一种电力计量自动化终端故障类型预测方法和系统的制作方法
【技术领域】
[0001 ] 本发明涉及电力计量自动化终端技术领域，尤其涉及一种电力计量自动化终端故 障类型预测方法和系统。
【背景技术】
[0002] 随着电力系统规模的不断扩大和结构的日益复杂化，越来越多的自动装置应用到 电力系统。一旦电网发生故障，由于各级自动装置产生的大量报警信息将会快速地涌入电 力系统调度中心，使得调度员无法在短时间内迅速判断出故障原因，从而会给电网正常运 行带来严重的安全隐患和巨大的经济损失，因此及时排除故障对于电网安全经济运行来说 具有重大的意义。
[0003] 现有技术中，电力计量自动化终端通过公网与服务中心连接，但其采集到的用电 情况等数据的传输受到通信故障、停电等问题的影响，因此故障预测及其对应的类型分析 具有重要意义。目前，应用较为广泛的故障诊断方法包括：专家系统、人工神经网络、贝叶斯 网络、优化技术、支持向量机、Petri网络、模糊集理论、粗糙集理论和多代理技术等，但是在 实际的应用中，由于上述方法应用困难和准确性不足等原因，造成人工发现故障再实地排 查解决的情况还很普遍。
【发明内容】
[0004] 本发明实施例所要解决的技术问题在于，提供一种电力计量自动化终端故障类型 预测方法和系统，不仅能够提高终端故障预测的准确性，还能够准确定位终端故障的类型。
[0005] 为了解决上述技术问题，本发明实施例提供了一种电力计量自动化终端故障类型 预测方法，所述方法包括：
[0006] Sl、从故障终端和正常终端中，分别选择一定数量作为特征样本，并获取各特征样 本的历史通信数据；
[0007] S2、设置初始特征向量的维度及其对应的变量，且根据所述设置的变量，在所述获 取到的各特征样本的历史通信数据中，得到各特征样本的特征向量值及其形成的特征样本 库，并对所述形成的特征样本库进行K-means聚类运算，进一步筛选出聚类运算后满足第 一预设条件的数据及其对应的变量，得到由所述筛选出的变量形成的新特征向量；
[0008] S3、将已确定故障类型的终端作为训练样本，且获取各训练样本的历史通信数据， 并根据所述得到的新特征向量，在所述获取到的各训练样本的历史通信数据中，得到各训 练样本的特征向量值，以及由所述得到的各训练样本的特征向量值形成的训练样本库；
[0009] S4、将未确定故障类型的终端作为预测样本，且获取各预测样本的历史通信数据， 并根据所述得到的新特征向量，在所述获取到的各预测样本的历史通信数据中，得到各预 测样本的特征向量值；
[0010] S5、将所述得到的各预测样本的特征向量值依次分别与所述训练样本库中所有特 征向量值进行欧氏距离计算，得到各预测样本所计算出的欧氏距离值满足第二预设条件下 其分别对应在所述训练样本库中获取到的训练样本及训练样本的故障类型，且对各预测样 本分别统计出其所获取到的训练样本对应每一故障类型的数量，并将各预测样本各自统计 的数量最大值对应的故障类型作为其预测的故障类型。
[0011] 其中，所述步骤S2的具体步骤包括：
[0012] 确定所述初始特征向量为15维特征向量，并设置每一维度对应的变量；其中，所 述变量包括发送字节的均值、接收字节的均值、重连次数的均值、数据流量的均值、报警流 量的均值、心跳流量的均值、在线时间的均值、发送字节超过阈值的次数、接收字节超过阈 值的次数、重连次数超过阈值的次数、数据流量超过阈值的次数、报警流量超过阈值的次 数、心跳流量超过阈值的次数、在线时间超过阈值的次数和接收字节的方差；
[0013] 在所述获取到的各特征样本历史通信数据中，选取一定时间范围，且根据所述设 置的各个变量，在所选的一定时间范围内对各特征样本的特征向量赋值，得到各特征样本 的特征向量值，并进一步将所述得到的各特征样本的特征向量值组合成特征样本库；
[0014] 对所述形成的特征样本库分为K个类别进行κ-means聚类运算，得到由K个特征 样本的特征向量值作为质心形成的质心向量集，并根据所述得到的质心向量集，计算出所 述特征向量每一维度对应的方差；K为大于1的自然数；
