CN117350174B - 预测智能电表剩余寿命的方法、***、电子设备及介质 - Google Patents
预测智能电表剩余寿命的方法、***、电子设备及介质 Download PDFInfo
- Publication number
- CN117350174B CN117350174B CN202311643948.4A CN202311643948A CN117350174B CN 117350174 B CN117350174 B CN 117350174B CN 202311643948 A CN202311643948 A CN 202311643948A CN 117350174 B CN117350174 B CN 117350174B
- Authority
- CN
- China
- Prior art keywords
- residual life
- intelligent
- layer
- intelligent ammeter
- real
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 claims abstract description 74
- 239000011159 matrix material Substances 0.000 claims abstract description 71
- 238000012544 monitoring process Methods 0.000 claims abstract description 52
- 238000012795 verification Methods 0.000 claims abstract description 43
- 230000009466 transformation Effects 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims description 45
- 230000008859 change Effects 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 20
- 230000007774 longterm Effects 0.000 claims description 20
- 210000002569 neuron Anatomy 0.000 claims description 18
- 230000007613 environmental effect Effects 0.000 claims description 13
- 239000013604 expression vector Substances 0.000 claims description 12
- 239000013598 vector Substances 0.000 claims description 12
- 230000001131 transforming effect Effects 0.000 claims description 11
- 238000004891 communication Methods 0.000 claims description 10
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 10
- 238000013016 damping Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 8
- 230000032683 aging Effects 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 7
- 230000007257 malfunction Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 8
- 230000005611 electricity Effects 0.000 description 8
- 230000004927 fusion Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000007500 overflow downdraw method Methods 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000003712 anti-aging effect Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出一种预测智能电表剩余寿命的方法、***、电子设备及介质,适用于智能电表技术领域,可以提高预测智能电表剩余寿命和故障概率的准确性。该方法包括:根据智能电表的应用环境数据、出厂检定数据、实时监测数据的相关系数矩阵的特征值,确定智能电表的各相关数据的累计贡献率和影响智能电表剩余寿命的主要参数序列,然后将主要参数序列输入变换神经网络和反向传播神经网络,训练预测智能电表剩余寿命的模型,并基于该模型得到智能电表的剩余寿命预测值。
Description
技术领域
本发明属于智能电表技术领域,特别涉及一种预测智能电表剩余寿命的方法、***、电子设备及介质。
背景技术
作为智能电网的智能终端,智能电表已经不再是传统意义上的电能表,不仅具备用电量计量的基本功能,还增加了双向数据通信功能、多种电价计费功能、实时数据交互功能、防盗电功能以及与用户互动等智能化功能。
目前,智能电表的剩余寿命可以通过失效机理或数据驱动来进行预测,数据驱动包括统计数据驱动和机器学习。其中,基于失效机理的方案需要构建复杂数学模型来描述智能电表的失效机理,但是由于智能电表的剩余寿命受诸多因素影响,且不同因素的失效机理不同,难以在数学模型中准确模拟和量化,技术难度大且预测准确度低下;统计数据驱动通常使用退化模型来进行预测,如Weibull分布、Gamma分布等,然而退化模型的选择会影响智能电表剩余寿命的预测准确度。机器学习不仅可以克服退化模型不确定的问题,且可以输入不同类型的多种数据,因此机器学习在智能电表剩余寿命预测领域展现出了广阔的应用前景。
发明内容
本发明提出一种预测智能电表剩余寿命的方法、***、电子设备及介质,可以提高预测智能电表剩余寿命和故障概率的准确性。
针对上述问题,本发明采用如下技术方案:
本发明实施例提供一种预测智能电表剩余寿命的方法,包括:
根据智能电表的环境数据、出厂检定数据、实时监测数据的相关系数矩阵的特征值,确定智能电表的各相关数据的累计贡献率和影响智能电表剩余寿命的主要参数序列;
将影响智能电表剩余寿命的主要参数序列输入变换(Transformer)神经网络,得到智能电表剩余寿命的主要影响参数的概率分布;
将影响智能电表剩余寿命的主要参数的概率分布输入反向传播(BackPropagation,BP)神经网络,得到智能电表剩余寿命的估计值与实际剩余寿命的误差信号;
将误差信号依次沿反向传播神经网络的输出层、隐含层、输入层,以及变换神经网络的解码层、编码层返回,逐层修改各神经元的权值与偏置,使得误差信号最小,且性能评价均方差小于或等于均方差阈值,以确定预测智能电表剩余寿命的模型;
将智能电表的应用环境数据、出厂检定数据、实时监测数据输入预测智能电表剩余寿命的模型,得到智能电表的剩余寿命预测值。
可选地,根据智能电表的环境数据、出厂检定数据、实时监测数据的相关系数矩阵的特征值,确定智能电表的各相关数据的累计贡献率和影响智能电表剩余寿命的主要参数序列,包括:
计算智能电表各项数据的相关系数矩阵,相关系数矩阵满足:
(1)
R为相关系数矩阵,Z为标准化矩阵,为Z的转置矩阵,/>为标准化矩阵Z中第i个智能电表的第j个参数序列的标准化变换,1≤i≤n,1≤j≤m,i,j,n,m为正整数;
计算预测智能电表剩余寿命的误差的特征方程,得到m个非负特征值/>,按照从大到小顺序依次排列为/>,特征值/>大小表示第j个参数序列的方差贡献率PV:
(2)
将排序后的各参数序列的方差贡献率之和大于或等于贡献率阈值的参数序列对应的参数,确定为影响智能电表剩余寿命的主要参数,前p个参数序列的累计贡献率CPV满足:
(3)
1≤q≤p,1<p<m,p为影响智能电表剩余寿命的主要参数的数量,为影响智能电表剩余寿命的第q个主要参数的非负特征值,p、q为正整数;
将影响智能电表剩余寿命的主要参数对应的特征向量确定为影响智能电表剩余寿命的主要参数序列。
可选地,变换神经网络包括编码环节和解码环节;
将影响智能电表剩余寿命的主要参数序列输入变换神经网络,得到智能电表剩余寿命的主要影响参数的概率分布,包括:
经过线性投影层后,在编码环节,将智能电表剩余寿命的主要影响参数序列转化为一系列上下文表示向量;
在解码环节,根据上下文表示向量生成智能电表剩余寿命的主要影响参数序列中每个位置的概率分布;
其中,变换神经网络满足:
(4)
其中,为变换神经网络t时刻输出,/>为变换神经网络t-1时刻输出,为注意力机制用于对智能电表剩余寿命的主要影响参数序列中的不同位置或特征进行加权,Q为查询矩阵,K为键矩阵,V为值矩阵,/>表示键向量的维数,函数用于将/>转换为概率分布。
可选地,反向传播神经网络由输入层、隐含层、输出层组成,满足:
(5)
其中,为隐含层,f为传输函数,/>为隐含层偏置,/>为输入层,/>为输入层与隐含层之间的权值,c为输入层包含的神经元的数量;
(6)
其中,为输出层,g为激活函数,/>为输出层偏置,/>为隐含层,/>为隐含层与输出层之间的权值,d为隐含层包含的神经元的数量。
可选地,在根据智能电表的环境数据、出厂检定数据、实时监测数据的相关系数矩阵的特征值,确定智能电表的各相关数据的累计贡献率和影响智能电表剩余寿命的主要参数序列之前,还包括:
确定预测智能电表剩余寿命的模型的性能评价指标,评价指标包括剩余寿命预测误差、性能评价均方差;
将应用环境数据、出厂检定数据、实时监测数据得出的误差估计值数据通过z-score方法进行归一化预处理;
其中,预测智能电表剩余寿命的模型的性能评价指标满足:
(7)
(8)
其中,W为预测智能电表剩余寿命的模型的性能评价指标,为第i个智能电表的预测剩余寿命/>与实际剩余寿命/>之间的偏差,n为智能电表的数量;
智能电表实时示数与片区高精度总表实时示数之间的误差满足:
(9)
其中,为片区内第i个智能电表的误差,/>为片区内第i个智能电表的实时示数,为单位时间内第i个智能电表记录的电能变化量,/>为片区高精度总表实时示数,/>为片区高精度总表记录的电能变化量,/>为片区内智能电表的数量。
可选地,该方法还包括:
根据智能电表的剩余寿命预测值,以及智能电表报废前/>时刻的状态,确定智能电表的故障概率;
其中,智能电表的故障概率包括智能电表自剩余寿命时刻起发生短期故障的概率、中期故障的概率和长期故障的概率,满足:
(10)
(11)
(12)
其中,为智能电表自剩余寿命/>时刻起发生短期故障的概率,/>为智能电表集自剩余寿命/>时刻起发生短期故障的次数,/>为智能电表自剩余寿命/>时刻起发生中期故障的概率,/>为智能电表集自剩余寿命/>时刻起发生中期故障的次数,/>为智能电表自剩余寿命/>时刻起发生长期故障的概率,/>为智能电表集自剩余寿命/>时刻起发生长期故障的次数,n为智能电表集中的智能电表的数量。
可选地,应用环境数据包括:智能电表所在工作环境的温度、湿度、大气压及其变化规律;
出厂检定数据包括:智能电表出厂时经过的外观考察、阻尼测试、老化试验、通信测试给出的评估得分;
实时监测数据包括:智能电表实时示数、片区高精度总表实时示数,以及智能电表实时示数与片区高精度总表实时示数之间的误差,工作电压及其变化率、工作电流及其变化率、峰值工作时长。
本发明实施例还提供一种预测智能电表剩余寿命的***,包括:
数据处理模块,用于根据智能电表的环境数据、出厂检定数据、实时监测数据的相关系数矩阵的特征值,确定智能电表的各相关数据的累计贡献率和影响智能电表剩余寿命的主要参数序列;
训练模块,用于将影响智能电表剩余寿命的主要参数序列输入变换神经网络,得到智能电表剩余寿命的主要影响参数的概率分布;
训练模块,还用于将影响智能电表剩余寿命的主要参数的概率分布输入反向传播神经网络,得到智能电表剩余寿命的估计值与实际剩余寿命的误差信号;
训练模块,还用于将误差信号依次沿反向传播神经网络的输出层、隐含层、输入层,以及变换神经网络的解码层、编码层返回,逐层修改各神经元的权值与偏置,使得误差信号最小,且性能评价均方差小于或等于均方差阈值,以确定预测智能电表剩余寿命的模型;
预测模块,用于将智能电表的应用环境数据、出厂检定数据、实时监测数据输入预测智能电表剩余寿命的模型,得到智能电表的剩余寿命预测值。
可选地,数据处理模块,还用于:
计算智能电表各项数据的相关系数矩阵,相关系数矩阵满足:
(1)
R为相关系数矩阵,Z为标准化矩阵,为Z的转置矩阵,/>为标准化矩阵Z中第i个智能电表的第j个参数序列的标准化变换,1≤i≤n,1≤j≤m,i,j,n,m为正整数;
计算预测智能电表剩余寿命的误差的特征方程,得到m个非负特征值/>,按照从大到小顺序依次排列为/>,特征值/>大小表示第j个参数序列的方差贡献率PV:
(2)
将排序后的各参数序列的方差贡献率之和大于或等于贡献率阈值的参数序列对应的参数,确定为影响智能电表剩余寿命的主要参数,前p个参数序列的累计贡献率CPV满足:
(3)
1≤q≤p,1<p<m,p为影响智能电表剩余寿命的主要参数的数量,为影响智能电表剩余寿命的第q个主要参数的非负特征值,p、q为正整数;
将影响智能电表剩余寿命的主要参数对应的特征向量确定为影响智能电表剩余寿命的主要参数序列。
可选地,变换神经网络包括编码环节和解码环节;
训练模块,还用于经过线性投影层后,在编码环节,将智能电表剩余寿命的主要影响参数序列转化为一系列上下文表示向量;
训练模块,还用于在解码环节,根据上下文表示向量生成智能电表剩余寿命的主要影响参数序列中每个位置的概率分布;
其中,变换神经网络满足:
(4)
其中,为变换神经网络t时刻输出,/>为变换神经网络t-1时刻输出,为注意力机制用于对智能电表剩余寿命的主要影响参数序列中的不同位置或特征进行加权,Q为查询矩阵,K为键矩阵,V为值矩阵,/>表示键向量的维数,函数用于将/>转换为概率分布。
可选地,反向传播神经网络由输入层、隐含层、输出层组成,满足:
(5)
其中,为隐含层,f为传输函数,/>为隐含层偏置,/>为输入层,/>为输入层与隐含层之间的权值,c为输入层包含的神经元的数量;
(6)
其中,为输出层,g为激活函数,/>为输出层偏置,/>为隐含层,/>为隐含层与输出层之间的权值,d为隐含层包含的神经元的数量。
可选地,数据处理模块,还用于:
在根据智能电表的环境数据、出厂检定数据、实时监测数据的相关系数矩阵的特征值,确定智能电表的各相关数据的累计贡献率和影响智能电表剩余寿命的主要参数序列之前,确定预测智能电表剩余寿命的模型的性能评价指标,评价指标包括剩余寿命预测误差、性能评价均方差;
将应用环境数据、出厂检定数据、实时监测数据得出的误差估计值数据通过z-score***进行归一化预处理;
其中,预测智能电表剩余寿命的模型的性能评价指标满足:
(7)
(8)
