文档介绍：该【智能电表故障大数据分析探究 】是由【非学无以广才】上传分享，文档一共【12】页，该文档可以免费在线阅读，需要了解更多关于【智能电表故障大数据分析探究 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。智能电表故障大数据分析探究
作者:贺宁
来源:《中小公司管理与科技·上旬刊》第07期
        摘要:电力行业贸易结算用智能电表功能多,故障类型多样。随着运营时间的延长,故障发生的概率增长。本文是针对智能电表故障类型、发生概率等数据的分析和总结,探究智能电表数据仓库模型建立,对进一步做好智能表质量评估和运营电能表故障预测提出解决措施。
        核心词:智能电表;故障;数据;分析
        中图分类号:TM93文献标记码:A文章编号:1673-1069()19-142-4
        1故障数据整顿及数据仓库的构建
        
        通过已有的SG186系统、MDS系统、拆回表分拣系统,对智能电表故障数据进行汇总。通过整顿发现,智能电表故障数据维度高,信息条目数多。在众多维度中选择和电表故障问题关系比较紧密的影响因子信息,并且将它们整合在一起。对数据自身的某些问题进行清理,对缺失值、不合理数据以及不符合书写规范的数据。
        通过对各维度离散化标称数据的数目,并将她们进行编号,最后以编号的形式存入数据仓库中。对于日期型的数据,统一成天、月、年三种纬度来进行储存。电表的使用寿命长度以天为单位计算,电表的读数统一为小数点后两位。
        
        通过对已有故障数据的汇总分类,初步建立数据库。数据库涉及7个维度表、2个事件表。维度表分别为通讯接口表(CommunicationInterface)、芯片厂商表(ChipManufactory)、电流型号表(ElectricCurrent)、电表厂商表(ElectricMeterManufactory)、时间表(Time)、电表故障表(MeterFault)、地区表(DArea)。事件表是电表信息表(Meter)和坏表信息表(BadMeter)。
        故障数据仓库各表字段涉及条形码编号、表故障编号、安装时间、拆除时间、地区编号、电池使用时间、电池电压、开盖次数、电表读数、芯片型号编号、芯片型号、通讯接口编号、通讯接口型号、地区名称、建档日期、故障类型、故障编号。
        各表中的数据,根据对于旧表数据的记录,共有7个芯片型号、8种通讯接口、5种电流型号、30个电表厂家和28种电表故障。按照天津区域分布,将天津分为10个区域,把时间分为日、月、年三个维度,在决策时可以按照不同步间纬度来进行记录工作。
        2故障分布与有关性分析
        
        针对各电表生产厂商的故障电表,进行如下三项分析:
        各电表生产厂商内部的故障分布比例;各电表厂商的易发生故障列表(采用基于t检查的评分机制);各电表厂商的特有故障列表(厂商的特有故障为相对于其她电表生产厂商,该厂商更易浮现的故障,采用tf/idf法分析)。
        从分析成果发现,多数厂商和地区的故障分布均具有一定特殊性,可以通过进一步分析找到某厂商或地区区别于其她地区的特有故障类型。
        
        对各故障之间的有关限度进行分析(采用通过t检查的斯皮尔曼级别有关系数,保存有关度>,共20对)。
        从分析成果中我们可以看到,部分故障类型之间存在极高的有关性。
        3故障/参数间因果关系检查
        
        Granger因果检查通过比较“已知上一时刻所有信息,这一时刻X的概率分布状况”和“已知上一时刻除Y以外的所有信息,这一时刻X的概率分布状况”来进行假设检查,进而判断Y对X与否存在因果关系。
        在本任务中,我们一方面对芯片型号、电流型号、通讯接口型号、地区、生产厂家、电表使用时间、电表读数、电表故障构成的矩阵进行单位根检查,以判断序列与否是平稳的。如果平稳则进一步两列两列之间进行Granger因果检查。
        
