用电计量设备故障监控装置的制作方法

本实用新型涉及电力计量技术领域，尤其涉及用电计量设备故障监控装置。

背景技术：

近几年来，随着社会的发展，人民的生活和社会的生产对电力的需求不断增大，用电计量设备计量的电力数据也呈爆发式增长。用户数多、计量数据量大的这种现状对电力系统的计量工作是一个大的挑战。另一方面，全国范围内，在数亿只电表运行过程中存在很多有故障的电表。这些电表的故障种类多，最终会影响到计量数据，导致损害用户或供电企业的切身利益。所以保证用电计量设备安全可靠运行，能够精准地计量用户的用电数据就成为了电力系统中的重要工作之一。在用电计量设备开展工作的过程中，如果能实时地发现故障计量数据，并加以分析，就可以及时得出用电计量设备的故障类型和故障原因，这样就可以最大程度减少因计量故障对用户和供电企业造成的损失。十三五期间，国家电力体制不断深化，用户对服务的要求越来越高，电力市场的竞争也愈加激烈，这种形势下，电力系统迫切需求依靠信息化技术手段为用户提供精准服务。如何提前发现用电计量设备故障，及早完成现场处置，已成为电力系统的迫切需求。

然而，目前对用电计量设备故障的监控主要依靠大量的人力资源做支撑，时间、效率都没有很好的保证。

技术实现要素：

本实用新型实施例提供一种用电计量设备故障监控装置，用以降低人力资源成本、提高效率，该用电计量设备故障监控装置包括：

采集设备，用于采集与用电计量设备故障相关的源数据；

传输设备，与所述采集设备连接，用于将所述源数据提供给故障分析设备，并接收所述故障分析设备返回的用电计量设备故障分析结果；所述故障分析设备基于Xgboost算法建立的机器学习的模型，对所述源数据进行分析，获得所述故障分析结果；

存储设备，与所述传输设备连接，用于存储所述源数据和所述故障分析结果；

显示设备，与所述存储设备连接，用于显示所述故障分析结果；

报警设备，与所述传输设备连接，用于在所述故障分析结果表明用电计量设备故障时，发出报警。

本实用新型实施例中，采集设备采集到与用电计量设备故障相关的源数据后，传输设备将这些源数据提供给故障分析设备，并接收故障分析设备根据这些源数据返回的用电计量设备故障分析结果，显示设备显示故障分析结果，从而自动完成用电计量设备故障监控，不依靠大量的人力资源做支撑，可以提高用电计量设备故障分析的效率，降低人力资源成本。

附图说明

为了更清楚地说明本实用新型实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本实用新型的一些实施例，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的附图。在附图中：

图1为本实用新型实施例中用电计量设备故障监控装置的示意图；

图2为本实用新型实施例中用电计量设备故障概率的示例图；

图3为本实用新型实施例中故障分析设备进行故障分析的一具体实例图；

图4为本实用新型实施例中用电计量设备故障监控装置的一具体实例图。

具体实施方式

为使本实用新型实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本实用新型实施例做进一步详细说明。在此，本实用新型的示意性实施例及其说明用于解释本实用新型，但并不作为对本实用新型的限定。

图1为本实用新型实施例中用电计量设备故障监控装置的示意图，如图1所示，该装置可以包括：

采集设备101，用于采集与用电计量设备故障相关的源数据；

传输设备102，与采集设备101连接，用于将所述源数据提供给故障分析设备，并接收所述故障分析设备返回的用电计量设备故障分析结果；所述故障分析设备基于Xgboost 算法建立的机器学习的模型，对所述源数据进行分析，获得所述故障分析结果；

存储设备103，与传输设备102连接，用于存储所述源数据和所述故障分析结果；

显示设备104，与存储设备102连接，用于显示所述故障分析结果。实施例中，存储设备103也可以分别与采集设备101和传输设备102连接。实施例中，显示设备104也可以与传输设备102连接。

由图1所示结构可以得知，本实用新型实施例中，采集设备采集到与用电计量设备故障相关的源数据后，传输设备将这些源数据提供给故障分析设备，并接收故障分析设备根据这些源数据返回的用电计量设备故障分析结果，显示设备显示故障分析结果，从而自动完成用电计量设备故障监控，不依靠大量的人力资源做支撑，可以提高用电计量设备故障分析的效率，降低人力资源成本。本实用新型实施例可以及时高效地发现用电计量设备故障，有利于电力系统可靠运行，避免了供电企业和电力用户不必要的损失。

