CN109344967B - 一种基于人工神经网络的智能电表生命周期预测方法 - Google Patents

一种基于人工神经网络的智能电表生命周期预测方法 Download PDF

Info

Publication number
CN109344967B
CN109344967B CN201811013818.1A CN201811013818A CN109344967B CN 109344967 B CN109344967 B CN 109344967B CN 201811013818 A CN201811013818 A CN 201811013818A CN 109344967 B CN109344967 B CN 109344967B
Authority
CN
China
Prior art keywords
representing
life cycle
meter
fault
unit
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
Application number
CN201811013818.1A
Other languages
English (en)
Other versions
CN109344967A (zh
Inventor
刘金硕
刘桂霞
刘必为
陈凯
邓娟
田浩翔
房金城
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.)
Wuhan University WHU
Original Assignee
Wuhan University WHU
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 Wuhan University WHU filed Critical Wuhan University WHU
Priority to CN201811013818.1A priority Critical patent/CN109344967B/zh
Publication of CN109344967A publication Critical patent/CN109344967A/zh
Application granted granted Critical
Publication of CN109344967B publication Critical patent/CN109344967B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0635—Risk analysis of enterprise or organisation activities

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于人工神经网络的智能电表生命周期预测方法，采用人工神经网络算法以及相关系数分析的预测模型，流程如下：1.计算验证单位、电表厂商、故障原因三个因素的周期相关性。2.得到电表的预测更换周期的预测模型。3.初始化模型中出现的各项的值。4.采用启发式迭代搜索确定生命周期影响权重ω1,ω2，基于神经网络算法的更新权重方式进行修正。5.设计预警模型，当自动预警提醒时，则进行轮换处理。利用本发明的方法人工神经网络、数据挖掘等辅助技术,使得工作效率得到了大幅提高，提升了资源利用效率，具有实用性。例如：在智能电表预测模型的过程中，采用这种模型，可以准确预测智能电表的生命周期，为周期轮换系统提供可靠支持。