其中,W为预测智能电表剩余寿命的模型的性能评价指标,为第i个智能电表的预测剩余寿命/>与实际剩余寿命/>之间的偏差,n为智能电表的数量;
智能电表实时示数与片区高精度总表实时示数之间的误差满足:
(9)
其中,为片区内第i个智能电表的误差,/>为片区内第i个智能电表的实时示数,为单位时间内第i个智能电表记录的电能变化量,/>为片区高精度总表实时示数,/>为片区高精度总表记录的电能变化量,/>为片区内智能电表的数量。
可选地,预测模块,还用于:
根据智能电表的剩余寿命预测值,以及智能电表报废前/>时刻的状态,确定智能电表的故障概率;
其中,智能电表的故障概率包括智能电表自剩余寿命时刻起发生短期故障的概率、中期故障的概率和长期故障的概率,满足:
(10)
(11)
(12)
其中,为智能电表自剩余寿命/>时刻起发生短期故障的概率,/>为智能电表集自剩余寿命/>时刻起发生短期故障的次数,/>为智能电表自剩余寿命/>时刻起发生中期故障的概率,/>为智能电表集自剩余寿命/>时刻起发生中期故障的次数,/>为智能电表自剩余寿命/>时刻起发生长期故障的概率,/>为智能电表集自剩余寿命/>时刻起发生长期故障的次数,n为智能电表集中的智能电表的数量。
可选地,应用环境数据包括:智能电表所在工作环境的温度、湿度、大气压及其变化规律;
出厂检定数据包括:智能电表出厂时经过的外观考察、阻尼测试、老化试验、通信测试给出的评估得分;
实时监测数据包括:智能电表实时示数、片区高精度总表实时示数,以及智能电表实时示数与片区高精度总表实时示数之间的误差,工作电压及其变化率、工作电流及其变化率、峰值工作时长。
本发明实施例还提供一种电子设备,包括:处理器,处理器与存储器耦合;
其中,处理器,用于读取并执行存储器存储的程序或指令,使得***执行第一方面所述的方法。
本发明实施例还提供一种计算机可读存储介质,存储有程序或指令,当计算机读取并执行程序或指令时,使得计算机执行第一方面所述的方法。
基于本发明提供的预测智能电表剩余寿命的方法、***、电子设备及介质,可以根据智能电表的应用环境数据、出厂检定数据、实时监测数据的相关系数矩阵的特征值,确定智能电表的各相关数据的累计贡献率和影响智能电表剩余寿命的主要参数序列,然后将主要参数序列输入变换神经网络和反向传播神经网络,训练预测智能电表剩余寿命的模型,并基于该模型得到智能电表的剩余寿命预测值,即使用应用环境数据、出厂检定数据、实时监测数据中对智能电表的剩余寿命产生主要影响的主要参数序列作为训练样本,结合变换神经网络和反向传播神经网络训练得到预测智能电表剩余寿命的模型,可以充分学习到影响智能电表的剩余寿命的主要参数的特征并基于该模型预测智能电表剩余寿命,从而提高准确性。
换言之,本发明利用变换神经网络具有更高并行性和计算效率的优点,对智能电表产生的大量数据进行及时分析,利用反向传播神经网络非线性映射能力强的特点,充分考虑智能电表的环境因素(应用环境数据)和用电规律(实时监测数据)对智能电表剩余寿命产生的非线性影响,从而实现对智能电表剩余寿命更为高效、精准的预测。
进一步地,还可以结合智能电表剩余寿命的预测值,对智能电表的故障概率进行预测,并基于该预测结果发出预警信息,提醒对故障风险较高的智能电表进行更换,从而提高电网的鲁棒性。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种预测智能电表剩余寿命的方法的流程示意图;
图2为本发明实施例提供的一种基于变换-反向传播神经网络与区块链的智能电能表检监融合方法功能模块的示意图;
图3为本发明实施例提供的一种智能电表的检监数据融合的示意图;
图4为本发明实施例提供的一种基于变换-反向传播神经网络与区块链的智能电能表检监融合方法实施框架的示意图;
图5为本发明实施例提供的一种预测智能电表剩余寿命的模型的算法原理的示意图;
图6为本发明实施例提供的一种预测智能电表剩余寿命的***的结构示意图;
图7为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,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、完整地说明,显然,所描述的实施例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。
首先结合图1-图5,详细说明本发明实施例提供的一种预测智能电表剩余寿命的方法。
图1为本发明实施例提供的一种预测智能电表剩余寿命的方法的流程示意图。如图1所示,该方法包括:
步骤S1,根据智能电表的环境数据、出厂检定数据、实时监测数据的相关系数矩阵的特征值,确定智能电表的各相关数据的累计贡献率和影响智能电表剩余寿命的主要参数序列;
步骤S2,将影响智能电表剩余寿命的主要参数序列输入变换神经网络,得到智能电表剩余寿命的主要影响参数的概率分布;
步骤S3,将影响智能电表剩余寿命的主要参数的概率分布输入反向传播神经网络,得到智能电表剩余寿命的估计值与实际剩余寿命的误差信号;
步骤S4,将误差信号依次沿反向传播神经网络的输出层、隐含层、输入层,以及变换神经网络的解码层、编码层返回,逐层修改各神经元的权值与偏置,使得误差信号最小,且性能评价均方差小于或等于均方差阈值,以确定预测智能电表剩余寿命的模型;
步骤S5,将智能电表的应用环境数据、出厂检定数据、实时监测数据输入预测智能电表剩余寿命的模型,得到智能电表的剩余寿命预测值。
下面详细描述上述各个步骤的具体实现。
可选地,步骤S1,根据智能电表的环境数据、出厂检定数据、实时监测数据的相关系数矩阵的特征值,确定智能电表的各相关数据的累计贡献率和影响智能电表剩余寿命的主要参数序列,包括:
计算智能电表各项数据的相关系数矩阵,相关系数矩阵满足:
(1)
R为相关系数矩阵,Z为标准化矩阵,为Z的转置矩阵,/>为标准化矩阵Z中第i个智能电表的第j个参数序列的标准化变换,1≤i≤n,1≤j≤m,i,j,n,m为正整数;
计算预测智能电表剩余寿命的误差的特征方程,得到m个非负特征值/>,按照从大到小顺序依次排列为/>,特征值/>大小表示第j个参数序列的方差贡献率PV:
(2)
将排序后的各参数序列的方差贡献率之和大于或等于贡献率阈值(如85%、90%等)的参数序列对应的参数,确定为影响智能电表剩余寿命的主要参数,前p个参数序列的累计贡献率CPV满足:
(3)
1≤q≤p,1<p<m,p为影响智能电表剩余寿命的主要参数的数量,为影响智能电表剩余寿命的第q个主要参数的非负特征值,p、q为正整数;
将影响智能电表剩余寿命的主要参数对应的特征向量确定为影响智能电表剩余寿命的主要参数序列。
可选地,变换神经网络包括编码环节和解码环节;
步骤S2,将影响智能电表剩余寿命的主要参数序列输入变换神经网络,得到智能电表剩余寿命的主要影响参数的概率分布,包括:
经过线性投影层后,在编码环节,将智能电表剩余寿命的主要影响参数序列转化为一系列上下文表示向量;
在解码环节,根据上下文表示向量生成智能电表剩余寿命的主要影响参数序列中每个位置的概率分布;
其中,变换神经网络满足:
(4)
其中,为变换神经网络t时刻输出,/>为变换神经网络t-1时刻输出,为注意力机制用于对智能电表剩余寿命的主要影响参数序列中的不同位置或特征进行加权,Q为查询矩阵,K为键矩阵,V为值矩阵,/>表示键向量的维数,函数用于将/>转换为概率分布。
可选地,反向传播神经网络由输入层、隐含层、输出层组成,满足:
(5)
其中,为隐含层,f为传输函数,/>为隐含层偏置,/>为输入层,/>为输入层与隐含层之间的权值,c为输入层包含的神经元的数量;
(6)
其中,为输出层,g为激活函数,/>为输出层偏置,/>为隐含层,/>为隐含层与输出层之间的权值,d为隐含层包含的神经元的数量。
