智能电表的故障诊断方法、系统及电子装置与流程

本发明涉及智能电表故障诊断领域，尤其是涉及一种智能电表的故障诊断方法、系统及电子装置。

背景技术：

智能电表是智能电网的智能终端，除了具有传统电表的功能，还具有多种费率计量功能、终端控制、数据传输、防窃电等智能化功能。智能电表作为智能电网中最基础的计量设备，既要保证在轮换周期内计量准确，又要采集完整的数据信息，为用户提供及时有效的服务。由于智能电表具有数量大、区域广的特点，其质量将直接影响精度、通信功能的可靠性和准确性。

智能电表功能复杂、故障数据庞杂繁多，保证其可靠运行是智能电网运行的基础，现阶段主要采用故障树、专家系统、聚类定性等对智能电表进行可靠性分析和故障诊断，但是传统的专家系统只是对领域专家的知识、经验的静态归集和总结，难以做到自适应的学习，面对纷繁复杂的应用环境和愈来愈多的精密功能，需要对智能电表做出更加精准、实时的评估和故障定位。

传统专家系统采用的方法是将人类知识转化为计算机语言，将人类专家的知识、经验进行归集、分析和总结，将人类的知识变成机器可以识别的符号，形成推理机，从而让机器自动根据现有数据进行推理、故障诊断和异常识别等。但是传统专家系统只能将现有的人类专家的知识静态的进行汇集，既无法做到实时更新，也无法保证涵盖所有数据。这是因为人类专家的知识是有限的，而新的功能、失效模式、故障数据等是不断增加的，所以就造成专家系统只可以静态的处理历史数据。

智能电表领域经常采用聚类方法定性判断，采用数据挖掘的方法对电表的数据进行归类，挖掘电表潜在故障。但是这种基于无监督学习的聚类的方法通常无法准确判断种类名称，还需要人工对其数据进行标注，针对不同的数据源和环境还需要进行分别学习，难以实现实时、在线的判断。

综上所述，当前智能电表故障诊断中的准确率较低，还有提升空间。

技术实现要素：

有鉴于此，本发明的目的在于提供一种配电网可靠性的评估方法及系统，电表的故障诊断结果。其中，故障诊断模型通过机器学习模型训练得到。通过机器学习中的算法，实现电表故障案例数据的综合分析，形成完整性和鲁棒性高的相关识别模型，提升了智能电表故障诊断中的准确率。

第一方面，本发明实施例提供了一种智能电表的故障诊断方法，其中，方法包括：获取智能电表的测试数据；对测试数据进行预处理，得到测试数据的预处理结果；对预处理结果进行联机分析处理，得到测试数据对应的联机分析处理结果；将联机分析处理结果输入至预先完成训练的故障诊断模型中，输出智能电表的故障诊断结果；故障诊断模型通过机器学习模型训练得到。

结合第一方面，本发明实施例提供了第一方面的第一种可能的实施方式，其中，输出智能的故障诊断结果的步骤之后，方法还包括：根据智能电表的故障诊断结果和智能电表的实际故障数据，调整故障诊断模型的模型参数。

结合第一方面的第一种可能的实施方式，本发明实施例提供了第一方面的第二种可能的实施方式，其中，根据智能电表的故障诊断结果和智能电表的实际故障，调整故障诊断模型的模型参数的步骤，包括：将智能电表的故障诊断结果与智能电表的实际故障数据进行比较，得到比较结果；将比较结果输入至故障诊断模型中，以对故障诊断模型进行训练，得到训练后的故障诊断模型。

结合第一方面，本发明实施例提供了第一方面的第三种可能的实施方式，其中，对测试数据进行预处理的步骤，包括：从测试数据中提取与故障相关联的故障数据；对故障数据进行etl处理，得到etl处理结果；基于时间顺序，对etl处理结果进行整合，得到故障数据对应的历史变化数据；将故障数据、以及故障数据对应的历史变化数据作为测试数据的预处理结果。

结合第一方面，本发明实施例提供了第一方面的第四种可能的实施方式，其中，对预处理结果进行联机分析处理的步骤，包括：按照预设维度，对预处理结果进行第一特征分析，得到每个维度对应的数据特征；按照预设的时间跨度和时间节点，对每个维度对应的数据特征进行第二特征分析，得到每个维度对应的时间趋势特征；将每个维度对应的时间趋势特征进行汇总，得到测试数据对应的联机分析处理结果。