Description

一种基于人工神经网络的智能电表生命周期预测方法
技术领域
本发明涉及数据挖掘和人工智能理论与技术，设计了相关参数的相关性分析模型，并加入了神经网络算法作为辅助，交互地设定了根据训练集自动更新学习的两个权重因子，最后得到各个参数的权重，最终预测出智能电表生命周期。
背景技术
智能电能表是近年来开始大量普及到生活应用层上的新型电表。智能电表运行在一个长的无人值守的状态，其可靠性显得非常重要。同时能否根据目前正在运行的智能电表的故障信息，进行智能电表的生命周期预测，从而使得电表处理效率得到提升。
传统的电表模型是在请求每一个环节点都需要人工查看，可以最大限度地保证每个电表都能正常运行。这种模型有着致命的缺陷：(1)由于系统规模的可预测性较弱，当请求到达非常频繁时，造成系统的性能低下，甚至使系统无法工作，效率非常低；(2)因为每个电表都需要查看，从而造成系统的响应速度的急剧下降，实时速度达不到预期的效果；(3)这种模型没有依赖网络的控制，相对来说处理速度低，这样的处理过程效率低。
发明内容
本发明采用了人工神经网络的智能电表生命周期预测，具体思路是：得到生命周期相关性模型，计算各个项中出现的未知数，采用启发式方法迭代搜索确定ω1,ω2，基于神经网络算法的更新权重方式进行修正，最后加入模糊预警，当自动预警提醒，对智能电表的进行抽检。如果抽检的合格率达到95％，则当前批次电表继续使用，否则就进行轮换处理。
运用本资源利用方法，实现了不同电表间的生命周期预测的信息集成，提高了电表使用的效率，可以得到理想的效果。
本发明的上述技术问题主要是通过下述技术方案得以解决的：
一种基于人工神经网络的智能电表生命周期预测方法，其特征在于，基于定义：
定义1：得到周期相关性
Figure BDA0001785678090000021
计算
Figure BDA0001785678090000022
Figure BDA0001785678090000023
的值，其中，M表示电表厂商总数量，N表示故障原因总数量，W表示单位总数量min(M,N)表示取M和N中的最小值；μ′为相同的设备厂商在相同的故障原因不同的单位，所对应的每一条设备风险的平均值,σ′为相同的设备厂商在相同的故障原因不同的单位，所对应的每一条设备风险的差值；
Figure BDA0001785678090000024
设备厂商i的故障原因j数量权重寿命周期不同的单位k；
定义2：计算
Figure BDA0001785678090000025
的值，其中ω1,ω2默认均为1.00；TDiFj为单位i使用设备制造厂商j的设备的预测更换周期的预测；
定义3：电表制造厂商j所生产的所有电表在所有单位的数量权重生命周期均值
Figure BDA0001785678090000026
其中
Figure BDA00017856780900000210
表示制造智能电表厂商j的第h条电表的记录；
Figure BDA0001785678090000027
表示表厂j的最大记录条数；maxError表示单批次允许的最大的故障率(默认为2％)；ErrorFjh表示表厂j的故障电表数量的第h条记录；TErrorTime表示表的故障时间，TInstallTime表示表的初始安装时间；
Figure BDA0001785678090000028
表示工厂j故障表的数量；
定义4：单位i的生命周期影响权重
Figure BDA0001785678090000029
其中表示单位i的生命周期
Figure BDA0001785678090000031
模型中
Figure BDA0001785678090000032
表示单位i的第a条电表数量；maxNia表示单位i的记录条数最大值
Figure BDA0001785678090000033
表示单位i的第a条生命周期记录；
Figure BDA0001785678090000034
表示单位i的第a条风险周期记录；
定义5：表示所有单位的平均生命周期
Figure BDA0001785678090000035
Figure BDA0001785678090000036
表示单位i的使用的所有电表的生命周期均值；sum表示总的单位数量；
定义6：表示电表制造厂商j的主要故障原因的生命周期影响权重
Figure BDA0001785678090000037
Tall表示所有故障原因的数量权重风险周期均值的均值；其中电表厂商j的主要故障原因的数量权重生命周期均值
Figure BDA0001785678090000038
maxNFjMainError电表厂商j的主要故障原因K的生命周期的最大记录数量；
Figure BDA0001785678090000039
表示电表厂商j的主要故障原因的电表数量的第k条记录；
定义7：单位i的相关性故障原因的生命周期影响权重
Figure BDA00017856780900000310
其中表示所有故障原因的数量权重生命周期均值的
