[发明专利]一种具有归纳学习的用电信息采集故障诊断方法及系统

说明书

本发明公开了一种具有归纳学习的用电信息采集故障诊断方法及系统，此系统是在模糊综合诊断的基础上通过权重系数将五种不同评判模型的诊断结果综合在一起，让用电信息采集故障诊断结果更加准确。同时本发明通过模拟基于大数据时代的人类认知学习过程来对权重系数进行确定以及不断的反馈修改，从而使这种新型用电信息采集故障诊断系统具有归纳学习能力。另外，本发明还使用了一种新型的确定隶属矩阵的确定方法，在集值统计的基础上采取用电信息采集系统存储的多维用电异常量来综合确定隶属矩阵。让其既具有专家评判的主观因素又具有客观存在事实部分，从而使隶属矩阵更为科学准确。

技术领域

本发明涉及一种故障异常分析系统，具体涉及一种对电网中用电信息采集系统出现的异常现象进行分析诊断系统。

背景技术

目前用电信息采集系统建设基本建全，累计接入智能电能表4.2亿只、采集终端1263.84万台，覆盖用户3.86亿户，但是，如何保证采集系统中各项业务的顺利开展，是目前用电信息采集系统要解决的主要问题。其中主要存在一个突出问题：故障种类复杂多样，故障诊断定位困难。用电信息采集系统涉及的运维目标有：智能电能表、采集终端、采集主站、通信信道。目前统计的异常现象共七大类59种，故障原因98种。故障诊断定位非常困难，因此对异常现象的智能处理显得尤为重要。

故障分析定位主要采用普通的技术人员进行定位故障原因的方法，然而这种方法由于普通的技术人员通常不具备定位故障的技术，通常故障分析定位的准确度差且时效性不好同时也增加了工作强度，并没充分利用已建好的用电信息采集系统中的大数据。

名词解释：

故障异常多维数据指标：当用电信信息采集系统发生故障时，往往伴随着多个采集参数发生异常以及出现多种异常情况，将这些数据指标统称为故障异常多维数据指标。

隶属度最大原则：最大隶属原则是模糊数学的基本原则之一，它是用模糊集理论进行模型识别的一种直接方法，对于n个实际模型，可以表示为论域X上的n个模糊子集A₁，A₂，…，An，x₀∈X为一具体识别对象，如果有i₀≤n，使A_i0(x₀)＝max(A₁(x₀)，A₂(x₀)，…，A_n(x₀))，则称x₀相对隶属于A_i0。

发明内容

针对现有技术存在的不足，本发明目的是提供一种利用多维数据对用电信息采集系统故障原因模糊综合分析同时具有学习能力的系统，使得用电信息采集系统发生异常时不需要人工评估确认，减小了工作强度，提高了工作效率，同时避免了因人员技术不足导致判断错误，能够确保故障定位的准确性以及时效性。

为了实现上述目的，本新型发明是通过如下的技术方案来实现：

一种具有归纳学习的用电信息采集故障诊断方法，其特征在于，包括如下步骤：

步骤一、根据用电信息采集系统历史故障异常多维数据指标确立故障异常指标矩阵A＝|a₁,a₂,…a_n|，n＝59，a_n表示第n中故障异常指标；

步骤二、建立异常现象与故障原因相对应的隶属度矩阵m＝98；r_nm表示第n中异常现象与第m种故障原因之间的隶属度；

所述隶属度矩阵R通过如下式建立：