一种用电采集设备的运行状态评估方法、系统及介质

技术领域

本发明涉及设备状态评估技术领域，具体涉及一种用电采集设备的运行状态评估方法、系统及介质。

背景技术

用电采集设备(electric energy data acquire equipment, EDA)是指对配电变压器、终端用户等电耗数据进行采集的装置，具有负荷管理、用电监控、线损分析等功能，其运行状态将直接影响到客户用电数据采集的稳定性。在大力推动低碳的背景下，EDA作为建设新型电力系统的重要设备，是推动“电碳减排”的关键环节；随着电子技术的不断发展，EDA更新换代速度加快，传统的EDA定期检修更换模式已经不适应数据采集的发展需求，因此，探索EDA运行状态评估工作对于提升客户用电数据采集治理具有积极的意义。

许多学者对EDA运行状态评估做了大量的研究，如通过关联规则挖掘和故障预测的方式对EDA运行状态进行评估；通过Bootstrap方法处理EDA可靠性的离散分别，并采用Bayes方法融合试验数据进行EDA运行状态评估；或通过密度聚类识别异常或通过改进的渐消记忆递推最小二乘法进行EDA运行状态；通过灰色预测模型确定EDA的失效机理，从而实现对EDA运行状态的评估等。由此可见，EDA运行状态评估方法多样。但上述方法缺少对EDA运行异常原因的追溯，EDA运行状态评估准确率低。

发明内容

本发明所要解决的技术问题是：传统的用电采集设备运行状态评估方法缺少对用电采集设备运行异常原因的追溯分析，导致EDA运行状态评估准确率低；本发明目的在于提供用电采集设备的运行状态评估方法、系统及介质，基于运行状态评估规则进行用电采集设备运行状态评估时，以运行状态评估规则的故障因子来调整运行状态评估指标的权重，提高用电采集设备运行状态评估的准确性。

本发明通过下述技术方案实现：

本发明提供一种用电采集设备的运行状态评估方法，包括：

分析用电采集设备的规章制度信息，获得用电采集设备的运行状态评估基线；

采集用电采集设备的运行档案数据，并基于所述运行档案数据和所述运行状态评估基线建立运行状态评估规则；

基于所述运行状态评估规则进行用电采集设备运行状态评估，获得运行状态评估结果：在用电采集设备运行状态评估过程中，基于运行状态评估规则的故障因子来调整运行状态评估指标的权重。

进一步优化方案为，所述分析用电采集设备的规章制度信息，获得用电采集设备的运行状态评估基线，具体包括：

获取用电采集设备的规章制度信息；

从所述规章制度信息中识别出运行状态红线信息，所述运行状态红线信息包括文本识别信息和内容识别信息；

以所述运行状态红线信息作为用电采集设备的运行状态评估基线。

进一步优化方案为，在所述基于所述运行档案数据和所述运行状态评估基线建立运行状态评估规则之前，还包括方法：

清洗所述运行档案数据的异常数据，并拟合出异常数据领域数据点以消除所述异常数据。

进一步优化方案为，所述基于所述运行档案数据和运行状态评估基线建立运行状态评估规则，具体包括：

对所述运行档案数据进行聚类，区分出无效异常数据和设备故障数据；所述设备故障数据包括相互对应的设备故障类型、故障原因和特征数据项；

基于所述运行状态评估基线和设备故障处置过程中的异常排查，形成设备故障数据与故障原因之间的评估关系；

基于追溯算法进行设备故障原因追溯，形成设备故障数据与故障原因之间的算法追溯关系；

将所述评估关系与所述算法追溯关系关联，以所述评估关系与所述算法追溯关系一致作为运行状态评估指标。

进一步优化方案为，所述基于所述运行状态评估基线和设备故障处置过程中的异常排查，形成设备故障数据与故障原因之间的评估关系，具体包括：

获取用电采集设备的当前特征数据项，将所述当前特征数据项与对应的运行状态评估基线进行比较，若当前特征数据项超过对应的运行状态评估基线，则匹配出对应的故障原因。

进一步优化方案为，所述基于所述运行状态评估规则进行用电采集设备运行状态评估，获得运行状态评估结果；具体包括：

获取影响运行状态评估指标权重的故障因子，并计算出运行状态评估指标的故障因子信息熵；

将多个运行状态评估指标的故障因子信息熵联合，得到运行状态评估联合熵；

基于运行状态评估联合熵调整运行状态评估指标的权重；

基于运行状态评估指标权重的调整结果进行用电采集设备运行状态评估。

进一步优化方案为，所述将多个运行状态评估指标的故障因子信息熵联合，得到运行状态评估联合熵，具体包括：

获取多个运行状态评估指标的故障因子信息熵，将单个运行状态评估指标的故障因子信息熵的交集作为运行状态评估指标的条件熵；

将各运行状态评估指标的故障因子信息熵相加，并与运行状态评估指标的条件熵求和得到运行状态评估联合熵。

进一步优化方案为，所述基于所述运行状态评估规则进行用电采集设备运行状态评估，获得运行状态评估结果；还包括方法：对于运行状态评估联合熵小于第一异常阈值的用电采集设备，进行异常运行状态告警。

