CN110261811A - 智能电表批量预警方法及*** - Google Patents

智能电表批量预警方法及*** Download PDF

Info

Publication number
CN110261811A
CN110261811A CN201910602064.1A CN201910602064A CN110261811A CN 110261811 A CN110261811 A CN 110261811A CN 201910602064 A CN201910602064 A CN 201910602064A CN 110261811 A CN110261811 A CN 110261811A
Authority
CN
China
Prior art keywords
data
intelligent electric
electric meter
batch
early warning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910602064.1A
Other languages
English (en)
Inventor
浮颖彬
李芹芹
张博凯
李先志
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhixiang Technology Co Ltd
Original Assignee
Beijing Zhixiang Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Zhixiang Technology Co Ltd filed Critical Beijing Zhixiang Technology Co Ltd
Priority to CN201910602064.1A priority Critical patent/CN110261811A/zh
Publication of CN110261811A publication Critical patent/CN110261811A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开一种智能电表批量预警方法及***，该方法包括：获取智能电表实际生产数据；设定模型批次；根据设定的模型批次对所述数据进行分组；对各分组后的数据的生存函数进行威布尔分布拟合，并使用极大似然估计方法获得各分组的威布尔分布的参数估计和根据参数估计和预设生存率阈值，获得各分组的智能电表预期寿命节点；对分析组中运行时长大于所述预期寿命节点或距离所述预期寿命节点时间小于等于预设时间阈值的批次发出预警。本申请的智能电表批量预警方法是基于右删失数据，解决了现有技术中的方法均基于历史故障数据，不能应用于目前运行的所有智能电表厂商和表型的问题。

