王新剛，祝恩國，朱彬若，曹祎

(1. 國網(wǎng)上海市電力公司電力科學研究院，上海 200437； 2.中國電力科學研究院，北京 100092)

0 引 言

多表合一”系統(tǒng)是以“助力智慧城市建設(shè)”為出發(fā)點，基于遠程信息采集構(gòu)建的城市智能計量系統(tǒng)，為電、水、氣、熱行業(yè)實現(xiàn)能源計量數(shù)據(jù)遠程采集、實時監(jiān)測、綜合應(yīng)用等提供智能化手段，降低損耗和運營成本，服務(wù)國家能源階梯價格及節(jié)能減排政策執(zhí)行。智能表作為該系統(tǒng)中與用戶聯(lián)系最緊密的組成單元[1]，是供能企業(yè)和用戶進行貿(mào)易結(jié)算的計量器具，其運行可靠性對雙方都存在重要意義。運行統(tǒng)計情況表明，智能表在現(xiàn)場可靠運行的風險主要來源于自身元器件失效導致的智能表故障和運行環(huán)境異常導致的異常運行狀態(tài)[2]。傳統(tǒng)的質(zhì)量管控只能通過智能表安裝前的試驗和安裝后的運行抽檢、周期檢驗、到期輪換來保證智能表的可靠運行，其缺點是對運行智能表質(zhì)量管控實時性差，且用于管控分析的數(shù)據(jù)維度較少，難以及時、全面的掌握智能表運行狀態(tài)。

近年來，高級量測體系(Advanced Metering Infrastructure, AMI)一直被用于提升電力企業(yè)的運營管理水平[3-6]。美、法、日等國通過AMI實現(xiàn)電能表遠程抄表、實時監(jiān)控和故障診斷等功能，用于提升計量管理和故障消缺水平。我國在電能計量領(lǐng)域也開展了計量裝置在線監(jiān)測[7-8]的研究，但較多的是針對高壓大用戶智能表誤差的監(jiān)測和營銷大數(shù)據(jù)分析。一方面，電、水、氣、熱智能表在用戶側(cè)具有顯著的關(guān)聯(lián)關(guān)系，而現(xiàn)有的系統(tǒng)沒有把此類智能表計納入分析范圍；另一方面，采集系統(tǒng)在長期的運行過程中積累了海量的歷史數(shù)據(jù)和監(jiān)測數(shù)據(jù)，但由于缺乏信息的綜合分析和關(guān)聯(lián)關(guān)系而很難滿足高層次分析決策的要求，無法從時間和空間意義上深層次理解并有效利用這些數(shù)據(jù)。

為提升“多表合一”的運行穩(wěn)定性，充分發(fā)揮成熟系統(tǒng)的優(yōu)勢，帶動電、水、氣、熱行業(yè)協(xié)同發(fā)展，不僅需要構(gòu)建一個適用于多種計量表計數(shù)據(jù)采集的系統(tǒng)，還要具備異常監(jiān)測、故障診斷、消缺管理等應(yīng)用功能。本文結(jié)合智能表已有的運行數(shù)據(jù)監(jiān)測條件和消缺工作流程，提出了一種基于關(guān)聯(lián)挖掘的智能表異常診斷和處理方法，通過對智能表數(shù)據(jù)的采集與處理，利用數(shù)據(jù)比對、統(tǒng)計分析和數(shù)據(jù)挖掘[9-12]等技術(shù)手段診斷智能表異常工況，從關(guān)聯(lián)規(guī)則提取、監(jiān)測結(jié)果匹配、現(xiàn)場分析及反饋、數(shù)據(jù)庫更新等方面闡述了該技術(shù)是合理、有效的。

1 “多表合一”系統(tǒng)原理結(jié)構(gòu)

“多表合一”系統(tǒng)是在用電信息采集系統(tǒng)的基礎(chǔ)上升級改造而成，其系統(tǒng)結(jié)構(gòu)主要分為主站層、采集傳輸層和數(shù)據(jù)測量層，如圖1所示。

