一种电能表故障影响因素定位方法以及系统

技术领域

本发明涉及一种电能表故障影响因素定位方法以及系统，属于电能表故障处理技术领域。

背景技术

近年来，智能电能表在电网中担当着非常重要的角色，有着不可代替的地位，其安装覆盖面广，自动化程度高，性能与质量直接影响电能交易的公平公正及以客户为中心的优质服务水平。长期以来，电能表质量参差不齐，对智能电能表的故障影响因素缺乏有效分析手段，对智能电能表的故障分析模型缺乏系统研究，因此，智能电能表故障影响因素及分析模型研究意义重大。通过智能电能表进行故障分析与诊断，找出电表薄弱环节与缺陷，能够为电表的维修和检修提供指导。

进一步，中国专利(公开号：CN111581248A)提供一种确定智能电能表典型故障主要影响因素的方法和系统。所述方法和系统通过采集智能电能表全寿命周期的信息，确定智能电能表典型故障，获取典型故障主要影响因素分析的样本，再基于标准差值算法，对分析样本进行多个维度故障离散系数计算，并通过引导机制，依次选取故障系数最高的维度中，故障率最高的典型因子包括的智能电能表作为分析样本，递进计算分析样本在剩余维度的故障一离散系数，直至满足分析结束条件，并生成分析结论。所述方法和系统覆盖了电能表全寿命周期的故障及关联信息，整个分析过程无需人工介入，节约了大量的人力资源，而且利用大数据分析平台，可快速、全面、精确定位典型故障主要影响因素，操作简单实用。

上述方案利用大数据分析方法，并基于标准差值算法，对分析样本进行多个维度故障离散系数计算，从而筛选出对智能电能表典型故障产生主要影响的因素，其方法的精准度，依赖于离散系数的准确取值，随着时间的推移，需增减信息，会导致离散系数无法适用，需及时更新模型系数，因此上述方案存在模型灵活性差、不易更改、诊断效率低、准确度差的缺点。

发明内容

针对现有技术的缺陷，本发明的目的一在于提供一种通过构建数据汇总模型、故障分析模型、故障关联关系计算模型，对电能表故障现象、元器件类型、研发方案版本等因素的事件关系进行分析，计算出影响因素之间的提升度，得出故障电能表的主要影响因素，进而可以统计出批次电能表的故障影响因素，便于快速定位故障原因，提高分析效率的电能表故障影响因素定位方法。

本发明的目的二在于提供一种通过设置数据汇总模块、故障分析模块、故障关联关系计算模块，对电能表故障现象、元器件类型、研发方案版本等因素的事件关系进行分析，计算出影响因素之间的提升度，得出故障电能表的主要影响因素，进而可以统计出批次电能表的故障影响因素，便于快速定位故障原因，提高分析效率的电能表故障影响因素定位系统。

本发明的目的三在于提供一种通过计算影响因素之间的提升度，根据提升度和事件关系，统计批次电能表的故障影响因素，不需要设置以及更新模型系数，灵活性好、便于根据数据信息及时更改模型，诊断效率高，准确度好的电能表故障影响因素定位方法以及系统。

本发明的目的四在于提供一种可以指导生产企业对故障问题进行解决，并在后续生产过程中规避隐患，从而能够帮助生产企业提高故障分析效率，及时排查故障原因，为后续优化设计方案、生产工艺和生产流程提供帮助，提高电能表生产质量的电能表故障影响因素定位方法以及系统。

为实现上述目的之一，本发明的第一种技术方案为：

一种电能表故障影响因素定位方法，

包括以下步骤：

第一步，通过预先构建的数据汇总模型，获取电能表拆回分拣数据和生产企业的电能表生产数据；

第二步，根据预先构建的故障分析模型对第一步中的电能表拆回分拣数据和电能表生产数据进行分析，提取多个特征值指标；

所述多个特征值指标至少包括故障现象和元器件类型或/和研发方案版本；

第三步，根据预先构建的故障关联关系计算模型对第二步中的多个特征值指标进行计算，得到特征值指标之间的关联提升度；

第四步，判断第三步中的关联提升度是否大于特定阈值；

当关联提升度大于特定阈值时，表明故障现象和元器件类型或/和研发方案版本存在事件关系关联，并得出故障现象的影响因素是元器件类型或/和研发方案版本，完成电能表故障影响因素的定位；