Description

智能电表批量预警方法及***
技术领域
本申请涉及智能电表可靠性评估技术领域，尤其涉及一种智能电表批量预警方法及***。
背景技术
智能电表相对以往的普通电能表，除具备基本的计量功能外，还设有时钟、通信、存储等功能。由于智能电能表生产工艺比机械表简单，因此生产的厂家较多。由于不同生产厂家所采用生产工艺不一，不但导致智能电能表型式繁多，而且不同批次的智能电能表质量和使用寿命也不统一。
为避免因质量或使用寿命原因导致同批次智能电表短时间发生批量故障，一类常用的方法是通过加速寿命试验获得加速运行数据，进而预估批次预估寿命，在预估寿命到期前结束其运行；另一类常用方法是利用大数据方法，使用历史故障数据训练相应模型，然后根据训练后的模型预测批次电表故障概率，根据概率决定是否终止其运行。
上述两种方法均基于历史故障数据，但由于历史故障数据仍然较少，并且大量新厂商、新表型缺乏可用规模的历史故障数据，所以，上述两种方法不能应用于目前运行的所有智能电表厂商和表型。
发明内容
本申请实施例公开一种智能电表批量预警方法及***，以解决现有的为避免因质量或使用寿命原因导致同批次智能电表短时间发生批量故障的方法均基于历史故障数据，但由于历史故障数据仍然较少，并且大量新厂商、新表型缺乏可用规模的历史故障数据，所以，上述两种方法不能应用于目前运行的所有智能电表厂商和表型的问题。
在本申请的第一方面，公开一种智能电表批量预警方法，包括：
获取智能电表实际生产数据，其中，所述数据包括右删失数据，所述右删失数据包括非质量故障拆除的智能电表数据和仍在正常运行的智能电表数据；
设定模型批次，所述模型批次选定招标批次、到货批次、厂商、表型中的任一种或几种；
根据设定的模型批次对所述数据进行分组，其中同一分组内的数据具有相同的模型批次；
对各分组后的数据的生存函数进行威布尔分布拟合，并使用极大似然估计方法获得各分组的威布尔分布的参数估计和其中，和分别为威布尔分布的尺度参数和形状参数；
根据参数估计和预设生存率阈值，获得各分组的智能电表预期寿命节点；
对分析组中运行时长大于所述预期寿命节点或距离所述预期寿命节点时间小于等于预设时间阈值的批次发出预警，同一所述分析组的数据具有相同的模型批次和到货批次。
进一步地，所述使用极大似然估计方法获得各分组的威布尔分布的参数估计和包括：
获得每块智能电表的运行时长Ti和观察标记δi，其中，i为大于等于1的正整数；
根据每块智能电表的Ti、δi和生存函数，设置包括右删失数据的威布尔分布的极大似然函数；
将所述极大似然函数转化为对数似然函数的最大化；
使用有限内存拟牛顿方法计算出使负对数似然函数的最小化的参数估计和
进一步地，所述获得每块智能电表的运行时长Ti，包括：
如果所述智能电表已被拆除，则所述运行时长Ti为拆除日期与安装日期的差值；
如果所述智能电表仍在运行，则所述运行时长Ti为删失日期与安装日期的差值。
进一步地，所述确定每块智能电表的观察标记δi，包括：
根据观察事项确定每块智能电表的观察标记δi，如果所述智能电表发生观察事项，则δi＝1；如果所述智能电表未发生观察事项，则δi＝0。
进一步地，还包括：
将所述数据的字符串数据类型映射为整型数据类型；
将所述数据以整型数据类型的方式读入内存。
进一步地，同一分析组中的运行时长为删失日期与安装日期的中位数之差。
进一步地，所述预设生存率阈值为0.5。
进一步地，所述预设时间阈值为600天。
在本申请的第二方面，公开一种智能电表批量预警***，包括：第一获取模块，用于获取智能电表实际生产数据，其中，所述数据包括右删失数据，所述右删失数据包括非质量故障拆除的智能电表数据和仍在正常运行的智能电表数据；
设定模块，用于设定模型批次，所述模型批次选定招标批次、到货批次、厂商、表型中的任一种或几种；
分组模块，用于根据设定的模型批次对所述数据进行分组，其中同一分组内的数据具有相同的模型批次；
拟合模块，用于对各分组后的数据的生存函数进行威布尔分布拟合，并使用极大似然估计方法获得各分组的威布尔分布的参数估计和其中，和分别为威布尔分布的尺度参数和形状参数；
第二获取模块，用于根据参数估计和预设生存率阈值，获得各分组的智能电表预期寿命节点；
预警模块，用于对分析组中运行时长大于所述预期寿命节点或距离所述预期寿命节点时间小于等于预设时间阈值的批次发出预警，同一所述分分组的数据具有相同的模型批次和到货批次。
进一步地，所述***还包括：
第三获取模块，用于获得每块智能电表的运行时长Ti和观察标记δi；
设置模块，用于根据每块智能电表的Ti、δi和生存函数，设置包括右删失数据的威布尔分布的极大似然函数；
转化模块，用于将所述极大似然函数转化为对数似然函数的最大化；
计算模块，用于使用有限内存拟牛顿方法计算出使负对数似然函数的最小化的参数估计和
在本申请的第三方面，公开一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述程序被处理器执行时实现本申请第一方面的所述的方法。