主站層是系統(tǒng)的運行管理中心，負責整個系統(tǒng)的數(shù)據(jù)采集、數(shù)據(jù)存儲、分析應(yīng)用和系統(tǒng)接口等，是實現(xiàn)智能表異常診斷的關(guān)鍵邏輯層，通過系統(tǒng)接口將診斷結(jié)果傳輸至閉環(huán)消缺系統(tǒng)，以實現(xiàn)故障的智能診斷和閉環(huán)處理。

采集傳輸層負責智能表數(shù)據(jù)的采集和傳輸，由采集設(shè)備和上下行通信信道組成。電表的數(shù)據(jù)采集采用已有的設(shè)備和信道，水、氣、熱表數(shù)據(jù)的采集通過轉(zhuǎn)換器進行信道和協(xié)議的轉(zhuǎn)換后在傳輸至集中器。

數(shù)據(jù)測量層是實現(xiàn)智能診斷的基礎(chǔ)數(shù)據(jù)層，由智能電、水、氣、熱表計組成，負責產(chǎn)生運行和診斷所需的各類數(shù)據(jù)。

圖1 系統(tǒng)結(jié)構(gòu)框圖

2 基于關(guān)聯(lián)挖掘的異常診斷

2.1 關(guān)聯(lián)挖掘基本原理

關(guān)聯(lián)規(guī)則反映了大量數(shù)據(jù)中項目集之間的相關(guān)聯(lián)系，可定義如下。設(shè)I={I1,I2,…,Im}是項的集合，其中：元素稱為項，項的集合稱為項集。事務(wù)數(shù)據(jù)庫D={T1,T2,…,Tn}是數(shù)據(jù)庫事務(wù)T的集合，每個事務(wù)T是一個非空項集，且T?I。設(shè)X、Y都是T中的項或項集，關(guān)聯(lián)規(guī)則是形如X?Y的蘊涵式，其中：X?I、Y?I，且X∩Y=φ，規(guī)則X?Y在事務(wù)集D中成立，具有支持度S和置信度C，可表示為：

X?Y(S%,C%)

(1)

式中S%為包含X∪Y的事務(wù)T在事務(wù)集D中所占的比例，C%為事務(wù)集D中包含X的事務(wù)中又包含Y的比例，即:

S%=S(X?Y)=P(X∪Y)

(2)

C%=C(X?Y)=P(Y|X)

(3)

同時滿足最小支持度(minimum support)和最小置信度(minimum confidence)的規(guī)則稱為強規(guī)則，最小支持度和置信度的閾值由運行經(jīng)驗給出，并可在后續(xù)進行調(diào)整。關(guān)聯(lián)規(guī)則挖掘方法中最有影響的算法是Apriori算法，由Agrawal和R.Srikant于1994年提出，是一種基于布爾關(guān)聯(lián)規(guī)則挖掘頻繁項集的算法，后續(xù)很多關(guān)聯(lián)規(guī)則算法都是在此基礎(chǔ)上的改進和優(yōu)化。Apriori算法將關(guān)聯(lián)規(guī)則的發(fā)現(xiàn)分為兩步：第1步是識別所有的頻繁項集(frequent itemset)，即其支持不低于用戶最小支持度的項目集，第2步是從頻繁集中構(gòu)造其信任不低于用戶最小置信度的規(guī)則。

2.2 關(guān)聯(lián)挖掘模式

通過對智能表的事件元信息進行統(tǒng)計后發(fā)現(xiàn)，診斷結(jié)果與事件元信息之間存在一定的導向關(guān)系，即某個診斷結(jié)果僅與若干個事件元信息存在關(guān)聯(lián)關(guān)系，而與其他事件元信息之間不存在關(guān)聯(lián)關(guān)系。因此，可以通過制定元規(guī)則對挖掘過程進行約束，提高挖掘性能，本文對元規(guī)則定義如下：