为解决上述技术问题，本发明还提供一种用电采集设备的运行状态评估系统，用于实现上述的一种用电采集设备的运行状态评估方法，所述系统包括：

分析模块，用于分析用电采集设备的规章制度信息，获得用电采集设备的运行状态评估基线；

建立模块，用于采集用电采集设备的运行档案数据，并基于所述运行档案数据和运行状态评估基线建立运行状态评估规则；

评估模块，基于所述运行状态评估规则进行用电采集设备运行状态评估，获得运行状态评估结果：在用电采集设备运行状态评估过程中，基于运行状态评估规则的故障因子来调整运行状态评估指标的权重。

为解决上述技术问题，本发明还提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如上述的一种用电采集设备的运行状态评估方法。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明提供的一种用电采集设备的运行状态评估方法、系统及介质；通过提取用电采集设备的规章制度信息中的红线信息，为用电采集设备运行状态评估过程提供基线以获取运行状态评估规则；在基于运行状态评估规则进行用电采集设备运行状态评估时，基于运行状态评估规则的故障因子来调整运行状态评估指标的权重，形成用电采集设备运行状态评估指标和故障因子权重，提高了用电采集设备运行状态评估的准确性。

本发明提供的一种用电采集设备的运行状态评估方法、系统及介质；在基于所述运行档案数据和所述运行状态评估基线建立运行状态评估规则之前,清洗运行档案数据的异常数据，并拟合出异常数据领域数据点以消除所述异常数据，对运行档案数据进行预处理，减小错误、缺失数据对评估过程带来的影响。

附图说明

为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。在附图中：

图1为用电采集设备的运行状态评估方法流程示意图；

图2为运行状态评估基线获取方法流程示意图；

图3为运行状态评估规则建立流程示意图；

图4为FTA分解原理示意图；

图5为运行状态评估结果获取流程示意图；

图6为EDA运行状态联合熵计算原理示意图；

图7为用电采集设备的运行状态评估系统示意图。

具体实施方式

下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本申请，并且能够将本申请的范围完整的传达给本领域的技术人员。

传统的用电采集设备运行状态评估方法缺少对用电采集设备运行异常原因的追溯分析，导致EDA运行状态评估准确率低；本发明目提供以下实施例解决上述技术问题。

实施例1：本实施例提供一种用电采集设备的运行状态评估方法，如图1所示，该方法包括：

S1，分析用电采集设备的规章制度信息，获得用电采集设备的运行状态评估基线；

步骤S1具体包括子步骤，如图2所示：

S11，获取用电采集设备的规章制度信息；

规章制度信息包含了国家及行业关于用电采集设备的规章制度，下文用EDA表示部分用电采集设备，规章制度信息版本时通常采用文本电子文档方式，而非结构化的数据，因此需要获取用电采集设备相关的规章制度文本文档；

S12，从所述规章制度信息中识别出运行状态红线信息，所述运行状态红线信息包括文本识别信息和内容识别信息；

在该步骤中，识别出的运行状态红线信息主要包括文本识别信息和内容识别信息两部分，其中文本识别信息基于光学字符识别(optical character recognition, OCR)将规章制度文本的图像信息转换为文本字符；内容识别从OCR转换出的文本字符或直接从规章制度文本中提取规章制度的含义。

对于文本识别信息，连接时间分类(connectionist temporal classification,CTC)模型是光学字符识别算法的一种，光学字符识别算法基于条件随机场模型，通过神经网络解决文本中输入和输出序列长度不一、无法对齐的问题。CTC模型可有效识别各类EDA运行状态评估规章制度图像文本，因此，本方案采用CTC模型进行规章制度信息的文本识别。

CTC模型具体识别过程包括：

获取规章制度文本文档图像，设定规章制度文本文档图像分割后的字符区相对独立，则规章制度文本字符的后验概率为该图像中所有字符区域的累计概率；规章制度文本识别的后验概率