本申请实施例公开的方案，第一，通过使用智能电表实际生产数据而非实验数据，一方面免去了实验的成本，另一方面实际生产数据更能反映电能表在真实工作环境下的生存情况；第二，本申请的智能电表批量预警方法是基于右删失数据，也就是非质量故障拆除的智能电表数据和仍在正常运行的智能电表数据，解决了现有技术中的方法均基于历史故障数据，但由于历史故障数据仍然较少，并且大量新厂商、新表型缺乏可用规模的历史故障数据，所以，现有方法不能应用于目前运行的所有智能电表厂商和表型的问题。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种智能电表批量预警方法的工作流程示意图；
图2为本申请实施例公开的又一种智能电表批量预警方法的工作流程示意图；
图3为本申请实施例公开的又一种智能电表批量预警方法的工作流程示意图；
图4为本申请实施例公开的一种智能电表批量预警***的结构框图；
图5为本申请实施例公开的又一种智能电表批量预警***的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明中的技术方案，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，都应当属于本发明保护的范围。
为了解决现有的为避免因质量或使用寿命原因导致同批次智能电表短时间发生批量故障的方法均基于历史故障数据，但由于历史故障数据仍然较少，并且大量新厂商、新表型缺乏可用规模的历史故障数据，所以，现有的方法不能应用于目前运行的所有智能电表厂商和表型的问题，本申请通过以下实施例公开一种智能电表批量预警方法及***。
本申请第一实施例公开一种智能电表批量预警方法。参见图1所示的工作流程示意图，本申请实施例公开的智能电表批量预警方法包括以下步骤：
步骤S11、获取智能电表实际生产数据，其中，所述数据包括右删失数据，所述右删失数据包括非质量故障拆除的智能电表数据和仍在正常运行的智能电表数据。
上述步骤中可以定期从国家电网省级公司相关生成***获取全省范围内智能电表实际生产数据，其中数据包括档案数据和运行数据，档案数据包括设备标识、招标批次、到货批次、厂商、表型、芯片类型、轴承类型、保修期等不随时间变化的信息，运行数据包括安装日期、拆除日期、故障类型等会随时间变化的数据。档案数据和运行数据分布在不同的数据源中。
删失数据指的是在观察期内，即数据开始收集到最终收集时刻之间，未观察到观察事项的数据，其中，观察事项指的是判定样本终止运行或死亡的事项，本申请的观察事项指的是智能电表发生质量故障。
左删失数据指的是事项开始时间未知，右删失数据指的是事项结束时间未知。本申请中的右删失数据指非质量故障拆除的智能电表数据和仍在正常运行的智能电表数据，即智能电能表的质量故障时间未知。
步骤S12、设定模型批次，所述模型批次选定招标批次、到货批次、厂商、表型中的任一种或几种。
在一例子中，选定招标批次设定为模型批次，在另一例子中，可以同时选定厂商和表型设定为模型批次。
步骤S13、根据设定的模型批次对所述数据进行分组，其中同一分组内的数据具有相同的模型批次。
将步骤S11中获得的数据根据设定的模型批次进行分组，如选定招标批次设定为模型批次，则根据招标批次将数据分组。
步骤S14、对各分组后的数据的生存函数进行威布尔分布拟合，并使用极大似然估计方法获得各分组的威布尔分布的参数估计和其中，和分别为威布尔分布的尺度参数和形状参数。
步骤S14主要是建立威布尔模型，使用极大似然估计方法对威布尔分布拟合，获得威布尔分布的参数估计和
智能电表的生存函数服从威布尔分布。生存函数S(t)表示在t时刻仍然存活的概率，指智能电表在t时刻仍在运行的概率，具体公式为：
S(t)＝Pr(T＞t)
式中T表示智能电表的运行时长。
威布尔分布参数估计法对生存函数的估计为：
式中λ和k分别为形状参数和尺度参数。
然后，通过极大似然估计方法获得其估计和
根据步骤S13的分组，逐组对各分组进行威布尔分布拟合，并使用极大似然估计方法获得各分组的威布尔分布的参数估计和
步骤S15、根据参数估计和预设生存率阈值，获得各分组的智能电表预期寿命节点。
因为拟合后的威布尔分布是单调的函数，所以可以通过预设生存率阈值Sth，获得各分组的唯一的预期寿命节点Tth,具体公式如下：
Tth＝-λ(lnSth)-k,
其中λ和k分别为威布尔分布的尺度参数和形状参数。
计算各分组的唯一的预期寿命节点Tth时，其中λ和k分别带入步骤S14中获得的各分组的威布尔分布的参数估计和预设生存率阈值Sth可以自行设置，优选设置为0.5。
步骤S16、对分析组中运行时长大于所述预期寿命节点或距离所述预期寿命节点时间小于等于预设时间阈值的批次发出预警，同一所述分析组的数据具有相同的模型批次和到货批次。
根据到货批次对步骤S13分组后的数据进一步分组，同一分组的数据具有相同的模型批次和到货批次，并将该分组定义为分析组。同一到货批次的智能电表的安装日期相近(通常在6个月内)，因此同一到货批次有相近的运行时长，所以该步骤中根据到货批次进一步分组。
对批次发出预警可以理解为对正在运行的智能电表，以分析组为单位进行预警，对于正在运行的智能电表的运行时长为删失日期与安装日期的差值，其中，删失日期指的是观察期结束的日期，一般为数据收集的截止日期。
