[发明专利]一种基于大数据模型对智能电表故障异常辨识分析的方法

权利要求书

1.一种基于大数据模型对智能电表故障异常辨识分析的方法，其特征在于：采用如下步骤：

步骤一、数据准备：从SG186系统中收集拆回分拣表的数据；

步骤二、数据预处理：将准备的数据加工处理成智能电表计量异常分析模型能够使用的数据；

步骤三、建模分析：使用智能电表故障辨识模型对步骤二中的预处理数据进行分析，判断智能电表是否故障。

2.根据权利要求1所述的一种基于大数据模型对智能电表故障异常辨识分析的方法，其特征在于：在步骤三中,设R是智能电表故障数据库的历史数据,将R的60％数据分给训练集S，S的40％数据分给测试集T，将S分成n个子集S1，S2，…，Sn，其中n为S中属性X的个数，设训练集S的熵为info(S)。

3.根据权利要求2所述的一种基于大数据模型对智能电表故障异常辨识分析的方法，其特征在于：所述式中|S|为S中的样本总数，

freq(Ci,S)中的C为(i＝1,2,3...,N)的样本个数,N为决策性总的类别数。

4.根据权利要求3所述的一种基于大数据模型对智能电表故障异常辨识分析的方法，其特征在于：将训练集S根据属性X分成n个子集后，计算各个子集的信息熵,公式为式中info_x(S)为属性X的信息熵，

S_i属于类别C_i(i＝1,2...m)样本的总数，m为属性X的类别数。

5.根据权利要求4所述的一种基于大数据模型对智能电表故障异常辨识分析的方法，其特征在于：属性X的信息増益率gain_ratio(X)为

式中：gain(X)为增益标准，

gain(X)＝info(S)-info_x(S_i)，

split_info(X)为属性X潜在信息，

将信息增益率最大的属性作为根节点开始建立决策树，剩下的属性继续按照信息增益率最大的方法递归计算，直到生成整个决策树，形成初步预测规则。

6.根据权利要求1所述的一种基于大数据模型对智能电表故障异常辨识分析的方法，其特征在于：步骤二中智能电表计量异常分析模型根据电表总电量与各费率电量之和不等的故障数据筛选，采用判断电表总电量与各费率电量之和不等的故障，公式为：

W为有功电量；+为电量的方向为正向；-为电量的方向为反向；W₊₁为正向总电量；W_-1为反向总电量。

7.根据权利要求6所述的一种基于大数据模型对智能电表故障异常辨识分析的方法，其特征在于：公式中：

i＝1为总时段,

i＝2为高峰时段,

i＝3为平时段，

i＝4为低谷时段，

i＝5为尖峰时段，

e为电表费率数，

P为总电量与各费率电量之和不等的判断因子；

当e＝4时，表示电表为四费率电表，取p＝0.4；

当e＝3时，表示电表为三率电表，取P＝0.3；当e＝2时，表示电表为二费率电表，取p＝0.2。

8.根据权利要求7所述的一种基于大数据模型对智能电表故障异常辨识分析的方法，其特征在于：所述四费率电表为指支持高峰时段、平时段、低谷时段、尖峰时段4个时段计费的电表；

三费率电表为支持高峰时段、平时段、低谷时段3个时段计费的电表；二费率电表为支持平时段、低谷时段2个时段计费的电表。

9.根据权利要求6所述的一种基于大数据模型对智能电表故障异常辨识分析的方法，其特征在于：根据智能电表异常分析模型把智能电表数据库中发生计量故障的智能电表筛选出来。

10.根据权利要求5所述的一种基于大数据模型对智能电表故障异常辨识分析的方法，其特征在于：根据智能电表的故障辨识模型与计量异常分析模型对数据进行预测分析比较，同时判断异常数据则判断出智能电表出现故障；如任意一个模型判定正常而另一个模型判定异常则需返回训练集重新预测和分析，5次返回训练结果超过3次数据不一致，则判定智能电表故障。