用电信息采集设备的诊断评估方法、装置及系统与流程

1.本发明涉及用电信息采集系统技术领域，尤其涉及一种用电信息采集设备的诊断评估方法、装置及系统。


背景技术：

2.随着用电网络越来越庞大，对用电网络的建设管理和监控的要求也越来越高。用电信息采集系统的故障诊断评估即是通过对用电信息采集系统进行实时监控，依据监测的数据智能诊断评估系统的异常、故障状态，从而确保系统安全可靠运行。传统的用电信息采集设备运行异常诊断工作，主要是依赖于人工实现，通常是在作业人员发现某个计量点存在异常时，由检测人员到现场开展接线、获取数据、检测分析、问题排查、恢复等工作。但是人工诊断的方式不仅效率低且诊断难度大，用电信息采集系统中各类故障均可能会导致线损数据产生异常，因而故障种类繁多，这会给线损排查工作带来很大的困难，且针对于故障问题处理运维人员通常都是采用简单的拆除、更换的方式，因而难以精准的定位故障问题点，容易造成问题定位慢、排查不及时等问题，进而造成设备损坏、电网波动等，影响整个系统的运行可靠性。
3.随着物联网、大数据、人工智能、智能硬件等技术的发展，当前对用电信息采集系统的运维要求也逐渐趋向于高可靠性、实时性、智能化，因此如何实现高效、智能的用电信息采集设备诊断评估是当前亟待解决的问题。现有技术中针对于设备的故障诊断评估方法，通常是通过提取设备发生故障时的某类特征，基于该故障特征来判别设备故障状态。但是用电信息采集系统中设备数量众多，且各设备所可能存在的故障状态多样，就难以提取出能够表征各类设备各不同故障状态的特征，且仅依赖于故障特征的方式进行故障诊断仍然无法精准定位出故障点，因而传统基于设备某类故障特征来实现故障诊断的方式就不适用于用电信息采集设备的故障诊断中。


技术实现要素：

4.本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种实现方法简单、诊断效率与精度高的用电信息采集设备的诊断评估方法、装置及系统，能够高效实现用电信息采集设备的故障自动、智能诊断。
5.为解决上述技术问题，本发明提出的技术方案为：
6.一种用电信息采集设备的诊断评估方法，步骤包括：
7.s01.获取用电信息采集设备的历史数据，构建用电信息采集设备的性能状态数据库；
8.s02.根据所述性能状态数据库中的历史数据构建形成训练样本集以及故障因果关系模型，所述训练样本集中包括从历史数据中提取的故障评估指标，所述故障因果关系模型为根据不同故障事件与故障传播路径、故障征兆要素之间的对应关系构建形成；
9.s03.根据所述训练样本集、故障因果关系模型构建用电信息采集设备的诊断评估
模型，所述诊断评估模型包括所述故障；
10.s04.实时获取用电信息采集设备的设备数据并进行检测，当检测到存在异常数据时，使用构建的所述诊断评估模型对异常数据进行诊断评估。
11.进一步的，所述步骤s02中构建形成训练样本集时，采用正交量子粒子群的最近邻原型的分类算法从历史数据中提取所述故障评估指标，其中采用多次塌陷-正交交叉量子的粒子群算法进行迭代优化，以选出最好的粒子和其中有效的原型，计算测试数据到选出原型的距离对测试数据进行分类，继续对训练数据进行学习，得到每个粒子的适应度值直到满足终止条件，统计种群的分类正确率，得到最终结果并作为提取出的所述故障评估指标。
12.进一步的，所述正交量子粒子群的最近邻原型的分类算法按照下式进行计算：
[0013][0014][0015]
其中,i＝1，2，3...n，n为粒子的总数，d＝1,2,3,
…
,d,d为粒子所在空间的维度，k为迭代次数,v
id
是第i个粒子的速度，r1和r2均为介于(0，1)之间的随机数，z
id
是第i个粒子当前的位置，c1和c2是学习因子，v
id
的最大值为v
max
，若vi大于v
max
，则vi＝v
max
，p
id
为第i个粒子的迄今搜索到的极值，p
gd
为全局迄今搜索到的极值,j表示迭代次数。
[0016]
进一步的，所述用电信息采集设备诊断评估模型构建时，还包括使用设备健康状态信息，所述健康状态信息包括故障率、修复率、设备健康度和置信度中任意一种或多种。
[0017]
