一种电能表烧表在线监测方法、系统及介质技术方案

本发明专利技术公开了一种电能表烧表在线监测方法、系统及介质，本发明专利技术电能表烧表在线监测方法，包括：1)获取被监测电能表的特征数据，所述特征数据包括电气特征数据、产品特征数据和环境特征数据；2)将特征数据输入预先训练好的机器学习模型，得到机器学习模型输出的被监测电能表未来发生烧表的概率评估结果。本发明专利技术基于特征数据包括电气特征数据、产品特征数据和环境特征数据、发生烧表的概率评估结果之间的映射关系，可通过电能表的历史数据在线监测电能表在未来发生烧表情况的概率，解决了电能表烧表现象难以监测的难题，能够变被动抢修为主动抢修，提高客户的用电体验，提升基层供电服务员工的工作效率，解决烧表抢修不及时的问题。解决烧表抢修不及时的问题。解决烧表抢修不及时的问题。

【技术实现步骤摘要】
一种电能表烧表在线监测方法、系统及介质


[0001]本专利技术涉及电能表在线监测技术，具体涉及一种电能表烧表在线监测方法、系统及介质，可用于通过电能表的历史数据在线监测电能表在未来发生烧表情况的概率。

技术介绍

[0002]电能表是进行电力交易与结算的重要电力设备。电能表一般安装于用户进线开关之后，用电设备之前，因此电能表一旦出现故障，会导致用户停电，轻则影响用户的用电体验，重则给用户带来经济和财产损失。而烧表是电能表的一种常见故障。引起故障的原因可能有多种，常见的原因有接线端子未拧紧、接触不良、负荷过大等，由于缺乏在线监测手段，供电公司对烧表的处理一般都是接到用户的联系电话后再进行现场勘查和换表等工作，处理周期长，严重影响用户的用电体验，同时也给基层供电员工带来了很多的临时性工作。

