本发明涉及一种智能电能表故障诊断方法，特别是一种基于覆盖集理论的智能电能表故障诊断方法。
背景技术：
电能表故障原因复杂，故障原因有设备本身质量缺陷、外部环境影响、人为操作失误，通过对电能表故障统计发现，电能表故障大类中以设备质量和外部环境影响为主，而操作失误以及自然灾害影响所占比例较少。对于历年故障电能表返修数据，可以发现，电能表常见故障包括烧表、计量超差、显示故障、通信故障等，涵盖了电能表各个功能模块，而每个功能模块的故障原因又不相同，如烧表故障通常是限流电阻过流烧毁，前级压敏电阻过压烧毁，整流二极管击穿等，计量超差故障多发生于电子元器件的参数漂移，如电压、电流采样电阻阻值变化、互感器角差比差变化等。
经过分析，电能表各模块都是有源器件组成，功能模块失效，通常是由于模块内一个或多个元器件失效造成的。经初步统计，每年因元器件故障和外部环境影响造成的故障表占所有故障比例的90％以上，故需要分析出智能电能表元器件失效模式及失效原因。故障现象均体现在故障数据中，因此根据故障数据分析出失效的关键元器件更有意义。因此，依据元器件失效模式及原因，在智能电能表故障数据库的基础上，寻找一种智能电能表故障诊断方法尤为重要，快速准确的诊断各种故障，有助于电能表的管理和故障表问题的责任追溯。
技术实现要素：
本发明要解决的技术问题是提供一种基于覆盖集理论的智能电能表故障诊断方法，得出故障现象与失效元器件之间的关系，并能准确的分析出智能电能表的故障原因。
为了解决所述技术问题，本发明采用的技术方案是：一种基于覆盖集理论的智能电能表故障诊断方法，包括以下步骤：s01)、对智能电能表现场运行故障数据进行剔除及甄别，选择出由设备质量和外部环境影响造成的电能表故障；s02)、以甄别后的数据为基础，建立智能电能表现场运行故障数据库；s03)、根据智能电能表功能模块划分，对智能电能表现场运行的故障数据进行分类整理，确定故障现象与元器件之间的对应关系；s04)、依据故障现象与元器件之间的对应关系，采用覆盖集理论算法确定可能失效的电能表元器件，形成候选电能表故障诊断解；s05)、通过诊断解，采用概率理论中似然函数与极大似然原则，求出各失效元器件的故障概率；s06)、更新数据库，确定故障元器件。
本发明所述基于覆盖集理论的智能电能表故障诊断方法，步骤s03包括以下子步骤，s31)、确定故障现象与元器件之间的隶属函数，智能电能表故障现象组成论域x＝{x1、x2、x3、x4、、、xn}，xn代表不同的故障现象，n为大于或者1的正整数；失效元器件组成集合a，集合p(x)表示造成故障现象xn的失效元器件，p(x)＝{(x1)、(x1、x2)、(x1、x2、x3)、(x2、x3)、、、、(x1、x2、x3、x4、、、xn)}，则a∈p(x)，智能电能表故障与元器件之间的隶属函数由公式1所示：
智能电能表故障与元器件的关系包括完全无关ci、根本无关ui、无关i、相关性差bi、不明uk、相关性弱id、相关d、相关性强vd和完全相关(cd)，这些关系的隶属函数分别为：
μui(x)＝(1-x)2，x∈(0，1]
μi(x)＝1-x，x∈(0，1]
μbi(x)＝(1-x)1/2，x∈(0，1]
μuk(x)＝0.5，x∈(0，1]
μid(x)＝x1/2，x∈(0，1]
μd(x)＝x，x∈(0，1]
μvd(x)＝x2，x∈(0，1]
s32)、建立电能表故障原因和故障元器件之间的简化因果强度关系，根据智能电能表故障数据库，计算各种故障的发生概率，得到元器件与故障现象的决策表，然后根据模糊数学法，删除因果强度较小的模糊关系，得出元器件和故障现象的模糊关系，其中cij表示元器件引起故障现象的因果联系因子，该因子的选取由故障历史数据库统计得到，pi表示先验概率，先验概率也由历史数据库统计得到，先验概率的和为1，根据历史数据库判断元器件引发故障的的概率大小。
步骤03中，智能电能表功能模块包括电源模块、计量模块、显示模块和通信模块，分类整理后的电能表故障包括电源故障、计量超差、显示故障和通信故障。
