本发明属于智能电表,特别涉及一种预测智能电表剩余寿命的方法、系统、电子设备及介质。
背景技术:
1、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。
2、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。
技术实现思路
1、本发明提出一种预测智能电表剩余寿命的方法、系统、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。
2、针对上述问题,本发明采用如下技术方案:
3、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:
4、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;
5、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;
6、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;
7、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;
8、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。
9、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:
10、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:
11、(1)
12、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;
13、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:
14、(2)
15、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:
16、(3)
17、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;
18、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。
19、可选地,变换神经网络包括编码环节和解码环节;
20、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:
21、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;
22、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;
23、其中,变换神经网络满足:
24、(4)
25、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。
26、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:
27、(5)
28、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;
29、(6)
30、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。
31、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:
32、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;
33、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;
34、其中,预测智能电表剩余寿命的模型的性能评价指标满足:
35、(7)
36、(8)
37、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;
38、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:
39、(9)
40、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。
41、可选地,该方法还包括:
42、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;
43、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:
44、(10)
45、(11)
46、(12)
47、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。
48、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;
49、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;
50、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。
51、本发明实施例还提供一种预测智能电表剩余寿命的系统,包括:
52、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;
53、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;
54、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;
55、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;
56、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。
57、可选地,数据处理模块,还用于:
58、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:
59、(1)
60、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;
61、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:
62、(2)
63、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:
64、(3)
65、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;
66、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。
67、可选地,变换神经网络包括编码环节和解码环节;
68、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;
69、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;
70、其中,变换神经网络满足:
71、(4)
72、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。
73、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:
74、(5)
75、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;
76、(6)
77、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。
78、可选地,数据处理模块,还用于:
79、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;
80、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系统进行归一化预处理;
81、其中,预测智能电表剩余寿命的模型的性能评价指标满足:
82、(7)
83、(8)
84、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;
85、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:
86、(9)
87、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。
88、可选地,预测模块,还用于:
89、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;
90、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:
91、(10)
92、(11)
93、(12)
94、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。
95、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;
96、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;
97、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。
98、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;
99、其中,处理器,用于读取并执行存储器存储的程序或指令,使得系统执行第一方面所述的方法。
100、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。
101、基于本发明提供的预测智能电表剩余寿命的方法、系统、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。
102、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。
103、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。
104、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。