电能表故障预测方法和装置与流程

本发明涉及设备检测技术领域，特别是涉及一种电能表故障预测方法和电能表故障预测装置。

背景技术：

电能表是智能电网的重要组成部分，作为供电企业和电力用户进行贸易结算的计量器具，其运行可靠性对双方都存在重要意义，因此，必须通过有效的技术和管理手段保证其正常稳定运行。

根据运行统计情况表明，电能表在现场可靠运行的风险主要来源于自身元器件失效导致的电能表故障和运行环境异常导致的异常运行状态。然而传统的质量管控只能通过电能表安装前的试验和安装后的运行抽检、周期检验来保证电能表靠运行，无法预测电能表的运行故障，导致难以及时、全面地掌握电能表运行状态。

技术实现要素：

基于此，本发明实施例提供了电能表故障预测方法和装置，能够有效预测电能表的运行故障。

本发明一方面提供电能表故障预测方法，包括：

获取电能表的实时运行数据，将所述实时运行数据输入预设的故障判断模型，判断是否出现故障；

若确定出现故障，则将当前确定出的故障信息转换为与预先构建的故障诊断挖掘模型相适应的逻辑项；所述故障诊断挖掘模型为基于所述电能表的历史故障信息采用挖掘布尔关联规则频繁项集的算法构建的关联规则模型；

将当前故障信息对应的逻辑项与所述故障诊断挖掘模型中的关联规则进行匹配，根据匹配结果得出与所述电能表当前故障对应的故障预测信息。

本发明另一方面提供一种电能表故障预测装置，包括：

信息收集及故障识别模块，用于获取电能表的实时运行数据，将所述实时运行数据输入预设的故障判断模型，判断是否出现故障；

转换模块，用于若确定出现故障，则将当前确定出的故障信息转换为与预先构建的故障诊断挖掘模型相适应的逻辑项；所述故障诊断挖掘模型为基于所述电能表的历史故障信息采用挖掘布尔关联规则频繁项集的算法构建的关联规则模型；

预测模块，用于将当前故障信息对应的逻辑项与所述故障诊断挖掘模型中的关联规则进行匹配，根据匹配结果得出与所述电能表当前故障对应的故障预测信息。

基于上述实施例提供的电能表故障预测方法和装置，在检测到电能表的实时故障信息时，可通过关联规则的故障诊断挖掘模型从海量的采集数据中寻找有价值的信息，实现了对电能表运行故障的预测，能够及时、全面地识别出电能表运行过程中可能出现的故障。

附图说明

图1为一实施例的电能表故障预测方法的示意性流程图；

图2为另一实施例的电能表故障预测方法的示意性流程图；

图3为一实施例的电能表故障预测装置的示意性结构图。

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，以下结合附图及实施例，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。

图1为一实施例的电能表故障预测方法的示意性流程图；如图1所示，本实施例中的电能表故障预测方法包括步骤：

S11，获取电能表的实时运行数据，将所述实时运行数据输入预设的故障判断模型，判断是否出现故障；

在一实施例中，可通过用电信息采集系统实时采集电能表的运行数据，还可收集电能表在运行过程中自动上报的运行数据。电能表具有自检功能，可通过自身硬件回路对各模块的工况进行检测并进行事件上报，此类故障主要有：负荷开关误动或拒动；ESAM错误；内存卡初始化错误；时钟电池电压低；内部程序错误；储存器故障或损毁；时钟故障；停电抄表电池欠压。

在一实施例中，电能表的故障包括硬件故障、电量异常以及操作异常等，其中所述硬件故障例如：负荷开关误动或拒动、ESAM错误、内存卡初始化错误、时钟电池电压低、内部程序错误、储存器故障或损毁、时钟故障以及停电抄表电池欠压等；所述电量异常例如：飞走和突变故障、反向有功示值大于零故障、时钟不对故障、倒走故障以及示值停走故障等；所述操作异常例如：停电抄表电池欠压故障、停电故障、拉合闸故障、开关接入状态量变位故障、开表盖故障、开端钮盖故障、恒定磁场干扰故障以及清零故障等。