进一步的，同一分析组中，也就是同一批次的智能电表的运行时长为删失日期与安装日期的中位数之差。
在该步骤中，先获得同一分析组中智能电表的删失日期的中位数和安装日期的中位数，然后用删失日期的中位数减去安装日期的中位数计算得到同一分析组中智能电表的运行时长。
预期寿命节点通过步骤S15计算得到，比较各分析组的运行时长和预期寿命节点，对各分析组中运行时长大于所述预期寿命节点或距离所述预期寿命节点时间小于等于预设时间阈值的批次发出预警。预设时间阈值优选设置为600天。也就是距离预期寿命节点还有600天时，发出预警，以避免该批次智能电表短时间发生批量故障。
其中，距离所述预期寿命节点时间小于等于预设时间阈值可以理解为运行时长接近但是还没有到预期寿命节点，接近值为预设时间阈值，预设时间阈值具体指预期寿命节点时间减去运行时长的差值。
本申请实施例公开的方案，第一，通过使用智能电表实际生产数据而非实验数据，一方面免去了实验的成本，另一方面实际生产数据更能反映电能表在真实工作环境下的生存情况；第二，本申请的智能电表批量预警方法是基于右删失数据，也就是非质量故障拆除的智能电表数据和仍在正常运行的智能电表数据，解决了现有技术中的方法均基于历史故障数据，但由于历史故障数据仍然较少，并且大量新厂商、新表型缺乏可用规模的历史故障数据，所以，现有方法不能应用于目前运行的所有智能电表厂商和表型的问题。
参照图2，在本发明实施例提供的所述使用极大似然估计方法获得各分组的威布尔分布的参数估计和具体包括以下步骤：
步骤S21、获得每块智能电表的运行时长Ti和观察标记δi，其中，i为大于等于1的正整数。
设定删失日期和观察事项，其中删失日期指的是观察期结束的日期，一般为数据收集的截止日期。观察事项通常为智能电表故障类型为质量故障。获取每块智能电表的运行时长Ti，如果所述智能电表已被拆除，则所述运行时长Ti为拆除日期与安装日期的差值；如果所述智能电表仍在运行，则所述运行时长Ti为删失日期与安装日期的差值。
根据观察事项确定每块智能电表i的观察标记δi，如果所述智能电表发生观察事项，则δi＝1；如果所述智能电表未发生观察事项，则δi＝0。
步骤S22、根据每块智能电表的Ti、δi和生存函数，设置包括右删失数据的威布尔分布的极大似然函数。
威布尔分布参数估计法对生存函数S(t)的估计为：
考虑右删失数据的威布尔分布的极大似然函数设置为：
其中，f(t)＝d(F(t))/dt，f(t)为F(t)的概率密度函数，F(t)＝1-S(t)，F(t)为累积故障函数，其中，f(Ti)和S(Ti)分别为S(t)和f(t)在t＝Ti的值。
威布尔的故障密度函数的估计为：
步骤S23、为方便计算，L的最大化可转化为对数似然函数的最大化：
带入公式(1)(2)得：
进一步化简得对数似然函数为：
步骤S24、使用有限内存拟牛顿方法计算出使负对数似然函数的最小化的参数估计和
由于无法通过求偏导的方式直接求得参数λ和k的显式表达，进一步使用有限内存拟牛顿方法求出使负对数似然函数(即(3)式取负)的最小化的参数估计和
有限内存拟牛顿(Broyden-Fletcher-Goldfarb-Shanno，BFGS)方法是用BFGS矩阵作为拟牛顿法中的对称正定迭代矩阵的方法。有限内存拟牛顿方法不存储迭代矩阵，而是连续使用BFGS迭代产生的m个向量对，及当前的负梯度方向产生搜索方向。所以，有限内存拟牛顿方法的复杂度与数据量无关。
对步骤S13中各分组中的数据逐组执行步骤S21至步骤S24，获得各组的威布尔参数估计和
参照图3，在本发明实施例提供的智能电表批量预警方法，还包括：
步骤S31、将所述数据的字符串数据类型映射为整型数据类型。
步骤S32、将所述数据以整型数据类型的方式读入内存。
由于智能电表实际生产数据的数据量通常达到亿级，如果直接将数据以字符串形式读入内存后处理将会对计算机硬件配置提出较高的要求，为此，本发明通过将字符串数据类型映射为整型数据类型，进而将数据内存占中降低93％。
由于实际生产数据中通常会包含有含空数据、格式错误数据、逻辑冲突数据、离群数据等异常数据，异常数据会造成拟合结果出现偏差、抖动等，为此可以对数据进行数据清洗，发现并纠正数据文件中可识别的错误，包括检查数据一致性，处理无效值和缺失值等。
数据清洗的具体操作包括：根据多个数据源进行数据交叉校验，根据相关业务逻辑进行相应清洗，同时为避免数据被篡改，可以通过不同时间节点相同数据源的纵向比较，对智能电表档案数据进行清洗。
可以理解的是，步骤S12至步骤S16中的处理的数据可以是进行数据清洗后的数据。
为了验证本发明的智能电表批量预警方法的可行性，由于人工和时间成本，通过拆回预警智能电表验证批量预警方法准确性的方法较难实施，因此，本发明通过将真实数据回退一定时间，一方面比较基于回退数据相应运行时长的预测生存率和真实生存率的误差，以判别生存率预测准确性；另一方面通过对比预期寿命节点前后故障表数据，分析分批次预警的方法的可行性。
具体验证方法包括：采集截止2018年12月25日某省级电网公司所有招标日期在2009年的智能电表的实际生产数据。
