技术领域
[0001] 本发明属于故障诊断技术领域，更具体地说，是涉及一种智能电表故障诊断系统。
相关背景技术
[0002] 智能电表现场可靠运行的风险主要来源于自身元器件失效导致的电表故障和运行环境异常导致的异常运行状态，传统的质量管控只能通过电表安装前的试验和安装后的运行抽检、周期检验来保证电表的可靠运行，其缺点是实时性差，且用于管控分析的数据维度较少，难以及时、全面地掌握电表故障状态。
[0003] 因此，如何提高智能电表故障诊断的实时性成为本领域亟需解决的问题。
具体实施方式
[0034] 为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0035] 下面结合附图和具体实施方式对本发明作进一步详细的说明。
[0036] 请参考图1，图1为本发明一实施例提供的智能电表故障诊断系统的结构示意图，该智能电表故障诊断系统10包括：
[0037] 多个监测装置11、无线通信装置12以及监控主机13；每个监测装置11与其对应区域的各个智能电表连接，各个监测装置11通过无线通信装置12与监控主机13连接。
[0038] 各个监测装置11采集其对应区域内各个智能电表的影响因素数据，并通过无线通信装置12将采集的影响因素数据发送至监控主机13。监控主机13根据各个监测装置采集的影响因素数据训练得到全区故障诊断模型，并将全区故障诊断模型的权重系数数据发送至各个监测装置11。各个监测装置11基于其对应区域内各个智能电表的影响因素数据、权重系数数据训练得到其对应区域的故障诊断模型，并基于其对应区域的故障诊断模型对其对应区域内的各个智能电表进行故障诊断。
[0039] 在本实施例中，每个监测装置11可实现一区域内智能电表的监测，也即每个监测装置11都对应一监测区域，监控主机13对应的是各个监测装置11对应区域的集合。
[0040] 在本实施例中，每个监测装置11都具备数据采集功能以及数据处理功能。
[0041] 在本实施例中，需要说明的是，在进行故障诊断模型的训练时，采用的是历史影响因素数据，其中，历史影响因素数据对应的电表故障结果(也即故障诊断模型的理论输出值)可以额外获取使用，也可实现存储使用，此处不作限定。由于模型的训练过程为本领域熟知的手段，此处不再赘述。
[0042] 从以上描述可知，区别于现有技术中的人工诊断方案，本发明实施例通过设置多个监测装置、无线通信装置、监控主机来实现智能电表故障的自动诊断，解决了现有技术中人工诊断实时性差的问题。在此基础上，本发明实施例还给出了监测装置以及监控主机所协同完成的故障诊断流程，也即监测装置上传影响因素数据，监控主机先根据所有的影响因素数据训练得到全区故障诊断模型，再将全区故障诊断模型的模型结构数据和权重系数数据发送至各个监测装置，由各个监测装置根据本区域的影响因素数据以及全区故障诊断模型的模型结构数据和权重系数数据训练本区域对应的故障诊断模型，最后基于本区域对应的故障诊断模型完成本区域内智能电表的故障诊断。分析此诊断方案可知，在本发明实施例中，监控主机可以利用尽可能多的样本训练全区故障诊断模型，保证了全区故障诊断模型的泛化能力，在此基础上，将全区故障诊断模型的权重系数发送至各个监测装置，由各个监测装置根据其对应区域的影响因素数据以及监控主机提供的权重系数进行再训练，在保证模型泛化能力的基础上考虑到了区域特性与电表故障之间的联系，从而有效提高了智能电表故障诊断的准确性。
[0043] 可选的，作为本发明实施例提供的智能电表故障诊断系统的一种具体实施方式，各个监测装置还通过无线通信装置将其对应区域内各个智能电表的故障诊断结果发送至监控主机。
[0044] 监控主机还基于全区故障诊断模型对全区的智能电表进行故障诊断，得到全区故障诊断结果，并基于全区故障诊断结果以及各个监测装置对应的故障诊断结果确定各个智能电表最终的故障诊断结果。
[0045] 其中，全区指的是各个监测装置对应区域的集合。
[0046] 在本实施例中，监控主机可基于训练得到的全区故障诊断模型、以及全区的影响因素数据进行各个智能电表的故障诊断，并得出全区故障诊断结果，最后结合各个监测装置上传的故障诊断结果确定各个智能电表最终的故障诊断结果，以提高故障诊断的准确性。