当关联提升度小于特定阈值时，执行第一步。

本发明经过不断探索以及试验，通过构建数据汇总模型、故障分析模型、故障关联关系计算模型，对电能表故障现象、元器件类型、研发方案版本等因素的事件关系进行分析，计算出影响因素之间的提升度，得出故障电能表的主要影响因素，进而可以统计出批次电能表的故障影响因素，便于快速定位故障原因，提高分析效率。

进一步，本发明通过计算影响因素之间的提升度，根据提升度和事件关系，统计批次电能表的故障影响因素，不需要设置以及更新模型系数，灵活性好、便于根据数据信息及时更改模型，诊断效率高，准确度好。

再进一步，本发明可以指导生产企业对故障问题进行解决，并在后续生产过程中规避隐患，从而能够帮助生产企业提高故障分析效率，及时排查故障原因，为后续优化设计方案、生产工艺和生产流程提供帮助，提高电能表生产质量。

作为优选技术措施：

所述第一步中，构建数据汇总模型的方法如下：

汇聚电力公司的电能表拆回分拣数据和生产企业生产电能表所需要的电能表生产数据；

通过电能表资产编号将电能表拆回分拣数据数据、电能表生产数据进行关联，完成数据汇总。

作为优选技术措施：

所述第二步中，构建故障分析模型的方法如下：

对电能表拆回分拣数据进行分析，得到故障现象；

对电能表生产数据进行分析，得到元器件类型和研发方案版本，实现故障分析模型的构建。

作为优选技术措施：

故障现象包括外观损坏或/和接线端子损坏或/和烧表或/和按键损坏或/和显示故障或/和误差超差或/和潜动或/和不起动或/和停走或/和组合误差超差或/和时段转换错误或/和闰年转换错误或/和示值不准或/和表底自动清零或/和存储电量丢失或/和电量数据突变或/和计度器组合误差超差或/和显示单元故障或/和计量芯片损坏或/和继电器损坏或/和仪用互感器损坏或/和电容损坏或/和红外通信失败或/和485接口损坏或/和232接口损坏或/和脉冲接口损坏或/和载波模块损坏或/和无线模块损坏或/和485通信失败或/和模块类通信失败或/和时钟芯片损坏或/和认证失败或/和晶振损坏或/和电池没电或/和黑屏或/和电池欠压或/和虚焊或/和表内存在异物或/和线路板不洁净或/和焊点短路或/和电费扣减异常或/和死机或/和时钟错误或/和未设置启动功率阀值或/和通信规约一致性或/和事件记录异常或/和充值失败或/和控制回路异常；

元器件类型包括负荷开关或/和液晶显示器或/和微控制器或/和片式电容器或/和电流互感器或/和计量芯片或/和光电耦合器或/和RS-485芯片或/和负荷开关或/和时钟芯片或/和电池或晶体谐振器；

研发方案版本根据生产企业内部的研发方案软件或/和硬件版本进行确定。

作为优选技术措施：

所述第三步中，故障关联关系计算模型包括关联规则计算单元和贝叶斯网络事件关系分析单元或/和垂直随机森林单元；

关联规则计算单元，通过关联规则学习算法，计算故障现象与故障现象之间、故障现象与元器件型号之间，故障现象与研发方案版本之间的条件概率和提升度；

贝叶斯网络事件关系分析单元，采用贝叶斯网络进行故障现象和元器件型号，或故障现象和研发方案版本之间的事件关系推理；贝叶斯网络是一种不定性事件关系关联模型，能够在已知有限的、不完整、不确定信息的条件下进行学习和推理；

