故障处理的结果。

所述的异常严重等级包括：

1级：紧急事件，包括用户有疑似窃电行为发生的事件、对专变用户负荷开关状态的监测事件类需要第一时间主动上报的事件；与之相对应的异常诊断分析模型包括：电量异常诊断模型、异常用电诊断模型、负荷异常诊断模型、时钟异常诊断模型、接线异常诊断模型、疑似窃电模型；

2级：重要事件，包括掉电、参数变更类对设备正常运行有影响的事件；与之相对应的异常诊断分析模型包括：设备故障模型、电池失效模型；

3级：较重要事件，包括失压、时间超差类对用户可靠用电有影响的事件；与之相对应的异常诊断分析模型包括：电压电流异常诊断模型、回路异常模型、配变需扩容模型、用电异常模型；

4级：一般事件，包括远程或本地对设备进行过命令操作，可根据管理需要进行核查和处理的事件；与之相对应的异常诊断分析模型包括：现场维护模型、错接线模型、费控异常诊断模型。

如图2所示，一种用电信息采集系统中异常信息的智能诊断方法，包括以下步骤：

步骤一、数据预处理:对用电信息采集系统采集到的异常信息中的重复数据进行剔重；数据剔重表示剔除相同的异常信息，例如：系统的电压异常监测周期为15分钟，在小于15分钟的时间里多次出现电压超越标准限度并记录的电压异常信息属于重复异常信息，应进行数据剔重。

步骤二、将该异常信息采集点所属用户信息与营销流程进行比对，检查档案是否错误；在发明中，用户的档案信息代表用户与设备的所属关系，通过营销流程实现将已核准的用户档案信息从营销业务系统同步更新至用电信息采集系统以及GIS故障定位模块，其过程可能出现故障。因此，需检查用户与设备所属关系的正确性，避免异常误报现象发生。

步骤三、当档案检查无误时，自学习模块通过运用朴素贝叶斯算法对异常分析专家库中的数据进行训练，形成与各个异常诊断分析模型对应的判断异常信息类型的准则，并接受、分析用电信息采集系统提供的异常信息，利用判断异常信息类型的准则判断异常信息的类型，并与异常分析专家库进行比较，从而执行以下操作：

A：若异常分析专家库中已有该类型的异常诊断分析模型，则将该异常信息归类到异常分析专家库中对应的异常诊断分析模型中，并将异常类型传递给GIS故障定位模块；

B：若异常分析专家库中没有该类型的异常诊断分析模型，则将该类型异常传递给工作人员，由工作人员进行分析后，设置对应的新的异常诊断分析模型，并将该异常信息归类到新的异常诊断分析模型，通过手动输入的方式将该异常信息、新的异常类型、新的异常诊断分析模型更新到异常分析专家库中，并将该异常类型传递给GIS故障定位模块，同时在GIS故障定位模块的异常严重等级判断模块中，手动设定该新的异常类型与严重等级的关联，并且自学习模块对新的异常分析专家库的数据重新进行训练，形成判断新的异常信息类型的准则，并将该新异常信息重新传给自学习模块进行类别判断，验证新的异常信息的判断准则是否已成功形成；

步骤四、利用GPS定位装置对故障设备定位获得故障设备的位置信息，异常严重等级判断模块根据接收到的异常信息判定该异常的严重等级；最后利用GIS数字地图将故障设备的位置信息、异常类型和异常的严重等级显示在GIS数字地图上，实现故障位置的快速查询；

步骤五、工作人员根据GIS数据地图上的警告信息的严重等级安排处理顺序，并进行处理；

步骤六、异常处理结束后，GIS故障定位模块中的GIS数字地图实时展示故障处理的结果；具体为：当异常解决了，则GIS数字地图上对应的异常信息的标识就应该删除掉。

所述步骤三中，所述异常诊断分析模型分为单一诊断分析模型和关联诊断分析模型，所述单一诊断分析模型包括电量异常诊断模型、电压电流异常诊断模型、异常用电诊断模型、负荷异常诊断模型、时钟异常诊断模型、接线异常诊断模型、费控异常诊断模型；所述关联诊断分析模型包括疑似窃电模型、设备故障模型、错接线模型、配变需扩容模型、现场维护模型、电池失效模型、回路异常模型、用电异常模型。

所述步骤四中，所述异常严重等级判断模块用于判定该异常的严重等级，具体为：根据预先设定的异常类型与严重等级之间的相关关系，对接收到的异常类型进行严重等级判断；所述GIS数字地图具体用于根据故障设备的位置信息显示出故障设备的位置，并在相应的位置上根据异常类型和异常严重等级对各类故障设备分别以不同的颜色和标志进行告警。在本发明的一种实施例中，所述的分别以不同的颜色和标志进行告警，具体为：分别以红、橙、黄、蓝色和相应标志对紧急事件、重要事件、较重要事件、一般事件进行警告。

所述步骤四中，严重等级具体分为：

1级：紧急事件，包括用户有疑似窃电行为发生的事件、对专变用户负荷开关状态的监测事件类需要第一时间主动上报的事件与之对应的异常诊断分析模型包括：电量异常诊断模型、异常用电诊断模型、负荷异常诊断模型、时钟异常诊断模型、接线异常诊断模型、疑似窃电模型；

2级：重要事件，包括掉电、参数变更类对设备正常运行有影响的事件与之对应的异常诊断分析模型包括：设备故障模型、电池失效模型；

3级：较重要事件，包括失压、时间超差类对用户可靠用电有影响的事件与之对应的异常诊断分析模型包括：电压电流异常诊断模型、回路异常模型、配变需扩容模型、用电异常模型；

4级：一般事件，包括远程或本地对设备进行过命令操作，可根据管理需要进行核查和处理的事件与之对应的异常诊断分析模型包括：现场维护模型、错接线模型、费控异常诊断模型。

如图3所示，为本发明的用电信息采集系统中异常信息的智能诊断系统的一种实施例，包括采集平台层、支撑平台层和业务应用层；所述采集平台层包括用电信息采集系统，具体包括：专变终端、集中器、网络表和采集器，在具体的用电信息采集的采集过程中，由专变终端、集中器、网络表和采集器去采集用电信息；所述支撑平台层包括：异常分析专家库、自学习模块和GIS故障定位模块；所述业务应用层包括：异常设备定位模块、异常在线告警模块、异常图形化展示模块、计量异常分析模块、设备异常分析模块和用电异常分析模块；所述计量异常分析模块、设备异常分析模块和用电异常分析模块借助自学习模块的分类算法实现对其功能的支撑，所述异常设备定位模块采用GPS定位装置去实现；所述异常在线告警模块用于根据异常类型和异常严重等级对各类故障设备以不同的颜色和标志进行告警；所述异常图形化展示模块用于在进行异常流程处理后，实时展示故障处理的结果。

以上显示和描述了本发明的基本原理和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。本发明要求保护范围由所附的权利要求书及其等效物界定。