設(shè)集合P={P1,P2,…,Pm}，Q={Q1,Q2,…,Qn}分別表示事件元和診斷結(jié)果的集合，?Qi∈Q,(i=1,2,…,n)，?Pj,Pk,…,Pl∈P,(j,k,l∈[1,m])，滿足PjΛPkΛ…ΛPl?Qi，則稱PjΛPkΛ…ΛPl?Qi為智能診斷的一個元規(guī)則。

元規(guī)則可以根據(jù)分析者的經(jīng)驗、期望或?qū)?shù)據(jù)的直覺、根據(jù)數(shù)據(jù)庫模式自動產(chǎn)生，挖掘系統(tǒng)可以尋找與規(guī)定元規(guī)則相匹配的規(guī)則。文章通過對歷史數(shù)據(jù)的總結(jié)和分析，將事件元和診斷結(jié)果進行關(guān)聯(lián)配對，對每個診斷結(jié)果挖掘的事件元進行約束，只取具有關(guān)聯(lián)關(guān)系的事件元進行挖掘。

2.3 異常診斷流程

異常診斷流程可分為關(guān)聯(lián)規(guī)則提取、事件元生成和結(jié)果診斷三個部分組成，如圖2所示。

圖2 智能表異常診斷流程

關(guān)聯(lián)規(guī)則提取采用離線方式，即異常診斷系統(tǒng)按設(shè)定的時間間隔(默認為1日)從知識數(shù)據(jù)庫中提取滿足要求的關(guān)聯(lián)規(guī)則，作為下一時間段智能診斷的診斷規(guī)則。初始的規(guī)則由歷史數(shù)據(jù)、專家經(jīng)驗等信息挖掘生成，隨著系統(tǒng)運行的逐步完善，異常診斷系統(tǒng)積累的診斷知識越來越多，通過知識數(shù)據(jù)庫挖掘的規(guī)則準確性越來越高。

異常診斷的主流程從事件元生成開始，采集系統(tǒng)對采集的數(shù)據(jù)和事件進行分析處理，經(jīng)過相應(yīng)的數(shù)據(jù)清洗后形成事件元，并通過關(guān)聯(lián)信息實現(xiàn)事件元和設(shè)備信息及計量點信息的關(guān)聯(lián)，為結(jié)果診斷提供診斷信息。

結(jié)果診斷將一定時間窗口內(nèi)的事件元與關(guān)聯(lián)規(guī)則進行匹配，并提供每個診斷結(jié)果的支持度和置信度。

3 診斷結(jié)果的排查及處理

3.1 診斷結(jié)果處理流程

診斷結(jié)果處理作為異常診斷的閉環(huán)處理環(huán)節(jié)，其目的主要有兩個：一是確認診斷結(jié)果；二是完成故障消缺。在實際運行過程中，由于受到采集數(shù)據(jù)不完整或異常、知識數(shù)據(jù)庫不完善、突發(fā)異常等因素影響，異常診斷系統(tǒng)不能保證診斷結(jié)果完全正確。因此，對于系統(tǒng)的診斷信息，需要人工進行排查和確認。雖然智能診斷結(jié)果的有效性仍待確認，但其為運維人員提供了一個排查的方向，縮小了排查的范圍，有利于指導確認工作的開展。

診斷結(jié)果處理流程主要分為三大部分：診斷信息收發(fā)管理、異常排查管理和消缺管理，具體流程如圖3所示。

圖3 異常診斷閉環(huán)管理流程圖

(1)系統(tǒng)從中間庫接收診斷信息，包括診斷結(jié)果、支持度和置信度指標、事件元信息等，并將獲取的信息按要求進行排序和展示；

(2)派工人員根據(jù)管理要求對診斷信息發(fā)起排查流程，安排消缺人員進行排查，消缺人員參考分析指南進行故障排查。排查分為遠程和現(xiàn)場兩種方式，可并行開展，遠程排查可快速獲取計量裝置故障的更多信息，現(xiàn)場排查可獲取采集系統(tǒng)無法獲取的信息。如果通過多次排查仍無法確認故障結(jié)果時，可發(fā)起協(xié)作排查的申請，邀請相關(guān)領(lǐng)域的專家共同分析處理。當排查結(jié)果確認后，系統(tǒng)需錄入排查結(jié)果，并將結(jié)果通過中間庫方式反饋故障診斷系統(tǒng)，同時檢查排查工作是否超出分析指南的范圍，如果涉及分析指南中為明確的方法和要求，則更新分析指南；