进一步的，所述步骤s04中，采用grubbs检验算法对实时获取的设备数据进行异常检测，具体计算表达式为：
[0018]gi
＝max
i＝1，2，...n
|y
i-y|/s；
[0019]
其中，y和s分别为样本的均值和标准差，n为测量次数，yi为第i个样本的值；
[0020]
将计算得到的gi与格拉布斯表中的对应的临界值gp(n)做比较，如果gi《gp(n)则判定测量数据中没有异常值，如果gi《gp(n)则测量数据中的yi为异常值。
[0021]
进一步的，所述步骤s04的步骤包括：
[0022]
s401.使用构建的所述诊断评估模型对异常数据进行诊断评估,得到初步评估诊断结果；
[0023]
s402.综合所述初步评估诊断结果、外部输入的诊断评估数据进行再次评估，得到最终的诊断评估结果。
[0024]
进一步的，所述性能状态数据库、训练样本集、故障因果关系模型以及所述诊断评估模型分别存储在服务器以及用电信息采集设备中，还包括配置用电信息采集设备为双模工作模式，所述双模工作模式包括在线模式和离线模式，所述在线模式时所述用电信息采集设备与服务器进行在线通信以实现诊断评估，所述离线模式时使用所述用电信息采集设备存储的数据实现诊断评估。
[0025]
一种用电信息采集设备的诊断评估装置，包括：
[0026]
数据获取模块，用于获取用电信息采集设备的历史数据，构建用电信息采集设备性能状态数据库；
[0027]
第一模型构建模块，用于根据所述用电信息采集设备性能状态数据库中的历史数
据构建形成训练样本集以及故障因果关系模型，所述训练样本集中包括从历史数据中提取的故障评估指标，所述故障因果关系模型为根据不同故障事件与故障传播路径、故障征兆要素之间的对应关系构建形成；
[0028]
第二模型构建模块，用于根据所述训练样本集、故障因果关系模型构建用电信息采集设备诊断评估模型；
[0029]
评估诊断模块，用于实时获取用电信息采集设备的设备数据并进行检测，当检测到存在异常数据时，使用构建的所述用电信息采集设备诊断评估模型对异常数据进行诊断评估。
[0030]
一种用电信息采集设备的诊断评估装置，包括相互连接的服务处理器和分布存储器，所述分布存储器中存储计算机程序，所述服务处理器执行所述计算机程序，以实现如上述的用电信息采集设备的诊断评估方法。
[0031]
一种用电信息采集系统，包括多个用电信息采集设备，还包括如上述用电信息采集设备的诊断评估装置，所述用电信息采集设备的诊断评估装置分别与各所述用电信息采集设备连接。
[0032]
与现有技术相比，本发明的优点在于：本发明通过获取用电信息采集设备的历史数据，构建对应的性能状态数据库，依据性能状态数据库中的历史数据来构建训练样本集以及故障因果关系模型，再结合训练样本集以及故障因果关系模型构建用电信息采集设备的诊断评估模型，由于诊断评估模型综合了性能状态历史数据以及故障因果关系数据，因而能够准确的表征各类故障下的特性，当检测到异常数据时，依据该诊断评估模型即可快速的诊断出是否存在故障以及具体的故障信息，可以实现对用电信息采集设备高效的诊断评估，同时可以精准定位到故障点，还可以获取故障传播路径、故障征兆要素等关键的故障信息，从而便于及时、准确的进行故障处理。
附图说明
[0033]
图1是本实施例用电信息采集设备的诊断评估方法的实现流程示意图。
[0034]
图2是本发明具体实施例实现用电信息采集设备的诊断评估的原理示意图。
[0035]
图3是本实施例用电信息采集设备实现诊断评估的流程示意图。
[0036]
图4是本实施例中用电信息采集系统的结构原理示意图。
具体实施方式
[0037]
以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。
[0038]
如图1所示，本实施例用电信息采集设备的诊断评估方法的步骤包括：
[0039]
s01.获取用电信息采集设备的历史数据，构建用电信息采集设备的性能状态数据库；
[0040]
s02.根据性能状态数据库中的历史数据构建形成训练样本集以及故障因果关系模型，训练样本集中包括从历史数据中提取的故障评估指标，故障因果关系模型为根据不同故障事件与故障传播路径、故障征兆要素之间的对应关系构建形成；
