一种错接线诊断方法、装置、设备及存储介质与流程

本发明属于接线安全，尤其涉及一种错接线诊断方法、装置、设备及存储介质。

背景技术：

1、随着我国智能电网建设的持续深入推进，电能计量的准确性是保障供电方与用电方合法权益、实现电力资源高效配置、维护电力市场公平秩序的核心基础。然而，在电能表的安装施工、日常运维及长期运行过程中，接线异常问题始终是影响计量准确性的重要隐患。

2、为了排查与治理接线异常，现有技术主要依赖人工现场核查的传统方式，逐户前往现场对电能表接线进行核查。这种方式旨在通过人工方式发现并定位接线问题。在实施过程中，运维人员需亲赴每个用户处，使用专业工具对表计接线进行逐一检查和测试，以判断是否存在接线错误。通过这种方式，可以实现对单一用户接线状况的直接观察和判断。

3、在通过上述“人工逐户现场核查”的方式实施接线异常诊断的过程中，因为完全依赖人力且缺乏智能化、系统化的分析工具，不能充分利用用电信息采集系统积累的海量多维度数据的内在关联性，进行建模分析来实现自动研判与精准定位；缺乏对不同表计类型差异性的统一适配，导致应用场景受限，无法满足精细化、智能化的运维需求。

技术实现思路

1、本发明的目的在于克服上述现有技术中的缺陷，提供一种错接线诊断方法、装置、设备及存储介质。

2、本发明提供一种错接线诊断方法，包括：

3、获取目标电能表计的多源用电数据，所述多源用电数据包括档案类数据、曲线类数据和实时类数据；根据所述档案类数据，确定所述目标电能表计的表计类型；

4、将所述曲线类数据和所述实时类数据，与根据所述表计类型预设的正常参数关联模型进行匹配，得到匹配结果；在所述匹配结果为不匹配时，从所述曲线类数据和所述实时类数据中提取特征参数；

5、将所述特征参数与异常特征标签库进行匹配，得到相似度，所述异常特征标签库包含多种接线异常类型的特征向量；

6、根据所述相似度，调度混合诊断模型对所述目标电能表计进行接线状态判定，得到诊断结果，所述混合诊断模型为与所述表计类型对应的、由规则引擎和机器学习算法构成的模型；其中，所述根据所述相似度，调度混合诊断模型对所述目标电能表计进行接线状态判定，包括：在所述相似度大于或等于第一阈值时，调度所述混合诊断模型由所述规则引擎根据所述特征参数进行所述接线状态判定；在所述相似度小于所述第一阈值且大于或等于第二阈值时，调度所述混合诊断模型由所述机器学习算法根据所述特征参数进行所述接线状态判定；在所述相似度小于所述第二阈值时，将所述目标电能表计标记为疑似异常。

7、可选地，从所述曲线类数据和所述实时类数据中提取特征参数，包括：

8、对所述曲线类数据和所述实时类数据进行预处理；

9、所述预处理包括：联合应用三西格玛原则与无限脉冲响应数字滤波算法对所述曲线类数据和所述实时类数据进行处理。

10、可选地，所述从所述曲线类数据和所述实时类数据中提取特征参数之前，还包括：

11、对所述曲线类数据和所述实时类数据中的缺失数据进行补全；

12、其中，对缺失率低于预设值的数据采用线性插值法进行补全，对缺失率高于所述预设值的数据采用历史同期负荷数据补全法进行补全。

13、可选地，所述异常特征标签库包含多种接线异常类型的特征向量，所述多种接线异常类型包括零线虚接异常；所述零线虚接异常对应的特征向量，包含中性线电流骤增、三相电压不平衡度超标以及功率因数骤降的关联特征。

14、可选地，所述异常特征标签库包含多种接线异常类型的特征向量，所述多种接线异常类型包括复合型异常；所述复合型异常包括：电压电流不同相且极性反接，以及电压电流不同相且零火反接。