技术实现思路

[0003]本专利技术要解决的技术问题：针对现有技术的上述问题，提供一种电能表烧表在线监测方法、系统及介质，本专利技术可通过电能表的历史数据在线监测电能表在未来发生烧表情况的概率，解决了电能表烧表现象难以监测的难题，能够变被动抢修为主动抢修，提高客户的用电体验，提升基层供电服务员工的工作效率，解决烧表抢修不及时的问题。
[0004]为了解决上述技术问题，本专利技术采用的技术方案为：
[0005]一种电能表烧表在线监测方法，包括：
[0006]1)获取被监测电能表的特征数据，所述特征数据包括电气特征数据、产品特征数据和环境特征数据；
[0007]2)将特征数据输入预先训练好的机器学习模型，得到机器学习模型输出的被监测电能表未来发生烧表的概率评估结果。
[0008]可选地，所述电气特征数据包括被监测电能表的每日用电量Q、每日最大电压U、每日最大电流I和表计走字终码A中的部分或全部。
[0009]可选地，所述产品特征数据包括被监测电能表的生产厂家B、所属市州C、运行时间D、安装年份E、所在台区近两年的烧表数量F以及所在台区线损G中的部分或全部。
[0010]可选地，所述环境特征数据包括被监测电能表的环境温度T和环境湿度H中的部分或全部。
[0011]可选地，所述每日用电量Q、每日最大电压U、每日最大电流I、所在台区近两年的烧表数量F、所在台区线损G、环境温度T和环境湿度H为基于设定单位的原始数值，所述表计走字终码A和运行时间D为采用下式标准化处理得到的结果：
[0012]x
′
＝log
10
(x)
[0013]上式中，x
′
为标准化处理得到的结果，x为标准化处理前的输入；所述生产厂家B、所属市州C和安装年份E为采用One
‑
hot编码处理得到的结果。
[0014]可选地，所述机器学习模型为基于XGBoost的机器学习模型。
[0015]可选地，步骤1)之前还包括训练机器学习模型的步骤：
[0016]S1)获取电能表样本在烧坏前一段时间内的特征数据，并附加是否烧表的标签形成样本数据集，将样本数据集划分为训练集和测试集；
[0017]S2)基于训练集对基于XGBoost的机器学习模型进行训练；
[0018]S3)基于测试集对完成本轮训练的基于XGBoost的机器学习模型进行测试，并采用精确率、召回率构成的综合评价指标作为评价指标，计算测试结果的评价指标；
[0019]S4)判断测试结果的评价指标是否满足要求，如果满足要求，则将当前的基于XGBoost的机器学习模型的参数作为训练得到的基于XGBoost的机器学习模型，结束并退出；否则，跳转执行步骤S2)以继续训练基于XGBoost的机器学习模型。
[0020]可选地，步骤S3)中精确率、召回率构成的综合评价指标的函数表达式为：
[0021][0022]上式中，F1为精确率、召回率构成的综合评价指标，P为精确率，R为召回率。
[0023]此外，本专利技术还提供一种电能表烧表在线监测系统，包括相互连接的微处理器和存储器，该微处理器被编程或配置以执行所述电能表烧表在线监测方法的步骤。
[0024]此外，本专利技术还提供一种计算机可读存储介质，该计算机可读存储介质中存储有被编程或配置以执行所述电能表烧表在线监测方法的计算机程序。
[0025]和现有技术相比，本专利技术具有下述优点：
[0026]1、本专利技术利用电能表的电气数据，结合产品特征数据和环境特征数据，构建了电能表烧表在线监测的模型，通过预测未来的烧表概率进行状态评估，能够在不依赖人工现场勘测的情况下进行远程在线评估，解决烧表抢修不及时的问题。
[0027]2、本专利技术利用电能表的电气数据，结合产品特征数据和环境特征数据，构建了电能表烧表在线监测的模型，基于电气数据，结合产品特征数据和环境特征数据三个方面的数据，可实现对电能表在未来发生烧表情况的因素、电能表在未来发生烧表情况的全面映射，可有效提高电能表在未来发生烧表情况预测的准确度。
[0028]3、本专利技术能够变被动抢修为主动抢修，提高客户的用电体验，提升基层供电服务员工的工作效率。
附图说明
[0029]图1为本专利技术实施例方法的基本原理示意图。
[0030]图2为本专利技术实施例中机器学习模型的训练流程示意图。
[0031]图3是本专利技术实施例测试集中实际值(true)与预测值(predict)的混淆矩阵(confution matrix)示意图。
具体实施方式
[0032]如图1所示，本实施例电能表烧表在线监测方法包括：
[0033]1)获取被监测电能表的特征数据，所述特征数据包括电气特征数据、产品特征数据和环境特征数据；
[0034]2)将特征数据输入预先训练好的机器学习模型，得到机器学习模型输出的被监测
电能表未来发生烧表的概率评估结果。
[0035]本实施例电能表烧表在线监测方法利用电能表的电气数据，结合产品特征数据和环境特征数据，构建了电能表烧表在线监测的模型，通过预测未来的烧表概率进行状态评估，能够在不依赖人工现场勘测的情况下进行远程在线评估，解决烧表抢修不及时的问题。本实施例利用电能表的电气数据，结合产品特征数据和环境特征数据，构建了电能表烧表在线监测的模型，基于电气数据，结合产品特征数据和环境特征数据三个方面的数据，可实现对电能表在未来发生烧表情况的因素、电能表在未来发生烧表情况的全面映射，可有效提高电能表在未来发生烧表情况预测的准确度。本实施例能够变被动抢修为主动抢修，提高客户的用电体验，提升基层供电服务员工的工作效率。
[0036]本实施例中，电气特征数据包括被监测电能表的每日用电量Q、每日最大电压U、每日最大电流I和表计走字终码A。经研究，发现电气特征数据的各特征与烧表之间的因果关系如下所示：每日用电量Q的变化与电能表的烧表有一定的关联性，烧表用户在烧表发生前一段时间内，负荷会增大，日用电量增大。而正常运行的用户，负荷和日用电量变化都相对比较平稳。每日最大电压U和每日本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电能表烧表在线监测方法，其特征在于，包括：1)获取被监测电能表的特征数据，所述特征数据包括电气特征数据、产品特征数据和环境特征数据；2)将特征数据输入预先训练好的机器学习模型，得到机器学习模型输出的被监测电能表未来发生烧表的概率评估结果。2.根据权利要求1所述的电能表烧表在线监测方法，其特征在于，所述电气特征数据包括被监测电能表的每日用电量Q、每日最大电压U、每日最大电流I和表计走字终码A中的部分或全部。3.根据权利要求2所述的电能表烧表在线监测方法，其特征在于，所述产品特征数据包括被监测电能表的生产厂家B、所属市州C、运行时间D、安装年份E、所在台区近两年的烧表数量F和所在台区线损G中的部分或全部。4.根据权利要求3所述的电能表烧表在线监测方法，其特征在于，所述环境特征数据包括被监测电能表的环境温度T和环境湿度H中的部分或全部。5.根据权利要求4所述的电能表烧表在线监测方法，其特征在于，所述每日用电量Q、每日最大电压U、每日最大电流I、所在台区近两年的烧表数量F、所在台区线损G、环境温度T和环境湿度H为基于设定单位的原始数值，所述表计走字终码A和运行时间D为采用下式标准化处理得到的结果：x
′
＝log
10
(x)上式中，x
′
为标准化处理得到的结果，x为标准化处理前的输入；所述生产厂家B、所属市州C和安装年份E为采用One
‑
hot编码处理得到的结果。6.根据权利...

【专利技术属性】
技术研发人员：谈丛，黄红桥，李鑫，李恺，胡婷，谭海波，卜文彬，王海元，郭光，彭潇，
申请(专利权)人：国网湖南省电力有限公司供电服务中心计量中心国家电网有限公司，
类型：发明
国别省市：