[发明专利]用电计量设备故障分析方法及装置

说明书

技术领域

本发明涉及电力计量技术领域，尤其涉及用电计量设备故障分析方法及装置。

背景技术

近几年来，随着社会的发展，人民的生活和社会的生产对电力的需求不断增大，用电计量设备计量的电力数据也呈爆发式增长。用户数多、计量数据量大的这种现状对电力系统的计量工作是一个大的挑战。另一方面，全国范围内，在数亿只电表运行过程中存在很多有故障的电表。这些电表的故障种类多，最终会影响到计量数据，导致损害用户或供电企业的切身利益。所以保证用电计量设备安全可靠运行，能够精准地计量用户的用电数据就成为了电力系统中的重要工作之一。在用电计量设备开展工作的过程中，如果能实时地发现故障计量数据，并加以分析，就可以及时得出用电计量设备的故障类型和故障原因，这样就可以最大程度减少因计量故障对用户和供电企业造成的损失。近年来，国家电力体制不断深化，用户对服务的要求越来越高，电力市场的竞争也愈加激烈，这种形势下，电力系统迫切需求依靠信息化技术手段为用户提供精准服务。如何通过采集的海量数据及时地判断各类故障，提前发现用电计量设备故障，及早完成现场处置，已成为电力系统的迫切需求。

为深化用电信息采集数据应用，增强营销业务辅助决策手段，支撑用电计量设备运维管理，研究人员也一直在做相关工作和努力。当前，最常用的技术是电力系统建立的基于用电信息采集系统主站的计量在线监测与智能诊断分析模型。该技术主要是电力专家根据经验和业务知识做的各种故障的判定规则，其判定方法基本是阈值法，即通过判定规则算出的数值是否超过了某个阈值，若超过，则判定为异常。此方法虽然在一定程度上可以发现一些计量异常，但是通过现场核实，存在较大的误差。该方法中的阈值是一个范围，如何将阈值定为一个最合适的值需要不断的现场验证，每调节一个阈值就需要核实一次，这就需要大量的人力资源做支撑，时间、效率都没有很好的保证。

发明内容

本发明实施例提供一种用电计量设备故障分析方法，用以提高用电计量设备故障分析的准确性，并降低人力资源成本、提高效率，该方法包括：

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。

本发明实施例还提供一种用电计量设备故障分析装置，用以提高用电计量设备故障分析的准确性，并降低人力资源成本、提高效率，该装置包括：

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。

本发明实施例还提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述用电计量设备故障分析方法。

本发明实施例还提供一种计算机可读存储介质，所述计算机可读存储介质存储有执行上述用电计量设备故障分析方法的计算机程序。

本发明实施例中，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，可以提高用电计量设备故障分析的准确性；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，由于采用了 Xgboost算法建立的机器学习的模型，因此可以提高用电计量设备故障分析的效率和准确性，降低人力资源成本。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：