CTC模型规章制度文本字符的真实值概率

基于CTR模型的规章制度文本识别结果

对于内容识别信息，本方案基于隐马尔可夫模型（HMM模型）对规章制度信息进行内容识别；在HMM模型应用于文字内容识别过程中，包含学习和解码两部分。其中，学习部分是HMM模型对文本规则导入和训练的过程，通过最大似然(maximum Likeli-hood, ML)算法对已标注的文本规则样本集进行训练，并建立HMM文本识别模型。在解码部分，对待识别的文本进行求解，获得含隐藏状态的最大概率文本识别结果；HMM模型可用于提取序列中的文本信息和关系信息等，具有提取文本准确的特点。

在文本规则的HMM模型导入与训练过程中，采用各类EDA规章制度文本分块的方式；以EDA规章制度文本分块作为HMM模型学习的基础单元，挖掘与整合前后文的特征，提高HMM模型训练的效果。

在ML算法训练过程中，从已标记的EDA规章制度文本得到HMM模型的状态概率、转移状态概率和观测状态概率，EDA规章制度的初始状态概率

EDA规章制度的转移状态概率

EDA规章制度的观测状态概率

对EDA规章制度文本训练后，得到最优的HMM文本识别模型。

在解码部分，包含EDA规章制度文本头预处理、最佳状态求解和输出EDA规章制度文本识别结果三部分。在EDA规章制度文本头预处理中，对待识别的EDA规章制度文本进行分块预处理。在最佳状态求解中，采用已训练好的HMM文本识别模型对待识别的EDA规章制度文本进行求解。

HMM文本识别模型中当前时刻的随机变量由上一时刻的值确定，当EDA红线信息序列

获得上述的EDA规章制度红线提取的初始状态概率、状态转移概率和观测输出概率后；根据维特比算法计算出EDA规章制度红线对应概率的最大标记序列，即完成了EDA规章制度中的红线信息提取。

S13，以所述运行状态红线信息作为用电采集设备的运行状态评估基线。

在该步骤中，将上述的EDA规章制度红线信息作为EDA运行状态评估基线；

本方案提取出的EDA规章制度红线信息主要包括电表和终端两类，其中，电表红线为：97规约、09版电表、12版电表、进口表、时钟故障、内置开关异常、运行年限大于8年、软件缺陷、698终端下的13版电能表；终端红线为：09版终端、无人运维、硬件老旧、时钟异常、嵌入式安全控制模块(Embedded Secure Access Module, ESAM)异常、含有20版电能表的13版采集终端。

S2，采集用电采集设备的运行档案数据，并基于所述运行档案数据和所述运行状态评估基线建立运行状态评估规则；

建立EDA运行状态评估规则的目的是为其评估细则提供依据，EDA类型多样，建立EDA运行状态评估规则将模拟人工EDA故障分析的过程，通过异常参数确定EDA故障查找方法；通过EDA故障规则进行EDA运行状态诊断。

如图3所示，本方案步骤S2具体包括子步骤：

S21，采集用电采集设备的运行档案数据；

S22，对运行档案数据进行预处理：清洗所述运行档案数据的异常数据，并拟合出异常数据领域数据点以消除所述异常数据；

在该步骤中，运行档案数据主要为EDA采集数据，EDA采集数据包括日冻结示数信息、电压、电流、相位信息、异常事件数据等信息；EDA采集数据受EDA设备故障、异常用电行为、数据主属性缺失等因素影响，EDA采集数据存在异常的情况。异常EDA数据通常包括空数据、格式错误数据、逻辑冲突数据等，会造成EDA运行状态评估分析结果出现偏差。为保障EDA运行状态评估的准确性，对EDA运行档案数据进行预处理，减少错误、缺失数据对评估模型带来的影响。

作为优选，本方案基于沙维斯基.格雷滤波器（SG滤波器）对EDA运行档案数据进行预处理；

基于SG滤波器通卷积清洗异常数据，并采用最小二乘法拟合异常数据领域数据点，从而达到消除异常数据的目的；具体方法为：

基于SG滤波器拟合后的EDA运行档案数据

作为优选，本实施例基于SG滤波器拟合EDA运行档案数据后，通过最小二乘法求解EDA运行档案数据最优的修复效果。当EDA运行档案数据的阶数、单边数确定后，通过对EDA运行档案数据进行卷积处理，得到清洗后的数据

S23，对所述运行档案数据进行聚类，区分出无效异常数据和设备故障数据；所述设备故障数据包括相互对应的设备故障类型、故障原因和特征数据项；

将EDA运行档案数据中的档案信息、日冻结示数信息、电压、电流、相位信息、异常事件等数据进行聚类，获取EDA特征数据项，在此基础上建立EDA运行状态评估规则。

作为优选，本方案采用基于密度的噪声空间聚类算法(density-based spatialclustering of applications with noise, DBSCAN)区分无意义异常数据和EDA设备故障数据；