可选地,在步骤S1,根据智能电表的环境数据、出厂检定数据、实时监测数据的相关系数矩阵的特征值,确定智能电表的各相关数据的累计贡献率和影响智能电表剩余寿命的主要参数序列之前,还包括:
确定预测智能电表剩余寿命的模型的性能评价指标,评价指标包括剩余寿命预测误差、性能评价均方差;
将应用环境数据、出厂检定数据、实时监测数据得出的误差估计值数据通过z-score方法进行归一化预处理;
例如,某一智能电表的温度传感器获取环境温度序列为,其归一化处理后的序列元素用/>表示,用/>表示温度序列平均数,则:/>。
类似地,用,表示归一化处理后的湿度序列、大气压序列、外观评分序列、阻尼评分序列、通信评分序列、电表示数序列、电表误差序列,以及其他可能影响智能电表剩余寿命的参数序列,归一化预处理参考温度序列,此处不再赘述。
其中,预测智能电表剩余寿命的模型的性能评价指标满足:
(7)
(8)
其中,W为预测智能电表剩余寿命的模型的性能评价指标,为第i个智能电表的预测剩余寿命/>与实际剩余寿命/>之间的偏差,n为智能电表的数量;
智能电表实时示数与片区高精度总表实时示数之间的误差满足:
(9)
其中,为片区内第i个智能电表的误差,/>为片区内第i个智能电表的实时示数,为单位时间内第i个智能电表记录的电能变化量,/>为片区高精度总表实时示数,/>为片区高精度总表记录的电能变化量,/>为片区内智能电表的数量。
可选地,该方法还包括:
根据智能电表的剩余寿命预测值,以及智能电表报废前/>时刻的状态,确定智能电表的故障概率;
其中,智能电表的故障概率包括智能电表自剩余寿命时刻起发生短期故障的概率、中期故障的概率和长期故障的概率,满足:
(10)
(11)
(12)
其中,为智能电表自剩余寿命/>时刻起发生短期故障的概率,/>为智能电表集自剩余寿命/>时刻起发生短期故障的次数,/>为智能电表自剩余寿命/>时刻起发生中期故障的概率,/>为智能电表集自剩余寿命/>时刻起发生中期故障的次数,/>为智能电表自剩余寿命/>时刻起发生长期故障的概率,/>为智能电表集自剩余寿命/>时刻起发生长期故障的次数,n为智能电表集中的智能电表的数量。
可选地,应用环境数据包括:智能电表所在工作环境的温度、湿度、大气压及其变化规律;
出厂检定数据包括:智能电表出厂时经过的外观考察、阻尼测试、老化试验、通信测试给出的评估得分;
实时监测数据包括:智能电表实时示数、片区高精度总表实时示数,以及智能电表实时示数与片区高精度总表实时示数之间的误差,工作电压及其变化率、工作电流及其变化率、峰值工作时长。
进一步地,智能电表的数据还可以包括个人基本信息:区块链地址、用户名、用户密码、用户邮箱、用户地址等,该部分信息非影响智能电表剩余寿命的主要数据。
下面结合图2-图5,以基于变换-反向传播神经网络与区块链的智能电能表检监融合方法为例,详细说明本发明实施例提供的预测智能电表剩余寿命的方法的具体实现。
首先,如图2所示,建立如下功能模块:
权限授予,通过智能合约对账户进行分级授权,包括但不限于部署者、管理员、普通用户,其中部署者可以设置其他账户权限,管理员可以查看全体普通用户的全部信息,普通用户可以查看个人全部信息。在私有链中新建节点并与主链建立连接的操作与实际更换电表操作契合度高,同时通过多级权限授权,有效地赋予政府、质检部门、电力公司、电表厂家相应的可信度,以保障数据存储的安全性。
信息存储,包含普通用户的个人基本信息、应用环境数据、出厂检定数据、实时监测数据,除个人基本信息外,以三相智能电表PMC-53A为例,其具体信息包括但不限于:
个人基本信息:区块链地址、用户名、用户密码、用户邮箱、用户地址等,该部分信息非影响智能电表剩余寿命的主要数据;
应用环境数据,包括智能电表工作环境的温度、湿度、大气压,以及因所处地区不同,带来的上述数据的变化规律差异,该部分信息由智能电表传感器收集,是影响智能电表剩余寿命的主要数据,且温度、湿度、大气压极差过大、变化过快都会在一定程度上降低智能电表剩余寿命;
出厂检定数据,包括智能电表出厂时经过的外观考察、阻尼测试、老化试验、通信测试等检定程序给出的评估得分,该部分由生产厂家提供,是影响智能电表剩余寿命的主要数据,且电表原件标准化程度、抗磁化能力、抗老化能力、通信效率对智能电表剩余寿命均有正向影响。
实时监测数据,包括智能电表实时示数、片区高精度总表实时示数,由于同一片区地理环境类似,示数误差类似,可通过智能电表实时数据求和与片区高精度总表实时示数作差后求取加权平均数的算法确定单个电表误差满足上述公式(9)。
其中,误差大小、电表在不同电流、电压状态下的工作时长均是影响智能电表剩余寿命的主要数据,定义智能电表在3s内流过电流降低80%以上的现象为骤降,升高400%以上的现象为激增,则误差越大预测所得剩余寿命越短,峰值工作时间越长、骤降频率、激增频率越高预测所得剩余寿命越短。
数据监测,用于根据智能电表实时示数、片区高精度总表获得的电力***实际输电量对比确定电表误差。结合智能电表功能特点,数据每15分钟上传一次,为降低计算成本,每天采样10个点。为提升采样点信息量,可以对一般用户的用电高峰段增加采样频率,对一般用户的用电低峰段降低采样频率。
检监融合,用于融合应用环境数据、出厂检定数据、实时监测数据得出的误差估计值。将智能电表相关数据进行预处理后,通过变换-反向传播神经网络,比较网络模型输出值与期望输出值的误差,不断训练更新神经网络模型权值和阈值,降低剩余寿命预测误差、达到性能评价均方差指标,确定智能电表剩余寿命评估模型。依次输入预测电表预处理过的数据,输出剩余寿命。检监数据融合过程如图3所示。
隐患预警,用于根据电表剩余寿命,对比智能电表全寿命周期数据规律,判断智能电表短、中、长期事故概率,并对当前智能电表状态进行评定,可以分为优、良、合格、不合格四个等级,对应预期剩余寿命如前文所述,对被判断显示状态为不合格电能表进行预警,提醒用户进行维护保养或失准更换,并将隐患预警的结果保存到本地目录形成日志文件。对状态为优、良、合格的电表情况及时上传,用于电力公司做出及时维护等操作,延长使用周期。
具体地,如图4所示,实施依托于Echo框架,基于Golang语言,具有简单易用、高性能等特点,能够提供一种结构简单、易于使用、快速响应的方式来处理前端页面请求。***后端依托geth搭建以太坊平台的区块链,能够提供公开透明、安全可靠、支持溯源查询的私有链。***依托以太坊建立私有链,存储个人基本信息、应用环境数据、出厂检定数据、实时监测数据;通过智能合约实现数据分类存储、读取,并建立监听事件,对数据变化进行全程监测;建立Echo框架,将链上信息以json形式返回至前端页面。
如图4所示,该方法的算法原理是结合变换神经网络与反向传播神经网络,建立适用于预测智能电表剩余寿命的神经网络,能够兼顾应用环境数据、出厂检定数据、实时监测数据得出的误差估计值,并根据统计数据给出检监融合对象在短期、中期、长期的故障概率。
基于本发明提供的预测智能电表剩余寿命的方法、***、电子设备及介质,可以根据智能电表的应用环境数据、出厂检定数据、实时监测数据的相关系数矩阵的特征值,确定智能电表的各相关数据的累计贡献率和影响智能电表剩余寿命的主要参数序列,然后将主要参数序列输入变换神经网络和反向传播神经网络,训练预测智能电表剩余寿命的模型,并基于该模型得到智能电表的剩余寿命预测值,即使用应用环境数据、出厂检定数据、实时监测数据中对智能电表的剩余寿命产生主要影响的主要参数序列作为训练样本,结合变换神经网络和反向传播神经网络训练得到预测智能电表剩余寿命的模型,可以充分学习到影响智能电表的剩余寿命的主要参数的特征并基于该模型预测智能电表剩余寿命,从而提高准确性。