首先，对数据进行预处理，获得观察标记δi和运行时长Ti，其中删失日期取2018年12月25日。
其次，按照招标批次编号、厂商编号和表型对数据进行分组，得到23组数据，逐组使用Kaplan-Meier乘积极限法和威布尔分布对生存函数进行拟合，同时获得预估点实际生存率数据。
然后，将数据回退600天，即将删失日期设置为回退600天后的日期，根据新的删失日期获得各组运行时长Ti，并将拆除日期晚于该删失日期的数据设为右删失数据。
最后，使用威布尔分布对回退数据进行拟合，并获得预测200天、400天、600天的生存率和其标准差，具体数据如表1所示，并计算各预测生存率与实际值的绝对值误差，具体数据如表2所示。
表1基于威布尔拟合的生存率预测值及其标准差
表2实际生存率及其误差
通过观察表1和表2的数据可得，各组的预测生存率绝对值误差均在0.1以内，整体预测准确性较高。进一步地，对比通过Kaplan-Meier乘积极限法和威布尔分布对生存函数进行拟合的两种方式的预测生存率与实际值的绝对值误差，采用威布尔分布对生存函数进行拟合的方式的预测生存率与实际值的绝对值误差远小于采用Kaplan-Meier乘积极限法对生存函数进行拟合的方式的预测生存率与实际值的绝对值误差，因此，采用威布尔分布对生存函数进行拟合的方式预测准确性更高。
对分批次预警的效果验证：
通过分析预警前后故障数量的分布，判别预警的准确性，如果预警期内故障的智能电表数量占预警后所有智能电表的数量的大部分，说明预警有效；如果预警期内故障的智能电表数量占预警后所有智能电表的数量的小部分，则说明预估寿命过小，预警无效。
统一将表1和表2中的数据回退至最大运行时长5年，然后使用威布尔分布进行拟合，获得各组的生存函数，为了扩大样本量，假设一组对应一个批次，同时预设时间阈值为600天，可获得2个批次的预警，具体如表3所示。
表3预警前后故障数量的分布
如表3所示，预警期内故障的智能电表数量包括预警前智能电表故障数量和预警期智能电表故障数量两部分，预警后所有智能电表的数量即表3中智能电表故障总数量，预警后所有智能电表的数量包括预警前智能电表故障数量、预警期智能电表故障数量和预估寿命节点后智能电表故障数量三部分。
很显然，预警期内故障的智能电表数量占预警后所有智能电表的数量的大部分，所以预警有效。
相应的，参照图4，在本发明另一实施例中，还公开一种智能电表批量预警***，包括：
第一获取模块110，用于获取智能电表实际生产数据，其中，所述数据包括右删失数据，所述右删失数据包括非质量故障拆除的智能电表数据和仍在正常运行的智能电表数据；
设定模块120，用于设定模型批次，所述模型批次选定招标批次、到货批次、厂商、表型中的任一种或几种；
分组模块130，用于根据设定的模型批次对所述数据进行分组，其中同一分组内的数据具有相同的模型批次；
拟合模块140，用于对各分组后的数据的生存函数进行威布尔分布拟合，并使用极大似然估计方法获得各分组的威布尔分布的参数估计和其中，和分别为威布尔分布的尺度参数和形状参数；
第二获取模块150，用于根据参数估计和预设生存率阈值，获得各分组的智能电表预期寿命节点；
预警模块160，用于对分析组中运行时长大于所述预期寿命节点或距离所述预期寿命节点时间小于等于预设时间阈值的批次发出预警，同一所述分分组的数据具有相同的模型批次和到货批次。
参照图5，在本发明实施例公开的智能电表批量预警***中，所述***还包括：
第三获取模块210，用于获得每块智能电表的运行时长Ti和观察标记δi；
设置模块220，用于根据每块智能电表的Ti、δi和生存函数，设置包括右删失数据的威布尔分布的极大似然函数；
转化模块230，用于将所述极大似然函数转化为对数似然函数的最大化；
计算模块240，用于使用有限内存拟牛顿方法计算出使负对数似然函数的最小化的参数估计和
本说明书中各个实施例之间相同相似的部分互相参见即可。尤其，对于***的实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例中的说明即可。
以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。
具体实现中，本申请实施例还提供一种计算机可读存储介质，其中，该计算机可读存储介质可存储有程序，该程序执行时可包括本申请提供的适用于多业务场景的实现方法的各实施例中的部分或全部步骤。所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，ROM)或随机存储记忆体(random access memory，RAM)等。
本领域的技术人员可以清楚地了解到本申请实施例中的技术可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请实施例中的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例或者实施例的某些部分所述的方法。
以上所述的本申请实施方式并不构成对本申请保护范围的限定。

