集中器高效率抄读电表设备请求等待时延的智能调节方法和装置

摘要

本发明公开了集中器高效率抄读电表设备请求等待时延的智能调节方法和装置，其中集中器对电表数据的抄读；条件特征模型管理模块的对电表样本数据的筛选和分类；条件特征模型处理模块和电表自身特征处理模块的增量计算和学习；集中器根据各个模块处理结果和成功率加权计算出最终的请求时延，集中器根据样本的抄读结果来更新各个处理模块的成功率，本发明针对不同类型的电表也能进行实时的增量学习，智能调节，实现高效且智能调节请求时延的目的。

说明书

技术领域

本发明是涉及智能电表通信技术领域，具体地说是涉及集中器高效率抄读电表设备请求等待时延的智能调节方法和装置。

背景技术

国内用电信息采集发展于20世纪80年代末，至今已有30多年的发展历程。伴随着计算机技术、通信技术、自动化技术的进步，以及电力营销与管理要求的不断提高，行业发展变化很大。尤其是2005年国家电网公司启动营销现代化建设，电能信息采集行业进入高速发展阶段。

根据前瞻产业研究院调研数据显示，截至2012年底，国家电网全口径用户实现用电信息采集覆盖1.25亿户，采集覆盖率达到40.45％。其中三相一般工商业用户、单相一般工商业用户和居民用户，占电网总用户数的99％以上，专变用户占余下的近1％，目前专变用户采集覆盖率已超过70％。

根据国网规划，国网将实现对直供直管区域内所有用户的“全覆盖、全采集、全费控”。目前，国家电网公司系统27个省级公司的采集系统主站建设已全部完成并投入运行，为用电信息采集系统建设提供了便利条件，国网用电信息采集系统覆盖率发展将进一步提速。

在传统的集中器设备中，终端请求电表设备数据时，往往是设定一个固定等待时延或者是简单的单一模型调节，不能够针对各个厂家、各种电表和各种类型的电表数据，进行实时的增量学习，不能根据实时的生产环境情况，深度学习，相互修正，智能调节。例如：终端在抄读不同类型的电表时，由于厂家的不同、通信类型的不同、抄读数据类型的不同、温度环境因素的不同和其它各种因素的不同，往往会导致需要不同的请求等待时延，使用原有的传统方案，不够灵活和智能，将会浪费很大的等待时间，导致采集效率不高，无法在指定的时间内完成主站下发的抄读任务。

发明内容

为解决上述技术问题，本发明提供了集中器高效率抄读电表设备请求等待时延的智能调节方法，为实现上述目的，本发明采用以下技术方案：

集中器高效率抄读电表设备请求等待时延的智能调节方法，包括以下步骤：

S1：集中器按照配置的定抄采集方案对不同类型的电表进行数据抄读，从而产生各种数据模型所需要的各种数据样本，集中器根据默认配置初始化各个条件特征模型处理模块M和每块电表的自身特征模型处理模块S；

S2：集中器中条件特征模型管理模块根据不同的数据类型进行筛选和分类，并输入本次样本数据A到对应类别的条件特征模型处理模块M中；

S3：条件特征模型处理模块M进行增量计算和学习，并得到请求时延R1；

S4：条件特征模型管理模块再次输入本次样本数据A到对应电表的自身特征模型处理模块S中；

S5：自身特征模型处理模块S进行增量计算和学习，并得到请求时延R2；

S6：集中器根据条件特征模型处理模块M和自身特征模型处理模块S的成功率分别对结果R1和R2加权和修正，并计算出最终的请求时延R；

S7：集中器使用最终的请求时延R对本次样本数据A进行抄读；

S8.1：基于S7，若集中器对本次样本数据A的抄读结果成功，更新条件特征模型M和自身特征模型S的成功率，且使用本次实际值作为统计数据；

S8.2：基于S7，若集中器对本次样本数据A的抄读结果失败，更新条件特征模型M和自身特征模型S的成功率，但不使用本次实际值作为其统计值。

优选地，基于所述步骤S8.1接着进行二次额外修正，更新其他模块的统计值的流程，其步骤如下：

S8.1.1：条件特征模型管理模块检测增量计算和学习后的条件特征模型处理模块M是否稳定，若条件特征模型处理模块M的标准差大于1s，则可认定其因素极其不稳定，将条件特征模型处理模块M拆分成条件特征模型处理模块M1 和条件特征模型处理模块M2，并使用条件特征模型处理模块M的统计值初始化条件特征模型处理模块M1和条件特征模型处理模块M2，再等待S8.1.2完成后续计算；