换言之,本发明利用变换神经网络具有更高并行性和计算效率的优点,对智能电表产生的大量数据进行及时分析,利用反向传播神经网络非线性映射能力强的特点,充分考虑智能电表的环境因素(应用环境数据)和用电规律(实时监测数据)对智能电表剩余寿命产生的非线性影响,从而实现对智能电表剩余寿命更为高效、精准的预测。
进一步地,还可以结合智能电表剩余寿命的预测值,对智能电表的故障概率进行预测,并基于该预测结果发出预警信息,提醒对故障风险较高的智能电表进行更换,从而提高电网的鲁棒性。
上面结合图1-图5详细说明了本发明实施例提供的方法,下面结合图6和图7分别说明本发明实施例提供的***和电子设备。
示例性地,图6为本发明实施例还提供一种预测智能电表剩余寿命的***的结构示意图。该***可以执行上述方法实施例所述的方法。
如图6所示,该***60包括:
本发明实施例还提供一种预测智能电表剩余寿命的***60,包括:
数据处理模块61,用于根据智能电表的环境数据、出厂检定数据、实时监测数据的相关系数矩阵的特征值,确定智能电表的各相关数据的累计贡献率和影响智能电表剩余寿命的主要参数序列;
训练模块62,用于将影响智能电表剩余寿命的主要参数序列输入变换神经网络,得到智能电表剩余寿命的主要影响参数的概率分布;
训练模块62,还用于将影响智能电表剩余寿命的主要参数的概率分布输入反向传播神经网络,得到智能电表剩余寿命的估计值与实际剩余寿命的误差信号;
训练模块62,还用于将误差信号依次沿反向传播神经网络的输出层、隐含层、输入层,以及变换神经网络的解码层、编码层返回,逐层修改各神经元的权值与偏置,使得误差信号最小,且性能评价均方差小于或等于均方差阈值,以确定预测智能电表剩余寿命的模型;
预测模块63,用于将智能电表的应用环境数据、出厂检定数据、实时监测数据输入预测智能电表剩余寿命的模型,得到智能电表的剩余寿命预测值。
可选地,数据处理模块61,还用于:
计算智能电表各项数据的相关系数矩阵,相关系数矩阵满足:
(1)
R为相关系数矩阵,Z为标准化矩阵,为Z的转置矩阵,/>为标准化矩阵Z中第i个智能电表的第j个参数序列的标准化变换,1≤i≤n,1≤j≤m,i,j,n,m为正整数;
计算预测智能电表剩余寿命的误差的特征方程,得到m个非负特征值/>,按照从大到小顺序依次排列为/>,特征值/>大小表示第j个参数序列的方差贡献率PV:
(2)
将排序后的各参数序列的方差贡献率之和大于或等于贡献率阈值的参数序列对应的参数,确定为影响智能电表剩余寿命的主要参数,前p个参数序列的累计贡献率CPV满足:
(3)
1≤q≤p,1<p<m,p为影响智能电表剩余寿命的主要参数的数量,为影响智能电表剩余寿命的第q个主要参数的非负特征值,p、q为正整数;
将影响智能电表剩余寿命的主要参数对应的特征向量确定为影响智能电表剩余寿命的主要参数序列。
可选地,变换神经网络包括编码环节和解码环节;
训练模块62,还用于:
经过线性投影层后,在编码环节,将智能电表剩余寿命的主要影响参数序列转化为一系列上下文表示向量;
在解码环节,根据上下文表示向量生成智能电表剩余寿命的主要影响参数序列中每个位置的概率分布;
其中,变换神经网络满足:
(4)
其中,为变换神经网络t时刻输出,/>为变换神经网络t-1时刻输出,为注意力机制用于对智能电表剩余寿命的主要影响参数序列中的不同位置或特征进行加权,Q为查询矩阵,K为键矩阵,V为值矩阵,/>表示键向量的维数,函数用于将/>转换为概率分布。
可选地,反向传播神经网络由输入层、隐含层、输出层组成,满足:
(5)
其中,为隐含层,f为传输函数,/>为隐含层偏置,/>为输入层,/>为输入层与隐含层之间的权值,c为输入层包含的神经元的数量;
(6)
其中,为输出层,g为激活函数,/>为输出层偏置,/>为隐含层,/>为隐含层与输出层之间的权值,d为隐含层包含的神经元的数量。
可选地,数据处理模块61,还用于:
在根据智能电表的环境数据、出厂检定数据、实时监测数据的相关系数矩阵的特征值,确定智能电表的各相关数据的累计贡献率和影响智能电表剩余寿命的主要参数序列之前,确定预测剩余寿命的评价指标,评价指标包括剩余寿命预测误差、性能评价均方差;
将应用环境数据、出厂检定数据、实时监测数据得出的误差估计值数据通过z-score***进行归一化预处理;
其中,预测智能电表剩余寿命的模型的性能评价指标满足:
(7)
(8)
其中,W为预测智能电表剩余寿命的模型的性能评价指标,为第i个智能电表的预测剩余寿命/>与实际剩余寿命/>之间的偏差,n为智能电表的数量;
智能电表实时示数与片区高精度总表实时示数之间的误差满足:
(9)
其中,为片区内第i个智能电表的误差,/>为片区内第i个智能电表的实时示数,/>为单位时间内第i个智能电表记录的电能变化量,/>为片区高精度总表实时示数,/>为片区高精度总表记录的电能变化量,/>为片区内智能电表的数量。
可选地,预测模块63,还用于:
根据智能电表的剩余寿命预测值,以及智能电表报废前/>时刻的状态,确定智能电表的故障概率;
其中,智能电表的故障概率包括智能电表自剩余寿命时刻起发生短期故障的概率、中期故障的概率和长期故障的概率,满足:
(10)
(11)
(12)
其中,为智能电表自剩余寿命/>时刻起发生短期故障的概率,/>为智能电表集自剩余寿命/>时刻起发生短期故障的次数,/>为智能电表自剩余寿命/>时刻起发生中期故障的概率,/>为智能电表集自剩余寿命/>时刻起发生中期故障的次数,/>为智能电表自剩余寿命/>时刻起发生长期故障的概率,/>为智能电表集自剩余寿命/>时刻起发生长期故障的次数,n为智能电表集中的智能电表的数量。
可选地,应用环境数据包括:智能电表所在工作环境的温度、湿度、大气压及其变化规律;
出厂检定数据包括:智能电表出厂时经过的外观考察、阻尼测试、老化试验、通信测试给出的评估得分;
实时监测数据包括:智能电表实时示数、片区高精度总表实时示数,以及智能电表实时示数与片区高精度总表实时示数之间的误差,工作电压及其变化率、工作电流及其变化率、峰值工作时长。
图7为本发明实施例提供的一种电子设备的结构示意图。
如图7所示,该电子设备70包括:处理器71,处理器71与存储器72耦合;
其中,处理器71,用于读取并执行存储器72存储的程序或指令,使得该电子设备70执行上述方法实施例提供的方法。
可选地,电子设备70还可以包括收发器73,用于电子设备70与其他设备通信。
需要说明的是,为了便于说明,图6和图7仅分别示出了预测智能电表剩余寿命的***60和电子设备70的主要部件。实际应用中,预测智能电表剩余寿命的***60和电子设备70还可能包括图中未示出的部件或组件。
本发明实施例还提供一种计算机可读存储介质,该介质存储有程序或指令,当计算机读取并执行程序或指令时,使得计算机执行上述方法实施例提供的方法。
尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (12)
1.一种预测智能电表剩余寿命的方法,其特征在于,包括:
根据智能电表的环境数据、出厂检定数据、实时监测数据的相关系数矩阵的特征值,确定智能电表的各相关数据的累计贡献率和影响智能电表剩余寿命的参数序列,具体包括:计算智能电表各项数据的相关系数矩阵,所述相关系数矩阵满足:(1),R为相关系数矩阵,Z为标准化矩阵,/>为Z的转置矩阵,/>为标准化矩阵Z中第i个智能电表的第j个参数序列的标准化变换,1≤i≤n,1≤j≤m,i,j,n,m为正整数;计算预测智能电表剩余寿命的误差的特征方程/>,得到m个非负特征值/>,按照从大到小顺序依次排列为/>,特征值/>大小表示第j个参数序列的方差贡献率PV:/>(2);将排序后的各参数序列的方差贡献率之和大于或等于贡献率阈值的参数序列对应的参数,确定为影响智能电表剩余寿命的参数,前p个参数序列的累计贡献率CPV满足:/>(3),1≤q≤p,1<p<m,p为影响智能电表剩余寿命的参数的数量,为影响智能电表剩余寿命的第q个参数的非负特征值,p、q为正整数;将影响智能电表剩余寿命的参数对应的特征向量确定为影响智能电表剩余寿命的参数序列;
