[发明专利]一种学习拆回表故障特征规则预测在运电能表是否故障的方法

说明书

本发明涉及一种学习拆回表故障特征规则预测在运电能表是否故障的方法，使用XGBoost模型学习拆回分拣结果和电能表的历史运行事件的数据中电能表故障与否的规则，利用学习到的规则预测在运表是否故障。本发明可降低在运电能表批量故障集中爆发风险且工作效率高。

技术领域

本发明涉及电力计量行业的拆回电能表管理领域，特别是涉及一种学习拆回表故障特征规则预测在运电能表是否故障的方法。

背景技术

随着国网“大营销”体系建设的实施，各网省公司基本形成电能计量器具管理实现了集中检定、统一配送模式，全自动检定流水线的应用。但各省公司在拆回表资产管理方面普遍薄弱，智能电能表故障库还不够完整，未纳入检定检测业务、现场勘察环节的故障数据，缺乏对电能表故障信息进行有效的数据管理、监控、统计手段。缺少电能表故障预报机制。

为规范拆回电能表的分拣管理方式及业务流程，按照“及时分拣、充分利旧、规范处置”的管理原则，结合公司计量资产全寿命周期管理有关规定。根据故障数据的到货批次、安装时间、安装区域、运行抽检、用户申校检测等信息，结合在运电能表状态数据信息，探寻典型故障的发生规律和特点，实现在运电能表故障的预报，使工作人员提前预知故障未来发生情况，加强风险防范措施，降低在运电能表批量故障集中爆发风险。

发明内容

本发明的目的是提供一种学习拆回表故障特征规则预测在运电能表是否故障的方法，可降低在运电能表批量故障集中爆发风险且工作效率高。

本发明采用如下技术方案：

一种学习拆回表故障特征规则预测在运电能表是否故障的方法，使用XGBoost模型学习拆回分拣结果和电能表的历史运行事件的数据中电能表故障与否的规则，利用学习到的规则预测在运表是否故障。

该方法具体包括如下步骤：

步骤一、数据采集：采集拆回分拣表的数据；

步骤二、数据预处理：将采集到的数据加工处理成模型能够使用的数据；

步骤三、建模分析：使用XGBoost模型对步骤二中的预处理数据进行分析，学习如何判断电能表是否故障的规则；

步骤四、数据结果落地：利用学习到的规则，使用步骤二加工好的在运电能表数据，判断出在运电能表是否故障。

方法中，步骤一的数据源为ORACLE数据库系统。

方法中，利用ORACLE数据库系统内包含的MDS系统中采集数据。

方法中，步骤一中拆回分拣表的数据包括采集异常数据、计量异常数据、拆回分拣数据以及档案数据。

方法中，步骤二中所述模型能够使用的数据包括学习使用的数据和预测需要使用的数据。

方法中，步骤二的数据的加工处理由数据库存储过程完成。

方法中，步骤三中XGBoost模型的训练和预测由Python完成。

方法中，步骤四中，将XGBoost模型得到的拆回表故障规则与在运电能表数据进行比较，判断出在运电能表是否故障。

方法中，其还包括：步骤五、可视化操作：将结果进行可视化展示。

本发明的有益效果在于：

1、本发明通过对历史数据的学习，找到判断电能表是否故障的规则，并能根据最新的数据，自动学习最新的判定规则。

2、本发明实现在运电能表故障的预报，使工作人员提前预知故障未来发生情况，加强风险防范措施，降低在运电能表批量故障集中爆发风险

3、本发明整个分析过程无需人工干预，提升工作效率。

附图说明