S8.1.2：条件特征模型管理模块按照排序结果检测其它条件特征模型处理模块M3和条件特征模型处理模块M4的标准差和期望值是否稳定并能满足合并要求，若条件特征模型处理模块M3和条件特征模型处理模块M4的标准差小于 0.1s，期望值相差小于0.2s，则合并成条件特征模型处理模块Mz,并使用条件特征模型处理模块M3和条件特征模型处理模块M4的统计值初始化Mz，至此完成本次统计和修正，计算结束。

优选地，步骤S6中最终的请求时延R的计算方法为：

根据电表当前请求类别所属的条件特征模型处理模块M和自身特征模型处理模块S的统计值如下:

M的期望μ1和标准差σ1，成功次数n1和总次数s1，成功率r1＝n1/s1；

S的期望μ2和标准差σ2，成功次数n2和总次数s2，成功率r2＝n2/s2；

计算电表本次请求时延R的公式如下：

R＝μ1*k1+μ2*k2+x

其中k1和k2为M和S对应的期望权重值，分别为0.5，其总和为1，x为修正值，若上次该类别样本请求失败，则x的计算公式如下：

x＝(σ1*k3+σ2*k4)*(1-r1)*(1-r2)+b

其中k3和k4为M和S对应的标准差权重值，分别为0.5，其总和为1，b 为最小偏移量，默认为1s.

若上次该类别样本请求成功，则x的计算公式如下：

x＝-(σ1*k3+σ2*k4)*(1-r1)*(1-r2)。

与现有技术相比，本发明具有如下有益效果：

(1)本发明通过集中器按照配置的定抄采集方案对不同类型的电表进行数据抄读，从而产生各种数据模型所需要的各种数据样本，不断的输入到条件特征模型处理模块M和自身特征模型处理模块S，能够准确的计算出本次的时延值，针对不同类型的电表也能进行实时的增量学习，智能调节；且本发明加入了条件特征模型处理模块M进行进行增量计算和学习过程中的第二次额外修正，从而避免了由于自身异常值偏离过大造成的估算值误差，同时，条件特征模型处理模块M能够根据统计结果自我合并和拆分，有效的减少了重复计算，降低了终端的计算量和存储空间，从而最终降低所有电表的通信失败次数，提高了抄表效率。

(2)当集中器连接的电表设备类型和抄读数据类型数量较多时，条件数据模型的类别将会更多，同时，当数据样本训练的次数较多时，条件特征数据模型和电表自身的特征数据模型也会更准确，从而实现高效且智能调节请求时延的目的。

附图说明

图1为本发明的整体流程图。

图2为本发明的二次额外修正的流程图。

具体实施方式

下面结合附图以及具体实施方式，对本发明做进一步说明。

如图1所示，S1：集中器按照配置的定抄采集方案对不同类型的电表进行数据抄读，从而产生各种数据模型所需要的各种数据样本，具体表现为：对于不同的通信类型电表，通过不同的方式采集数据，同时数据存储也可以根据终端性能，选择不同的数据库提高速度和容量，集中器根据默认配置初始化各个条件特征模型处理模块M和每块电表的自身特征模型处理模块S，(集中器在出厂时，会根据默认配置初始化各个条件特征模型处理模块(M、M1、M2......Mx) 和每块表的自身特征模型处理模块(S、S1、S2......Sy)，其生成的初始条件特征模型的类别也比较少和简单，通常是根据不同生产厂家的生产经验得到的一个初始值)；

S2：集中器中条件特征模型管理模块根据不同的数据类型进行筛选和分类，并输入本次样本数据A到对应类别的条件特征模型处理模块M中；

S3：条件特征模型处理模块M进行增量计算和学习，并得到请求时延R1；

S4：条件特征模型管理模块再次输入本次样本数据A到对应电表的自身特征模型处理模块S中；

S5：自身特征模型处理模块S进行增量计算和学习，并得到请求时延R2；

条件特征模型处理模块M和电表自身特征处理模块S的增量计算和学习，其所有的样本数据都是按照特征属性类别分别处理，例如，抄读某厂家的电表的正向有功电量，每一条记录包含数据的冻结时间、电表类型和通信类型，则该厂家的单相PLC表白天12:00～15:00抄读正向有功电量为一个联合候选列，所有满足该条件的样本都会参与统计。