        在进行单位根检查后,ADF-FisherChi-square的P值为0,,因此序列是平稳的。在进行Granger因果检查后得到如下实验成果。
        ①对于电表故障来说,芯片型号、使用地区、电表生产厂商、通讯接口型号、电流型号、电表读数、使用时间都是影响的因素。
        ②对于电表寿命来说,芯片型号、使用地区、电表生产厂商、通讯接口型号、电流型号、电表读数都是影响的因素。
        ③同步我们发现使用地区的不同,对于电表完整的生存周期中的读数有因果关系。我们由此可以猜想不同地区的用电****惯也许会有不同。
        4故障预测
        在因果分析中,我们验证了和电表故障与寿命有关的影响因素,目前我们用这些影响因素来训练基本的分类器。在原始数据中,我们总共记录出了28种故障。故障类型过于细化且多种故障发生的数量相差极大,对于我们分类器的分类精度导致了非常大的影响。因此我们参照《》,将28种故障分为3大类。我们的分类工作重要是针对这3大类进行分类。
        第一类,也可以称作管理问题,重要涉及外观有污迹和无载波模块两类。
        第二类是等待报废的问题,重要涉及表壳损坏、按键失灵、铭牌损坏、铅封损坏、接线端子损坏等。
        剩余的问题都涉及在第三种中,重要涉及ERR-01到ERR-08、RS485通讯故障、继电器故障、黑屏白屏花屏、卡槽坏、密钥恢复不成功、日计时误差不合格、液晶显示故障等等。
        接下来我们就针对这三种故障进行了分类器的训练。目的有两个:
        一是在电表入库时就预先判断该电表的也许故障。
        二是对已使用电表也许发生故障的预测。
        
        
        朴素贝叶斯法是基于贝叶斯定理与特性条件独立假设的分类措施。朴素贝叶斯分类器基于一种简朴的假定:给定目的值时属性之间互相条件独立。贝叶斯公式是:
        P(C|X)=(P(X|C)P(C))/P(X)
        其中C代表的是我们需要判断的类别,而X代表的各维参数所构成的向量。
        基于假定我们可以把P(Ci|X)的概率转化为P(Ci|X)=P(x1|Ci)P(x2|Ci)...P(xn|Ci)P(Ci)。然后我们比较所得的概率大小,选用概率最大的类别作为我们分类器的预测类别。
        
        一方面我们从数据仓库中把我们所需要纬度的数据提取出来,并按照我们需要的格式编排完毕。然后分别记录我们需要的多种先验知识并训练模型。
        
        ①入库电表故障预测
        %。(如表1)
        表1入库电表故障预测
        [A\&B\&C\&Classifiedas\&17301\&323\&17461\&A=1\&2467\&243\&2376\&B=2\&13418\&576\&51133C=3\&C=3\&]
        从表格中可以看出我们的朴素贝叶斯分类器对于第三类故障的分类精确度最高,对于第一类的分类精确度次之,对于第二类的分类精确度最差。
        如下是分类器工作的示意范例,我们将规范化的芯片型号、地区、生产厂商、通讯接口型号、电流型号构建成一种向量。、地区是城南、生产厂家是浙江万胜电力仪表有限公司、通讯接口型号是东软载波,电流型号是5(60)A的电表将各维信息转化为(2,7,25,3,5)的向量输入我们的模型,通过模型计算输出成果是3,表达模型预测这块表后来发生第3类故障的概率最高。
        有关具体的模型数据,可参照《》以及《》
        ②已用电表故障预测
        %。(如表2)
        从表格中可以看出我们的朴素贝叶斯分类器对于第三类故障的分类精确度最高,对于第一类的分类精确度次之,对于第二类的分类精确度最差。
        如下是分类器工作的示意范例,我们将规范化的芯片型号、地区、生产厂商、通讯接口型号、电流型号、电表使用时间、电表读数构建成一种向量。、地区是城南、生产厂家是浙江万胜电力仪表有限公司、通讯接口型号是东软载波,电流型号是5(60)A、已使用寿命400~800天、已读1000~10000字的电表,将各维信息转化为(2,7,25,3,5,2,2)的向量输入我们的模型中,通过模型计算输出成果是3,表达模型预测这块表如果将会发生故障那么发生第三类故障的也许性最高。
        有关朴素贝叶斯模型分类器训练模型及参数的具体信息,可参照《》以及《》。
        
        
        决策树是在已知多种状况发生概率的基本上,通过构成决策树来评价项目风险,判断其可行性的决策分析措施,是直观运用概率分析的一种图解法。
        
        一方面通过记录工作以及数据变换,我们需要构造出输出数据。然后按照计算信息熵,以信息熵衰减限度从大到小的顺序构建树构造。最后在叶子节点中,通过投票多数通过的方式决定分类成果
        