[0041]
s03.根据训练样本集、故障因果关系模型构建用电信息采集设备的诊断评估模
型；
[0042]
s04.实时获取用电信息采集设备的设备数据并进行检测，当检测到存在异常数据时，使用构建的诊断评估模型对异常数据进行诊断评估。
[0043]
本实施例通过获取用电信息采集设备的历史数据，构建对应的性能状态数据库，依据性能状态数据库中的历史数据来构建训练样本集以及故障因果关系模型，再结合训练样本集以及故障因果关系模型构建用电信息采集设备的诊断评估模型，由于诊断评估模型综合了性能状态历史数据以及故障因果关系数据，因而能够准确的表征各类故障下的特性，当检测到异常数据时，依据该诊断评估模型即可快速的诊断出是否存在故障以及具体的故障信息(故障类型、故障传播路径、故障征兆要素等)，可以实现对用电信息采集设备高效的诊断评估，同时可以精准定位到故障点，还可以获取故障传播路径、故障征兆要素等关键的故障信息，从而便于及时、准确的进行故障处理。
[0044]
本实施例中，步骤s01中用电信息采集设备的历史数据不仅包括设备上传的各项用电信息数据，还可以包括设备的使用环境地区、生产厂商、型号批次和寿命周期等各类数据，使得监控更加全面具体，从而分析的结果也能更加详细准确。由用电信息采集设备的历史用电数据可以表征用电信息采集设备的性能状态，从而可以作为设备的性能状态数据库。在具体应用实施例中，获取用电信息采集设备的历史数据(种类信息和用电数据等)后，将这些数据保存至数据库中，将数据库存储至云端，用电信息采集设备和服务器通过4g/5g网络连接直接访问云端调用数据库。每隔一段时间根据新增的数据对数据模型(故障因果关系模型、诊断评估模型)进行优化更新，使得数据模型计算结果更加准确，从而得到更优异的评估诊断结果。
[0045]
本实施例步骤s02中通过对历史数据进行筛选，从历史数据中提取故障评估指标，根据故障评估指标数构建训练样本集，上述故障评估指标具体包括设备不在线、在线数据未抄回、采集数据错误等各类采集故障指标，还包括通信故障、设备内部数据库故障以及其他软件或硬件类故障等各类指标，具体可以根据实际需求配置。构建形成训练样本集时，具体采用正交量子粒子群的最近邻原型的分类算法从历史数据中提取故障评估指标，其中采用多次塌陷-正交交叉量子的粒子群算法进行迭代优化，以选出最好的粒子和其中有效的原型，详细步骤为：
[0046]
s201.获取待处理的历史数据，初始化粒子群，每个粒子的维数等于类别数k、每类的原型数n数据的属性个数d的乘积；
[0047]
s202.给粒子分派类别标签，也即为分派对应的故障类别标签，每类对应n个原型，选择训练和测试数据并归一化数据集，对训练数据进行学习，得到每个粒子的适应度值；
[0048]
s203.采用多次塌陷-正交交叉量子的粒子群算法进行迭代优化，以选出最好的粒子和其中有效的原型；
[0049]
s204.计算测试数据到选出原型的距离对测试数据进行分类，继续对训练数据进行学习，得到每个粒子的适应度值直到满足终止条件，统计种群的分类正确率，得到最终结果并作为提取出的故障评估指标。
[0050]
本实施例上述通过采用正交量子粒子群的最近邻原型的分类算法对历史数据中故障评估指标进行分类，可以高效的分类出能够准确表征不同故障类型的故障评估指标，从而使得依据故障评估指标可以确定对应的故障类型，且在分类过程中采用多次塌陷-正
交交叉量子的粒子群算法进行迭代优化，选出最好的粒子和其中有效的原型，还可以进一步提高分类的精度。
[0051]
上述采用正交量子粒子群的最近邻原型的分类算法提取故障评估指标的过程中，具体可采用十倍交叉选择训练和测试数据。
[0052]
本实施例中，正交量子粒子群的最近邻原型的分类算法具体按照下式进行计算：
[0053][0054][0055]
其中，i＝1，2，3...n，n为粒子的总数，d＝1,2,3,
…
,d,d为粒子所在空间的维度，k为迭代次数,v
id
是第i个粒子的速度，r1和r2都是介于(0，1)之间的随机数，z
id
是第i个粒子当前的位置，c1和c2是学习因子，一般情况下，c1＝c2＝2，，v
id
的最大值为v
max
，若vi大于v
max
，则vi＝v
max
，p
