[发明专利]一种基于决策树的智能电表故障实时预测方法

摘要

一种基于决策树的智能电表故障实时预测方法，步骤为：1、对用电信息采集系统的智能电表数据预处理；2、根据智能电表故障判断模型，筛选用电信息采集系统的智能电表有故障的数据至智能电表故障数据库中；3、将智能电表故障数据库中的历史数据分为训练集和测试集，采用决策树算法对训练集进行数据挖掘，形成智能电表故障决策树和初步分类规则；4、通过测试集的数据对初步分类规则进行正确率评估，若正确率满足要求，则确定分类规则，若不满足要求，则返回训练集，重新训练；5、由最终确定的分类规则生成智能电表故障实时预测模型；6、将智能电表实时故障数据库链接至智能电表故障实时预测模型进行实时预测，得到智能电表故障实时预测结果。

主权项

1.一种基于决策树的智能电表故障实时预测方法，其特征在于，所述的实时预测方法的具体步骤如下：步骤1，对用电信息采集系统的智能电表数据进行数据预处理；步骤2，根据智能电表故障判断模型，将用电信息采集系统的智能电表有故障的数据筛选至智能电表故障数据库中；所述智能电表故障判断模型如下：(1)当进行电表总电量与各费率电量之和不等的故障数据筛选时，采用下式判断电表总电量与各费率电量之和不等的故障：式中：W代表电量，+代表电量的方向为正向，‑代表电量的方向为反向，i＝1代表总时段，W+1代表正向总电量，W‑1代表反向总电量，i＝2代表高峰时段，i＝3代表平时段，i＝4代表低谷时段，i＝5代表尖峰时段，e为电表费率数，ρ为总电量与各费率电量之和不等的判断因子；当e＝4时，表示电表为四费率电表，取ρ＝0.4；当e＝3时，表示电表为三费率电表，取ρ＝0.3；当e＝2时，表示电表为二费率电表，取ρ＝0.2；所述的四费率电表指支持高峰时段、平时段、低谷时段、尖峰时段4个时段计费的电表；三费率电表指支持仅高峰时段、平时段、低谷时段3个时段计费的电表；二费率电表指仅支持平时段、低谷时段2个时段计费的电表；判断原则如下：①电表的正反向总电量、正反向高峰时段电量、正反向平时段电量、正反向低谷时段电量均大于0，且不为空；②电表正反向各费率电量之和大于0；③电表总电量与各费率电量之和差值的绝对值大于某个阀值，阈值规则如下：如果是四费率电表，按0.4判断，三费率电表按0.3判断，二费率电表按0.2判断；④若同时满足判断原则①②③，则判断为严重故障；(2)当进行电能表飞走和突变故障数据筛选时，判断电能表飞走和突变的故障程序如下：a.首先计算当天最大电量Wf：式中：Wf为当天最大电量；Imax为最大电流；Ib为基本电流；b.然后计算电表飞走和突变因子K：式中：K为电表飞走和突变因子，Wt为当日电量；判断原则如下：①针对居民表，在1、2、7、8、9、12月份取最大电流Imax，按12小时计算电表飞走和突变因子K；在3、4、5、6、10、11月份取3倍基本电流Ib，按8小时计算电表飞走和突变因子K；②当进行电能表飞走和突变故障数据筛选时，采用公式(4)判断电能表飞走和突变故障：K≥1  (4)③若满足判据②，则判断为严重故障；(3)当进行电表反向有功示值大于零故障数据筛选时，采用下式判断电表反向有功示值大于零的故障：式中：P代表有功功率，Q代表无功功率，P‑总代表电表反向有功总功率，Q‑总代表电表反向无功总功率；判断原则如下：①电能表出现反向有功总功率或反向无功总功率大于0；②若满足判据①，则判断为严重故障；(4)当进行电能表倒走故障数据筛选时，电能表倒走判断的前提为排除抄读电表正反总电量总为空的记录，采用下式判断电能表倒走的故障：式中：W+1y为前一天的正向总电量，W‑1y为前一天的反向总电量；判断原则如下：根据日电量统计表判断，针对低压居民和单相工商业户，只判断前一天正向总电量W+1y和反向总电量W‑1y是否大于当天的抄表示值，即当天正向总电量W+1和反向总电量W‑1，如果成立，则判断为严重故障；(5)当进行电表时钟不对故障数据筛选时，电表时钟不对的故障判断程序如下：首先判断对时错误次数m，如果对时错误次数大于3次，则直接判定为严重故障，即：m＞3 严重  (7)式中：m为对时错误次数；若m不大于3，由在线监测查询是否满足Δt的要求，并按Δt的标准生成电能表时钟超差等级，则采用公式(8)判断：式中：Δt为终端与电能表时钟之差，计算方法见式(9)：Δt＝|t终端‑t电表|  (9)式中：t终端表示终端时钟，t电表表示电能表时钟；判断原则如下：①如果对时错误次数m超过3次，直接判断为严重故障；②如终端与电能表时钟之差Δt满足5min≤Δt＜15min，判断为一般故障；若15min≤Δt＜30min判断为重要故障；若Δt＞30min判断为严重故障；(6)当进行电表电能费率设置异常故障数据筛选时，采用下式判断电表电能费率设置异常的故障：W+5≠0或W‑5≠0  (10)式中，W+5为尖峰时段的正向电量，W‑5为尖峰时段的反向电量；判断原则如下：①只判断DLT‑2007规约的电能表；②判断是否存在尖峰时段的正向电量W+5或尖峰时段的反向电量W‑5，若存在，则判断为严重故障；(7)当进行电能表正向潜动故障数据筛选时，采用下式判断电能表正向潜动的故障：式中，W+3为平时时段的正向电量，W+4为低谷时段的正向电量，W+1为正向总电量；判断原则如下：若满足公式(11)3次，则判断为重要故障，若满足公式(11)5次，则判断为严重故障；(8)当进行电能表反向潜动故障数据筛选时，采用下式判断电能表反向潜动的故障：式中，W+1代表正向总电量，W‑1代表反向总电量；判断原则如下：针对结算类的电能表正向总电量和反向总电量同时存在并大于0.1的情况，则判断为严重故障；步骤3，选取智能电表故障数据库中的历史数据，将其分为训练集和测试集，采用决策树算法对训练集进行数据挖掘形成智能电表故障决策树，然后形成初步分类规则；步骤4，通过测试集的数据对初步分类规则进行正确率评估，若正确率满足要求，则确定分类规则，若正确率不满足要求，则返回至训练集，重新进行训练；步骤5，由最终确定的分类规则生成智能电表故障实时预测模型；步骤6，将智能电表实时故障数据库链接至智能电表故障实时预测模型进行实时预测，得到智能电表故障实时预测结果。