一种时段性智能电表数据采集及分析系统的制作方法

1.本发明涉及采集电量准确性技术领域，具体为一种时段性智能电表数据采集及分析系统。


背景技术：

2.随着售电侧改革的深入，售电市场的开放，售电公司需要不断提高对自有客户的用电量预测的准确率。而电量预测的准确率依赖于电能数据的质量。数据采集平台一般每15分钟对智能电表的累计电量值(即表码值)进行采集，因此实用际电量等于某两个表码值相减。此算法简单直接，但过分依赖智能电表上传的表码值质量。以下情况会对表码质量产生严重的影响，但这些情况均无法避免：
3.1、数据采集设备因自身或网络原因造成数据无法上送；
4.2、智能电表因自身质量问题造成表码值突变，导致计算电量值异常；
5.3、因现场环境问题，导致电能数据与实际情况发生规律性偏差。
6.公开号为cn113419108a的中国发明专利公开了一种提高智能电表采集电量准确性的方法及系统，有效克服因客观条件导致的规律性偏差，如智能电表安装于低压侧，客户用电量小等；有效克服因换表导致的偏差；有效克服因通讯问题导致的偏差；有效提高数据采集的准确率。
7.该发明虽然解决了其在背景技术中提出的问题，但在实际使用中，数据传输过程中产生的失真误差没有被去除，且不能及时觉察智能电表的使用寿命和其故障发生率之间的联系。因此，开发一种一种时段性智能电表数据采集及分析系统。


技术实现要素：

8.本发明的目的在于提供一种时段性智能电表数据采集及分析系统，以解决上述背景技术中提出的问题。
9.为实现上述目的，本发明提供如下技术方案：一种时段性智能电表数据采集及分析系统，包括数据收集和分析系统，所述数据收集和分析系统，包括：
10.数据收集系统，用于对分散在各个用户处的智能电表中产生的各项数据进行分类收集；
11.数据处理系统，用于处理数据收集系统得到的各项数据，对其进行清洗、降维和融合处理，作为神经网络模型的初始输入数据，通过相关性分析从初始输入数据中筛选出影响智能电表状态评价结果的关键指标因素,并以此因素作为神经网络的输入筛选参数从初始输入数据中选择数据进行输入,再通过历史实践和专家经验确定各个因素权重作为神经网络模型的初始权；
12.数据分析系统，用于对数据处理系统处理的过的数据进行分析，确定神经网络模型各参数,对神经网络模型进行参数训练,以建立基于神经网络的评价模型；所述评价模型包括电表指标评价模型和电表状态综合评价模型,并根据评价模型的评估结果和参与评估
的电表的运行周期,分析两者的内在联系,并以此预测在网电表的运行抽检时间及更换选择参数。
13.更进一步的，所述数据收集系统中设置有计时装置，以控制数据收集系统的工作状态，既在一定的时间段内，数据收集系统对各个智能电表中的数据进行收集和分类处理，所述时间段被称为采集时间段，在所述采集时间段结束后，将数据传递至数据处理系统中，从一个所述采集时间段开始的时间点到下一个采集时间段开始的时间点被称为一个采集周期。
14.更进一步的，所述数据收集系统收集的智能电表信息包括一个采集周期内的用户用电等级、该智能电表的当前使用年限和该智能电表的当前工作环境，并将所述采集周期再分割成若干小的时间段，对各个时间段中的用电量进行分别记录。
15.更进一步的，所述数据处理系统包括数据清洗模块，用于检查质量数据的一致性，处理无效值和缺失值，保留有效的质量数据；包括数据降维模块，用于对质量数据中的线性特征和非线性特征分别研究，基于降维进行非可逆数据特征提取；包括数据融合模块，用于采用自适应数据融合算法对有价值的数据进行融合。
16.更进一步的，所述数据处理系统中设置有数据记录模块，其中记录有每个记录周期中各个智能电表中所记录的数据，所述数据清洗模块、数据降维模块和数据融合模块处理过的数据同样被记录在数据记录模块中。
17.更进一步的，所述数据分析模块对上个采集周期内得到的数据和之前若干个采集周期内得到的数据进行对比，按照地域和时间规律得出用户用电量变化的宏观规律，并筛选出其中用电量变化差异相对于其变化规律差异较大的智能电表，单独列出并作出相应的判断，再反馈给工作人员。
18.更进一步的，所述数据分析模块通过系统首页将其中得出的数据反馈给工作人员，由工作人员判断差异较大的智能电表数据是否为智能电表故障，并将结果反馈至数据分析模块中设置的数字神经网络系统中，作为所述神经网络进行机械学习的范例，提高下次作出判断的准确性。
19.更进一步的，所述系统首页在进入之前会跳转至登录界面，需要通过输入操作系统的工作人员的用户名和密码验证使用者的身份，并根据该用户所拥有的权限向工作人员展示相应的功能。
20.更进一步的，工作人员若在所述登录界面中输入了错误的用户名或密码时，登录界面会弹出显示着“用户名或密码错误”的对话框，并在一段时间后跳转至系统首页。
21.更进一步的，所述数据分析模块所反馈的数据根据工作人员查询的时间点的不同也有所不同，当工作人员在系统的采集时间段内查询数据，数据分析模块会反馈实时采集到的、不断变化的数据；当工作人员在系统的非采集时间段内查询数据，数据分析模块会反馈处理过的上个采集时间段采集的数据，并对数据做出分析。
22.与现有技术相比，本发明的有益效果是：
23.该时段性智能电表数据采集及分析系统，通过数据处理系统的设置，对得到的数据进行清洗、降维和融合处理，对在传输过程中失真的数据进行处理和还原，一定程度上确保系统得到数据的质量；其次在数据分析系统中嵌入神经网络，同时让工作人员对上一次数据采集分析得出的结论进行评估，依次为样本对神经网络进行训练，使得系统能够自动
得出各个电表机能正常与否，最终拟定对于智能电表的维护、更新计划。
附图说明
24.图1为本发明的操作步骤流程示意图；
25.图2为本发明的数据收集和分析系统工作流程示意图；
26.图3为本发明的数据收集分类工作流程示意图；
27.图4为本发明的神经网络构建和训练工作流出示意图。
具体实施方式
28.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
29.需要说明的是，在本发明的描述中，术语“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，并不是指示或暗示所指的装置或元件所必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
30.此外，应当理解，为了便于描述，附图中所示出的各个部件的尺寸并不按照实际的比例关系绘制，例如某些层的厚度或宽度可以相对于其他层有所夸大。
31.应注意的是，相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义或说明，则在随后的附图的说明中将不需要再对其进行进一步的具体讨论和描述。
32.如图1-图4所示，本发明提供一种技术方案：一种时段性智能电表数据采集及分析系统，包括数据收集和分析系统，数据收集和分析系统，包括数据收集系统，用于对分散在各个用户处的智能电表中产生的各项数据进行分类收集；数据处理系统，用于处理数据收集系统得到的各项数据，对其进行清洗、降维和融合处理；数据分析系统，用于对数据处理系统处理的过的数据进行分析，并通过这些数据对其中的数字神经网络进行训练。在本实施例中，该神经网络模型包含一个输入层、两个隐含层、一个输出层的softmax多层感知机模型；隐含层的激活函数使用softmax回归函数；所述对神经网络模型进行的参数训练为网络训练方法；所述网络训练方法采用共轭梯度下降法，而要训练该神经网络，需要先构建相应的神经网络模型，而构建神经网络模型所用的数据包括加速应力退化试验评估得出的的正常应力下电表寿命值数据、通过机器学习算法判断或预测得出的电表故障结果数据、电表供应厂商产品质量评估结果数据和之前的电表运行误差数据。其中，加速应力退化试验评估得出的的正常应力下电表寿命值数据来自实验室，机器学习算法则包括朴素贝叶斯、人工神经网络、k-means、决策树等算法，构建成一套电表故障判断/预测算法，该电表故障判断/预测算法的算法结果包括硬件故障相关数据、软件故障相关数据和通信故障相关数据。而电表供应厂商产品质量评估结果数据依据厂商产品评估方法得出，所述厂商产品评估方法是先筛选并分析电网营销业务系统中与电表供应商质量评价相关的数据，然后对电表制造厂家所制造电表质量和可靠度进行综合评估,其综合评估的方法包括层次分析法、
三角模糊数层次分析法、基于缺陷扣分法、基于灰色关联度的多目标评价法、模糊最优隶属度综合评价方法以及基于粗集理论的评价方法与综合评价方法；厂商产品评估方法的评估结果可以是一个综合评价值，也可以是包含多方面评价结果的多个值。在本实施例中，数据首先流入数据收集系统，再通过数据处理系统，最后通过数据分析系统将结果反馈给工作人员。数据收集系统中设置有计时装置，以控制数据收集系统的工作状态，既在一定的时间段内，数据收集系统对各个智能电表中的数据进行收集和分类处理，时间段被称为采集时间段，在采集时间段结束后，将数据传递至数据处理系统中，从一个采集时间段开始的时间点到下一个采集时间段开始的时间点被称为一个采集周期。在本实施例中，该计时装置设置有输入系统，使得该采集周期能够被工作人员按照现实需求进行更改，同时该输入系统和整个系统的输入系统融合，共同体现在该装置的系统操作界面上，而工作人员要进入该操作界面，就要通过系统首页，输入工作人员的用户名和密码，若用户名和密码错误，则会发出提示，并折返到系统首页。同时在登入系统操作界面后，仍然需要该账号具有一定的权限才能对采集时间段的数值进行更改。数据收集系统收集的智能电表信息包括一个采集周期内的用户用电等级、该智能电表的使用时间和该智能电表的工作位置，并将采集周期再分割成若干小的时间段，对各个时间段中的用电量进行分别记录。为了将采集到的数据分类，按照这些数据之间的共通性，设置了四个维度对其进行分类排序，其中包括定类数据，这是数据的最低层。它将数据按照类别属性进行分类，各类别之间是平等并列关系。这种数据不带数量信息，并且不能在各类别间进行排序。在本实施例中，就是用户用电等级、该智能电表的使用时间和该智能电表的工作位置三种类别，将收集到的数据分到这三类中；其次是定序数据。这是数据的中间级别。定序数据不仅可以将数据分成不同的类别，而且各类别之间还可以通过排序来比较优劣。也就是说，定序数据与定类数据最主要的区别是定序数据之间还是可以比较顺序的。在本实施例中，将收集到的用电等级数据分为正常范围内，合理误差内和合理误差外三个类别，方便反馈；再次为定距数据。定距数据是具有一定单位的实际测量值。此时不仅可以知道两个变量之间存在差异，还可以通过加、减法运算准确的计算出各变量之间的实际差距是多少，在本实施例中，其数值为具体测量值；最后为定比数据。这是数据的最高等级。它的数据表现形式同定距数据一样，均为实际的测量值。定比数据与定距数据唯一的区别是：在定比数据中是存在绝对零点的，而定距数据中是不存在绝对零点的(零点是人为制定的)。因此定比数据间不仅可以比较大小，进行加、减运算，还可以进行乘、除运算，用于计算各个采集周期内数据的比列，方便分析趋势。数据处理系统包括数据清洗模块，用于检查质量数据的一致性，处理无效值和缺失值，保留有效的质量数据，需要进行一致性检查和对无效值和缺失值的处理，其中一致性检查是根据每个变量的合理取值范围和相互关系，检查数据是否合乎要求，发现超出正常范围、逻辑上不合理或者相互矛盾的数据；而对无效值和缺失值的处理是通过估算，整例删除，变量删除和成对删除，如用某个变量的样本均值、中位数或众数代替无效值和缺失值、剔除含有缺失值的样本、将对于所研究的问题不是特别重要的变量删除和用一个特殊码代表无效值和缺失值，同时保留数据集中的全部变量和样本。包括数据降维模块，用于对质量数据中的线性特征和非线性特征分别研究，基于降维进行非可逆数据特征提取，在现实世界中，很多数据是多余且耦合的，即数据之间存在相关性，这造成了一些数据是无用的，对分析结果是没有帮助的，反而会拉低分析的结果准确度，因此需要降维，本实施例中采用主成分分析，主要思想
是将n维特征映射到k维上，这k维是全新的正交特征也被称为主成分，是在原有n维特征的基础上重新构造出来的k维特征，在实际运用中，从原始的空间中顺序地找一组相互正交的坐标轴，新的坐标轴的选择与数据本身是密切相关的。其中，第一个新坐标轴选择是原始数据中方差最大的方向，第二个新坐标轴选取是与第一个坐标轴正交的平面中使得方差最大的，第三个轴是与第1,2个轴正交的平面中方差最大的。依次类推，可以得到n个这样的坐标轴。通过这种方式获得的新的坐标轴，其中大部分方差都包含在前面k个坐标轴中，后面的坐标轴所含的方差几乎为0。因此忽略余下的坐标轴，只保留前面k个含有绝大部分方差的坐标轴。事实上，这相当于只保留包含绝大部分方差的维度特征，而忽略包含方差几乎为0的特征维度，实现对数据特征的降维处理。包括数据融合模块，用于采用自适应数据融合算法对有价值的数据进行融合，从而将传递给数据收集系统中的失真部分去除，确保传递给数据分析系统中数据的质量。同时数据处理系统中设置有数据记录模块，其中记录有每个记录周期中各个智能电表中所记录的数据，数据清洗模块、数据降维模块和数据融合模块处理过的数据同样被记录在数据记录模块中。数据分析模块对上个采集周期内得到的数据和之前若干个采集周期内得到的数据进行对比，按照地域和时间规律得出用户用电量变化的宏观规律，如某一地区内在某一时间段的用电量出现较为一致的变化趋势，会被系统认为是因为环境等因素产生的正常变化，并通过这样的变化趋势在计算中给出相应的修正系数，虽然同样会予以记录，但在结论分析报告中较为靠后，同时要筛选出其中用电量变化差异相对于其变化规律差异较大的智能电表，单独列出并作出相应的判断，再反馈给工作人员。一般的，这样的电表读数可能意味着用户忘关电器等意外性事故，或是智能电表的质量出现问题，需要工作人员进行检修后，将结果填写在系统中相应的界面中，反馈给数据分析系统。数据分析模块通过系统首页将其中得出的数据反馈给工作人员，由工作人员判断差异较大的智能电表数据是否为智能电表故障，并将结果反馈至数据分析模块中设置的数字神经网络系统中，作为神经网络进行机械学习的范例，提高下次作出判断的准确性。在本实施例中，首先要通过相关性分析法筛选影响神经网络状态评价结果的关键因素作为神经网络的输入，并确定各因素权重作为神经网络的初始权重，并通过数据分析模块得到的反馈数据对神经网络进行不断的训练，从而建立对应智能电表运行状态的综合评价模型，并根据智能电表的地域性、电表运行周期以及用电周期的内在联系，建立对智能电表的维护、更换计划表。在本实施例中，对神经网络模型的训练的数据包括两部分来源，其中一部分为经过了数据处理系统的代表电表用电等级、电表当前运行环境和电表当前使用年限的数据，并根据当前的神经网络模型得出相应的结果，另一部分数据来自工作人员实地排查后得出的反馈结果，通过共轭梯度下降法使得该神经网络模型进行自我调整，以贴合现实的结果，从而提高下次做出结论的准确性。
33.尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。