S6：集中器根据条件特征模型处理模块M和自身特征模型处理模块S的成功率分别对结果R1和R2加权和修正，并计算出最终的请求时延R，在本实施例中，电表的请求时延数据样本服从正态分布，即：

S7：集中器使用最终的请求时延R对本次样本数据A进行抄读；

S8.1：基于S7，若集中器对本次样本数据A的抄读结果成功，更新条件特征模型M和自身特征模型S的成功率，且使用本次实际值作为统计数据；

S8.2：基于S7，若集中器对本次样本数据A的抄读结果失败，更新条件特征模型M和自身特征模型S的成功率，但不使用本次实际值作为其统计值。

步骤S3中条件特征模型处理模块M进行进行增量计算和学习的过程中，终端初始时配置默认的特征属性到候选列，这些属性都是原子的，不可分割的，例如不同的厂家、电表类型、抄读时间、请求类型和通信类型等，终端通过持续的采集电表数据，统计各个电表在不同的候选列情况下的请求时延R，计算出期望μ和标准差σ，采集失败的样本由于没有数值，将不参与统计，但会作为后续计算时延R的参考值；

如图2所示，集中器对本次样本数据A的抄读结果成功，更新条件特征模型M和自身特征模型S的成功率，且使用本次实际值作为统计数据后，接着进行二次额外修正，更新其他模块的统计值的流程，其步骤如下：

S8.1.1：条件特征模型管理模块检测增量计算和学习后的条件特征模型处理模块M是否稳定，若条件特征模型处理模块M的标准差大于1s，则可认定其因素极其不稳定，将条件特征模型处理模块M拆分成条件特征模型处理模块M1 和条件特征模型处理模块M2，并使用条件特征模型处理模块M的统计值初始化条件特征模型处理模块M1和条件特征模型处理模块M2，再等待S8.1.2完成后续计算；

S8.1.2：条件特征模型管理模块按照排序结果检测其它条件特征模型处理模块M3和条件特征模型处理模块M4的标准差和期望值是否稳定并能满足合并要求，若条件特征模型处理模块M3和条件特征模型处理模块M4的标准差小于 0.1s，期望值相差小于0.2s，则合并成条件特征模型处理模块Mz,并使用条件特征模型处理模块M3和条件特征模型处理模块M4的统计值初始化Mz，至此完成本次统计和修正，计算结束。

在步骤S8.1.1和S8.1.2的阶段，联合候选列的原子列个数可以不止2个，本实施例只是选择两个进行解释说明，根据现场实际使用情况，只要条件满足，就可以不断增加，条件特征模型处理模块M能够根据统计结果自我合并和拆分，有效的减少了重复计算，降低了终端的计算量和存储空间，从而最终降低所有电表的通信失败次数，提高了抄表效率。

步骤S6中最终的请求时延R的计算方法为：根据电表当前请求类别所属的条件特征模型处理模块M和自身特征模型处理模块S的统计值如下:

M的期望μ1和标准差σ1，成功次数n1和总次数s1，成功率r1＝n1/s1；

S的期望μ2和标准差σ2，成功次数n2和总次数s2，成功率r2＝n2/s2；

计算电表本次请求时延R的公式如下：

R＝μ1*k1+μ2*k2+x

其中k1和k2为M和S对应的期望权重值，分别为0.5，其总和为1，x为修正值，若上次该类别样本请求失败，则x的计算公式如下：

x＝(σ1*k3+σ2*k4)*(1-r1)*(1-r2)+b

其中k3和k4为M和S对应的标准差权重值，分别为0.5，其总和为1，b 为最小偏移量，本实施例设为1s.

若上次该类别样本请求成功，则x的计算公式如下：

x＝-(σ1*k3+σ2*k4)*(1-r1)*(1-r2)。

由最终的请求时延R的计算方法可知，调节幅度的大小与条件特征模型处理模块M和自身特征模型处理模块S的标准差和成功率有关系，标准差越大，调节越大，反之，调节越小；成功率越大，调节值越小，反之，调节越大。同时，也可以观察到，样本上次该类别成功时，由于达到稳定值，调节较小；失败时，由于需要快速找到合适值，调节较大，通过大量的数据处理，最终估算出的时延参数会越接近实际情况，即使出现失败情况，也能够快速的恢复，此外，最小偏移量b可以根据实际情况设置，后续考虑做成统计分析值，计算其期望。

上述的实施例仅为本发明的优选实施例，不能以此来限定本发明的权利范围，因此，依本发明申请专利范围所作的修改、等同变化、改进等，仍属本发明所涵盖的范围。