在一实施例中，对应不同的故障，可通过各自对应的故障判断模型进行判断。即可预先设置多个不同的故障判断模型，用于根据当前的运行数据判断电能表是否出现相应的故障。

本发明实施例中，通过步骤S11确定出的故障信息包括故障名称以及对应的类型信息。

S12，若确定出现故障，则将当前确定出的故障信息转换为与预先构建的故障诊断挖掘模型相适应的逻辑项；所述故障诊断挖掘模型为基于所述电能表的历史故障信息采用挖掘布尔关联规则频繁项集的算法构建的关联规则模型；

在一实施例中，所述故障诊断挖掘模型为基于所述电能表的历史故障信息、采用Apriori算法构建的关联规则模型。Apriori算法是一种有影响的挖掘布尔关联规则频繁项集的算法。其核心是基于两阶段频集思想的递推算法。该关联规则在分类上属于单维、单层、布尔关联规则。在这里，所有支持度大于最小支持度的项集称为频繁项集，简称频集。该算法的基本思想是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。其中，支持度support＝P(AB)，指的是事件A和事件B同时发生的概率；置信度confidence＝P(B|A)＝P(AB)/P(A)，指的是发生事件A的基础上发生事件B的概率。

对应的，将当前确定出的故障信息转换为与预先构建的故障诊断挖掘模型相适应的逻辑项指的是，将当前确定出的故障信息转换为Apriori关联规则算法可以识别的逻辑项。

S13，将当前故障信息对应的逻辑项与所述故障诊断挖掘模型中的关联规则进行匹配，根据匹配结果得出与所述电能表当前故障对应的故障预测信息。

本发明实施例中，可从所述故障诊断挖掘模型中获取与当前故障信息对应的逻辑项匹配度最高的关联规则，根据所述关联规则得出与所述电能表当前故障对应的故障预测结果。

上述实施例提供的电能表故障预测方法，当电能表出现某运行故障时，通过对电能表上发的异常数据进行分析后形成故障信息，然后与从历史故障数据库中抽取的关联规则进行匹配，可通过关联规则的故障诊断挖掘模型从海量的采集数据中寻找有价值的信息，实现了对电能表运行故障的预测，能够及时、全面地识别出电能表运行过程中可能出现的故障。

在一优选实施例中，预设的故障判断模型包括：飞走和突变故障判断模型、时钟故障判断模型、示值停走故障判断模型中的至少两种。

优选地，所述飞走和突变故障判断模型可为：

W_F＝220*3*I_b；

其中，W_F为所述电能表的运行容量，I_b为所述电能表的基本电流，K为预设的所述电能表的飞走和突变因子。对应的，将所述运行数据输入所述飞走和突变故障判断模型，当K大于等于第一设定值时，判断为出现飞走和突变故障。

优选地，所述时钟故障判断模型可为：

Δt＝|t_终端-t_电表|；

其中，Δt为电能表时钟时间与标准时钟时间之差，t_终端为标准时钟时间，t_电表为所述电能表的时钟时间。对应的，将所述运行数据输入所述时钟故障判断模型，当Δt大于等于第二设定值时，判断为出现时钟不对故障。

优选地，所述示值停走故障判断模型可为：

w₁＝w₁’；

w₂＝w₂’；

其中，w₁为今日的正向有功值，w₁’为昨日的正向有功值，w₂为今日的反向有功值，w₂’为昨日的反向有功值。对应的，将所述运行数据输入所述示值停走故障判断模型，当电能表相邻两日的正向有功值和反向有功值均不变，而且所述相邻两日的日平均电流值大于等于第三设定值时，判断为出现示值停走故障。

在一实施例中，还包括构建电能表故障诊断挖掘模型的步骤，包括：对预设的所述电能表的历史故障数据库中的故障信息进行归类，形成的蕴涵式，X为故障信息集合F＝{F₁，F₂，...，F_N}中的项或项集，Y为故障预测结果集合R＝{R₁，R₂，...，R_N}中的项或项集；读取预设的最小支持度与置信度，根据所述最小支持度与置信度采用Apriori算法扫描所述历史故障数据库中的蕴涵式集合，得到频繁项集并抽取关联规则；根据抽取出的关联规则构建所述电能表的故障诊断挖掘模型；其中，所述历史故障数据库中存储了所述电能表的多条历史故障信息以及各条故障信息对应的故障预测结果。

基于上述实施例，结合图2所示，下面对本发明的电能表故障预测方法进行举例说明：

1)预先建立电能表的历史故障数据库和实时故障数据库，其中，所述历史故障数据库中存储了所述电能表的多条历史故障信息以及各条故障信息对应的故障预测结果。

2)通过用电信息采集系统将电能表基础数据通过采集通道采集上来。

3)对所述运行数据进行预处理，去除其中的噪声数据；例如：对用电信息采集系统采集上来的电能表基础数据进行预处理，去除与电能表故障无关的数据，有明显错误的数据和属性重复的数据。

4)根据电能表故障判断模型，判断电能表当前是否发生故障，并在确定发送故障时将故障数据存入电能表的实时故障数据库。具体方法举例如下：

当进行电能表飞走和突变故障数据筛选时，用以下方法判断

W_F＝220*3*I_b

其中W_F为运行容量，I_b为基本电流，K为电表飞走和突变因子。当K≥1时，判断为飞走和突变故障。

当进行电能表时钟不对的故障数据筛选时，用以下方法判断

Δt＝|t_终端-t_电表|

其中Δt为终端时钟与电能表时钟时间之差，t_终端为终端时钟时间，t_电表为电表时钟时间。当Δt≥3时，判断为一般电能表时钟不对故障；当3≤Δt≤15时，判断为重要电表时钟不对故障；当Δt≥15时，判断为严重电表时钟不对故障。

当进行电表表示值停走故障数据筛选时，用以下方法判断

w₁＝w₁’

w₂＝w₂’

I≥0.01A

其中w₁为今日正向有功值，w₁’为昨日正向有功值，w₂为今日反向有功值，w₂’为昨日反向有功值，I为日平均电流值。当电能表两日的正向和反向有功值不变，而且日平均电流值大于等于0.01A时，判断为电能表表示值停走故障。

当终端事件上报为以下事件时，将事件存入故障数据库：

负荷开关误动或拒动；ESAM错误；内存卡初始化错误；时钟电池电压低；内部程序错误；储存器故障或损毁；时钟故障；停电抄表电池欠压；停电；拉合闸；开关接入状态量变位；开表盖；开端钮盖；恒定磁场干扰；清零。

进一步地，还可将存入所述实时故障数据库的故障信息进行转换归类，将其归类为故障诊断挖掘模型能够识别的故障类型。其中，归类依据包括：

硬件故障：电能表具有自检功能，可通过自身硬件回路对各模块的工况进行检测并进行事件上报，此类故障主要有：负荷开关误动或拒动；ESAM错误；内存卡初始化错误；时钟电池电压低；内部程序错误；储存器故障或损毁；时钟故障；停电抄表电池欠压。

电量异常：主要表现为电能表显示波形或电能计量方面存在失常，此类故障主要有：电能表飞走和突变故障；电能表反向有功示值大于零故障；电能表时钟不对故障；电能表倒走故障；电表表示值停走故障。

操作异常：是现场对电能表操作导致的异常情况，一般有对应的事件记录，此类故障信息主要有：停电抄表电池欠压；停电；拉合闸；开关接入状态量变位；开表盖；开端钮盖；恒定磁场干扰；清零。

此外，对于根据电能表或者终端上报的故障事件，可将对应的故障信息存入所述历史故障数据库。历史故障数据库中，电能表的事件上报记录可直接形成故障信息，而量测量，开关量等信息则根据对应的故障判断模式识别。

5)对历史故障数据库中的故障信息进行归类，形成的蕴涵式，X为故障信息集合F＝{F₁，F₂，...，F_N}的项或项集，Y为故障预测结果集合R＝{R₁，R₂，...，R_N}的项或项集。其中，归类依据与步骤4)中相同。

6)读取设定的最小支持度与置信度，运用Apriori算法扫描历史故障数据库并搜索频繁项集并抽取关联规则。具体流程如下：

第一阶段必须从步骤5形成的蕴涵式集合中，找出所有高频项目组。若支持度大于等于所设定的最小支持度门槛值时，设置为高频k-项目组，一般表示为Largek。算法并从Largek的项目组中再产生Largek+1，直到无法再找到更长的高频项目组为止。第二阶段在最小置信度的条件门槛下，当一规则所求得的置信度满足最小置信度，将此规则抽取为关联规则。其中，高频项目组是指某一项目组出现的频率相对于所有项目而言较高。