id
为第i个粒子的迄今搜索到的极值，p
gd
为全局迄今搜索到的极值,j表示迭代次数。
[0056]
在具体应用实施例中，通过在数据库中建立专家诊断知识库，专家诊断知识库内设有各故障事件、故障传播路径、故障征兆要素，以此建立各个事件之间的故障因果关系模型，由该模型可以准确的获取评估出设备的故障类型、故障原因、故障传播路径、故障征兆信息等，还可以获得对应的修复方法。
[0057]
本实施例在获取到由故障评估指标构成的训练样本集以及上述故障因果关系模型后，进一步依据训练样本集与故障因果关系模型来构建用电信息采集设备的诊断评估模型，具体对训练样本集中故障评估指标与故障因果关系模型之间的关系进行模型训练，得到故障评估指标与故障因果关系模型之间的对应关系，即为用电信息采集设备的诊断评估模型，则根据设备的故障性能数据提取出故障评估指标后，依据该诊断评估模型即可确定出对应的故障因果关系信息(故障事件、故障传播路径、故障征兆要素等)，实现故障诊断以及故障点定位。
[0058]
本实施例用电信息采集设备的诊断评估模型构建时，还包括使用设备健康状态信息，健康状态信息包括故障率、修复率、设备健康度和装置信度等。即结合训练样本集和故障因果关系模型，同时根据故障率、修复率、设备健康度和装置信度构建用电信息采集设备诊断评估模型，使得可以进一步提高诊断评估模型的精度。进一步的，训练样本集、故障因果关系模型和用电信息采集设备的诊断评估模型可以配置为定期根据数据库内历史数据的更新进行重新构建优化，以确保模型的实时性能。
[0059]
在具体应用实施例中，如图2所示，服务器与用户的用电信息采集设备进行通信连接后，对用电信息采集设备进行实时监控，实时获取用电信息采集设备的设备数据(种类信息、用电数据)，并将获取的历史数据保存至用电信息采集设备的性能状态数据库中，依据从性能状态数据库中提取的故障评估指标以及故障因果关系模型构建形成用电信息采集设备的状态评估数据模型(诊断评估模型)，使用该数据模型对用电信息采集设备的实时数据进行诊断评估，得到初步评估诊断结果。同时定期根据数据库内历史数据的更新对数据模型进行更新优化，以实现诊断修复知识的学习积累，使得诊断评估具有学习功能，能够随着数据库的内容增加和模型的不断更新逐步提高诊断评估的准确性。
[0060]
本实施例步骤s04中当用电信息采集设备的设备数据检测发现异常数据时，使用
用电信息采集设备的诊断评估模型对数据进行初步评估诊断，获取初步评估诊断结果。具体采用grubbs检验算法对实时获取的设备数据进行异常检测，以对异常数据的准确查找和提取，使得故障的查找更加高效和准确。进一步还可以将数据以图像的形式显示出来，以便于工作人员查看。
[0061]
本实施例中，采用grubbs检验算法时按照下式进行计算：
[0062]gi
＝max
i＝1，2，...n
|y
i-y|/s(3)
[0063]
其中，y和s分别为样本的均值和标准差，n为测量次数，yi为第i个样本的值；
[0064]
将gi与格拉布斯表中的对应的临界值gp(n)做比较，如果gi《gp(n)则测量数据中没有异常值，如果gi《gp(n)则测量数据中的yi为异常值。
[0065]
本实施例步骤s04的具体步骤包括：
[0066]
s401.使用构建的诊断评估模型对异常数据进行诊断评估,得到初步评估诊断结果；
[0067]
s402.综合初步评估诊断结果、外部输入的诊断评估数据进行再次评估，得到最终的诊断评估结果。
[0068]
如果按照用电信息采集设备的诊断评估模型无法在数据库中寻找到对应的评估结果时，如图2所示，则可以进一步获取外部诊断评估数据(如由专业人员进行高级评估诊断所得到的评估数据)，该外部诊断评估数据中包含故障原因、路径和解决方法等信息，将该获取的外部诊断评估数据保存至专家诊断数据库中，使得还可以支持外部诊断评估数据输入功能，从而不断丰富诊断评估模型的数据库，不断的优化诊断评估性能。进一步还可以配置为定期对专家诊断知识库内旧的数据进行修改和删除，重新对专家诊断数据库内的数据进行整理。
[0069]