将影响智能电表剩余寿命的参数序列输入变换神经网络,得到影响智能电表剩余寿命的参数的概率分布,具体包括:经过线性投影层后,在所述变换神经网络的编码环节,将影响智能电表剩余寿命的参数序列转化为一系列上下文表示向量;在所述变换神经网络的解码环节,根据上下文表示向量生成影响智能电表剩余寿命的参数序列中每个位置的概率分布,所述变换神经网络满足:(4),/>为变换神经网络t时刻输出,/>为变换神经网络t-1时刻输出,/>为注意力机制用于对影响智能电表剩余寿命的参数序列中的不同位置或特征进行加权,Q为查询矩阵,K为键矩阵,V为值矩阵,/>表示键向量的维数,/>函数用于将/>转换为概率分布;
将影响智能电表剩余寿命的参数的概率分布输入反向传播神经网络,得到智能电表剩余寿命的估计值与实际剩余寿命的误差信号;
将误差信号依次沿反向传播神经网络的输出层、隐含层、输入层,以及变换神经网络的解码层、编码层返回,逐层修改各神经元的权值与偏置,使得误差信号最小,且性能评价均方差小于或等于均方差阈值,以确定预测智能电表剩余寿命的模型;
将智能电表的应用环境数据、出厂检定数据、实时监测数据输入预测智能电表剩余寿命的模型,得到智能电表的剩余寿命预测值。
2.根据权利要求1所述的方法,其特征在于,所述反向传播神经网络由输入层、隐含层、输出层组成,满足:
(5)
其中,为隐含层,f为传输函数,/>为隐含层偏置,/>为输入层,/>为输入层与隐含层之间的权值,c为输入层包含的神经元的数量;
(6)
其中,为输出层,g为激活函数,/>为输出层偏置,/>为隐含层,/>为隐含层与输出层之间的权值,d为隐含层包含的神经元的数量。
3.根据权利要求1所述的方法,其特征在于,在所述根据智能电表的环境数据、出厂检定数据、实时监测数据的相关系数矩阵的特征值,确定智能电表的各相关数据的累计贡献率和影响智能电表剩余寿命的参数序列之前,还包括:
确定预测智能电表剩余寿命的模型的性能评价指标,所述评价指标包括剩余寿命预测误差、性能评价均方差;
将应用环境数据、出厂检定数据、实时监测数据得出的误差估计值数据通过z-score方法进行归一化预处理;
其中,所述预测智能电表剩余寿命的模型的性能评价指标满足:
(7)
(8)
其中,W为所述预测智能电表剩余寿命的模型的性能评价指标,为第i个智能电表的预测剩余寿命/>与实际剩余寿命/>之间的偏差,n为智能电表的数量;
所述智能电表实时示数与片区高精度总表实时示数之间的误差满足:
(9)
其中,为片区内第i个智能电表的误差,/>为片区内第i个智能电表的实时示数,/>为单位时间内第i个智能电表记录的电能变化量,/>为片区高精度总表实时示数,/>为片区高精度总表记录的电能变化量,/>为片区内智能电表的数量。
4.根据权利要求1所述的方法,其特征在于,还包括:
根据智能电表的剩余寿命预测值,以及智能电表报废前/>时刻的状态,确定智能电表的故障概率;
其中,所述智能电表的故障概率包括智能电表自剩余寿命时刻起发生短期故障的概率、中期故障的概率和长期故障的概率,满足:
(10)
(11)
(12)
其中,为智能电表自剩余寿命/>时刻起发生短期故障的概率,/>为智能电表集自剩余寿命/>时刻起发生短期故障的次数,/>为智能电表自剩余寿命/>时刻起发生中期故障的概率,/>为智能电表集自剩余寿命/>时刻起发生中期故障的次数,/>为智能电表自剩余寿命/>时刻起发生长期故障的概率,/>为智能电表集自剩余寿命/>时刻起发生长期故障的次数,n为智能电表集中的智能电表的数量。
5.根据权利要求1-4中任一项所述的方法,其特征在于,所述应用环境数据包括:智能电表所在工作环境的温度、湿度、大气压及其变化规律;
所述出厂检定数据包括:智能电表出厂时经过的外观考察、阻尼测试、老化试验、通信测试给出的评估得分;
所述实时监测数据包括:智能电表实时示数、片区高精度总表实时示数,以及智能电表实时示数与片区高精度总表实时示数之间的误差,工作电压及其变化率、工作电流及其变化率、峰值工作时长。
6.一种预测智能电表剩余寿命的***,其特征在于,包括:
数据处理模块,用于根据智能电表的环境数据、出厂检定数据、实时监测数据的相关系数矩阵的特征值,确定智能电表的各相关数据的累计贡献率和影响智能电表剩余寿命的参数序列,具体包括:计算智能电表各项数据的相关系数矩阵,所述相关系数矩阵满足:(1),R为相关系数矩阵,Z为标准化矩阵,/>为Z的转置矩阵,/>为标准化矩阵Z中第i个智能电表的第j个参数序列的标准化变换,1≤i≤n,1≤j≤m,i,j,n,m为正整数;计算预测智能电表剩余寿命的误差的特征方程/>,得到m个非负特征值/>,按照从大到小顺序依次排列为/>,特征值/>大小表示第j个参数序列的方差贡献率PV:/>(2);将排序后的各参数序列的方差贡献率之和大于或等于贡献率阈值的参数序列对应的参数,确定为影响智能电表剩余寿命的参数,前p个参数序列的累计贡献率CPV满足:/>(3),1≤q≤p,1<p<m,p为影响智能电表剩余寿命的参数的数量,/>为影响智能电表剩余寿命的第q个参数的非负特征值,p、q为正整数;将影响智能电表剩余寿命的参数对应的特征向量确定为影响智能电表剩余寿命的参数序列;
训练模块,用于将影响智能电表剩余寿命的参数序列输入变换神经网络,得到影响智能电表剩余寿命的参数的概率分布,具体包括:经过线性投影层后,在所述变换神经网络的编码环节,将影响智能电表剩余寿命的参数序列转化为一系列上下文表示向量;在所述变换神经网络的解码环节,根据上下文表示向量生成影响智能电表剩余寿命的参数序列中每个位置的概率分布,所述变换神经网络满足:(4),/>为变换神经网络t时刻输出,/>为变换神经网络t-1时刻输出,/>为注意力机制用于对影响智能电表剩余寿命的参数序列中的不同位置或特征进行加权,Q为查询矩阵,K为键矩阵,V为值矩阵,/>表示键向量的维数,/>函数用于将/>转换为概率分布;
所述训练模块,还用于将影响智能电表剩余寿命的参数的概率分布输入反向传播神经网络,得到智能电表剩余寿命的估计值与实际剩余寿命的误差信号;
所述训练模块,还用于将误差信号依次沿反向传播神经网络的输出层、隐含层、输入层,以及变换神经网络的解码层、编码层返回,逐层修改各神经元的权值与偏置,使得误差信号最小,且性能评价均方差小于或等于均方差阈值,以确定预测智能电表剩余寿命的模型;
预测模块,用于将智能电表的应用环境数据、出厂检定数据、实时监测数据输入预测智能电表剩余寿命的模型,得到智能电表的剩余寿命预测值。
7.根据权利要求6所述的***,其特征在于,所述反向传播神经网络由输入层、隐含层、输出层组成,满足:
(5)
其中,为隐含层,f为传输函数,/>为隐含层偏置,/>为输入层,/>为输入层与隐含层之间的权值,c为输入层包含的神经元的数量;
(6)
其中,为输出层,g为激活函数,/>为输出层偏置,/>为隐含层,/>为隐含层与输出层之间的权值,d为隐含层包含的神经元的数量。
8.根据权利要求6所述的***,其特征在于,所述数据处理模块,还用于:
在所述根据智能电表的环境数据、出厂检定数据、实时监测数据的相关系数矩阵的特征值,确定智能电表的各相关数据的累计贡献率和影响智能电表剩余寿命的参数序列之前,确定预测智能电表剩余寿命的模型的性能评价指标,所述评价指标包括剩余寿命预测误差、性能评价均方差;