(3)根據(jù)排查結(jié)果判斷計量裝置是否需要消缺而選擇發(fā)起相應(yīng)的消缺流程，并對整個消缺流程進行管控，直至完成全部的消缺工作和信息歸檔。

從系統(tǒng)流程中可以看出，閉環(huán)消缺管理包括信息流和工作流兩個方面：信息流管理是指對診斷信息的閉環(huán)管理，包括信息的獲取、驗證和反饋，分析指南更新，信息的準確性等；工作流管理是指對排查工作和消缺工作的閉環(huán)管理，包括工單管理、工作進度和完成質(zhì)量等。通過信息流和工作流的閉環(huán)管理，既保證了診斷結(jié)果的準確性和可靠性，也保證了工作的質(zhì)量，使智能表異常能夠及時準確的得以處理。

3.2 主要模塊功能介紹

3.2.1 診斷信息收發(fā)管理

診斷信息收發(fā)管理主要負責智能表異常診斷結(jié)果的接收、展示，以及將確認的診斷結(jié)果發(fā)送回去，通過中間庫的形式進行數(shù)據(jù)交互。系統(tǒng)定時從中間庫獲取診斷信息，并根據(jù)操作人員制定的規(guī)則進行結(jié)果展示，當診斷結(jié)果經(jīng)排查確認后，系統(tǒng)再將結(jié)果返回中間庫。

系統(tǒng)按照預先定義的庫、表結(jié)構(gòu)定義和權(quán)限配置，實現(xiàn)各種數(shù)據(jù)的雙向交換，交互的數(shù)據(jù)格式如表1所示。

表1 系統(tǒng)數(shù)據(jù)交互列表

唯一性標識用作診斷信息的身份標識，保證數(shù)據(jù)交互對象的一致性，當系統(tǒng)返回數(shù)據(jù)時，需連同唯一性標識一起返回。

計量點編號是計量點的唯一性編號，通過該編號消缺管理系統(tǒng)可以從營銷系統(tǒng)獲取相應(yīng)的計量點基本信息和設(shè)備基本信息，便于消缺工作的開展。

監(jiān)測信息為得出該計量點診斷結(jié)果的全部信息，包括診斷結(jié)果對應(yīng)的事件元和故障生成日期，但考慮到可以通過采集系統(tǒng)獲取事件元的詳細信息，為提高接口效率，監(jiān)測信息不包含事件元的詳細信息。

診斷結(jié)果根據(jù)信息來源不同分為兩個方面：一個是智能診斷系統(tǒng)分析得出的診斷結(jié)果，另一個是人工排查后得出的確認結(jié)果。智能診斷系統(tǒng)將其診斷結(jié)果和對應(yīng)的支持度、置信度指標傳給消缺管理系統(tǒng)，消缺管理系統(tǒng)經(jīng)排查確認后將最終結(jié)果返回智能診斷系統(tǒng)，返回最終結(jié)果時不含支持度和置信度指標。返回的結(jié)果由智能診斷系統(tǒng)判斷原診斷結(jié)果是否正確，并根據(jù)不同的情況更新知識數(shù)據(jù)庫。

3.2.2 異常排查管理

異常排查管理主要負責管理智能表異常診斷結(jié)果的人工排查過程，包括排查的流程、數(shù)據(jù)和結(jié)果的處理、工作質(zhì)量的管理等，同時還能以固定的流程指導排查工作的開展。當消缺管理系統(tǒng)獲取診斷信息并生成排查工單后，運維人員根據(jù)已有的信息并參照分析指南，開展遠程抄表分析和現(xiàn)場人工排查，通過綜合分析形成最終的排查結(jié)果。