结合第一方面，本发明实施例提供了第一方面的第五种可能的实施方式，其中，故障诊断模型包括聚类算法单元和决策算法单元；将联机分析处理结果输入至预先完成训练的故障诊断模型中，输出智能电表的故障诊断结果的步骤，包括：通过故障诊断模型中的聚类算法单元，对联机分析处理结果进行数据聚类处理，得到聚类结果；通过故障诊断模型中的决策算法单元，对聚类结果进行决策计算，得到推理规则；通过推理规则，对联机分析处理结果进行推理，得到智能电表的故障诊断结果。

结合第一方面的第五种可能的实施方式，本发明实施例提供了第一方面的第六种可能的实施方式，其中，通过故障诊断模型中的聚类算法单元，对联机分析处理结果进行数据聚类处理的步骤，包括：按照预设的故障类型，对联机分析处理结果进行第一标注处理，得到标注结果；通过关联算法对联机分析处理结果进行计算，得到对智能电表影响最大的因素和数据；利用k最近邻分类算法，对联机分析处理结果进行划分，得到数据聚类处理结果；根据标注结果，对数据聚类处理结果进行第二标注处理，对智能电表影响最大的因素和数据进行第三标注处理。

结合第一方面的第五种可能的实施方式，本发明实施例提供了第一方面的第七种可能的实施方式，其中，通过故障诊断模型中的决策算法单元，对聚类结果进行决策计算，得到推理规则的步骤，包括：获取预设的推理规则；通过故障树分析法，将聚类结果与预设的推理规则进行相关性比对，得到比对结果；根据比对结果，通过机器学习算法对预设的推理规则进行优化，得到最终的推理规则。

第二方面，本发明实施例提供了一种智能电表的故障诊断系统，其中，系统包括：数据采集模块，用于获取智能电表的测试数据；预处理模块，用于对测试数据进行预处理，得到测试数据的预处理结果；数据分析模块，用于对预处理结果进行联机分析处理，得到测试数据对应的联机分析处理结果；故障判断模块，用于将联机分析处理结果输入至预先完成训练的故障诊断模型中，输出智能电表的故障诊断结果。

结合第三方面，本发明实施例提供了一种电子装置，其中，该电子装置包括处理器和机器可读存储介质，机器可读存储介质存储有能够被处理器执行的机器可执行指令，处理器执行机器可执行指令以实现第一方面的方法。

本发明实施例带来了以下有益效果：本发明实施例提供了一种智能电表的故障诊断方法、系统及电子装置，该方法包括以下步骤：首先获取智能电表的测试数据；在获取测试数据后对其进行预处理，并得到测试数据的预处理结果；然后对预处理结果进行联机分析处理，得到测试数据对应的联机分析处理结果；最后将联机分析处理结果输入至预先完成训练的故障诊断模型中，输出智能电表的故障诊断结果。其中，故障诊断模型通过机器学习模型训练得到。通过机器学习算法，实现电表故障案例数据的综合分析，形成完整性和鲁棒性高的相关识别模型，提升了智能电表故障诊断中的准确率。

本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式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，下面描述中的附图是本发明的一些实施方式，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。

图1为本发明实施例提供的一种智能电表的故障诊断方法的流程图；

图2为本发明实施例提供的另一种智能电表的故障诊断方法中，对智能电表测试数据进行预处理的流程图；

图3为本发明实施例提供的另一种智能电表的故障诊断方法中，对预处理结果进行联机分析处理的流程图；

图4为本发明实施例提供的另一种智能电表的故障诊断方法中，对联机分析处理结果输入至预先完成训练的故障诊断模型中并输出智能电表的故障诊断结果的流程图；

图5为本发明实施例提供的另一种智能电表的故障诊断方法中，对通过故障诊断模型中的聚类算法单元对联机分析处理结果进行数据聚类处理得到聚类结果的流程图；

图6为本发明实施例提供的另一种智能电表的故障诊断方法中，通过故障诊断模型中的决策算法单元对聚类结果进行决策计算得到推理规则的流程图；

图7为本发明实施例提供的一种智能电表故障诊断系统结构示意图；

图8为本发明实施例提供的一种电子装置结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

考虑到当前智能电表故障诊断中的准确率较低的问题，本发明的目的在于提供一种智能电表的故障诊断方法、系统及电子装置，该技术可以应用于智能电表故障诊断领域中；该技术可以采用相关的软件或硬件实现，下面通过实施例进行描述。

为便于对本实施例进行理解，首先对本发明实施例所公开的一种智能电表的故障诊断方法进行详细介绍。参见图1所示的一种智能电表的故障诊断方法的流程图，包括：

步骤s110，获取智能电表的测试数据。

智能电表的测试数据为某地一段历史时间以来的智能电表故障数据，包括：智能电表生命周期相关数据，例如出厂、配送、运行、拆回、报废等。还包括具体故障数据、检定数据、设备资产信息等。还包括区域信息，如气候、温湿度、海拔等。还包括实验室检测数据，如设备批次、元器件选型、检定数据、性能实验数据等。具体的，包括：电表批次、型号、拆回类型、拆回原因、故障现象、故障原因、供应商、接线方式、电压、电流、异常原因、异常时间、异常次数、温度、湿度、海拔、盐雾，以及质检实验室对电表的检定数据。该智能电表故障数据中的样本数据越完整，时间跨度越大，后续使用该数据训练得到的模型精度就越高。

步骤s120，对测试数据进行预处理，得到测试数据的预处理结果。

由于步骤s110中获取的智能电表测试数据涵盖智能电表各类数据，需要对上述复杂的测试数据进行初步筛选，通过预处理的方式选取其中所需的数据并删除其它无用的收据。进行预处理后，得到面向智能电表故障主题的并集成相关数据和历史变化的数据仓库。

步骤s130，对预处理结果进行联机分析处理，得到测试数据对应的联机分析处理结果。

联机分析处理(onlineanalyticalprocessing，olap)是一种软件技术，它使分析人员能够迅速、一致、交互地从各个方面观察信息，以达到深入理解数据的目的。联机分析处理具有fasmi(fastanalysisofsharedmultidimensionalinformation)，即共享多维信息的快速分析的特征。联机分析处理系统能在数秒内对用户的多数分析要求做出反应，用户无需编程就可以定义新的专门计算，将其作为分析的一部分，并以用户所希望的方式给出报告。联机分析处理系统具有多维性，指提供对数据分析的多维视图和分析。联机分析处理能及时获得信息，并且管理大容量信息。

联机分析处理基本功能，包括以下三种：

(1)切片和切块(sliceanddice)

切片和切块是在维上做投影操作。

切片就是在多维数据上选定一个二维子集的操作，即在某两个维上取一定区间的维成员或全部维成员，而在其余的维上选定一个维成员的操作。

维是观察数据的角度，那么切片的作用或结果就是舍弃一些观察角度，使人们能在两个维上集中观察数据。因为人的空间想象能力毕竟有限，一般很难想象四维以上的空间结构，所以对于维数较多的多维数据空间，数据切片是十分有意义的。

(2)钻取(drill)

钻取有向下钻取(drilldown)和向上钻取(drillup)操作。向下钻取是使用户在多层数据中展现渐增的细节层次，获得更多的细节性数据。向上钻取以渐增概括方式汇总数据(例如，从周到季度，再到年度)。

(3)旋转(pivoting)

通过旋转可以得到不同视角的数据。旋转操作相当于在平面内将坐标轴旋转。例如，旋转可能包含了交换行和列，或是把某一个行维移到列维中去，或是把页面显示中的一个维和页面外的维进行交换(令其成为新的行或列中的一个)。

对步骤s120得到的预处理结果中的数据仓库进行初步的olap，通过钻取、切片、旋转等操作，得到基础的数据挖掘的结论，得到直观的数据可视化结果，为接下来的机器学习和数据挖掘提供方向和思路，并找到问题的特征。

步骤s140，将联机分析处理结果输入至预先完成训练的故障诊断模型中，输出智能电表的故障诊断结果，故障诊断模型通过机器学习模型训练得到。

对步骤s130中得到的联机分析处理结果，进行进一步数据挖掘，这个过程中利用预先完成训练的故障诊断模型进行处理。故障诊断模型训练时所用的数据为步骤s130中得到的联机分析处理结果，所用的算法包括：机器学习算法中的k-means、apriori中的一种或多种，以及故障树分析法。故障诊断模型通过历史数据预先完成训练，包含了数据推理规则。当待测数据输入到故障诊断模型中，可通过数据推理规则得到智能电表的故障诊断结果。

进一步的，在输出智能的故障诊断结果的步骤之后，可根据智能电表的故障诊断结果和智能电表的实际故障数据，调整故障诊断模型的模型参数，形成闭环的自适应学习系统。从自我学习进而自我进化，是人工智能的一大特点，通过智能电表的故障诊断结果和智能电表的实际故障数据之间的判断结果作为样本，重新输入到故障诊断模型中，调整故障诊断模型的模型参数，达到提升故障诊断模型性能的目的。

例如，在得到故障诊断结果后，将故障诊断模型得到的预测结果与真实数据进行比对得到比对结果，并将比对结果作为样本重新输入到故障诊断模型中进行训练。由于对比结果是基于真实判断的结果，因此该样本具有高度可用性，使用该样本可进一步提升故障诊断模型的性能。

本发明实施例还提供了另一种智能电表的故障诊断方法，该方法重点描述如何对智能电表测试数据进行预处理，如图2所述，该方法包括以下步骤：

步骤s210，从测试数据中提取与故障相关联的故障数据。

由于智能电表测试数据涵盖智能电表各种类型的数据，因此需要进行初步的针对性提取，只提取与故障相关联的故障数据，例如：故障现象、故障原因、供应商、接线方式、电压、电流、异常原因、异常时间等。故障数据中与其它因素相关的数据也根据实际情况分别考虑，例如当出现故障时可关联温度、湿度、海拔、盐雾等数据，可得到不同气象状况时产生故障的相关关系，从而当故障产生后反推可能导致故障的气象条件。

步骤s220，对故障数据进行etl处理，得到etl处理结果。

etl，是英文extract-transform-load的缩写，用来描述将数据从来源端经过抽取(extract)、转换(transform)、加载(load)到目的端的过程。etl一词较常用在数据仓库。etl是将业务系统的数据经过抽取、清洗转换之后加载到数据仓库的过程，因而也称为数据仓库技术。其目的是将分散、零乱、标准不统一的数据整合到一起，为企业的决策提供分析依据。etl要做三部分工作，数据抽取、数据的清洗转换和数据的加载。数据抽取一般是通过工具从各个不同的数据源抽取到一个中间层中，其中可以做一些数据的清洗和转换，这个过程要注意抽取效率。数据清洗是指将不符合要求的数据除掉，包括错误数据、不完整数据、重复数据。数据转换要做的工作是把所有数据的模板、标准、计算规则等进行统一，如存储结构、数据编码等。清洗转换好的数据按着标准的etl架构存储到数据仓库中，以备进行数据分析和决策。

在本实施例中，对故障数据进行etl，具体包含如下处理：空值处理、数据格式规范化、数据替换、数据真实性验证、数据合并、拆分等。通过这些数据预处理，将空值进行加载或者替换成其他含义的数据。对数据类型的字段类型统一为数据，字段型数据统一为字符串，其他的按照相应的规则变为布尔型、时间类型或其他类型数据。

步骤s230，基于时间顺序，对etl处理结果进行整合，得到故障数据对应的历史变化数据。对数据仓库的故障数据进行etl后，将得到etl处理结果按照时间进行整合，得到故障数据对应的历史变化的结果。

步骤s240，将故障数据、以及故障数据对应的历史变化数据作为测试数据的预处理结果。

将故障数据、以及故障数据对应的历史变化数据集成到相关数据仓库中，作为预处理结果。通过上述步骤对智能电表故障基础数据进行的一系列挖掘，形成面向智能电表故障主题的，集成相关数据和历史变化的数据仓库。通过etl的操作，对数据进行初步整理，减少了后续相关计算的计算量，提高了计算效率。

本发明实施例还提供了另一种智能电表的故障诊断方法，该方法重点描述如何对预处理结果进行联机分析处理。在联机分析处理中，展现在用户面前的是多维视图，olap的基本多维分析操作有钻取(drill-up和drill-down)、切片(slice)和切块(dice)、以及旋转(pivot)等。钻取：是改变维的层次，变换分析的粒度。它包括向下钻取(drill-down)和向上钻取(drill-up)/上卷(roll-up)。drill-up是在某一维上将低层次的细节数据概括到高层次的汇总数据，或者减少维数；而drill-down则相反，它从汇总数据深入到细节数据进行观察或增加新维。切片和切块：是在一部分维上选定值后，关心度量数据在剩余维上的分布。如果剩余的维只有两个，则是切片；如果有三个或以上，则是切块。旋转：是变换维的方向，即在表格中重新安排维的放置(例如行列互换)。因此本实施例结合上述基本多维分析操作，对预处理结果进行联机分析处理，如图3所示，包括以下步骤：

步骤s310，按照预设维度，对预处理结果进行第一特征分析，得到每个维度对应的数据特征。

该步骤为钻取步骤，所述的第一特征分析用于向下钻取获得子维度的数据特征。在本实施例中通过一个维度数据不断向下进行探索，获取各个子维度的数据特征。

步骤s320，按照预设的时间跨度和时间节点，对每个维度对应的数据特征进行第二特征分析，得到每个维度对应的时间趋势特征。

该步骤为切片步骤，通过该步骤对数据的时间跨度和时间点进行分析，得出数据特征按照时间的趋势结果。

步骤s330，将每个维度对应的时间趋势特征进行汇总，得到测试数据对应的联机分析处理结果。

该步骤的实现过程，通过向上卷起，在某一维上将低层次的细节数据概括到高层次的汇总数据，或者采用减少维数的方式得以实现，最终得到测试数据对应的联机分析处理结果。联机分析处理结果可理解为基础的数据挖掘，挖掘的结果是直观的数据可视化结果，可为接下来的机器学习和数据挖掘提供方向和思路，并找到问题的特征。

本发明实施例还提供了另一种智能电表的故障诊断方法，该方法重点描述如何将联机分析处理结果输入至预先完成训练的故障诊断模型中并输出智能电表的故障诊断结果。本发明实施例提供了故障诊断模型包括聚类算法单元和决策算法单元，如图4所述，该方法包括以下步骤：

步骤s410，通过故障诊断模型中的聚类算法单元，对联机分析处理结果进行数据聚类处理，得到聚类结果。

对联机分析处理得出的结论进行进一步的数据挖掘，利用机器学习相关算法对数据进行聚类和关联规则的挖掘，得到智能电表的故障相关度高的维度数据和相似数据的故障信息。

步骤s420，通过故障诊断模型中的决策算法单元，对聚类结果进行决策计算，得到推理规则。

结合上一步s410中挖掘出的数据相关信息，结合故障树和专家知识、专家系统，将相关聚类和类别信息与故障树中的节点进行对应，形成基于决策树的专家系统，汇集基础性知识和推理规则。

步骤s430，通过推理规则，对联机分析处理结果进行推理，得到智能电表的故障诊断结果。

本发明实施例还提供了另一种智能电表的故障诊断方法，该方法重点描述如何对通过故障诊断模型中的聚类算法单元对联机分析处理结果进行数据聚类处理得到聚类结果，如图5所述，该方法包括以下步骤：

步骤s510，按照预设的故障类型，对联机分析处理结果进行第一标注处理，得到标注结果。

第一标注处理按照故障树的顺序从大类到小类进行标注，标注的作用是为了后续方便对数据的区分。由于联机分析处理结果是直观的数据可视化结果，因此通过可以使用不同颜色对联机分析处理结果进行标注。

步骤s520，通过关联算法对联机分析处理结果进行计算，得到对智能电表影响最大的因素和数据。

关联算法可使用apriori算法，apriori算法是一种挖掘关联规则的频繁项集算法，其核心思想是通过候选集生成和情节的向下封闭检测两个阶段来挖掘频繁项集。该算法的基本思想是：首先找出所有的频集，这些项集出现的频繁性至少和预定义的最小支持度一样。然后由频集产生强关联规则，这些规则必须满足最小支持度和最小可信度。然后使用第1步找到的频集产生期望的规则，产生只包含集合的项的所有规则，其中每一条规则的右部只有一项，这里采用的是中规则的定义。一旦这些规则被生成，那么只有那些大于用户给定的最小可信度的规则才被留下来。通过apriori找到各个项目与故障之间的关联关系，得出对故障发生类型、现象影响最大的因素、数据。

步骤s530，利用k最近邻分类算法，对联机分析处理结果进行划分，得到数据聚类处理结果。

k最近邻(k-nearestneighbor，knn)分类算法，是一个理论上比较成熟的方法，也是最简单的机器学习算法之一。该方法的思路是：如果一个样本在特征空间中的k个最相似(即特征空间中最邻近)的样本中的大多数属于某一个类别，则该样本也属于这个类别。利用knn算法的预处理，将数据按照颜色进行区分，构建出不同维度上的类别，尤其是apriori算法中找到的影响度较大的数据维度，由此得到数据聚类处理结果。

步骤s540，根据标注结果，对数据聚类处理结果进行第二标注处理，对智能电表影响最大的因素和数据进行第三标注处理。

根据步骤s510中得到的标注结果，对步骤s530中得到的数据聚类处理结果进行第二标注处理，对智能电表影响最大的因素和数据进行第三标注处理。由于故障树中的故障类型是按层级划分的，从大类到细分会有很多中故障类型，因此可以按照类别的层次逐级进行标注和画图，直观的找到较能区分故障的数据维度。

通过上述步骤可知，基于联机分析处理得出的结论，进一步进行数据挖掘，利用机器学习(apriori、k-means)算法对数据进行聚类和关联规则的挖掘，得到智能电表的故障相关度高的维度数据和相似数据的故障信息。由于采用机器学习相关算法，使得故障诊断过程具有传统人工智能的优点，预测精度和速度更高。

本发明实施例还提供了另一种智能电表的故障诊断方法，该方法重点描述如何通过故障诊断模型中的决策算法单元对聚类结果进行决策计算得到推理规则，如图6所述，该方法包括以下步骤：

步骤s610，获取预设的推理规则。

首先将传统的专家系统里的推理规则导出，用于后续步骤的对比数据。传统专家系统采用的方法是将人类知识转化为计算机语言，将人类专家的知识、经验进行归集、分析和总结，将人类的知识变成机器可以识别的符号，形成推理机，从而让机器自动根据现有数据进行推理、故障诊断和异常识别等。但传统的专家系统只能将现有的人类专家的知识静态的进行汇集，既无法做到实时更新，有没办法包含所有的数据，因为人类专家的知识是有限的，而新的功能、失效模式、故障数据等是不断增加的，所以就造成专家系统只可以静态的处理历史数据。

步骤s620，通过故障树分析法，将聚类结果与预设的推理规则进行相关性比对，得到比对结果。

故障树分析(fta)是由上往下的演绎式失效分析法，利用布林逻辑组合低阶事件，分析系统中不希望出现的状态。故障树分析主要用在安全工程以及可靠度工程的领域，用来了解系统失效的原因，并且找到最好的方式降低风险，或是确认某一安全事故或是特定系统失效的发生率。通过使用故障树分析法，将进行数据挖掘得出的结论与推理规则进行比照，得出相关性的对比结果。

步骤s630，根据比对结果，通过机器学习算法对预设的推理规则进行优化，得到最终的推理规则。

根据故障树中已有的类型和层次信息，结合机器学习算法，优化推理机的推理规则，并且充分利用了数据的潜在规律，得到最终的推理规则。推理规则即用于智能电表故障诊断方法的推理，当输入智能电表的相应故障数据，通过推理规则的判断即自动得出相应的故障结论，从而避免了人为主观判断的失误。

对应于上述方法实施例，参见图7所述的一种智能电表故障诊断系统，该系统设置于终端设备，包括以下模块：

数据采集模块710，用于获取智能电表的测试数据。

预处理模块720，用于对测试数据进行预处理，得到测试数据的预处理结果。

数据分析模块730，用于对预处理结果进行联机分析处理，得到测试数据对应的联机分析处理结果。

故障判断模块740，用于将联机分析处理结果输入至预先完成训练的故障诊断模型中，输出智能电表的故障诊断结果。

本发明实施例所提供的智能电表故障诊断系统，其实现原理及产生的技术效果和前述方法实施例相同，为简要描述，实施例部分未提及之处，可参考前述方法实施例中相应内容。

本实施例还提供一种与上述实施例相对应的电子装置，图8为该电子装置的结构示意图，如图8所示，该设备包括处理器801和存储器800；其中，存储器800用于存储一条或多条计算机指令，一条或多条计算机指令被处理器执行，以实现上述图像搜索方法。

图8所示的服务器还包括总线802和通信接口803，处理器801、通信接口803和存储器800通过总线802连接。该服务器可以是网络边缘设备。

其中，存储器800可能包含高速随机存取存储器(ram，randomaccessmemory)，也可能还包括非不稳定的存储器(non-volatilememory)，例如至少一个磁盘存储器。总线802可以是isa总线、pci总线或eisa总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一个双向箭头表示，但并不表示仅有一根总线或一种类型的总线。

通信接口803用于通过网络接口与至少一个用户终端及其它网络单元连接，将封装好的ipv4报文或ipv4报文通过网络接口发送至用户终端。

处理器801可能是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器801中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器801可以是通用处理器，包括中央处理器(centralprocessingunit，简称cpu)、网络处理器(networkprocessor，简称np)等；还可以是数字信号处理器(digitalsignalprocessor，简称dsp)、专用集成电路(applicationspecificintegratedcircuit，简称asic)、现场可编程门阵列(field-programmablegatearray，简称fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器800，处理器801读取存储器800中的信息，结合其硬件完成前述实施例的方法的步骤。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。

所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以用软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应所述以权利要求的保护范围为准。