Figure BDA00017856780900000311
NAllError表示故障原因的最大类别数量，
Figure BDA00017856780900000312
表示故障原因i的数量权重生命周期；
定义8：定义7中表示电表厂商j的相关性故障原因的数量权重生命周期均值
Figure BDA00017856780900000313
其中maxN造厂商j的相关性故障原因的最大记录条数，
Figure DA00017856780934857562
表示故障原因j的第i条周期轮换记录，
Figure BDA00017856780900000315
表示电表厂商j的相关性故障原因的电表数量的第i条记录的数量；
预测方法具体包括：
步骤1：采用启发式方法迭代搜索确定ω1,ω2，基于神经网络算法的更新权重方式进行修正；
步骤2：加入模糊预警，设预测生命周期为A，平均误差率为B，则当该智能电表的预警时间为T＝A-A*B，当自动预警提醒，对智能电表的进行抽检；如果抽检的合格率达到95％，则当继续使用，否则就进行轮换处理。
在上述的一种基于人工神经网络的智能电表生命周期预测方法，，所述步骤9具体方法如下：
步骤9.1、从所有智能电表信息记录中，随机抽取2/3的电表作为训练集合，再从中随机抽取2/3作为训练样本集合，另外1/3作为参照集合；
步骤9.2、对模型进行预测，预测对象为参照集合中的第A个个体(默认A为1)，得到预测值
Figure BDA0001785678090000041
步骤9.3、如果
Figure BDA0001785678090000042
即预测值与参照值的差的绝对值小于特定阈值(默认为14)，则转至步骤9.6，否则转至步骤9.4；
步骤9.4、如果预测值
Figure BDA0001785678090000043
则更新ω2：
Figure BDA0001785678090000044
否则更新，更新方法：
Figure BDA0001785678090000045
步骤9.5、A＝A+1，返回步骤9.2；
步骤9.6、结束。
本发明具有如下优点：1、建立了基于人工神经网络的智能电表生命周期预测模型,采用本模型的任务处理效率比传统电表的任务处理有明显的提高。2、由于采用了人工神经网络模块、数据挖掘等辅助技术,使得智能电表生命周期预测运行稳定性也得到了大幅提高，同时，加入了模糊预警模型，提升了资源利用效率。
附图说明
图1是发明基于人工神经网络智能电表生命周期预测总体结构图。
图2是发明人工神经网络智能电表生命周期预测流程图。
具体实施方式
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
实施例：
下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。
如图2，得到生命周期相关性
Figure BDA0001785678090000051
μ′为相同的电表厂商在相同的故障原因不同的单位，所对应的每一条电表生命的平均值。其中
Figure BDA0001785678090000052
则TDiFj为单位i使用电表制造厂商j的电表的预测更换周期的预测。
Figure BDA0001785678090000053
ω1,ω2默认均为1.00。
Figure BDA0001785678090000054
表示电表制造厂商j所生产的所有电表在所有单位的数量权重生命周期均值；ωDi表示单位i的生命周期影响权重；ωFjMainError表示电表制造厂商j的主要故障原因的生命周期影响权重；ωDiCorrelationError表示单位i的相关性故障原因的生命周期影响权重。每个未知量都有计算模型。
采用启发式方法迭代搜索确定ω1,ω2，基于神经网络算法的更新权重方式进行修正，具体方法如下：
1)从所有智能电表信息记录中，随机抽取2/3的电表作为训练集合，再从中随机抽取2/3作为训练样本集合，另外1/3作为参照集合；
2)用模型2.1.1以及2.1.2进行预测，预测对象为参照集合中的第A个个体(默认A为1)，得到预测值
Figure BDA0001785678090000055
3)如果
Figure BDA0001785678090000056
即预测值与参照值的差的绝对值小于特定阈值(可手动设置，默认为14)，则跳到步骤7)否则步骤4)；
4)如果预测值
Figure BDA0001785678090000057
则更新ω2：
Figure BDA0001785678090000058
5)否则更新；更新方法：
Figure BDA0001785678090000061
6)A＝A+1，返回2)；
7)结束。
在实际运用中可加入模糊预警，设预测生命周期为A，平均误差率为B，则当该智能电表的预警时间为T＝A-A*B。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (2)