本实施例中，性能状态数据库、训练样本集、故障因果关系模型以及诊断评估模型分别存储在服务器以及用电信息采集设备中，还包括配置用电信息采集设备为双模工作模式，双模工作模式包括在线模式和离线模式，在线模式时用电信息采集设备与服务器进行在线通信以实现诊断评估，离线模式时使用用电信息采集设备存储的数据实现诊断评估。即用电信息采集设备拥有双模工作模式，不仅有与服务器通信收发数据的在线模式，还拥有离线模式等多种工作模式，使得在没有通信连接的情况下也可以进行诊断修复，离线模式时由用电信息采集设备内部存储采集设备状态评估数据模型、故障原因和解决方法，当用电信息采集设备与服务器断开连接后，用电信息采集设备可自行对用电数据进行评估诊断。进一步可以配置每隔预设期限，采集设备对存储的模型和数据进行更新，结合多种功能模式在设备出现故障时也能够自行监测与故障处理，使得设备运行更加高效。用电信息采集设备在与服务器通信连接时每隔预设期限也会接收更新的诊断评估模型，用电信息采集设备接收后对存储的模型进行更新，通过更新设备内的数据，使得诊断评估结果更加准确。
[0070]
本发明通过获取用电信息采集设备的历史数据提取出故障评估指标，根据故障评估指标数构建训练样本集，同时建立各个事件之间的故障因果关系模型，结合故障率、修复率、设备健康度和装置信度等构建用电信息采集设备的诊断评估模型，使用该用电信息采集设备的诊断评估模型对数据进行评估诊断，可以获取高效、精准的评估诊断结果，不仅能够获取故障类型，还能够获取故障传播路径、故障原因以及故障处理方式等信息，从而便于进行精准的故障处理；通过进一步对数据模型定期根据数据库的新增数据进行更新优化，
还可以不断提升故障诊断评估的精确度以及效率。
[0071]
本实施例用电信息采集设备的诊断评估装置包括：
[0072]
数据获取模块，用于获取用电信息采集设备的历史数据，构建用电信息采集设备性能状态数据库；
[0073]
第一模型构建模块，用于根据用电信息采集设备性能状态数据库中的历史数据构建形成训练样本集以及故障因果关系模型，训练样本集中包括从历史数据中提取的故障评估指标，故障因果关系模型为根据不同故障事件与故障传播路径、故障征兆要素之间的对应关系构建形成；
[0074]
第二模型构建模块，用于根据训练样本集、故障因果关系模型构建用电信息采集设备诊断评估模型；
[0075]
评估诊断模块，用于实时获取用电信息采集设备的设备数据并进行检测，当检测到存在异常数据时，使用构建的用电信息采集设备诊断评估模型对异常数据进行诊断评估。
[0076]
如图3所示，本实施例用电信息采集设备的诊断评估装置包括用于获取用电信息采集设备的种类信息和用电数据的数据获取模块，还包括服务器，以用于接收用电信息采集设备的种类信息和用电数据，并对接收的数据信息进行结合筛选，还包括用于存储用电信息采集设备的种类信息、用电数据、故障原因和解决方法的存储模块，以及用于发送数据获取模块获取的数据信息和接收发送给用电信息采集设备的数据信息的通信模块，模型构建模块具体通过对服务器中筛选后的数据信息进行特征提取，根据提取的特征建立采集设备状态评估数据模型，评估诊断模块使用建立的模型对接收的数据信息进行计算，根据计算结果对用电采集设备进行诊断评估，得到对应的故障原因和解决方法。
[0077]
本发明用电信息采集设备的诊断评估系统，通过获取用电采集设备的信息数据，将其发送至服务器，服务器根据接收的数据建立数据模型，使用数据模型对获取的用电设备的信息数据进行计算，根据计算结果获取对应的故障原因和解决方法，同时也保存进数据库中，可以高效、快捷的实现用电信息采集设备诊断评估。
[0078]
本实施例用电信息采集设备的诊断评估装置与上述方法为一一对应，在此不再一一赘述。
[0079]
如图4所示，本实施例用电信息采集设备的诊断评估装置，包括相互连接的服务处理器和分布存储器，分布存储器中存储计算机程序，服务处理器执行计算机程序，以实现如上述的用电信息采集设备的诊断评估方法。
[0080]
本实施例还提供用电信息采集系统，包括多个用电信息采集设备，还包括如上述用电信息采集设备的诊断评估装置，用电信息采集设备的诊断评估装置分别与各用电信息采集设备连接。
[0081]
上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。