DBSCAN算法是一种具有噪声处理且具有密度分析的聚类方法，在传统的密度聚类算法基础上，增加了邻域参数衡量聚类分布的抗噪声处理环节；DBSCAN算法在输入参数较少时，仍可划分高密度区域为簇，并能在噪声空间数据中发现不同形状的聚类；具有聚类效率高、无需指定聚类数目、抗噪声能力强的特点。

作为优选，本方案采用马氏距离计算EDA运行档案数据样本的距离，马氏距离综合考虑了EDA运行档案数据样本间的特征关系，并采用了协方差计算，具有计算准确的特点；具体过程包括：

EDA运行档案数据第

作为优选，本方案的DBSCAN算法采用邻域参数刻画EDA运行档案数据聚类分布是否紧密，具有抗噪声的特点，EDA运行档案数据领域满足约束

S24，基于所述运行状态评估基线和设备故障处置过程中的异常排查，形成设备故障数据与故障原因之间的评估关系；

作为优选，该步骤具体包括过程：获取用电采集设备的当前特征数据项，将所述当前特征数据项与对应的运行状态评估基线进行比较，若当前特征数据项超过对应的运行状态评估基线，则匹配出对应的故障原因。

设备故障数据包括相互对应的设备故障类型、故障原因和特征数据项；对于某一设备故障类型，其不同的故障原因产生的特征数据是不同的，本方案挖掘出设备故障类型、故障原因和特征数据项相互之间的匹配对应关系，来反映设备故障数据与故障原因之间的评估关系，使故障原因参与用电采集设备的运行状态评估过程，提高评估准确性。

在实际应用环境中，EDA设备故障类型包括软件配置故障和硬件故障，硬件故障包括在线故障和离线故障两类。

软件配置故障由EDA设备的通信规约、软件缺陷等原因造成，软件配置故障将造成EDA费率数异常、费率缺项、示数不平等数据异常；鉴于此，本方案将当前特征数据项（费率数、费率缺项与否、示数平等与否）与对应的运行状态评估基线进行比较，超过运行状态评估基线数据的即为与之对应的故障原因。

在线故障为时钟故障、内置开关异常等，此类故障将造成EDA时标异常、终端抄表时间异常等数据；鉴于此，本方案将当前特征数据项（时标和终端抄表时间）与对应的运行状态评估基线进行比较，超过基线数据的即为与之对应的故障原因。

离线故障为EDA设备与采集主站进行断开通信，此类故障包括EDA通信模块损坏、EDA烧毁等，此类故障在EDA运行状态评估时不对故障原因进行溯源，直接认定EDA故障。

特别的，离线故障为EDA设备与采集主站进行断开通信，此类故障包括EDA通信模块损坏、EDA烧毁等，此类故障在EDA运行状态评估时不对故障原因进行溯源，直接认定EDA故障。

S25，基于追溯算法进行设备故障原因追溯，形成设备故障数据与故障原因之间的算法追溯关系；

作为优选，在算法追溯中，本方案基于故障树分析(Fault Tree Analysis, FTA)算法首先确定影响EDA最大的故障作为树顶，然后将影响EDA故障的原因进行逐级分解，直至形成末端的底级事件，如图4所示，本实施例的故障树分三级事件：底级事件运行正常Z

S26，将所述评估关系与所述算法追溯关系关联，以所述评估关系与所述算法追溯关系一致作为运行状态评估指标。

S3，基于所述运行状态评估规则进行用电采集设备运行状态评估，获得运行状态评估结果：在用电采集设备运行状态评估过程中，基于运行状态评估规则的故障因子来调整运行状态评估指标的权重。

环境因素对EDA的运行特征有较强的影响，造成不同地域的EDA运行特征不尽相同，因此，相同尺度的EDA运行状态评估规则在不同地域存在适应性差的问题。故障因子(fault factors, FF)是指影响EDA运行状态评估权重的指标，通常采用信息熵定义FF的影响程度。当FF的信息熵越小，影响EDA运行状态指标的离散程度就越大，则对该EDA运行状态指标的影响权重越大，反之，则影响越小。FF具有适应不同地区EDA运行特征差异的特点，因此作为优选，本方案基于故障因子调整EDA运行状态评估指标的权重，从而提升不同地域EDA运行状态评估的适应性。

