技术特征：
1.一种适用于低压台区的故障智能诊断方法，其特征在于，所述故障智能诊断方法包括如下步骤：步骤一：确定低压台区出现的各个故障类型，以及与各个所述故障类型关联的多个特征量；并将各个所述特征量反映的异常特征状态定义为一个相应的故障标签；步骤二：构建用于识别低压台区出现的故障类型的故障感知模型，以及用于分析故障发生原因的故障诊断模型；所述故障感知模型为基于分类算法的标签模型；所述故障感知模型的输入为低压台区运行过程中各个特征量的特征值，所述故障感知模型的输出为不同故障类型的预测结果；所述故障诊断模型为经过训练的神经网络模型；所述故障诊断模型中包括与各个所述故障类型相对应的多个子模型；所述故障诊断模型的输入为所述故障感知模型输出的故障预测结果对应的各个所述故障标签的特征值，所述故障诊断模型的输出为预测出的故障对应的发生原因；步骤三：实时采集与低压台区出现的各个所述故障类型相关的各类特征量的特征数据，并对特征数据进行数据清洗；基于清洗后的所述特征数据生成相应的故障标签，完成所述故障标签的赋值；步骤四：将上步骤清洗后的所述特征数据输入到所述故障感知模型中，判断当前低压台区是否存在故障,输出相应的故障预测结果；步骤五：在低压台区出现故障时，将生成的故障标签的特征值输入到对应的所述故障诊断模型中，诊断出引起当前低压台区故障的原因。2.根据权利要求1所述的适用于低压台区的故障智能诊断方法，其特征在于：所述步骤一中，低压台区出现的所述故障类型包括采集故障、计量故障、用电故障、费控故障、配变故障和台区线损异常。3.根据权利要求2所述的适用于低压台区的故障智能诊断方法，其特征在于：所述步骤一中，与各个所述故障类型关联的异常特征状态的对应关系包括：(a)与所述采集故障关联的异常特征状态，包括：终端离线、集中器下电表全无数据、采集器下电表全无数据、电能表持续多天无抄表数据；(b)与所述计量故障关联的异常特征状态，包括：电能表飞走或突变、电能表倒走、电表示值停走、电能表时钟超差、电能表开盖、电能表开钮盖、电能表零电压、电能表电池欠压；(c)与所述用电故障关联的异常特征状态，包括：电压缺相、电流失流、零序电流异常、电压断相、电流三相不平衡、电压三相不平衡、功率因数异常、过载；(d)与所述费控故障关联的异常特征状态，包括：载波超时、任务下发失败、认证失败、终端响应超时、否认报文、任务超时、下发超次数或超时、上行报文错误、电表档案错误、任务下发失败、任务环境异常；(e)与所述配变故障关联的异常特征状态，包括：电流三相不平衡、a/b/c相电流失流、a/b/c相过载、a/b/c相电压断相、a/b/c相电压失压、电压三相不平衡、功率因数异常、低电压、台区负载率>80％、a/b/c相重载、a/b/c相轻载、空载；(f)与所述台区线损异常关联的异常特征状态，包括：采集运维管理类状态、台区计量管理类状态、台区诊断分析类状态和高损异常类状态；其中，所述采集运维管理类状态包括：连续超过三天采集失败、表计时钟错误、电能表飞走和突变、失压、失流、断相、过载；所述台区计量管理类状态包括：总表未覆盖、倍率异常、参考表异常、计量点级别异常；所述台
区诊断分析类状态包括：台区三相不平衡、台区功率因数监测、反向有功大于0、电能表示值停走、电流反向、电能表开盖、电压越下限、零电压、零火线超差；所述高损异常类状态包括：月连续高损、日连续高损、月线损合格日线损不合格、不可监测台区分析。4.根据权利要求3所述的适用于低压台区的故障智能诊断方法，其特征在于：所述步骤二中，所述故障感知模型的构建方法如下：(
ⅰ
)根据各个故障类型关联的故障标签，对低压台区中各个故障类型的异常特征状态进行特征值提取，并基于故障标签形成完整的故障画像；(
ⅱ
)对上步骤中的各类故障标签进行人工类别区分和层级关系建立，并设计各故障类型中不同故障标签的权重，定义故障标签与故障类型的计算公式，形成训练数据集的预测模型；(
ⅲ
)实时采集与低压台区出现的各个所述故障类型关联的异常特征状态的特征数据，将该特征数据作为训练数据集；结合预测模型和人工核验对训练数据集进行初步预测；(
ⅳ
)使用高斯核函数作为所述故障感知模型的核函数，采用一对多的多标签故障诊断算法，并以所述训练数据集中的特征数据为输入样本，以所述采集故障、计量故障、用电故障、费控故障、配变故障和台区线损异常为输出的故障类型；针对六种故障类型构造六个支持向量机分类器；利用六个所述支持向量机分类器构成所需的故障感知模型；(
ⅴ