垂直随机森林单元，使用决策树的方式，对数据进行自动细分，其基于决策树的树型图结构特性，将每一条路径下的数据细分为一个组合；

数据经过树的某条路径到达某个叶子节点；每个叶子节点都有一个判断条件，满足条件会指定数据属于哪个叶子节点；

叶子节点代表模型的输出节点；叶子节点y＝True的占比代表模型输出概率；

所有到达同一叶子节点的数据都会有同样的概率估计，即同样的垂直分数，其被分为一组；

对随机森林所有决策树的叶子节点计算提升度，得到分组后的整体提升度。

作为优选技术措施：

关联规则计算单元的计算方法如下：

步骤11，利用枚举方式并根据分组条件进行分组，得到若干分组信息；

步骤12，对步骤11中的若干分组信息进行计算，得到若干提升度；

所述枚举方式为故障现象/元器件/研发方案的不同组合；

所述分组条件为误差超差‘0’或电池欠压‘1’；

步骤13，对步骤12中的若干提升度计算提升度均值，得到特征值指标之间的关联提升度。

作为优选技术措施：

贝叶斯网络事件关系分析单元的构建方法如下：

步骤21，利用枚举方式并根据分组条件进行分组，得到若干分组信息；

步骤22，对步骤21中的若干分组信息进行计算，得到各分组信息发生概率的垂直分数，以及各分组信息的提升度；

步骤23，根据步骤22中的垂直分数，将垂直分数接近的组合划为一个区间；

步骤24，根据步骤23中的区间，计算该区间内的若干提升度的均值，得到特征值指标之间的关联提升度。

作为优选技术措施：

所述垂直分数，用于衡量故障组合相似性，表示某故障组合下，发生故障y的概率；对于条件为z的事件关系y->x，垂直分数的计算公式为p(y|z)。

作为优选技术措施：

垂直随机森林单元的构建方法如下：

步骤31，以决策树的方式，对数据进行细分，得到各叶子节点组合数据；

所述决策树为一种树型图结构，数据经过树的某条路径到达某个叶子节点；

步骤32，从步骤31中的各叶子节点组合数据中，随机取一定比例的数据，形成随机森林N颗树，计算N棵树所有叶子节点组合数据的提升度，其计算公式如下：

f(z)＝y；

f(z)为估计某组合条件下，y发生的概率；

步骤33，计算步骤32中的所有叶子节点组合数据提升度的均值。

为实现上述目的之一，本发明的第二种技术方案为：

一种电能表故障影响因素定位系统，采用上述的一种电能表故障影响因素定位方法；

其包括数据汇总模块、故障分析模块、故障关联关系计算模块；

数据汇总模块，用于获取电能表拆回分拣数据和生产企业的电能表生产数据；

故障分析模块，用于对能表拆回分拣数据和电能表生产数据进行分析，提取多个特征值指标；

故障关联关系计算模块，用于对多个特征值指标进行计算，得到特征值指标之间的关联提升度；

当关联提升度大于特定阈值时，表明多个特征值指标存在事件关系关联，并得出故障现象的影响因素，完成电能表故障影响因素的定位。

本发明经过不断探索以及试验，通过设置数据汇总模块、故障分析模块、故障关联关系计算模块，对电能表故障现象、元器件类型、研发方案版本等因素的事件关系进行分析，计算出影响因素之间的提升度，得出故障电能表的主要影响因素，进而可以统计出批次电能表的故障影响因素，便于快速定位故障原因，提高分析效率。

进一步，本发明通过计算影响因素之间的提升度，根据提升度和事件关系，统计批次电能表的故障影响因素，不需要设置以及更新模型系数，灵活性好、便于根据数据信息及时更改模型，诊断效率高，准确度好。

再进一步，本发明可以指导生产企业对故障问题进行解决，并在后续生产过程中规避隐患，从而能够帮助生产企业提高故障分析效率，及时排查故障原因，为后续优化设计方案、生产工艺和生产流程提供帮助，提高电能表生产质量。

与现有技术相比，本发明具有以下有益效果：

本发明经过不断探索以及试验，通过构建数据汇总模型、故障分析模型、故障关联关系计算模型，对电能表故障现象、元器件类型、研发方案版本等因素的事件关系进行分析，计算出影响因素之间的提升度，得出故障电能表的主要影响因素，进而可以统计出批次电能表的故障影响因素，便于快速定位故障原因，提高分析效率。

本发明经过不断探索以及试验，通过设置数据汇总模块、故障分析模块、故障关联关系计算模块，对电能表故障现象、元器件类型、研发方案版本等因素的事件关系进行分析，计算出影响因素之间的提升度，得出故障电能表的主要影响因素，进而可以统计出批次电能表的故障影响因素，便于快速定位故障原因，提高分析效率。

进一步，本发明通过计算影响因素之间的提升度，根据提升度和事件关系，统计批次电能表的故障影响因素，不需要设置以及更新模型系数，灵活性好、便于根据数据信息及时更改模型，诊断效率高，准确度好。

再进一步，本发明可以指导生产企业对故障问题进行解决，并在后续生产过程中规避隐患，从而能够帮助生产企业提高故障分析效率，及时排查故障原因，为后续优化设计方案、生产工艺和生产流程提供帮助，提高电能表生产质量。

