[发明专利]用电计量设备故障分析方法及装置

权利要求书

1.一种用电计量设备故障分析方法，其特征在于，包括：

获得与用电计量设备故障相关的源数据；

对所述源数据进行数据清洗；

对数据清洗后的所述源数据进行特征项选取；

将选取的特征项制成样本数据，样本数据包括训练数据、测试数据和预测数据；

将训练数据和测试数据加载至基于Xgboost算法建立的机器学习的模型，对模型进行训练与测试；

将预测数据加载至训练好的模型，获得用电计量设备故障分析结果。

2.如权利要求1所述的方法，其特征在于，所述源数据包括以下数据其中之一或任意组合：用户档案数据，电表档案数据，电表计量的电流数据，电表计量的电压数据，电表计量的负荷数据，相关故障事件数据。

3.如权利要求1所述的方法，其特征在于，对所述源数据进行数据清洗，包括对所述源数据进行如下任意一项或多项处理：错误值处理，缺失值处理，数据去重处理。

4.如权利要求2所述的方法，其特征在于，对数据清洗后的所述源数据进行特征项选取，包括：

对数据清洗后的所述源数据选取：从用户档案数据和电表档案数据提取的特征项，根据电表计量的电流数据、电压数据和负荷数据计算的特征项，通过加载相关故障事件数据获得的特征项。

5.如权利要求4所述的方法，其特征在于，所述从用户档案数据和电表档案数据提取的特征项，包括：电表接线方式、用户行业类型及计量方式其中之一或任意组合；

所述根据电表计量的电流数据、电压数据和负荷数据计算的特征项，包括：电流电压相关性、电流功率相关性及日电量的趋势其中之一或任意组合；

所述通过加载相关故障事件数据获得的特征项，包括：用电计量设备的故障事件状态。

6.如权利要求1所述的方法，其特征在于，所述训练数据包括故障特征数据和故障结果数据。

7.如权利要求1至6任一项所述的方法，其特征在于，加载训练数据和测试数据前，进一步包括：将Xgboost算法的参数设置为以下参数：

分类器每次迭代的模型为：基于树的模型；

需要被最小化的损失函数为：二分类的逻辑回归；

有效数据的度量方法为：auc曲线下面积；

权重的L2正则化项为：50；

学习效率为：0.2。

8.如权利要求1所述的方法，其特征在于，进一步包括：

根据训练和测试效果，通过修改数据的特征项和模型参数对模型进行优化。

9.如权利要求1所述的方法，其特征在于，所述将预测数据加载至训练好的模型，获得用电计量设备故障分析结果，包括：

将预测数据加载至训练好的模型，获得用电计量设备故障的概率。

10.一种用电计量设备故障分析装置，其特征在于，包括：

数据获得模块，用于获得与用电计量设备故障相关的源数据；

数据处理模块，用于对所述源数据进行数据清洗；对数据清洗后的所述源数据进行特征项选取；将选取的特征项制成样本数据，样本数据包括训练数据、测试数据和预测数据；

训练与测试模块，用于将训练数据和测试数据加载至基于Xgboost算法建立的机器学习的模型，对模型进行训练与测试；

故障分析模块，用于将预测数据加载至训练好的模型，获得用电计量设备故障分析结果。

11.如权利要求10所述的装置，其特征在于，所述源数据包括以下数据其中之一或任意组合：用户档案数据，电表档案数据，电表计量的电流数据，电表计量的电压数据，电表计量的负荷数据，相关故障事件数据。

12.如权利要求10所述的装置，其特征在于，所述数据处理模块进一步用于对所述源数据进行如下任意一项或多项数据清洗：错误值处理，缺失值处理，数据去重处理。

13.如权利要求11所述的装置，其特征在于，所述数据处理模块进一步用于：

对数据清洗后的所述源数据选取：从用户档案数据和电表档案数据提取的特征项，根据电表计量的电流数据、电压数据和负荷数据计算的特征项，通过加载相关故障事件数据获得的特征项。