1.一种基于人工神经网络的智能电表生命周期预测方法，其特征在于，基于定义：
定义1：得到周期相关性
Figure FDA0003164534580000011
计算
Figure FDA0003164534580000012
Figure FDA0003164534580000013
的值，其中，M表示电表厂商总数量，N表示故障原因总数量，W表示单位总数量min(M,N)表示取M和N中的最小值；μ′为相同的设备厂商在相同的故障原因不同的单位，所对应的每一条设备风险的平均值,σ′为相同的设备厂商在相同的故障原因不同的单位，所对应的每一条设备风险的差值；TFIErrorjDk设备厂商i的故障原因j数量权重寿命周期不同的单位k；
定义2：计算
Figure FDA0003164534580000014
的值，其中ω1,ω2默认均为1.00；TDiFj为单位i使用设备制造厂商j的设备的预测更换周期的预测；
定义3：电表制造厂商j所生产的所有电表在所有单位的数量权重生命周期均值
Figure FDA0003164534580000021
其中
Figure FDA0003164534580000022
表示制造智能电表厂商j的第h条电表的记录；
Figure FDA0003164534580000023
表示表厂j的最大记录条数；maxError表示单批次允许的最大的故障率；ErrorFjh表示表厂j的故障电表数量的第h条记录；TErrorTime表示表的故障时间，TInstallTime表示表的初始安装时间；
Figure FDA0003164534580000024
表示工厂j故障表的数量；
定义4：单位i的生命周期影响权重
Figure FDA0003164534580000025
其中表示单位i的生命周期
Figure FDA0003164534580000026
模型中
Figure FDA0003164534580000027
表示单位i的第a条电表数量；maxNia表示单位i的记录条数最大值
Figure FDA0003164534580000028
表示单位i的第a条生命周期记录；
Figure FDA0003164534580000029
表示单位i的第a条风险周期记录；
定义5：表示所有单位的平均生命周期
Figure FDA00031645345800000210
Figure FDA00031645345800000211
表示单位i的使用的所有电表的生命周期均值；sum表示总的单位数量；
定义6：表示电表制造厂商j的主要故障原因的生命周期影响权重
Figure FDA0003164534580000031
Tall表示所有故障原因的数量权重风险周期均值的均值；其中电表厂商j的主要故障原因的数量权重生命周期均值
Figure FDA0003164534580000032
max NFjMainErro电表厂商j的主要故障原因K的生命周期的最大记录数量；
Figure FDA0003164534580000033
表示电表厂商j的主要故障原因的电表数量的第k条记录；
定义7：单位i的相关性故障原因的生命周期影响权重
Figure FDA0003164534580000034
其中表示所有故障原因的数量权重生命周期均值的
Figure FDA0003164534580000035
NAllError表示故障原因的最大类别数量，
Figure FDA0003164534580000036
表示故障原因i的数量权重生命周期；
定义8：定义7中表示电表厂商j的相关性故障原因的数量权重生命周期均值
Figure FDA0003164534580000037
其中max N造厂商j的相关性故障原因的最大记录条数，
Figure FDA0003164534580000038
表示故障原因j的第i条周期轮换记录，
Figure FDA0003164534580000039
表示电表厂商j的相关性故障原因的电表数量的第i条记录的数量；
预测方法具体包括：
步骤1：采用启发式方法迭代搜索确定ω1,ω2，基于神经网络算法的更新权重方式进行修正；
步骤2：加入模糊预警，设预测生命周期为A，平均误差率为B，则当该智能电表的预警时间为T＝A-A*B，当自动预警提醒，对智能电表的进行抽检；如果抽检的合格率达到95％，则当继续使用，否则就进行轮换处理。
2.根据权利要求1所述的一种基于人工神经网络的智能电表生命周期预测方法，其特征在于，所述步骤1具体方法如下：
步骤1.1、从所有智能电表信息记录中，随机抽取2/3的电表作为训练集合，再从中随机抽取2/3作为训练样本集合，另外1/3作为参照集合；
步骤1.2、对模型进行预测，预测对象为参照集合中的第A个个体，得到预测值
Figure FDA0003164534580000041
步骤1.3、如果
Figure FDA0003164534580000042
即预测值与参照值的差的绝对值小于特定阈值，则转至步骤9.6，否则转至步骤9.4；
步骤1.4、如果预测值
Figure FDA0003164534580000043
则更新ω2：
Figure FDA0003164534580000044
否则更新，更新方法：
Figure FDA0003164534580000045
步骤1.5、A＝A+1，返回步骤1.2；
步骤1.6、结束。
CN201811013818.1A 2018-08-31 2018-08-31 一种基于人工神经网络的智能电表生命周期预测方法 Active CN109344967B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811013818.1A CN109344967B (zh) 2018-08-31 2018-08-31 一种基于人工神经网络的智能电表生命周期预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811013818.1A CN109344967B (zh) 2018-08-31 2018-08-31 一种基于人工神经网络的智能电表生命周期预测方法