Claims (10)

1.一种智能电表批量预警方法，其特征在于，包括：
获取智能电表实际生产数据，其中，所述数据包括右删失数据，所述右删失数据包括非质量故障拆除的智能电表数据和仍在正常运行的智能电表数据；
设定模型批次，所述模型批次选定招标批次、到货批次、厂商、表型中的任一种或几种；
根据设定的模型批次对所述数据进行分组，其中同一分组内的数据具有相同的模型批次；
对各分组后的数据的生存函数进行威布尔分布拟合，并使用极大似然估计方法获得各分组的威布尔分布的参数估计和其中，和分别为威布尔分布的尺度参数和形状参数；
根据参数估计和预设生存率阈值，获得各分组的智能电表预期寿命节点；
对分析组中运行时长大于所述预期寿命节点或距离所述预期寿命节点时间小于等于预设时间阈值的批次发出预警，同一所述分析组的数据具有相同的模型批次和到货批次。
2.根据权利要求1所述的智能电表批量预警方法，其特征在于，所述使用极大似然估计方法获得各分组的威布尔分布的参数估计和包括：
获得每块智能电表的运行时长Ti和观察标记δi，其中，i为大于等于1的正整数；
根据每块智能电表的Ti、δi和生存函数，设置包括右删失数据的威布尔分布的极大似然函数；
将所述极大似然函数转化为对数似然函数的最大化；
使用有限内存拟牛顿方法计算出使负对数似然函数的最小化的参数估计和
3.根据权利要求2所述的智能电表批量预警方法，其特征在于，所述获得每块智能电表的运行时长Ti，包括：
如果所述智能电表已被拆除，则所述运行时长Ti为拆除日期与安装日期的差值；
如果所述智能电表仍在运行，则所述运行时长Ti为删失日期与安装日期的差值。
4.根据权利要求2所述的智能电表批量预警方法，其特征在于，所述确定每块智能电表的观察标记δi，包括：
根据观察事项确定每块智能电表的观察标记δi，如果所述智能电表发生观察事项，则δi＝1；如果所述智能电表未发生观察事项，则δi＝0。
5.根据权利要求1所述的智能电表批量预警方法，其特征在于，还包括：
将所述数据的字符串数据类型映射为整型数据类型；
将所述数据以整型数据类型的方式读入内存。
6.根据权利要求1所述的智能电表批量预警方法，其特征在于，
同一分析组中的运行时长为删失日期与安装日期的中位数之差。
7.根据权利要求1所述的智能电表批量预警方法，其特征在于，所述预设生存率阈值为0.5。
8.根据权利要求1所述的智能电表批量预警方法，其特征在于，所述预设时间阈值为600天。
9.一种智能电表批量预警***，其特征在于，包括：
第一获取模块，用于获取智能电表实际生产数据，其中，所述数据包括右删失数据，所述右删失数据包括非质量故障拆除的智能电表数据和仍在正常运行的智能电表数据；
设定模块，用于设定模型批次，所述模型批次选定招标批次、到货批次、厂商、表型中的任一种或几种；
分组模块，用于根据设定的模型批次对所述数据进行分组，其中同一分组内的数据具有相同的模型批次；
拟合模块，用于对各分组后的数据的生存函数进行威布尔分布拟合，并使用极大似然估计方法获得各分组的威布尔分布的参数估计和其中，和分别为威布尔分布的尺度参数和形状参数；
第二获取模块，用于根据参数估计和预设生存率阈值，获得各分组的智能电表预期寿命节点；
预警模块，用于对分析组中运行时长大于所述预期寿命节点或距离所述预期寿命节点时间小于等于预设时间阈值的批次发出预警，同一所述分分组的数据具有相同的模型批次和到货批次。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述程序被处理器执行时实现如权利要求1-8中任一项所述的方法。
CN201910602064.1A 2019-07-05 2019-07-05 智能电表批量预警方法及*** Pending CN110261811A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910602064.1A CN110261811A (zh) 2019-07-05 2019-07-05 智能电表批量预警方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910602064.1A CN110261811A (zh) 2019-07-05 2019-07-05 智能电表批量预警方法及***