由于診斷結(jié)果最終由排查分析后得出，排查結(jié)果的準確性關(guān)系到后續(xù)診斷結(jié)果的準確性，因此，排查的質(zhì)量管控尤為重要，本文提出以下三個管控指標：

(1)排查結(jié)果支撐數(shù)據(jù)的有效性。排查時會產(chǎn)生大量的過程數(shù)據(jù)，如果這些數(shù)據(jù)能夠有效支撐排查結(jié)果，則認為這些數(shù)據(jù)有效。在進行排查時，首先應(yīng)確認智能診斷系統(tǒng)提供的信息；其次，通過遠程的方式采集故障點其他支撐數(shù)據(jù)；如果仍不足以判斷結(jié)果，則再經(jīng)人工現(xiàn)場排查，收集遠程無法采集的數(shù)據(jù)進行綜合分析；

(2)排查工作的時效性。為保證智能診斷系統(tǒng)高效運行，進行排查工單派發(fā)時，會對每個排查任務(wù)制定工作時效，通過對時間節(jié)點的考核和管控確保運維人員按時完成排查任務(wù)；

(3)排查結(jié)果的驗證。通過消缺工作的開展和系統(tǒng)對同一計量點相同故障的重復診斷來驗證和考核排查結(jié)果的準確性。

3.2.3 異常消缺管理

系統(tǒng)根據(jù)排查結(jié)果判斷是否啟動消缺流程，對于由電網(wǎng)異常、現(xiàn)場維護導致的異常診斷，經(jīng)排查階段確認后可直接結(jié)束流程，無需進行消缺；而對于設(shè)備故障、疑似竊電、回路異常、錯接線、違約用電這類診斷結(jié)果，需開展消缺工作并對應(yīng)發(fā)起換表、故障消缺等流程，涉及電量退補、反竊電等情況時還應(yīng)發(fā)起電量退補和反竊電流程。按照閉環(huán)管理流程，故障消缺系統(tǒng)的主要功能可分為消缺管理、消缺派工、現(xiàn)場消缺和消缺歸檔。

4 診斷知識庫的維護

4.1 診斷知識庫的定義

異常診斷系統(tǒng)將歷史故障或異常信息和對應(yīng)的消缺結(jié)果以統(tǒng)一的數(shù)據(jù)結(jié)構(gòu)保存下來，形成診斷知識庫，作為后續(xù)異常診斷的挖掘知識，診斷知識庫是關(guān)聯(lián)挖掘的基礎(chǔ)，通過反饋的排查結(jié)果形成新的知識，并用于下一次挖掘。在關(guān)聯(lián)規(guī)則的挖掘中，診斷知識庫也叫事務(wù)數(shù)據(jù)庫，是挖掘頻繁項集的基礎(chǔ)，隨著現(xiàn)場異常、故障的不斷確認和處理，診斷知識庫也不斷的擴大，種類也不斷豐富，一些知識如經(jīng)常發(fā)生的異常及對應(yīng)的診斷結(jié)果得到不斷強化，使得其在挖掘過程中的支持度和置信度不斷提高，成為更容易被挖掘到的規(guī)則。

4.2 診斷知識庫初始化

故障特征可以通過挖掘故障樣本獲得，也可以根據(jù)已有的運行經(jīng)驗生成。在挖掘系統(tǒng)的運行初期，可以歸納一些故障特征，并在運行過程中不斷檢驗和調(diào)整，以適應(yīng)計量在線監(jiān)測的實際。本文依據(jù)對歷年智能表故障分類及特征的統(tǒng)計分析，結(jié)合智能表運維消缺的經(jīng)驗，生成初始的診斷知識庫。