Publications (2)

Publication Number Publication Date
CN109344967A CN109344967A (zh) 2019-02-15
CN109344967B true CN109344967B (zh) 2021-09-14

Family

ID=65292230

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811013818.1A Active CN109344967B (zh) 2018-08-31 2018-08-31 一种基于人工神经网络的智能电表生命周期预测方法

Country Status (1)

Country Link
CN (1) CN109344967B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109598052B (zh) * 2018-11-29 2022-07-05 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
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
CN111239674A (zh) * 2020-02-19 2020-06-05 湖南龙之翔智能科技有限公司 一种智能电表终端的识别方法及系统
CN112801389B (zh) * 2021-02-04 2023-04-07 成都秦川物联网科技股份有限公司 天然气能量计量物联网系统生命周期综合管理方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102570609A (zh) * 2012-01-18 2012-07-11 山东工商学院 一种适用于智能电网的居民用户智能能量管理系统
CN103018706A (zh) * 2012-11-16 2013-04-03 浙江省电力公司电力科学研究院 一种预测智能电能表轮换周期的方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9489618B2 (en) * 2014-05-27 2016-11-08 Purdue Research Foudation Electronic comparison systems

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102570609A (zh) * 2012-01-18 2012-07-11 山东工商学院 一种适用于智能电网的居民用户智能能量管理系统
CN103018706A (zh) * 2012-11-16 2013-04-03 浙江省电力公司电力科学研究院 一种预测智能电能表轮换周期的方法及系统

Also Published As

Publication number Publication date
CN109344967A (zh) 2019-02-15

Similar Documents

Publication Publication Date Title
CN109344967B (zh) 一种基于人工神经网络的智能电表生命周期预测方法
CN107832581B (zh) 状态预测方法和装置
EP3846387A1 (en) Anomaly detection in a network
CN103310051B (zh) 一种全寿命周期内的车载信息终端故障率预测方法
US20190163165A1 (en) Examining apparatus, examining method and recording medium
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
CN111639783A (zh) 一种基于lstm神经网络的线损预测方法及系统
CN111881023B (zh) 一种基于多模型对比的软件老化预测方法及装置
KR20190123040A (ko) 딥러닝 기반 태양광 발전량 예측 모델 갱신 주기를 설정하는 태양광 발전량 예측 모델 관리 장치 및 그 방법
CN111950810A (zh) 一种基于自演化预训练的多变量时间序列预测方法和设备
CN116307215A (zh) 一种电力系统的负荷预测方法、装置、设备及存储介质
CN110083518B (zh) 一种基于AdaBoost-Elman的虚拟机软件老化预测方法
CN116930609A (zh) 一种基于ResNet-LSTM模型的电能计量误差分析方法
CN114879070A (zh) 一种电池状态评估方法及相关设备
CN113406496B (zh) 基于模型迁移的电池容量预测方法、系统、装置及介质
CN116862079B (zh) 一种企业污染物排放预测方法及预测系统
CN112417767B (zh) 一种衰减趋势确定模型构建方法、衰减趋势确定方法
JP2021193563A (ja) 資産の予測健全性解析を実行するための方法およびコンピューティングシステム
CN112213660A (zh) 一种预测ups系统中电力电子器件剩余寿命的方法
WO2024023211A1 (en) A method for characterizing the evolution of state of health of a device with duration of operation
CN115687950A (zh) 一种电力系统负荷波动分析方法和系统
CN113822441B (zh) 决策模型训练方法、装置、终端设备及存储介质
CN108564162B (zh) 一种设备故障预警模型记忆矩阵的构造方法及装置
CN117494876A (zh) 基于Gradient Boosting的电表安装数量预测方法
CN110337594B (zh) 对运行中的电化学装置的未来功能运行预后的改良性表征

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