Publications (1)

Publication Number Publication Date
CN110261811A true CN110261811A (zh) 2019-09-20

Family

ID=67924505

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910602064.1A Pending CN110261811A (zh) 2019-07-05 2019-07-05 智能电表批量预警方法及***

Country Status (1)

Country Link
CN (1) CN110261811A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111998972A (zh) * 2020-09-17 2020-11-27 南方电网科学研究院有限责任公司 端子座温度剧变报警功能检测方法、装置、终端及介质
CN112380759A (zh) * 2019-11-27 2021-02-19 国家电网公司 基于深度学习和CoxPH模型的智能电表寿命预测方法
CN112381258A (zh) * 2019-11-26 2021-02-19 国家电网公司 表计运行生命周期预测方法及装置
CN114252794A (zh) * 2021-11-24 2022-03-29 国电南瑞科技股份有限公司 一种拆回智能电能表剩余寿命预测方法及装置

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009072204A1 (ja) * 2007-12-06 2009-06-11 Japan Electric Meters Inspection Corporation 電子化計量装置の寿命推定方法および装置
CN102708306A (zh) * 2012-06-19 2012-10-03 华北电网有限公司计量中心 一种智能电表可靠寿命的预测方法
CN105302941A (zh) * 2015-09-17 2016-02-03 广州供电局有限公司 高压单芯电缆寿命评估方法及***
CN105320797A (zh) * 2014-08-05 2016-02-10 南京理工大学 轨道交通车辆关键***的寿命预测方法
CN107273688A (zh) * 2017-06-16 2017-10-20 山东万腾电子科技有限公司 基于原始故障数据的设备寿命与健康度监控方法及***
CN109492192A (zh) * 2018-09-26 2019-03-19 西安电子科技大学 基于signature向量对Ⅱ型双边删失***寿命数据的参数估计方法
CN109598052A (zh) * 2018-11-29 2019-04-09 武汉大学 基于相关系数分析的智能电表寿命周期预测方法及装置
CN109598353A (zh) * 2018-12-06 2019-04-09 国网浙江省电力有限公司电力科学研究院 一种批次电能表近期寿命预测方法
CN109697525A (zh) * 2018-12-06 2019-04-30 国网浙江省电力有限公司电力科学研究院 一种批次电能表多故障模式近期寿命预测方法
CN110146840A (zh) * 2019-05-23 2019-08-20 国网浙江省电力有限公司电力科学研究院 一种基于多应力影响的批次电能表近期寿命预测方法
CN110991945A (zh) * 2018-09-30 2020-04-10 北京国双科技有限公司 设备备件的信息处理方法及装置、存储介质和处理器