步骤s04包括以下子步骤：s41)、建立智能电能表的故障诊断模型，该模型一个四元组函数表示，p＝(d，m+，m-，c)，式中d表示故障原因集，d＝{d1，d2，…，dn}，m+代表故障征兆集，m+＝{m1，m2，m3，…，mk}，m-代表非故障征兆集，m-＝{m1，m2，m3，…，mk}，c是定义在d×m+上的有序关系子集，也是故障内容集和故障原因集的联系强度，
s42)、已知d、m+、m-和c，利用已知的故障集合m+搜索故障原因
得到m+＝{m1，m2，m3}、m-＝{m4}，进行冗余覆盖集搜索该智能电能表的故障原因集合，且考虑到最小集合长度的原则，m+的非冗余覆盖集有{d1}、{d3}分别进行最大似然值的计算，得出故障数据的相关故障现象和非相关故障现象及相关失效元器件。
本发明所述基于覆盖集理论的智能电能表故障诊断方法，诊断解的似然度函数为：
本发明所述基于覆盖集理论的智能电能表故障诊断方法，故障原因集d＝{d1，d2，…，d10}，d1表示采样电阻，d2表示压敏电阻，d3表示压敏电阻，d4表示485芯片，d5表示光耦，d6表示tvs，d7表示液晶，d8表示二极管，d9表示mos管，d10表示电池；故障征兆集m+＝{m1，m2，m3，m4}，非故障征兆集m-＝{m1，m2，m3，m4}，m1表示计量误差，m2表示通信故障，m3表示显示故障，m4表示电池故障。
本发明的有益效果：本发明所述智能电能表故障诊断方法依据元器件失效模式及原因，在智能电能表故障数据库的基础上，快速准确的诊断各种故障，得出故障现象与失效元器件之间的关系，并能准确的分析出智能电能表的故障原因，有助于电能表的管理和故障表问题的责任追溯。
附图说明
图1为本发明所述智能电能表故障诊断方法的流程图；
图2为确定故障现象与元器件之间的对应关系的流程图；
图3为实施例1得出的故障现象与元器件之间的对应关系；
图4为实施例1得出的故障现象和故障元器件之间的因果强度关系；
图中：m1为计量误差，m2为通信故障，m3为显示故障，m4为电池故障；d1为采样电阻，d2为压敏电阻，d3为压敏电阻，d4为485芯片，d5为光耦d6为液晶，d7为瞬态抑制二极管管，d8为二极管，d9为电池，d10为mos管。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步说明。
本实施例公开一种基于覆盖集理论的智能电能表故障诊断方法，如图1所示，为其流程图。例如抽取智能电能表故障样本，发现一台智能电能表发生故障，电源板后面的电路烧毁，压敏电阻破裂。故障诊断方法步骤：
步骤一：对智能电能表现场运行故障数据进行剔除及甄别，选择出由设备质量和外部环境影响造成的电能表故障；
造成智能电能表故障的原因有设备本身质量缺陷、外部环境影响、人为操作失误等，通过对电能表故障统计发现，电能表故障大类中以设备质量和外部环境影响(如盐雾、潮湿、高压、震动)为主，而操作失误以及自然灾害影响占比例较少，由于电能表故障成因复杂，本实施例通过人工统计进行故障数据剔除和甄别，选择出由设备质量和外部环境影响造成的电能表故障。
步骤二：以甄别后的数据为基础，建立智能电能表现场运行故障数据库。
步骤三：根据智能电能表功能模块划分，对智能电能表现场运行的故障数据进行分类整理，确定故障现象与元器件之间的对应关系。
本实施例中，所述智能电能表功能模块包括电源模块、计量模块、显示模块、通信模块，分类整理后的电能表故障主要包括电源故障、计量超差、显示故障、通信故障等。
建立电能表故障现象与元器件之间的对应关系时，不同元器件可能会造成相同故障现象，例如二极管失效、电池失效都可能造成计量超差。故需要确定故障现象与失效元器件之间的隶属度，即详细对应关系。
如图2所示，确定故障现象与元器件之间的对应关系的具体步骤为：s31)、确定智能电能表故障现象与元器件之间的隶属函数，智能电能表故障现象组成论域x＝{x1、x2、x3、x4、、、xn}，xn代表不同的故障现象，n为大于或者1的正整数；失效元器件组成集合a，集合p(x)表示造成故障现象xn的失效元器件，p(x)＝{(x1)、(x1、x2)、(x1、x2、x3)、(x2、x3)、、、、(x1、x2、x3、x4、、、xn)}，a∈p(x)，智能电能表故障与元器件之间的隶属函数由下式表示：