具体实施时，采集设备先采集与用电计量设备故障相关的源数据。实施例中，可以根据用电计量设备故障的含义，选用和用电计量设备故障相关的一些源数据，旨在通过这些源数据选取出和用电计量设备故障关系最紧密的特征项。例如，这些源数据可以包括以下数据其中之一或任意组合：用户档案数据，电表档案数据，电表计量的电流数据，电表计量的电压数据，电表计量的负荷数据，相关故障事件数据等。

采集设备采集到源数据后，传输设备将源数据提供给故障分析设备，并接收故障分析设备返回的用电计量设备故障分析结果。实施例中，传输设备可以是无线通信设备。当然也可以采用有线通信方式来进行数据传输。

故障分析设备是基于Xgboost算法建立的机器学习的模型，对源数据进行分析而获得故障分析结果的。故障分析设备采用基于机器学习决策树的数据挖掘技术对用电计量设备故障的数据进行分析，发现隐藏在数据中有用的信息，通过模型对数据的迭代分析，最终能够准确地判断出用电计量设备发生的故障。具体的，在本实用新型实施例中，提出了用决策树Xgboost算法分析用电计量设备故障的方法，避免了传统方法的低效率和低准确率的问题。

下面对故障分析设备根据源数据获得故障分析结果的过程进行说明。

故障分析设备在收到源数据后，由于源数据存在“脏数据”，要对其进行数据清洗。例如可以包括对源数据进行如下任意一项或多项数据清洗：错误值处理，缺失值处理，数据去重处理。数据清洗可以提高用电计量设备故障分析的准确性。

错误值处理主要是对有明显错误的数据基于电力业务规则进行修正。缺失值处理指对没有采集到的为空值的数据进行处理。缺失值处理主要通过缺失范围和缺失值的重要性综合考虑采取策略。若缺失的数据对于本次故障分析重要性低，可以不做处理或者将其删除；若重要性高且范围大，就要考虑重新获取数据；若重要性高且缺失范围少，可以通过业务知识进行补全。

故障分析设备在对源数据进行数据清洗后，需要再进行特征项选取。特征项包括模型加载的特征数据。选出合适的特征项可以降低模型的特征维度，加快运算速度，降低无关特征对分类效果的影响，提高分析结果的准确度。在实施例中，选取的特征项主要可以包括三类：从用户档案数据和电表档案数据提取的特征项；根据电表计量的电流数据、电压数据和负荷数据计算的特征项；通过加载相关故障事件数据获得的特征项。

实施例中，从用户档案数据和电表档案数据提取的特征项，可以包括：电表接线方式、用户行业类型及计量方式等其中之一或任意组合。根据电表计量的电流数据、电压数据和负荷数据计算的特征项，可以包括：电流电压相关性、电流功率相关性及日电量的趋势等其中之一或任意组合。通过加载相关故障事件数据获得的特征项，可以包括：用电计量设备的故障事件状态等。用电计量设备的故障事件状态，例如可以是将状态量通过1和0来标记，发生故障记为1，未发生记为0。

故障分析设备在选取特征项后，将选取的特征项制成样本数据，样本数据包括训练数据、测试数据和预测数据。实施例中，训练数据可以包括故障特征数据和故障结果数据。

故障分析设备将训练数据和测试数据加载至基于Xgboost算法建立的机器学习的模型，对模型进行训练与测试。故障分析设备选用的机器学习的模型是Xgboost。Xgbosot 算法是一种新型提升决策树算法，基本思想是每次建立的弱学习器是在之前建立的弱学习器的损失函数的梯度下降方向，能够自动利用CPU的多线程进行并行运算，实现了算法在精度上得提高。由于是由采用Xgboost算法建立的机器学习的模型的故障分析设备提供故障分析结果，因此可以进一步提高用电计量设备故障分析的效率和准确性，进一步降低人力资源成本。

实施例中，故障分析设备可以在服务器中搭建好Xgboost的运行环境，并配置好环境变量，可以运行Xgboost。Xgboost算法模型加载训练数据后，模型进行有监督的学习，利用机器学习寻找出故障与非故障的区别，故障用户之间的共同特点等。