4.3 診斷知識庫的維護

在系統(tǒng)運行初期，診斷知識庫中的知識基本靠手動方式進行維護，根據(jù)特征數(shù)據(jù)的統(tǒng)計情況、現(xiàn)場運行工況及專家經(jīng)驗等數(shù)據(jù)，建立一個初始的知識數(shù)據(jù)庫。隨著系統(tǒng)的不斷運行，知識數(shù)據(jù)庫通過學習機制不斷進化、完善，總體而言，診斷知識庫的維護可分為知識積累、學習限制及知識淘汰三個步驟。

4.3.1 知識積累

診斷知識庫的知識積累實際上是一個學習的過程，將智能表運行過程中普遍發(fā)生、重復出現(xiàn)的問題記錄下來作為后續(xù)診斷的依據(jù)。除了初始的知識外，異常診斷系統(tǒng)接收經(jīng)現(xiàn)場確認的結(jié)果，與診斷信息一起以統(tǒng)一的形式存儲在知識數(shù)據(jù)庫中，形成診斷知識，共同參與下一次關(guān)聯(lián)規(guī)則的挖掘。

4.3.2 學習限制

當具有相近診斷信息的同一類型故障在一段時間內(nèi)大量發(fā)生，則很有可能是一種批量性問題的集中爆發(fā)，將極大提高此類故障診斷的支持度和置信度，同時其他診斷結(jié)果的支持度和置信度下降。這種情況下，一方面應(yīng)正確引導診斷系統(tǒng)的結(jié)果導向，精確定位診斷結(jié)果；另一方面又不能明顯犧牲關(guān)聯(lián)規(guī)則的多樣性，影響其他故障的診斷。因此，必須對此類學習過程進行限制。如果發(fā)現(xiàn)一段時間內(nèi)積累了大量相似的診斷信息，則只記錄N條(N默認取10)診斷信息支持度最高的診斷知識，同時對后續(xù)挖掘到的相應(yīng)關(guān)聯(lián)規(guī)則進行支持度和置信度增強，即挖掘完成后，增強支持度S′%=k·S%，增強置信度C′%=k·C%，k≥1。

(1)相近診斷信息是指具有相同智能表屬性的事件元信息，涉及判斷的智能表屬性主要有制造單位和批次號，且制造單位包含批次號，則相近診斷信息可以理解為具有相同制造單位或批次號存在一個或多個重疊事件元的多條診斷信息。

(2)一段時間是指統(tǒng)計相似診斷信息的時間區(qū)間，考慮到故障確認及消缺周期，文中以D天(D默認取30)為窗口長度進行滾動統(tǒng)計，如果在這段時間內(nèi)相近診斷知識超過M條(M默認取10)，則定義為大量。

4.3.3 知識淘汰

隨著診斷知識庫的不斷擴大，一些歷史上特定的、不常發(fā)生或不具備普遍適用性的知識應(yīng)逐步被淘汰，使診斷結(jié)果更加能反映當前的運行情況，這個過程稱為知識淘汰。知識淘汰主要有自動和手動兩種方式，自動淘汰由診斷系統(tǒng)自動完成，通過對診斷結(jié)果設(shè)置診斷知識的生存周期，根據(jù)診斷知識的時標屬性進行判斷，如果生存周期內(nèi)知識庫未獲取相同的診斷知識，則淘汰該知識，否則重置該知識的生存周期；手動淘汰由診斷系統(tǒng)運維人員根據(jù)實際需求進行知識的手動刪除。

5 結(jié)束語

文中提出的基于關(guān)聯(lián)挖掘的智能表異常診斷及處理方法遵循實際的故障分析和處理流程，適應(yīng)智能表異常診斷和消缺工作的開展，是一種提高智能表質(zhì)量管理水平和消缺效率的有效手段，具有以下特點：

(1)有利于及時、全面的掌握智能表的運行狀態(tài)，結(jié)合海量數(shù)據(jù)分析異常運行智能表的故障原因；

(2)有利于指導消缺工作的開展，為現(xiàn)場消缺提供技術(shù)支撐；

(3)隨著異常處理的開展，診斷知識庫越來越完善，能夠進一步提高異常診斷的準確率。