)设置训练过程的超参数，获取经所述预测模型和人工核验综合判断得到的初步预测结果，并利用所述训练数据集对构建的所述故障感知模型进行训练，将所述初步预测结果与所述故障感知模型输出的预测结果进行比较，进而计算出所述故障感知模型的最小误差；直到达到训练阶段对最小误差的要求，完成所述故障感知模型的训练过程。5.根据权利要求4所述的适用于低压台区的故障智能诊断方法，其特征在于：所述故障诊断模型是一个已完成训练的三层神经网络，包括输入层、隐含层和输出层；所述输入层的神经元数量与各个所述故障类型关联的故障标签的数量相对应，输入的特征数据为各个故障标签的特征值；所述隐含层采用relu激活函数；所述输出层的神经元数量等于各个所述故障类型关联的原因的数量，且所述输出层得到所述故障类型关联的各个原因的概率，并以各个原因中概率最大的原因作为输出的诊断结果。6.根据权利要求5所述的适用于低压台区的故障智能诊断方法，其特征在于，所述步骤三中，故障标签的生成与赋值过程如下：判断相应的采集的所述特征量是否处于异常区间内，是则生成一个与当前特征量关联的故障标签；然后对当前特征量的检测值进行归一化处理，将归一化处理的结果赋值给所述故障标签，作为所述故障标签的特征值。7.根据权利要求6所述的适用于低压台区的故障智能诊断方法，其特征在于：所述故障智能诊断方法还包括：步骤六：根据判定的故障以及诊断出的故障原因，查询一个由专家经验建立的“故障与解决方案对照表”，得到当前故障的解决方案，并将所述解决方案发送给相应的运维人员；其中，所述“故障与解决方案对照表”中建立有不同原因引起的故障类型与相应的故障解决方案之间的映射关系。8.一种适用于低压台区的运维系统，其特征在于，所述运维系统采用如权利要求1
‑
7任意一项所述的适用于低压台区的故障智能诊断方法，实现对低压台区的实时监测、故障感知和故障原因诊断的过程，并将相应的运维需求和解决方案派单到对应的负责人员进行处
理；所述运维系统包括：特征采集模块，其用于采集与低压台区可能出现的故障关联的所有特征量的值；故障标签生成模块，其用于判断所述特征采集模块采集到的各个特征量的值是否处于异常区间，并针对处于异常区间的特征量生成一个故障标签，对相应的特征量的特征值进行归一化处理，赋值给所述故障标签；故障感知模块，其用于根据所述特征采集模块采集到的各个特征量的值，判断出当前低压台区是否存在故障；所述故障感知模型判断出的故障类型包括采集故障、计量故障、用电故障、费控故障、配变故障和台区线损异常；故障诊断模块；其用于在故障诊断模块判断出当前低压台区存在故障时，获取当前故障对应的所述故障标签的值，并根据故障标签的特征值分析得出当前出现的故障对应的故障发生原因；解决方案查询模块；其用于获取所述故障感知模块得出的故障以及所述故障诊断模块得出的所述故障发生原因；并查询一个根据专家经验建立的“故障与解决方案对照表”，得到当前故障的解决方案；以及运维需求派单模块；其用于获取所述解决方案查询模型得到的当前故障的解决方案；并查询一个“运维人员责任表”，得到当前故障对应的运维人员，将当前故障对应的解决方案发送到当前故障对应的运维人员。9.根据权利要求8所述的适用于低压台区的运维系统，其特征在于，所述故障诊断模块中包括采集故障子模型、计量故障子模型、用电故障子模型、费控故障子模型、配变故障子模型和台区线损异常子模型；所述故障诊断模型在获取到所述故障感知模型判断出的故障预测结果时，分别调用相应的子模型完成对不同故障类型对应的故障发生原因的分析过程。10.根据权利要求8所述的适用于低压台区的运维系统，其特征在于，所述“运维人员责任表”是根据低压台区管理现状建立的负责人员的责任分类表；所述“运维人员责任表”中建立有不同的故障类型和故障发生原因与各个运维人员之间的对应关系；且所述“运维人员责任表”中的内容根据当前低压台区的管理现状进行实时更新。
技术总结
本发明涉及电力系统领域，特别涉及一种适用于低压台区的故障智能诊断方法及其运维系统。该故障智能诊断方法包括如下步骤：步骤一：确定低压台区出现的各个故障类型，以及与各个故障类型关联的多个特征量；并将各个特征量反映的异常特征状态定义为故障标签；步骤二：构建故障感知模型和故障诊断模型；步骤三：实时采集低压台区的特征数据并生成相应的故障标签；步骤四：将特征数据输入到故障感知模型中，判断当前低压台区是否存在故障；步骤五：将生成的故障标签的特征值输入到故障诊断模型中，诊断出引起当前低压台区故障的原因。本发明解决了现有低压台区的运行监测诊断和运维依赖人工，且电力管理的运维系统自动化不足的问题。题。题。
技术研发人员：何义赟 马俊 樊华 孟元 周云鹤 朱林超 郝井勋 吕霞西 朱雪峰 周浩
受保护的技术使用者：安徽南瑞中天电力电子有限公司
技术研发日：2021.06.23
技术公布日：2021/9/17