智能电能表故障与元器件存在以下几种关系，完全无关(ci)，根本无关(ui)，无关(i)，相关性差(bi)，不明(uk)，相关性弱(id)，相关(d)，相关性强(vd)，完全相关(cd)，这些关系的隶属函数分别为：
μui(x)＝(1-x)2，x∈(0，1]
μi(x)＝1-x，x∈(0，1]
μbi(x)＝(1-x)1/2，x∈(0，1]
μuk(x)＝0.5，x∈(0，1]
μid(x)＝x1/2，x∈(0，1]
μd(x)＝x，x∈(0，1]
μvd(x)＝x2，x∈(0，1]
本步骤中，建立的故障现象与元器件之间的对应关系如图3所示。
s32)、利用语义强度和经验，建立电能表故障原因和故障元器件之间的简化因果强度关系，该简化因果强度关系如图4所示。
根据智能电能表故障历史数据库，计算各种故障的发生概率，得到元器件与故障现象的决策表，然后根据模糊数学法，删除因果强度较小的模糊关系，得出元器件和故障现象的模糊关系，其中cij表示元器件引起故障现象的因果联系因子，该因子的选取由故障历史数据库统计得到，pi表示先验概率，先验概率是根据以往的经验和分析得到的概率，也由历史数据库统计得到，先验概率的和为1，根据历史数据库判断元器件引发故障的的概率大小。如下表。
步骤四：依据故障对应关系分类，采用覆盖集理论算法确定可能失效的电能表元器件，形成候选电能表故障诊断解。
建立智能电能表的故障诊断模型，用一个四元组函数表示：
p＝(d，m+，m-，c)
其中，d表示故障原因集，d＝{d1，d2，…，dn}，m+代表故障征兆集，m+＝{m1，m2，m3，…，mk}，m-代表非故障征兆集，m-＝{m1，m2，m3，…，mk}，c是定义在d×m+上的有序关系子集，也是故障征兆集和故障原因集的联系强度，
本实施例中，故障原因集有10个元素，即n＝10，d1表示采样电阻，d2表示压敏电阻，d3表示压敏电阻，d4表示485芯片，d5表示光耦，d6表示液晶显示，d7表示瞬态抑制二极管，d8表示二极管，d9表示电池，d10表示mos管。
故障征兆集有4个因素，即k＝4，m1表示计量误差，m2表示通信故障，m3表示显示故障，m4表示电池故障。
非故障征兆集有4个因素，即k＝4，m1表示计量误差，m2表示通信故障，m3表示显示故障，m4表示电池故障。
例如采样电阻d1引起的故障征兆集为{m1}，非故障征兆集为{m2、m3、m4}.
已知d、m+、m-和c，利用已知的故障集合m+搜索故障原因
得到m+＝{m1，m2，m3}、m-＝{m4}，进行冗余覆盖集搜索该智能电能表的故障原因集合，且考虑到最小集合长度的原则，m+的非冗余覆盖集有{d1}、{d3}，分别进行最大似然值的计算，得出故障数据的相关故障现象和非相关故障现象及相关失效元器件。
步骤五：通过诊断解，采用概率理论中似然函数与极大似然原则，求出故障概率。似然度函数：
其中p1(d1)、p2(d1)分别反映了故障原因d1在多大程度上引起m+故障征兆的存在和m-故障征兆的不存在，判断故障原因d1的可能性，p3(d1)代表由d1的先验概率的加权。
本实施例中，
p1{d1}＝(1-(1-c11))(1-(1-c12)).(1-(1-c13)＝0.91*0.2*0.05＝0.0091
p1{d3}＝(1-(1-c31))(1-(1-c32)).(1-(1-c33))＝0.45*0.78*0.56＝0.1966
p2{d1}＝1
p3{d1}＝p1/(1-p1)＝0.6394
p3{d3}＝p3/(1-p3)＝0.7544
p(d1)＝p1(d1)p2(d1)p3(d1)＝0.0059
p(d3)＝p1(d3)p2(d3)p3(d3)＝0.1484
根据最大似然原则，l(d3)＞l(d1)，该智能电能表故障样本的最佳诊断解为d3，即压敏电阻故障。
步骤六：更新数据库，确定故障元器件，与现场实际相比，该智能电能表压敏电阻过压烧坏，得到最终诊断结果。
以上描述的仅是本发明的基本原理和优选实施例，本领域技术人员根据本发明做出的改进和替换，属于本发明的保护范围。