如图5所示，步骤S3具体包括子步骤：

S31，获取影响运行状态评估指标权重的故障因子，并计算出运行状态评估指标的故障因子信息熵；运行状态评估指标的FF熵值

S32，将多个运行状态评估指标的故障因子信息熵联合，得到运行状态评估联合熵；

EDA运行状态评估FF为单个EDA评估指标的信息熵，在实际评估的过程中，需将多个EDA运行状态评估FF联合，形成整体的EDA运行状态评估熵值，即EDA运行状态评估联合熵。

步骤S32具体包括过程：

获取多个运行状态评估指标的故障因子信息熵，将单个运行状态评估指标的故障因子信息熵的交集作为运行状态评估指标的条件熵；

将各运行状态评估指标的故障因子信息熵相加，并与运行状态评估指标的条件熵求和得到运行状态评估联合熵；EDA运行状态评估联合熵

S33，基于运行状态评估联合熵调整运行状态评估指标的权重；

S34，基于运行状态评估指标权重的调整结果进行用电采集设备运行状态评估。

所述方法还包括对运行状态评估联合熵小于第一异常阈值的用电采集设备，进行异常运行状态告警。

作为优选，本方案例中第一异常阈值为电力行业协会异常阈值标准△

实施例2：本实施例提供一种用电采集设备的运行状态评估系统，用于实现实施例1的一种用电采集设备的运行状态评估方法，如图7所示，所述系统包括：

分析模块，用于分析用电采集设备的规章制度信息，获得用电采集设备的运行状态评估基线；

建立模块，用于采集用电采集设备的运行档案数据，并基于所述运行档案数据和运行状态评估基线建立运行状态评估规则；

评估模块，基于所述运行状态评估规则进行用电采集设备运行状态评估，获得运行状态评估结果：在用电采集设备运行状态评估过程中，基于运行状态评估规则的故障因子来调整运行状态评估指标的权重。

本实施例在具体实施过程中，分析模块具体包括：第一采集单元，所述第一采集单元用于获取用电采集设备的规章制度信息；识别单元，用于从所述规章制度信息中识别出运行状态红线信息，所述运行状态红线信息包括文本识别信息和内容识别信息；输出单元，用于以所述运行状态红线信息作为用电采集设备的运行状态评估基线输出。

本实施例在具体实施过程中，建立模块具体包括：第二采集单元，所述第二采集单元用于采集用电采集设备的运行档案数据；预处理单元，所述预处理单元用于清洗所述运行档案数据的异常数据，并拟合出异常数据领域数据点以消除所述异常数据；聚类单元，所述聚类单元用于对所述运行档案数据进行聚类，区分出无效异常数据和设备故障数据；所述设备故障数据包括相互对应的设备故障类型、故障原因和特征数据项；第一构建单元，所述第一构建单元用于基于所述运行状态评估基线和设备故障处置过程中的异常排查，形成设备故障数据与故障原因之间的评估关系；第二构建单元，所述第二构建单元用于基于追溯算法进行设备故障原因追溯，形成设备故障数据与故障原因之间的算法追溯关系；具体执行获取用电采集设备的当前特征数据项，将所述当前特征数据项与对应的运行状态评估基线进行比较，若当前特征数据项超过对应的运行状态评估基线，则匹配出对应的故障原因；第二输出单元，所述第二输出单元用于将所述评估关系与所述算法追溯关系关联，以所述评估关系与所述算法追溯关系一致作为运行状态评估指标。

本实施例在具体实施过程中，评估模块包括：第一计算单元，所述第一计算单元用于获取影响运行状态评估指标权重的故障因子，并计算出运行状态评估指标的故障因子信息熵；

第二计算单元，所述第二计算单元用于将多个运行状态评估指标的故障因子信息熵联合，得到运行状态评估联合熵；调整单元，所述调整单元用于基于运行状态评估联合熵调整运行状态评估指标的权重；评估单元，所述评估单元基于运行状态评估指标权重的调整结果进行用电采集设备运行状态评估。

所述用电采集设备的运行状态评估系统还包括告警模块，用于对运行状态评估联合熵小于第一异常阈值的用电采集设备，进行异常运行状态告警。

实施例3本实施例提供一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如实施例1的一种用电采集设备的运行状态评估方法，具体包括步骤：

步骤一，分析用电采集设备的规章制度信息，获得用电采集设备的运行状态评估基线；

步骤二，采集用电采集设备的运行档案数据，并基于所述运行档案数据和所述运行状态评估基线建立运行状态评估规则；

步骤三，基于所述运行状态评估规则进行用电采集设备运行状态评估，获得运行状态评估结果：在用电采集设备运行状态评估过程中，基于运行状态评估规则的故障因子来调整运行状态评估指标的权重。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。