7)关联规则抽取完成后，形成电能表的故障诊断挖掘模型，将所述故障诊断挖掘模型链接至电能表的实时故障数据库，用于针对电能表的当前故障进行故障预测。

8)运用电能表故障诊断挖掘模型进行故障预测，输出故障预测结果。

在一优选实施例中，在基于当前的确定出的故障信息得出相应的故障预测信息之后，还可将当前故障信息及其对应的故障预测信息存储至所述历史故障数据库中。对应的，还可根据设定的时间周期，根据新的历史故障数据库对所述故障诊断挖掘模型进行更新，以提高故障预测的准确性。

需要说明的是，对于前述的各方法实施例，为了简便描述，将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本发明并不受所描述的动作顺序的限制，因为依据本发明，某些步骤可以采用其它顺序或者同时进行。此外，还可对上述实施例进行任意组合，得到其他的实施例。

基于与上述实施例中的电能表故障预测方法相同的思想，本发明还提供电能表故障预测装置，该装置可用于执行上述电能表故障预测方法。为了便于说明，电能表故障预测装置实施例的结构示意图中，仅仅示出了与本发明实施例相关的部分，本领域技术人员可以理解，图示结构并不构成对装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

图3为本发明一实施例的电能表故障预测装置的示意性结构图；如图3所示，本实施例的电能表故障预测装置包括：信息收集及故障识别模块310、转换模块320以及转换模块330，各模块详述如下：

所述信息收集及故障识别模块310，用于获取电能表的实时运行数据，将所述实时运行数据输入预设的故障判断模型，判断是否出现故障；

所述转换模块320，用于若确定出现故障，则将当前确定出的故障信息转换为与预先构建的故障诊断挖掘模型相适应的逻辑项；所述故障诊断挖掘模型为基于所述电能表的历史故障信息采用挖掘布尔关联规则频繁项集的算法构建的关联规则模型；

所述预测模块330，用于将当前故障信息对应的逻辑项与所述故障诊断挖掘模型中的关联规则进行匹配，根据匹配结果得出与所述电能表当前故障对应的故障预测信息。

在一实施例中，所述信息收集及故障识别模块320，还用于在将所述运行数据输入预设的故障判断模型之前，对所述运行数据进行预处理，去除其中的噪声数据。

在一实施例中，预设的故障判断模型包括：飞走和突变故障判断模型、时钟故障判断模型、示值停走故障判断模型中的至少两种。

在一实施例中，所述的电能表故障预测装置还包括：故障诊断挖掘模型构建模块，用于对预设的所述电能表的历史故障数据库中的故障信息进行归类，形成的蕴涵式，X为故障信息集合F＝{F₁，F₂，...，F_N}中的项或项集，Y为故障预测结果集合R＝{R₁，R₂，...，R_N}中的项或项集；读取预设的最小支持度与置信度，根据所述最小支持度与置信度采用Apriori算法扫描所述历史故障数据库中的蕴涵式集合，得到频繁项集并抽取关联规则；根据抽取出的关联规则构建所述电能表的故障诊断挖掘模型；其中，所述历史故障数据库中存储了所述电能表的多条历史故障信息以及各条故障信息对应的故障预测结果。

需要说明的是，上述示例的电能表故障预测装置的实施方式中，各模块之间的信息交互、执行过程等内容，由于与本发明前述方法实施例基于同一构思，其带来的技术效果与本发明前述方法实施例相同，具体内容可参见本发明方法实施例中的叙述，此处不再赘述。

此外，上述示例的电能表故障预测装置的实施方式中，各功能模块的逻辑划分仅是举例说明，实际应用中可以根据需要，例如出于相应硬件的配置要求或者软件的实现的便利考虑，将上述功能分配由不同的功能模块完成，即将所述电能表故障预测装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。其中各功能模既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。

本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，作为独立的产品销售或使用。所述程序在执行时，可执行如上述各方法的实施例的全部或部分步骤。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其它实施例的相关描述。

以上所述实施例仅表达了本发明的几种实施方式，不能理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。