        ①入库电表故障预测
        %。其中对第三类故障的分类精确度较高,第一类次之,对第二类的分类效果较差。
        表3决策树入库电表故障预测成果
        
        如下是分类器工作的示意范例,我们将规范化的芯片型号、地区、生产厂商、通讯接口型号、电流型号构建成一种向量。、地区是城东、生产厂家是浙江万胜电力仪表有限公司、通讯接口型号是东软载波,电流型号是5(60)A的电表,将各维信息转化为(2,6,25,3,5)的向量输入我们的模型中,、、,那么我们预测这块表将来发生第三类故障的概率最高。
        ②已用电表故障预测
        %。其中对第三类故障的分类精确度较高,第一类次之,对第二类的分类效果较差。
        表4决策树已用电表故障预测成果
        
        如下是分类器工作的示意范例,我们将规范化的芯片型号、地区、生产厂商、通讯接口型号、电流型号、电表使用时间、电表读数构建成一种向量。、地区是城东、生产厂家是浙江万胜电力仪表有限公司、通讯接口型号是东软载波,电流型号是5(60)A、已使用寿命400~800天、已读1000~10000字的电表,将各维信息转化为(2,6,25,3,5,2,2)的向量输入我们的模型中,、、,那么我们预测这块表将来发生第三类故障的概率最高。
        
        
        神经网络是一种应用类似于大脑神经突触连接的构造进行信息解决的数学模型。我们所采用的多层感知器是一种前馈神经网络模型,可以将输入的多种数据集映射到单一的输出的数据集上。我们在输出层的激活函数选择了softmax回归函数。Softmax回归函数是Logistic回归模型在多分类问题上的推广,可以将目的变量分为K类。最后我们可以得到样本属于各个类的概率分别是多少。
        
        一方面进行数据变换,将数据变换成我们需要的格式,然后初始化我们的多层感知机并应用调节的共轭梯度下降算法反复迭代更新神经网络中每个节点的权值,输出成果使用softmax回归函数进行激活。等参数收敛后,我们就得到了一种softmax神经网络模型。
        
        ①入库电表故障预测
        我们选择芯片型号、地区、生产厂商、通讯接口型号、电流型号作为纬度,将各个可取的属性值改为0-1表达的布尔值,这样我们就构建了有60个节点的输入层,有两个节点数分别为12和9的隐藏层以及有3个输出节点的输出层的softmax多层感知机。(如表5)
        可以看出,在入库电表故障预测中我们的softmax多层感知机模型对于第三类故障分类精确率最高,对于第一类次之,对于第二类效果最差。
        如下是分类器工作的示意范例,我们将规范化的芯片型号、地区、生产厂商、通讯接口型号、电流型号构建成一种60维0-1向量。、地区是城东、生产厂家是浙江万胜电力仪表有限公司、通讯接口型号是东软载波,电流型号是5(60)A,将各维信息转化为向量输入我们的模型中,、、,那么我们预测这块表将来发生第三类故障的概率最高。
        ②已用电表故障预测
        我们选择芯片型号、地区、生产厂商、通讯接口型号、电流型号、电表使用时间、电表读数作为纬度,将各个可取的属性值改为0-1表达的布尔值,这样我们就构建了有70个节点的输入层,有两个节点数分别为13和10的隐藏层以及有3个输出节点的输出层的softmax多层感知机。(表6)
        可以看出在已用电表故障预测中,我们的softmax多层感知机模型对于第三类故障分类精确率最高,对于第一类次之,对于第二类效果最差。
        如下是分类器工作的示意范例,我们将规范化的芯片型号、地区、生产厂商、通讯接口型号、电流型号、电表使用时间、电表读数构建成一种70维0-1向量。、地区是城东、生产厂家是浙江万胜电力仪表有限公司、通讯接口型号是东软载波,电流型号是5(60)A、已使用寿命400~800天、已读1000~10000字的电表,将各维信息转化为向量输入我们的模型中,、、,那么我们预测这块表将来发生第三类故障的概率最高。
        5结论
        两种方案唯一的区别在于RS485总线、低压电力线载波混合抄表系统增长了一层物理设备,即采集终端,使得系统由主站、集中器、采集终端和RS485总线电能表四层物理设备构成。
        ①综合性能(性价比),方案1占优;
        ②在通信性能、远程断送电控制、抗扰能力方面,方案1优势明显;
        ③在功能扩展、设备成本方面,方案2占优;
        ④方案2最大缺陷是安装、调试和维护工作量大,且RS485总线抗干扰能力相对较弱;
        ⑤方案1最大缺陷是一体化载波电能表成本相对较高。
        参考文献
        [1]多功能电能表通讯合同[M].中国电力出版社,.