智能电表故障大数据分析探究.docVIP

智能电表故障大数据分析探究 目录 TOC \o 1-9 \h \z \u 目录 1 正文 2 文1：智能电表故障大数据分析探究 2 1故障数据整理及数据仓库的构建 2 1.1故障数据整理 2 1.2建立数据仓库 2 2故障分布与相关性分析 3 2.1各个厂商电表的故障分布分析 3 2.2故障之间的相关性分析 3 3故障预测 3 第一类，也可以称作管理问题 3 4.1朴素贝叶斯模型 4 4.1.1朴素贝叶斯原理 4 4.1.2朴素贝叶斯的实现 4 4.1.3朴素贝叶斯模型的结果 4 4.2决策树模型 5 4.2.1决策树原理简介 5 4.2.2决策树实现 5 4.2.3决策树模型结果分析 5 4.3softmax神经网络 6 4.3.1softmax神经网络简介 6 4.3.2softmax神经网络实现 6 4.3.3softmax神经网络结果分析 6 5结论 7 文2：智能电表故障大数据分析探究 7 一、智能电能表故障数据诊断 7 二、智能电表常见故障解决方法 8 (一)智能电表通信处理方法 8 (二)确保电能表各软硬件设计的可靠度 9 (三)智能电表显示故障和处理方法 9 三、结语 10 原创性声明（模板） 10 正文 智能电表故障大数据分析探究 文1：智能电表故障大数据分析探究 引言 随着智能电能表大量推广和使用，其电网地位日趋重要。准确计量是智能表的基本要求，而且智能电能表的应用过程中，计量故障类型繁多，危害极大。包括电量倒走、电量飞走、电量走快、电量停走等，因此有必要对计量异常产生原因总结分析。从历年计量异常的故障中归纳出四大故障原因，并从最可能的故障点排查故障，找出故障产生的直接原因。这利于进一步推进智能表的生产与运维，促进其设计、生产、检测、安装上的完善。 1故障数据整理及数据仓库的构建 1.1故障数据整理 通过已有的SG186系统、MDS系统、拆回表分拣系统，对智能电表故障数据进行汇总。通过整理发现，智能电表故障数据维度高，信息条目数多。通过对各维度离散化标称数据的数目，并将他们进行编号，最后以编号的形式存入数据仓库中。对于日期型的数据，统一成天、月、年三种纬度来进行储存。电表的使用寿命长度以天为单位计算，电表的读数统一为小数点后两位。 1.2建立数据仓库 故障数据仓库各表字段包括条形码编号、表故障编号、安装时间、拆除时间、地区编号、电池使用时间、电池电压、开盖次数、电表读数、芯片型号编号、芯片型号、通讯接口编号、通讯接口型号、地区名称、建档日期、故障类型、故障编号。各表中的数据，根据对于旧表数据的统计，共有7个芯片型号、8种通讯接口、5种电流型号、30个电表厂家和28种电表故障。 2故障分布与相关性分析 2.1各个厂商电表的故障分布分析 各电表厂商的特有故障列表（厂商的特有故障为相对于其他电表生产厂商，该厂商更易出现的故障，采用tf/idf法分析）。从分析结果发现，多数厂商和地区的故障分布均具有一定特殊性，可以通过深入分析找到某厂商或地区区别于其他地区的特有故障类型。 2.2故障之间的相关性分析 对各故障之间的相关程度进行分析（采用经过t检验的斯皮尔曼等级相关系数，保留相关度0.9的高度相关故障，共20对）。从分析结果中我们可以看到，部分故障类型之间存在极高的相关性。 3故障预测 在因果分析中，我们验证了和电表故障与寿命相关的影响因素，现在我们用这些影响因素来训练基础的分类器。我们的分类工作主要是针对这3大类进行分类。 第一类，也可以称作管理问题 也可以称作管理问题，主要包括外观有污迹和无载波模块两类。 第二类是等待报废的问题，主要包括表壳损坏、按键失灵、铭牌损坏、铅封损坏、接线端子损坏等。目标有两个：一是在电表入库时就预先判断该电表的可能故障。二是对已使用电表可能发生故障的预测。 4.1朴素贝叶斯模型 4.1.1朴素贝叶斯原理 朴素贝叶斯法是基于贝叶斯定理与特征条件独立假设的分类方法。朴素贝叶斯分类器基于一个简单的假定：给定目标值时属性之间相互条件独立。 4.1.2朴素贝叶斯的实现 首先我们从数据仓库中把我们所需要纬度的数据提取出来，并按照我们需要的格式编排完毕。然后分别统计我们需要的各种先验知识并训练模型。 4.1.3朴素贝叶斯模型的结果 ①入库电表故障预测经检验我们的朴素贝叶斯模型的分类准确度是65.2216% ②已用电表故障预测 经检验我们的朴素贝叶斯模型的分类准确度是65.288%。（如表2）从表格中可以看出我们的朴素贝叶斯分类器对于第三类故障的分类准确度最高，对于第一类的分类准确度次之，对于第二类的分类准确度最差