附图说明

图1为本发明电能表故障影响因素定位方法的一种流程图；

图2为本发明电能表故障影响因素定位方法的另一种流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解，在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本发明。

如图1所示，本发明电能表故障影响因素定位方法的一种具体实施例：

一种电能表故障影响因素定位方法，包括以下步骤：

第一步，通过预先构建的数据汇总模型，获取电能表拆回分拣数据和生产企业的电能表生产数据；

第二步，根据预先构建的故障分析模型对第一步中的电能表拆回分拣数据和电能表生产数据进行分析，提取多个特征值指标；

所述多个特征值指标至少包括故障现象和元器件类型或/和研发方案版本；

第三步，根据预先构建的故障关联关系计算模型对第二步中的多个特征值指标进行计算，得到特征值指标之间的关联提升度；

第四步，判断第三步中的关联提升度是否大于特定阈值；

当关联提升度大于特定阈值时，表明故障现象和元器件类型或/和研发方案版本存在事件关系关联，并得出故障现象的影响因素是元器件类型或/和研发方案版本，完成电能表故障影响因素的定位；

当关联提升度小于特定阈值时，执行第一步。

如图2所示，本发明电能表故障影响因素定位方法的一种具体实施例：

一种电能表故障影响因素定位方法，首先基于电力公司的电能表分拣故障数据和生产企业的电能表生产数据进行建模分析，提取故障现象、元器件类型、研发方案版本三类特征值指标，根据大数据关联规则计算、贝叶斯网络、垂直随机森林三种算法分别计算特征值之间的关联提升度，当三种算法的提升度都大于特定阈值时，说明存证事件关系，根据故障现象、元器件类型、研发方案版本之间的事件关系，再去分析电力公司的批次故障数据，得出批次故障的影响因素是由某些元器件或者研发方案版本引起。

所述特定阈值在0.7-1之间取值，优选0.8。

本发明数据汇总的一种具体实施例：

汇聚电力公司电能表的拆回分拣数据、生产企业生产电能表所需要的元器件类型和研发方案版本数据，通过电能表资产编号将数据进行关联，将故障现象类型、元器件类型、研发方案版本作为特征值参与关联规则计算。

本发明建立分析指标的一种具体实施例：

电能表批次故障一般会有多种故障现象引起，但是只有统计的故障现象无法获知批次故障潜在的影响因素，因此通过进一步挖掘故障现象背后的影响因素，才能确定批次故障原因，需要建立故障现象与元器件型号和研发方案版本之间的关联关系即因果关系。

其中涉及到的故障现象有外观损坏、接线端子损坏、烧表、按键损坏、显示故障、误差超差、潜动、不起动、停走、组合误差超差、时段转换错误、闰年转换错误、示值不准、表底自动清零、存储电量丢失、电量数据突变、计度器组合误差超差、显示单元故障、计量芯片损坏、继电器损坏、仪用互感器损坏、电容损坏、红外通信失败、485接口损坏、232接口损坏、脉冲接口损坏、载波模块损坏、无线模块损坏、485通信失败、模块类通信失败、时钟芯片损坏、认证失败、晶振损坏、电池没电、黑屏、电池欠压、虚焊、表内存在异物、线路板不洁净、焊点短路、电费扣减异常、死机、时钟错误、未设置启动功率阀值、通信规约一致性、事件记录异常、充值失败、控制回路异常。

其中涉及的元器件类型有负荷开关、液晶显示器、微控制器、片式电容器、电流互感器、计量芯片、光电耦合器、RS-485芯片、负荷开关、时钟芯片、电池、晶体谐振器等元器件

研发方案版本具体跟生产企业内部的研发方案软件、硬件版本有关。

本发明关联规则计算单元的一种具体实施例：

关联规则计算单元通过关联规则学习算法，计算故障现象与故障现象之间、故障现象与元器件型号之间，故障现象与研发方案版本之间的条件概率和提升度。计算方法如下：

①枚举方式进行条件分组(条件为Z1、Z2…Zn)，计算各组的y->x提升度；

(枚举方式，如除x-黑屏、y-死机之外，剩余故障现象/元器件/研发方案的不同组合；如：Z2条件为：误差超差‘0’、电池欠压‘1’…；)

