[发明专利]一种电力计量自动化终端故障类型预测方法和系统

摘要

本发明提供一种电力计量自动化终端故障类型预测方法，该方法为首先在终端中选取特征样本及其对应的历史通信数据，且通过初始特征向量得到由各特征样本特征向量值形成的特征样本库，并进行K‑means聚类运算，在初始特征向量中筛选出新特征向量；其次，将已确定故障类型的终端作为训练样本，根据新特征向量，构建训练样本库；最后，将未确定故障类型的终端作为预测样本，根据新特征向量，得到各预测样本的特征向量值，且与训练样本库中进行欧氏距离计算，得到各预测样本在训练样本库中满足条件下训练样本故障类型及数量，并将各预测样本故障类型数量最大的作为其预测的故障类型。实施本发明，能提高终端故障预测的准确性，还能准确定位终端故障类型。

主权项

一种电力计量自动化终端故障类型预测方法，其特征在于，所述方法包括：S1、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；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；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；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；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；其中，所述步骤S2的具体步骤包括：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；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；对所述形成的特征样本库分为K个类别进行K‑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；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；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：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；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；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。