[0047] 可选的，作为本发明实施例提供的智能电表故障诊断系统的一种具体实施方式，监控主机将全区故障诊断结果以及各个监测装置发送的故障诊断结果输入至预设的泛化平均算子中，得到各个智能电表最终的故障诊断结果。
[0048] 在本实施例中，监控主机综合两类故障诊断结果的方法可以为：将两类故障诊断结果输入至泛化平均算子中，得到各个智能电表最终的故障诊断结果。
[0049] 其中，泛化平均算子可以为：
[0050] y′12＝1‑(((1‑y′1)m+(1‑y′2)m)/2)1/m
[0051] m＝(3‑4h)/(4h(1‑h))
[0052] 其中，y′12为各个智能电表最终的故障诊断结果，y′1为全区故障诊断结果，y′2为各个监测装置发送的故障诊断结果(组合而成的全区域的故障诊断结果)，h为y′1和y′2的广义相关系数。
[0053] 可选的，作为本发明实施例提供的智能电表故障诊断系统的一种具体实施方式，监控主机还基于各个监测装置采集的影响因素数据确定各个监测装置对应的权重，并基于全区故障诊断结果、各个监测装置发送的故障诊断结果、各个监测装置对应的权重确定各个智能电表最终的故障诊断结果。
[0054] 在本实施例中，监控主机也可根据各个监测装置对应的权重确定各个智能电表最终的故障诊断结果。
[0055] 其中，监控主机确定各个监测装置对应的权重的方法可以为：
[0056] 计算各个监测装置采集的影响因素数据的平均值，并基于该平均值确定各个监测装置采集的影响因素数据的标准差，根据各个监测装置对应的标准差确定各个监测装置对应的权重。也即第i个监测装置对应的权重ηi为
[0057] 在此基础上，监控主机确定各个智能电表最终的故障诊断结果的方法为：
[0058] y′12＝y′1×(1‑η)+y′2×η
[0059] 其中，y′12为各个智能电表最终的故障诊断结果，y′1为全区故障诊断结果，y′2为各个监测装置发送的故障诊断结果(组合而成的全区域的故障诊断结果)，η为ηi的集合(在实际计算时，η的具体值根据诊断的智能电表选取，也即确定诊断的智能电表所对应的监测装置，选取该监测装置对应的权重)。
[0060] 优选的，故障诊断结果为某一智能电表的故障概率。
[0061] 可选的，作为本发明实施例提供的智能电表故障诊断系统的一种具体实施方式，监控主机在根据各个监测装置采集的影响因素数据训练得到全区故障诊断模型之前，还对各个监测装置采集的影响因素数据进行聚类处理，基于聚类处理结果对各个监测装置采集的影响因素数据进行筛选。
[0062] 相应的，监控主机基于筛选后的影响因素数据训练得到全区故障诊断模型。
[0063] 在本实施例中，监控主机可对各个监测装置采集的影响因素数据进行聚类处理，基于聚类处理确定的影响因素数据的相似性对影响因素数据进行筛选，以剔除区域影响性较大的数据，提高全区诊断模型的训练精度。
[0064] 可选的，作为本发明实施例提供的智能电表故障诊断系统的一种具体实施方式，监控主机具体采用以下方法对各个监测装置采集的影响因素数据进行筛选：
[0065] 对各个监测装置采集的影响因素数据进行聚类处理，得到多个数据类。
[0066] 选择数据量最大的数据类作为主类，计算各个影响因素数据与主类的聚类中心的距离，将距离聚类中心最近的前a％个影响因素数据添加至主类。
[0067] 将主类中的数据作为筛选后的影响因素数据。其中，a为预设值。
[0068] 可选的，作为本发明实施例提供的智能电表故障诊断系统的一种具体实施方式，各个监测装置将其对应区域内各个智能电表的影响因素数据作为训练数据、将权重系数数据作为故障诊断模型的初始权重，训练得到其对应区域的故障诊断模型。
[0069] 在本实施例中，可直接利用全区故障诊断模型提供的权重系数作为初始权重系数进行区域内故障诊断模型的训练，在保持模型训练精度的同时可有效提高各个监测装置模型训练的效率。
[0070] 可选的，作为本发明实施例提供的智能电表故障诊断系统的一种具体实施方式，影响因素数据包括环境数据和表计数据。各个监测装置均包括环境数据采集单元、多个设备数据采集单元、数据处理单元。