实施例中，故障分析设备在加载训练数据和测试数据前，可以进一步包括：将Xgboost 算法的参数设置为以下参数：

'booster'：'gbtree'，分类器每次迭代的模型为：基于树的模型。

'objective'：'binary:logistic'，该参数是定义需要被最小化的损失函数。本实施例选择的是二分类的逻辑回归，可以返回预测的概率，即窃电嫌疑的概率0-1。

'eval_metric'：'auc'，该参数指对于有效数据的度量方法，本实施例选择的是auc曲线下面积。

'lambda'：50，该参数指权重的L2正则化项，这个参数用来控制Xgboost的正则化部分，在减少过拟合上有较大的作用。

'eta'：0.2，指学习效率，通过减少每一步的权重，可以提高模型的鲁棒性。

参数设置完毕，加载训练数据和测试数据，训练数据和测试数据可以按合适的比例划为，对模型进行训练与测试。

实施例中，故障分析设备还可以对模型进行优化。例如可以根据训练和测试效果，通过修改数据的特征项和模型参数对模型进行优化。

故障分析设备在训练好模型后，将预测数据加载至训练好的模型，获得用电计量设备故障分析结果。实施例中，可以将预测数据加载至训练好的模型，获得用电计量设备故障的概率。优化好的模型已处于最优状态，加载要预测故障的数据，对其分析并得出该用电计量设备故障的概率，最终概率值在0-1之间，数值越大，发生该种故障的概率越大。

在一具体实例中，根据多次现场核实，最终定为概率值在0.85以上属于用电计量设备故障，应该对其进行故障排查和检修；在0.7到0.85应该给予持续关注，可能会有用电计量设备故障；在0.7以下，认为没有用电计量设备故障。对某用电计量设备2017年3月到 9月的数据按此本实用新型实施例方法进行分析，得出该用电计量设备发生故障的概率如图2所示。通过现场核实该用电计量设备在6月到9月的确发生了故障，与本实用新型实施例的判断结果一致。

图3为本实用新型实施例中故障分析设备进行故障分析的一具体实例图，如图3所示，在本例中，故障分析设备先获得源数据，其中包括用户档案数据，电表档案数据，电表计量的电流数据，电表计量的电压数据，电表计量的负荷数据，相关故障事件数据。然后进行数据清洗，包括错误值处理，缺失值处理，数据去重处理。再选取特征项，包括选取：从用户档案数据和电表档案数据提取的特征项，根据电表计量的电流数据、电压数据和负荷数据计算的特征项，通过加载相关故障事件数据获得的特征项。再经建模与训练数据，优化模型，最后利用优化的模型判断出用电计量设备故障的概率。

传输设备在接收到故障分析设备返回的用电计量设备故障分析结果后，可以由存储设备存储故障分析结果。当然，可以理解的是，存储设备还可以存储源数据。

在实施例中，显示设备显示故障分析结果。显示设备例如可以是触控显示屏，用户可以通过触控显示屏来控制具体的显示方式。

图4为本实用新型实施例中用电计量设备故障监控装置的一具体实例图，如图4所示，该装置还可以包括：

报警设备401，与传输设备102连接，用于在所述故障分析结果表明用电计量设备故障时，发出报警。实施例中，报警设备401也可以与存储设备或显示设备连接。

在具体的实施例中，报警设备例如可以是指示灯、警报等设备，可以采用声、光、电等不同方式进行报警。当然还可以采用通信方式进行报警，例如可以将故障信息发送至监控人员的手机等终端设备上。在其它的实施例中，显示设备显示故障分析结果时，也可以在显示屏上进行报警信息提示。

综上所述，本实用新型实施例中，采集设备采集到与用电计量设备故障相关的源数据后，传输设备将这些源数据提供给故障分析设备，并接收故障分析设备根据这些源数据返回的用电计量设备故障分析结果，显示设备显示故障分析结果，从而自动完成用电计量设备故障监控，不依靠大量的人力资源做支撑，可以提高用电计量设备故障分析的效率，降低人力资源成本。

以上所述的具体实施例，对本实用新型的目的、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，以上所述仅为本实用新型的具体实施例而已，并不用于限定本实用新型的保护范围，凡在本实用新型的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本实用新型的保护范围之内。