将应用环境数据、出厂检定数据、实时监测数据得出的误差估计值数据通过z-score***进行归一化预处理;
其中,所述预测智能电表剩余寿命的模型的性能评价指标满足:
(7)
(8)
其中,W为所述预测智能电表剩余寿命的模型的性能评价指标,为第i个智能电表的预测剩余寿命/>与实际剩余寿命/>之间的偏差,n为智能电表的数量;
所述智能电表实时示数与片区高精度总表实时示数之间的误差满足:
(9)
其中,为片区内第i个智能电表的误差,/>为片区内第i个智能电表的实时示数,/>为单位时间内第i个智能电表记录的电能变化量,/>为片区高精度总表实时示数,/>为片区高精度总表记录的电能变化量,/>为片区内智能电表的数量。
9.根据权利要求6所述的***,其特征在于,所述预测模块,还用于:
根据智能电表的剩余寿命预测值,以及智能电表报废前/>时刻的状态,确定智能电表的故障概率;
其中,所述智能电表的故障概率包括智能电表自剩余寿命时刻起发生短期故障的概率、中期故障的概率和长期故障的概率,满足:
(10)
(11)
(12)
其中,为智能电表自剩余寿命/>时刻起发生短期故障的概率,/>为智能电表集自剩余寿命/>时刻起发生短期故障的次数,/>为智能电表自剩余寿命/>时刻起发生中期故障的概率,/>为智能电表集自剩余寿命/>时刻起发生中期故障的次数,/>为智能电表自剩余寿命/>时刻起发生长期故障的概率,/>为智能电表集自剩余寿命/>时刻起发生长期故障的次数,n为智能电表集中的智能电表的数量。
10.根据权利要求6-9中任一项所述的***,其特征在于,所述应用环境数据包括:智能电表所在工作环境的温度、湿度、大气压及其变化规律;
所述出厂检定数据包括:智能电表出厂时经过的外观考察、阻尼测试、老化试验、通信测试给出的评估得分;
所述实时监测数据包括:智能电表实时示数、片区高精度总表实时示数,以及智能电表实时示数与片区高精度总表实时示数之间的误差,工作电压及其变化率、工作电流及其变化率、峰值工作时长。
11.一种电子设备,其特征在于,包括:处理器,所述处理器与存储器耦合;
其中,所述处理器,用于读取并执行所述存储器存储的程序或指令,使得所述电子设备执行如权利要求1-5中任一项所述的方法。
12.一种计算机可读存储介质,其特征在于,存储有程序或指令,当计算机读取并执行所述程序或指令时,使得所述计算机执行如权利要求1-5中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311643948.4A CN117350174B (zh) | 2023-12-04 | 2023-12-04 | 预测智能电表剩余寿命的方法、***、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311643948.4A CN117350174B (zh) | 2023-12-04 | 2023-12-04 | 预测智能电表剩余寿命的方法、***、电子设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117350174A CN117350174A (zh) | 2024-01-05 |
CN117350174B true CN117350174B (zh) | 2024-04-02 |
Family
ID=89359782
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311643948.4A Active CN117350174B (zh) | 2023-12-04 | 2023-12-04 | 预测智能电表剩余寿命的方法、***、电子设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117350174B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107121943A (zh) * | 2016-02-24 | 2017-09-01 | 西门子公司 | 一种用于获得智能仪表的健康预测信息的方法和装置 |
CN109343505A (zh) * | 2018-09-19 | 2019-02-15 | 太原科技大学 | 基于长短期记忆网络的齿轮剩余寿命预测方法 |
CN109447531A (zh) * | 2018-12-25 | 2019-03-08 | 国网福建省电力有限公司 | 一种基于神经网络健康度评价的智能电表状态评价方法 |
CN110175369A (zh) * | 2019-04-30 | 2019-08-27 | 南京邮电大学 | 一种基于二维卷积神经网络的齿轮剩余寿命预测方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN113361692A (zh) * | 2021-06-28 | 2021-09-07 | 福建师范大学 | 一种锂电池剩余寿命结合预测方法 |
CN113868947A (zh) * | 2021-09-24 | 2021-12-31 | 国电南瑞科技股份有限公司 | 一种智能电能表寿命预测方法及装置 |
CN114565038A (zh) * | 2022-02-23 | 2022-05-31 | 中国计量大学 | 一种基于改进胶囊网络的智能电表故障诊断方法 |
CN114723130A (zh) * | 2022-04-02 | 2022-07-08 | 中国科学院信息工程研究所 | 一种基于时空交互特征的工业设备剩余使用寿命预测方法 |
CN114791537A (zh) * | 2022-03-25 | 2022-07-26 | 中国科学院信息工程研究所 | 基于属性自适应的工业设备剩余使用寿命预测方法及*** |
CN115358347A (zh) * | 2022-09-30 | 2022-11-18 | 山西虚拟现实产业技术研究院有限公司 | 一种针对不同子***下智能电表的剩余寿命预测方法 |
CN115374646A (zh) * | 2022-09-05 | 2022-11-22 | 贵州电网有限责任公司 | 在运电表寿命预测方法及在运电表寿命预测装置 |
WO2023000985A1 (zh) * | 2021-07-22 | 2023-01-26 | 中国第一汽车股份有限公司 | 燃料电池的剩余寿命预测方法及装置 |
CN116819427A (zh) * | 2023-07-14 | 2023-09-29 | 国网山东省电力公司鱼台县供电公司 | 一种智能电表的质量确定及剩余寿命检测方法及*** |
CN116840720A (zh) * | 2023-05-29 | 2023-10-03 | 武汉理工大学 | 燃料电池剩余寿命预测方法 |
-
2023
- 2023-12-04 CN CN202311643948.4A patent/CN117350174B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107121943A (zh) * | 2016-02-24 | 2017-09-01 | 西门子公司 | 一种用于获得智能仪表的健康预测信息的方法和装置 |
CN109343505A (zh) * | 2018-09-19 | 2019-02-15 | 太原科技大学 | 基于长短期记忆网络的齿轮剩余寿命预测方法 |