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009072204A1 (ja) * 2007-12-06 2009-06-11 Japan Electric Meters Inspection Corporation 電子化計量装置の寿命推定方法および装置
CN102708306A (zh) * 2012-06-19 2012-10-03 华北电网有限公司计量中心 一种智能电表可靠寿命的预测方法
CN105320797A (zh) * 2014-08-05 2016-02-10 南京理工大学 轨道交通车辆关键***的寿命预测方法
CN105302941A (zh) * 2015-09-17 2016-02-03 广州供电局有限公司 高压单芯电缆寿命评估方法及***
CN107273688A (zh) * 2017-06-16 2017-10-20 山东万腾电子科技有限公司 基于原始故障数据的设备寿命与健康度监控方法及***
CN109492192A (zh) * 2018-09-26 2019-03-19 西安电子科技大学 基于signature向量对Ⅱ型双边删失***寿命数据的参数估计方法
CN110991945A (zh) * 2018-09-30 2020-04-10 北京国双科技有限公司 设备备件的信息处理方法及装置、存储介质和处理器
CN109598052A (zh) * 2018-11-29 2019-04-09 武汉大学 基于相关系数分析的智能电表寿命周期预测方法及装置
CN109598353A (zh) * 2018-12-06 2019-04-09 国网浙江省电力有限公司电力科学研究院 一种批次电能表近期寿命预测方法
CN109697525A (zh) * 2018-12-06 2019-04-30 国网浙江省电力有限公司电力科学研究院 一种批次电能表多故障模式近期寿命预测方法
CN110146840A (zh) * 2019-05-23 2019-08-20 国网浙江省电力有限公司电力科学研究院 一种基于多应力影响的批次电能表近期寿命预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
史道济，张玉环主编: "《应用数理统计》", 30 April 2008 *
张景元等: "基于多应力退化模型的智能电表可靠寿命预估", 《北京航空航天大学学报》 *
段浩，李经源主编: "《金融信息分析》", 30 April 2015, 国防工业出版社 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112381258A (zh) * 2019-11-26 2021-02-19 国家电网公司 表计运行生命周期预测方法及装置
CN112381258B (zh) * 2019-11-26 2024-03-19 国家电网公司 表计运行生命周期预测方法及装置
CN112380759A (zh) * 2019-11-27 2021-02-19 国家电网公司 基于深度学习和CoxPH模型的智能电表寿命预测方法
CN112380759B (zh) * 2019-11-27 2024-01-09 国家电网公司 基于深度学习和CoxPH模型的智能电表寿命预测方法
CN111998972A (zh) * 2020-09-17 2020-11-27 南方电网科学研究院有限责任公司 端子座温度剧变报警功能检测方法、装置、终端及介质
CN111998972B (zh) * 2020-09-17 2021-07-16 南方电网科学研究院有限责任公司 端子座温度剧变报警功能检测方法、装置、终端及介质
CN114252794A (zh) * 2021-11-24 2022-03-29 国电南瑞科技股份有限公司 一种拆回智能电能表剩余寿命预测方法及装置
CN114252794B (zh) * 2021-11-24 2024-04-09 国电南瑞科技股份有限公司 一种拆回智能电能表剩余寿命预测方法及装置

Similar Documents

Publication Publication Date Title
CN110261811A (zh) 智能电表批量预警方法及***
CN103502942B (zh) 虚拟机管理设备和虚拟机管理方法
London et al. Analysis of measurement-set qualitative characteristics for state-estimation purposes
CN105989155B (zh) 识别风险行为的方法及装置
CN106505557B (zh) 一种遥测错误辨识方法及装置
CN107688591B (zh) 一种精算处理方法和装置
CN108154244A (zh) 地产电力设备的运维方法、装置和***
CN109558400A (zh) 数据处理方法、装置、设备和存储介质
CN104134999A (zh) 基于多数据源的配电网量测有效性分析实用化计算方法
CN108710905A (zh) 一种基于多模型联合的备件数量预测方法和***
CN110347407A (zh) 一种获取内存占用量的方法、装置、计算机设备及介质
CN110991871A (zh) 风险监测方法、装置、设备与计算机可读存储介质
CN109064104A (zh) 物资设备管理方法、***及终端设备
CN109684320A (zh) 监测数据在线清洗的方法和设备
CN109752629A (zh) 一种电网量测问题智能诊断方法及***
Bartolini et al. The robust traveling salesman problem with time windows under knapsack-constrained travel time uncertainty
CN108334427A (zh) 存储***中的故障诊断方法及装置
CN115508770A (zh) 一种基于kl-nb算法的电能表运行状态在线评估方法
CN112700131A (zh) 基于人工智能的ab测试方法、装置、计算机设备及介质
CN109739684A (zh) 基于向量时钟的分布式键值数据库的副本修复方法与装置
CN110413722A (zh) 地址选择方法、装置以及非瞬时性存储介质
CN105264457A (zh) 能耗监控方法及装置
CN109636338A (zh) 一种光电宽带运维管理平台***
Wang et al. A Bayesian combination forecasting model for retail supply chain coordination
CN117217505A (zh) 一种基于书籍领域的资源管理***

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190920