[发明专利]一种基于拆回表运行特征的在运电能表批次故障诊断方法

说明书

本发明公开了一种基于拆回表运行特征的在运电能表批次故障诊断方法，属于电能表故障诊断领域，其包括以下步骤：S1：使用数据清洗方法对拆回电能表分拣数据和采集异常数据进行缺失值、异常值处理；S2：将处理后的数据输入LASSO回归模型进行自动化学习，提取拆回电能表批次故障率的规律特征，构建故障诊断模型；S3：使用故障诊断模型，诊断在运电能表的批次故障率。本发明能够通过拆回表的批次故障率对在运电能表批次故障进行诊断，且诊断准确性高。

技术领域

本发明涉及电能表故障诊断领域，具体是一种基于拆回表运行特征的在运电能表批次故障诊断方法。

背景技术

电能表是电力行业最基础的计量设备，它的质量情况对于电力企业的生产经营有重要影响。随着“物联网”技术同计量技术的融合应用和国网“大营销”体系建设的实施，网省公司积累的拆回表分拣数据和采集异常(运行特征)数据为建立故障诊断模型打下了数据基础。可以利用前期积累的数据，应用机器学习技术，挖掘拆回表的批次故障率随采集异常(运行特征)数据变化规律。进而利用挖掘到的规律诊断在运电能表的批次故障率，然而现有技术中并没有这种方法。

公布号为CN 107529652 A的专利文献公开了一种拆回电能表的故障现象相关性分析方法，包括以下步骤：1)根据拆回故障电能表的故障类别、故障数量，对电能表进行区分，将电能表分为单一故障类型、复合故障类型两类(2)通过排查，排除由于用户或人工安装问题造成的电能表故障；(3)针对排查之后的电能表，将其按照不同批次分为不同单元，并对每一个单元的电能表分别计算其故障发生相关系数；(4)对于相关系数超过0.4的相关故障，进一步分析该相关故障对应的电能表的故障发生时间，判断该相关故障是否属于本批次的电能表相关故障。采用本发明的分析方法能够准确、合理的评价电能表故障的相关性，从而提高了电能表资产的可靠性，并对电能表相关故障处理量做出了合理的相关预估计。但是，该方法用于拆回表的故障相关性分析，不能解决上述技术问题。

公布号为CN 110781206 A的专利文献公开了一种学习拆回表故障特征规则预测在运电能表是否故障的方法，使用XGBoost模型学习拆回分拣结果和电能表的历史运行事件的数据中电能表故障与否的规则，利用学习到的规则预测在运表是否故障。其具体包括如下步骤：步骤一、数据采集：采集拆回分拣表的数据；步骤二、数据预处理：将采集到的数据加工处理成模型能够使用的数据；步骤三、建模分析：使用XGBoost模型对步骤二中的预处理数据进行分析，学习如何判断电能表是否故障的规则；步骤四、数据结果落地：利用学习到的规则，使用步骤二加工好的在运电能表数据，判断出在运电能表是否故障。该发明可降低在运电能表批量故障集中爆发风险且工作效率高。但是，该发明预测在运电能表故障率的准确度偏低。

发明内容

有鉴于此，本发明针对现有技术的不足，提供的一种能够通过拆回表的批次故障率对在运电能表批次故障进行准确诊断的基于拆回表运行特征的在运电能表批次故障诊断方法。

为解决上述技术问题，本发明所采取的技术方案是：

一种基于拆回表运行特征的在运电能表批次故障诊断方法，包括以下步骤：

S1：使用数据清洗方法对拆回电能表分拣数据和采集异常数据进行缺失值、异常值处理；

S2：将处理后的数据输入LASSO回归模型进行自动化学习，提取拆回电能表批次故障率的规律特征，构建故障诊断模型；

S3：使用故障诊断模型，诊断在运电能表的批次故障率。