CN109447531A (zh) * | 2018-12-25 | 2019-03-08 | 国网福建省电力有限公司 | 一种基于神经网络健康度评价的智能电表状态评价方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN110175369A (zh) * | 2019-04-30 | 2019-08-27 | 南京邮电大学 | 一种基于二维卷积神经网络的齿轮剩余寿命预测方法 |
CN113361692A (zh) * | 2021-06-28 | 2021-09-07 | 福建师范大学 | 一种锂电池剩余寿命结合预测方法 |
WO2023000985A1 (zh) * | 2021-07-22 | 2023-01-26 | 中国第一汽车股份有限公司 | 燃料电池的剩余寿命预测方法及装置 |
CN113868947A (zh) * | 2021-09-24 | 2021-12-31 | 国电南瑞科技股份有限公司 | 一种智能电能表寿命预测方法及装置 |
CN114565038A (zh) * | 2022-02-23 | 2022-05-31 | 中国计量大学 | 一种基于改进胶囊网络的智能电表故障诊断方法 |
CN114791537A (zh) * | 2022-03-25 | 2022-07-26 | 中国科学院信息工程研究所 | 基于属性自适应的工业设备剩余使用寿命预测方法及*** |
CN114723130A (zh) * | 2022-04-02 | 2022-07-08 | 中国科学院信息工程研究所 | 一种基于时空交互特征的工业设备剩余使用寿命预测方法 |
CN115374646A (zh) * | 2022-09-05 | 2022-11-22 | 贵州电网有限责任公司 | 在运电表寿命预测方法及在运电表寿命预测装置 |
CN115358347A (zh) * | 2022-09-30 | 2022-11-18 | 山西虚拟现实产业技术研究院有限公司 | 一种针对不同子***下智能电表的剩余寿命预测方法 |
CN116840720A (zh) * | 2023-05-29 | 2023-10-03 | 武汉理工大学 | 燃料电池剩余寿命预测方法 |
CN116819427A (zh) * | 2023-07-14 | 2023-09-29 | 国网山东省电力公司鱼台县供电公司 | 一种智能电表的质量确定及剩余寿命检测方法及*** |
Non-Patent Citations (3)
Title |
---|
基于智能电表运行故障数据的纵向分析模型;刘紫熠等;《计算机科学》;20190630;第46卷(第6A期);全文 * |
基于混合威布尔分布的电能表寿命预测研究;滕永兴等;《电气传动》;20211231;第51卷(第1期);全文 * |
高干热环境下智能电表测量误差评估模型;马俊等;《中国电机工程学报》;20230620;第43 卷(第12 期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117350174A (zh) | 2024-01-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
CN109726865A (zh) | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 | |
CN115358347B (zh) | 一种针对不同子***下智能电表的剩余寿命预测方法 | |
CN116167527B (zh) | 纯数据驱动的电力***静态安全运行风险在线评估方法 | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
CN115564310A (zh) | 一种基于卷积神经网络的新能源电力***可靠性评估方法 | |
Ying et al. | Research on state evaluation and risk assessment for relay protection system based on machine learning algorithm | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
CN112183877A (zh) | 一种基于迁移学习的光伏电站故障智能诊断方法 | |
Ma et al. | Measurement error assessment for smart electricity meters under extreme natural environmental stresses | |
Chen et al. | Error modeling and anomaly detection of smart electricity meter using TSVD+ L method | |
Alharbi et al. | Short-term wind speed and temperature forecasting model based on gated recurrent unit neural networks | |
CN117878979A (zh) | 基于电储能的功率平衡及动态补偿*** | |
CN117554821A (zh) | 基于深度学习网络的储能电池在线监测管理方法及*** | |
CN117350174B (zh) | 预测智能电表剩余寿命的方法、***、电子设备及介质 | |
CN117688336A (zh) | 一种基于设备故障风险的电力调度故障集智能生成方法 | |
Zhao et al. | Evaluation of operating state for smart electricity meters based on transformer–encoder–BiLSTM | |
Onaolapo et al. | Forecasting Electricity Outage in KwaZulu-Natal, South Africa using Trend Projection and Artificial Neural Networks Techniques | |
CN110110944A (zh) | 一种基于修正的小波神经网络预测风电消纳需求量算法 | |
Moradzadeh et al. | Image processing-based data integrity attack detection in dynamic line rating forecasting applications | |
Zhang et al. | A hybrid load forecasting method based on neural network in smart grid | |
Zhao et al. | Correlation analysis of weather factors and outage duration | |
Ananthu et al. | Prominent smart grid measurements by RAP-NN to warrant the reliability of the PV system | |
Chen et al. | A state assessment method of relay protection device based on pso optimizes svm parameters and cloud model |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |