一种智能电能表故障数据分析方法及系统与流程

本发明属于电能表故障数据分析技术领域，具体涉及一种智能电能表故障数据分析方法及系统。

背景技术：

电能表主要用来实现对电网电能量数据的远程自动采集、存储、传送和统计、计费等功能，是电网经济运行、科学调度和考核结算的基础。如果对电能表的故障问题管理不善，将在经济效益、调度决策等方面带来不良后果。同时，由于电能表自身软硬件体系结构的复杂性以及外界因素的不确定性，发生故障是不可避免的。因此，对电能表故障的处理具有很大的现实需要。

技术实现要素：

本发明的目的在于提供一种智能电能表故障数据分析方法及系统，以解决现有技术中对电能表故障问题缺乏有效管理的技术问题。

为达到上述目的，本发明所采用的技术方案是：一种智能电能表故障数据分析方法，包括：

a、收集电能表故障数据；

b、对电能表故障数据进行标准化处理；

c、采用关联分析方法构建数据分析模型对标准化处理后的数据进行分析，获取基本属性与故障类型之间的相互关联关系。

所述电能表故障数据包括分拣系统、质检实验室、运行区域数据、营销业务系统及mds系统中的电能表故障数据信息。

所述标准化处理包括：按照类别对数据进行筛选、对冗余的关联规则进行删除和对逻辑上相互重复的关联规则进行合并。

所述步骤c包括：

c1、建立频繁项集；

c2、构建项集组合；

c3、从频繁项集中挖掘关联规则；

c4、统计电能表的每一种属性分别对应的故障类型及其占比。

所述步骤c4包括：

故障类型占比=该属性对应的某种故障类型次数/该属性对应的故障总次数；

最大频率属性值=出现某种故障类型次数最多的属性值；

最大频率占比=最大频率属性值对应的某种故障类型次数/该属性对应的某种故障类型次数。

一种智能电能表故障数据分析系统，包括故障数据收集模块、标准化处理模块、数据分析模块、分析结果验证模块，

所述故障数据收集模块，用于从分拣系统、质检实验室数据、运行区域数据、营销业务系统和mds系统中收集电能表故障数据信息；

所述标准化处理模块，用于对收集到的电能表故障数据进行清洗和标注，形成格式化的标准数据；

所述数据分析模块，用于建立电能表故障分析模型，分析基本属性与故障类型之间的相互关联关系；

所述分析结果验证模块，用于测试数据完整性、准确性和一致性，并校验和验证分析模型置信度。

与现有技术相比，本发明所达到的有益效果：本发明所述智能电能表故障数据分析方法及系统通过搜集电能表故障信息，并分析电能表基本属性与故障类型之间的相互关联关系，进而找到电能表的家族性缺陷，为电能表的生产和运营提供科学的指导。

附图说明

图1是本发明实施例提供的一种智能电能表故障数据分析方法的流程示意图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种智能电能表故障数据分析方法，包括收集电能表故障数据；对电能表故障数据进行标准化处理；采用关联分析方法构建数据分析模型对标准化处理后的数据进行分析，获取基本属性与故障类型之间的相互关联关系。

电能表故障数据收集：收集分拣系统、质检实验室数据、运行区域数据、营销业务系统和mds系统中的电能表故障数据信息，并建立运具有数据量大、信息准确、能同步更新并不断完善等重要特点的电能表故障数据库。

电能表故障数据的标准化处理：由于收集的数据中存在大量冗余和重复现象，无法满足数据分析模型的基本要求，需要先对数据进行清洗和标注，并标准化处理，形成格式化的标准数据。按照不同类别逐一进行进一步筛选，对冗余的关联规则进行删除，对逻辑上相互重复的关联规则进行合并。数据转换方法：对于每一个电能表，如果具有某项属性值，就令该值为1；如果不具有某项属性值，就令该值为0；以表格的形式表示为，每一行代表一个电能表，每一列代表该电能表的一项属性。如果表格上第i行第j列的值为1，则表示第i个电能表具有第j个属性；否则为零，代表第i个电能表不具有第j个属性。

在标准化数据的基础上，采用关联分析方法建立电能表故障分析模型，分析基本属性与故障类型之间的相互关联关系，找到电能表的家族性缺陷；根据数据整理的结果，对可用来分析的数据项进行筛选，分别建立所有可能同时出现的属性组合（又叫项集组合）。根据数据整理的结果，对可用来分析的数据项进行筛选，生成频繁项集，频繁项集是经常同时出现的属性的集合，在给出频繁项集的同时，也给出了频繁项集对应的可能的关联规则，关联分析方法分析。进一步计算项集的频繁度，找到频繁项集，挖掘频繁项集关联规则。

集中挖掘关联规则，计算这些关联规则的可信度。可信度表示在先决条件x发生的情况下，由关联规则“x→y”推出y的概率。即在含有x的项集中，含有y的可能性，公式为：

confinence(x→y)=p(y|x)=p(x,y)/p(x)=p(x∪y)/p(x)（1）

计算可信关联规则的提升度。提升度表示在含有x的条件下，同时含有y的概率，与含y的概率之比：

lift(x→y)=p(y|x)/p(y)（2）

p(y|x)/p(y)称为x条件对于y事件的提升度，如果该值＝1，说明两个条件没有任何关联，如果<1，说明x条件（或者说x事件的发生）与y事件是相斥的，一般在数据挖掘中当提升度大于3时，我们才承认挖掘出的关联规则是有价值的。在本实施例中，先决条件x可理解为电能表的基本属性，事件y可理解为故障类型。

对电能表的每一种属性对应的故障类型及其占比进行统计，列出每种属性可能导致的各种故障类型、每种属性可能导致的各种故障类型的占比，以及该属性最可能导致该故障的属性值。统计口径如下：

故障类型占比=该属性对应的某种故障类型次数/该属性对应的故障总次数；

最大频率属性值=出现某种故障类型次数最多的属性值；

最大频率占比=最大频率属性值对应的某种故障类型次数/该属性对应的某种故障类型次数。

最后，基于持续开展数据模型的校核、验证和模型训练，逐步修订完善分析模型，使其达到分析结果真实可靠的目的。

本发明所述智能电能表故障数据分析方法及系统通过搜集电能表故障信息，并分析电能表基本属性与故障类型之间的相互关联关系，进而找到电能表的家族性缺陷，为电能表的生产和运营提供科学的指导。

分析结果验证包括对分析数据、数据模型和分析过程进行验证。分析数据验证：基于数据分析的结果来构建数据分析模型，结合数据转换程序和算法模型，测试数据完整性、准确性和一致性，并校验和验证分析模型置信度；开展电能表故障大数据分析，记录数据分析过程，同步验证需求中数据分析业务的可行性，使其达到分析结果真实可靠的目的。数据模型验证：基于数据分析中间库，结合数据转换程序和算法模型，测试数据完整性、准确性和一致性，并校验和验证分析模型置信度。分析过程验证：开展运行智能电能表故障大数据分析，记录数据分析过程，同步验证需求中数据分析业务的可行性。

本发明同时提供一种智能电能表故障数据分析系统，包括故障数据收集模块、标准化处理模块、数据分析模块、分析结果验证模块，

所述故障数据收集模块，用于从分拣系统、质检实验室数据、运行区域数据、营销业务系统和mds系统中收集电能表故障数据信息；

所述标准化处理模块，用于对收集到的电能表故障数据进行清洗和标注，形成格式化的标准数据；

所述数据分析模块，用于建立电能表故障分析模型，分析基本属性与故障类型之间的相互关联关系；

所述分析结果验证模块，用于测试数据完整性、准确性和一致性，并校验和验证分析模型置信度。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。