[0071] 环境数据采集单元用于采集各个监测装置对应区域的环境数据。
[0072] 设备数据采集单元用于采集智能电表的表计数据。
[0073] 数据处理单元用于基于其对应区域内各个智能电表的影响因素数据、权重系数数据训练得到其对应区域的故障诊断模型，并基于其对应区域的故障诊断模型对其对应区域内的各个智能电表进行故障诊断。
[0074] 在本实施例中，环境数据采集单元包括温度传感器、湿度传感器等。
[0075] 可选的，作为本发明实施例提供的智能电表故障诊断系统的一种具体实施方式，无线通信装置为ZigBee通信模块、WiFi通信模块、BLE‑Mesh通信模块、Lora通信模块或NB‑IOT通信模块。
[0076] 可选的，请参考图2，作为本发明实施例提供的智能电表故障诊断系统的一种具体实施方式，智能电表故障诊断系统10还包括移动终端14。
[0077] 移动终端14与无线通信装置12连接，各个监测装置11还将其对应区域内的各个智能电表的故障诊断结果发送至移动终端14。
[0078] 在本实施例中，可设置移动终端14，供作业人员实时了解智能电表的故障诊断情况。
[0079] 参见图3，图3为本发明一实施例提供的监控主机的示意框图。如图3所示的本实施例中的监控主机12可以包括：一个或多个处理器301、一个或多个输入设备302、一个或多个输出设备303及一个或多个存储器304。上述处理器301、输入设备302、输出设备303及存储器304通过通信总线305完成相互间的通信。存储器304用于存储计算机程序，计算机程序包括程序指令。处理器301用于执行存储器304存储的程序指令。其中，处理器301被配置用于调用程序指令执行以下步骤：
[0080] 根据各个监测装置采集的影响因素数据训练得到全区故障诊断模型，并将全区故障诊断模型的权重系数数据发送至各个监测装置。
[0081] 或者基于全区故障诊断模型对全区的智能电表进行故障诊断，得到全区故障诊断结果，并基于全区故障诊断结果以及各个监测装置对应的故障诊断结果确定各个智能电表最终的故障诊断结果。
[0082] 或者将全区故障诊断结果以及各个监测装置发送的故障诊断结果输入至预设的泛化平均算子中，得到各个智能电表最终的故障诊断结果。
[0083] 或者基于各个监测装置采集的影响因素数据确定各个监测装置对应的权重，并基于全区故障诊断结果、各个监测装置发送的故障诊断结果、各个监测装置对应的权重确定各个智能电表最终的故障诊断结果。
[0084] 或者在根据各个监测装置采集的影响因素数据训练得到全区故障诊断模型之前，还对各个监测装置采集的影响因素数据进行聚类处理，基于聚类处理结果对各个监测装置采集的影响因素数据进行筛选。
[0085] 或者对各个监测装置采集的影响因素数据进行聚类处理，得到多个数据类。
[0086] 选择数据量最大的数据类作为主类，计算各个影响因素数据与主类的聚类中心的距离，将距离聚类中心最近的前a％个影响因素数据添加至主类。
[0087] 将主类中的数据作为筛选后的影响因素数据。其中，a为预设值。
[0088] 应当理解，在本发明实施例中，所称处理器301可以是中央处理单元(Central Processing Unit，CPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field‑Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0089] 输入设备302可以包括触控板、指纹采传感器(用于采集用户的指纹信息和指纹的方向信息)、麦克风等，输出设备303可以包括显示器(LCD等)、扬声器等。
[0090] 该存储器304可以包括只读存储器和随机存取存储器，并向处理器301提供指令和数据。存储器304的一部分还可以包括非易失性随机存取存储器。例如，存储器304还可以存储设备类型的信息。
[0091] 具体实现中，本发明实施例中所描述的处理器301、输入设备302、输出设备303用于执行本发明实施例所描述的监控主机的实现方式，在此不再赘述。
[0092] 以上，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