②求各组的y->x提升度均值。

(注：各组的提升度不管是否>0.75，都参与均值计算；若最终计算的提升度均值>0.75，说明有事件关系)

本发明贝叶斯网络事件关系分析单元的一种具体实施例：

贝叶斯网络事件关系分析单元包括以下内容：

①枚举方式进行条件分组(条件为Z1、Z2…Zn)，求各分组下y的垂直分数、y->x提升度；

(垂直分数：代表某组合条件Z1下，y发生的概率，记为p(y|z1))

②垂直分数接近的组合划为一个区间，求该区间各组合y->x提升度的均值；

③再求各区间y->x提升度的均值。

衡量故障组合相似性的度量是垂直分数，如某故障组合下，发生故障y的概率。对于条件为z的事件关系y->x，垂直分数计算公式为p(y|z)。

使用贝叶斯网络计算故障发生的概率和提升度，以及对应的垂直分数。对数据中挖掘到的所有关于y->x的组合，对应的所有垂直分数进行直方图区间计算。定义相同区间的数据为相似数据。对每个区间的提升度求均值作为区间的提升度。再对所有区间的提升度取均值作为y->x的整体提升度。

本发明垂直随机森林单元的一种具体实施例：

垂直随机森林单元包括以下内容：

①以决策树的方式(即分析路径)，对数据进行自动细分，计算各叶子节点(即尾节点)组合数据的y->x提升度；

②随机取一定比例的数据(如：80％)，形成随机森林N颗树，计算N棵树所有叶子节点组合数据的y->x提升度。

③计算所有叶子节点y->x提升度的均值。

本发明模型联合分析的一种具体实施例：

分别使用关联规则计算单元、贝叶斯网络事件关系分析单元、垂直随机森林单元三种模型计算故障现象、元器件型号、研发方案版本之间的提升度，如果提升度都满足特定条件，则说明两个特征值之间存在事件关系。

本发明故障影响因素定位的一种具体实施例：

计算某个招标批次某个故障现象的影响因素，首先统计某个招标批次的所有故障表，每只故障表可能会存在多个故障现象，根据以上计算的事件关系和事件关系之间的提升度，统计故障现象的影响因素(元器件类型或者研发方案版本)。并计算每个元器件类型或者研发方案版本的影响程度，并进行排名，排名越高说明影响因素对批次电能表故障的影响程度越大。

进一步，本发明能深入挖掘电能表故障影响因素，建立故障现象与元器件类型、研发方案版本之间的关联关系，将故障影响因素由故障现象，延伸到元器件类型或者研发方案版本。

传统的使用一种建模算法往往难以实现良好的效果，本发明使用关联规则计算、贝叶斯网络、垂直随机森林算法三种算法计算影响因素之间的关联提升度，提高计算的准确性。

本发明采用垂直随机森林，随机抽取部分样本进行计算，能够提高计算的准确性。

本发明通过故障现象与元器件型号、研发方案版本之间的关联关系结果，再对批次故障数据进行统计分析，计算批次故障的影响因素。

再进一步，本发明能帮助电力公司全面掌握批次故障的主要影响因素，通知生产企业故障影响因素，指导生产企业对故障问题进行解决，后续生产过程中规避隐患。帮助生产企业提高故障分析效率，及时排查故障原因，为后续优化设计方案、生产工艺和生产流程提供帮助，提高电能表生产质量。

本发明电能表故障影响因素定位系统的一种具体实施例：

一种电能表故障影响因素定位系统，采用上述的一种电能表故障影响因素定位方法；

其包括数据汇总模块、故障分析模块、故障关联关系计算模块；

数据汇总模块，用于获取电能表拆回分拣数据和生产企业的电能表生产数据；

故障分析模块，用于对能表拆回分拣数据和电能表生产数据进行分析，提取多个特征值指标；

故障关联关系计算模块，用于对多个特征值指标进行计算，得到特征值指标之间的关联提升度；

当关联提升度大于特定阈值时，表明多个特征值指标存在事件关系关联，并得出故障现象的影响因素，完成电能表故障影响因素的定位。

应用本发明方法的一种设备实施例：

一种计算机设备，其包括：

一个或多个处理器；

存储装置，用于存储一个或多个程序；

当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现上述的一种电能表故障影响因素定位方法。

应用本发明方法的一种计算机介质实施例：

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述的一种电能表故障影响因素定位方法。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。