[0015] 将所述计算出的每一维度对应的方差按照从大到小进行排序，筛选出前N个方差 对应的维度，且确定所述筛选出的各维度对应的变量，并将所述确定的各维度对应的变量 形成维度为N的新特征向量；其中，1〈N〈15,且为整数。
[0016] 其中，所述K为6, N为10。
[0017] 其中，在所述获取到的各特征样本历史通信数据中，选取一定时间范围，且根据所 述设置的各个变量，在所选的一定时间范围内对各特征样本的特征向量赋值，得到各特征 样本的特征向量值，并进一步将所述得到的各特征样本的特征向量值组合成特征样本库的 具体步骤包括：
[0018] 当获取到当前特征样本为正常终端时，从所述获取到的各特征样本历史通信数 据中，得到当前特征样本在所选一定时间范围内的数据，并在所述得到的数据中随机选取 多天完整数据，且根据所述设置的各个变量，得到当前特征样本为正常终端时的特征向量 值；
[0019] 当获取到当前特征样本为故障终端时，确定当前特征样本在所选一定时间范围内 的最后在线时间，并以所述确定的最后在线时间为起点，按时间反序方式在所选一定时间 范围的数据中选取多天完整数据，且根据所述设置的各个变量，得到当前特征样本为故障 终端时的特征向量值；
[0020] 将所述当前特征样本为正常终端及所述当前特征样本为故障终端时的特征向量 值组合，形成所述特征样本库。
[0021] 其中，所述步骤S5的具体步骤包括：
[0022] 将所述得到的各预测样本的特征向量值依次分别与所述训练样本库中所有特征 向量值进行欧氏距离计算，得到各预测样本对应于所述训练样本库分别形成的欧氏距离值 集；
[0023] 针对每一预测样本，均统计出其对应得到的欧氏距离值集中最小的M个欧氏距离 值以及所述得到的M个欧氏距离值在所述特征样本库中对应的训练样本，且进一步均统计 出其对应得到的M个训练样本中每一故障类型的数量；其中，M为正奇数；
[0024] 检测出每一预测样本各自对应M个样本中故障类型数量的最大值，并将各预测样 本各自检测出的最大值对应的故障类型作为其预测的故障类型。
[0025] 其中，所述M = 2J+1 ;其中，J为所述训练样本库中故障类型的种类数。
[0026] 其中，所述方法进一步包括：
[0027] 根据各预测样本各自统计出其所获取到的训练样本对应每一故障类型的数量，在 每一预测样本中，均按照故障类型数量从大到小的方式进行排序，并作为各预测样本故障 类型预测的优先顺序。
[0028] 本发明实施例还提供了一种电力计量自动化终端故障类型预测系统，所述系统包 括：
[0029] 历史数据获取单元，用于从故障终端和正常终端中，分别选择一定数量作为特征 样本，并获取各特征样本的历史通信数据；
[0030] 特征向量维度提取单元，用于设置特征向量的维度及其对应的变量，且根据所述 设置的变量，在所述获取到的各特征样本的历史通信数据中，得到各特征样本的特征向量 值及其形成的特征样本库，并对所述形成的特征样本库进行K-means聚类运算，进一步筛 选出聚类运算后满足第一预设条件的数据及其对应的变量，得到由所述筛选出的变量形成 的新特征向量；
[0031] 训练样本构建单元，用于将已确定故障类型的终端作为训练样本，且获取各训练 样本的历史通信数据，并根据所述得到的新特征向量，在所述获取到的各训练样本的历史 通信数据中，得到各训练样本的特征向量值，以及由所述得到的各训练样本的特征向量值 形成的训练样本库；
[0032] 预测样本构建单元，用于将未确定故障类型的终端作为预测样本，且获取各预测 样本的历史通信数据，并根据所述得到的新特征向量，在所述获取到的各预测样本的历史 通信数据中，得到各预测样本的特征向量值；
[0033] 预测样本故障类型预测单元，用于将所述得到的各预测样本的特征向量值依次分 别与所述训练样本库中所有特征向量值进行欧氏距离计算，得到各预测样本所计算出的欧 氏距离值满足第二预设条件下其分别对应在所述训练样本库中获取到的训练样本及训练 样本的故障类型，且对各预测样本分别统计出其所获取到的训练样本对应每一故障类型的 数量，并将各预测样本各自统计的数量最大值对应的故障类型作为其预测的故障类型。
[0034] 实施本发明实施例，具有如下有益效果：
[0035] 在本发明实施例中，由于通过分析终端通信流量特征，构建出特