15、可选地，所述调度混合诊断模型对所述目标电能表计进行接线状态判定，还包括：

16、采用加权投票法，对所述规则引擎的判定结果与所述机器学习算法的判定结果进行融合；为所述规则引擎的判定结果分配第一权重，为所述机器学习算法的判定结果分配第二权重，所述第一权重大于所述第二权重。

17、可选地，所述与根据所述表计类型预设的正常参数关联模型，包括：

18、在所述表计类型为三相四线时，所述正常参数关联模型的约束条件包括：三相电流矢量和接近零，以及中性线电流处于预设范围。

19、本发明还提供一种错接线诊断装置，包括：

20、获取模块，获取目标电能表计的多源用电数据，所述多源用电数据包括档案类数据、曲线类数据和实时类数据；根据所述档案类数据，确定所述目标电能表计的表计类型；

21、匹配模块，将所述曲线类数据和所述实时类数据，与根据所述表计类型预设的正常参数关联模型进行匹配，得到匹配结果；在所述匹配结果为不匹配时，从所述曲线类数据和所述实时类数据中提取特征参数；

22、筛选模块，将所述特征参数与异常特征标签库进行匹配，得到相似度，所述异常特征标签库包含多种接线异常类型的特征向量；

23、确认模块，根据所述相似度，调度混合诊断模型对所述目标电能表计进行接线状态判定，得到诊断结果，所述混合诊断模型为与所述表计类型对应的、由规则引擎和机器学习算法构成的模型；其中，所述根据所述相似度，调度混合诊断模型对所述目标电能表计进行接线状态判定，包括：在所述相似度大于或等于第一阈值时，调度所述混合诊断模型由所述规则引擎根据所述特征参数进行所述接线状态判定；在所述相似度小于所述第一阈值且大于或等于第二阈值时，调度所述混合诊断模型由所述机器学习算法根据所述特征参数进行所述接线状态判定；在所述相似度小于所述第二阈值时，将所述目标电能表计标记为疑似异常。

24、本发明还提供一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如上述的方法。

25、本发明还提供一种计算机可读存储介质，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行上述的方法。

26、本发明的有益效果是：

27、本发明通过获取目标电能表计包括档案类、曲线类和实时类的多源用电数据，并根据档案数据确定表计类型，首先将曲线与实时数据与对应表计类型的正常参数关联模型匹配进行初次筛查；在不匹配时，则从数据中提取特征参数并与包含多种接线异常类型的异常特征标签库进行匹配得到相似度；最后，根据该相似度自适应调度由规则引擎和机器学习算法构成的、与表计类型对应的混合诊断模型进行最终判定，实现了对单相、三相三线、三相四线等多种表计类型中简单及复合接线异常的自动化、高效率、高准确率诊断，克服了现有技术因依赖人工导致效率低下、因诊断能力有限导致复杂异常识别不足、因数据利用不充分导致研判依据单一以及因缺乏针对性设计导致多表计适配性差的缺陷。

1.一种错接线诊断方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，从所述曲线类数据和所述实时类数据中提取特征参数，包括：

3.根据权利要求1所述的方法，其特征在于，所述从所述曲线类数据和所述实时类数据中提取特征参数之前，还包括：

4.根据权利要求1所述的方法，其特征在于，所述异常特征标签库包含多种接线异常类型的特征向量，所述多种接线异常类型包括零线虚接异常；所述零线虚接异常对应的特征向量，包含中性线电流骤增、三相电压不平衡度超标以及功率因数骤降的关联特征。

5.根据权利要求1所述的方法，其特征在于，所述异常特征标签库包含多种接线异常类型的特征向量，所述多种接线异常类型包括复合型异常；所述复合型异常包括：电压电流不同相且极性反接，以及电压电流不同相且零火反接。

6.根据权利要求1所述的方法，其特征在于，所述调度混合诊断模型对所述目标电能表计进行接线状态判定，还包括：

7.根据权利要求1所述的方法，其特征在于，所述与根据所述表计类型预设的正常参数关联模型，包括：

8.一种错接线诊断装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器执行所述计算机程序时，实现如权利要求1~7中所述的任一项方法。

10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，当所述计算机程序在计算机中执行时，令计算机执行权利要求1~7所述的任一项方法。