CN109858785A - 一种评价智能电能表运行状态的方法和系统 - Google Patents

一种评价智能电能表运行状态的方法和系统 Download PDF

Info

Publication number
CN109858785A
CN109858785A CN201910040524.6A CN201910040524A CN109858785A CN 109858785 A CN109858785 A CN 109858785A CN 201910040524 A CN201910040524 A CN 201910040524A CN 109858785 A CN109858785 A CN 109858785A
Authority
CN
China
Prior art keywords
bayesian network
electric energy
energy meter
operating status
value
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.)
Granted
Application number
CN201910040524.6A
Other languages
English (en)
Other versions
CN109858785B (zh
Inventor
于海波
李贺龙
林繁涛
朱允刚
刘佳
王春雨
王兴媛
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Fujian Electric Power 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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201910040524.6A priority Critical patent/CN109858785B/zh
Publication of CN109858785A publication Critical patent/CN109858785A/zh
Application granted granted Critical
Publication of CN109858785B publication Critical patent/CN109858785B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种评价智能电能表运行状态的方法和系统，所述方法和系统首先基于历史数据构建若干个贝叶斯网，然后通过计算所述贝叶斯网之间的相似度，并中选取若干个精度高、多样性强的贝叶斯网个体，最后采用凸函数证据理论方法对选取的贝叶斯网进行集成，从而得到智能电能表每种运行状态的概率值。所述方法和系统准确地实现了智能电能表的状态评价，为电网的安全运行、状态监测、数据抄读、电价下发等工作提供了极大的便利，有效地节省了定期回收检测电能表的巨大成本，为更换智能电能表提供了有力的技术保障。

Description

一种评价智能电能表运行状态的方法和系统
技术领域
本发明涉及电能计量领域,并且更具体地，涉及一种评价智能电能表运行状态的方法和系统。
背景技术
智能电能表正逐步进入每个家庭，实现用电信息采集的完全覆盖，其在智能电网的建设中的重要作用正在被凸显出来。智能电能表寿命有限，1、2级有功电能表检定周期一般小于8年，这说明每只电能表使用8年将被收回检测。若仍能继续使用，也将经历“两拆两装”的繁琐流程，再度使用不超过2年时间，故当前回收的智能电能表均采取报废处理的方式，造成很大的资源浪费。若能使用计算机技术对智能电能表的状态进行预测，及时获取智能电能表的状态信息，则可以最大化的对智能电能表进行使用。
发明内容
为了解决现有技术中对智能电能表的状态无法进行准确评估，致使大量仍能使用的电能表被报废的技术问题，本发明提供一种评价智能电能表运行状态的方法，所述方法包括：
根据设定的评价智能电能表运行状态的n个指标生成指标集合X＝{X1…Xi…Xn}，采用bagging算法从智能电能表运行状态历史数据中抽样所述指标集合X的数据集并训练生成T个贝叶斯网的集合F；
采用聚类算法从集合F中的T个贝叶斯网中选择K个精度最高的贝叶斯网组成新的集合φ；
采用凸函数证据理论方法，对集合φ中的K个贝叶斯网进行集成以确定智能电能表每种运行状态的概率值。
进一步地，所述指标集合X选取误差限值X1、安装日期X2、生产厂家X3、到货建档时间X4、运行时长X5、拆除状态X6、是否故障X7、批次号X8、批次数量X9、批次换货数量X10、批次换货率X11、批次故障数量X12、批次故障率X13、实验室误差X14作为评价智能电能表运行状态的指标。
进一步地，所述方法在根据设定的评价智能电能表运行状态的n个指标生成指标集合X＝{X1…Xi…Xn}，采用bagging算法从智能电能表运行状态历史数据中抽样所述指标集合X的数据集并训练生成T个贝叶斯网的集合F之前还包括当所述评价智能电表运行状态的属性指标的取值是连续值时，将所述属性指标的取值离散化，其中：
步骤1、对于具有连续取值的指标x，当其在所述历史数据中有k个不重复的连续属性值xi时，计算所述指标x的每个不重复的连续属性值xi出现的概率P(xi)，其中1≤i≤k，k的初始值为k0；
步骤2、基于所述概率P(xi)计算指标x的信息熵
步骤3、将所述指标x的不重复的连续属性值划分至k个区间,每个区间对应所述指标x的一个不重复的值,并记录划分点；
步骤4、任意选择相邻的两个区间合并，计算合并后的k-1个区间中每个区间出现的概率，并根据所述每个区间的概率计算指标x的信息熵H(k-1),使合并前后的熵之差H(k)-H(k-1)最小，若出现两组或两组以上相邻区间同时满足条件，则随机选择一组；
步骤5、根据合并后的区间的信息熵H(k-1)，计算Sj＝(k0-1)×H(k-1)-(k-2)×H(k0)，其中，j的初始值为1；
步骤6、当Sj≤Sj-1，此时每个区间对应指标x的一个离散值，否则令k＝k-1，j＝j+1，转步骤4，其中，S0的值为0。
进一步地，所述采用bagging算法从智能电能表运行状态历史数据中抽样所述指标集合X的数据集并训练生成T个贝叶斯网的集合包括：
步骤1、对智能电能表运行状态历史数据进行第t次随机采样，共采集m组，得到包含m组样本的采样集Dt，其中，t的初始值是1，1≤t≤T；
步骤2、用采样集Dt训练第t个贝叶斯网Bt，所述贝叶斯网Bt包含n+1个变量，其中X1到Xn表示所述评价智能电能表运行状态的n个指标，Xn+1表示电能表状态，有d种可能取值，其中，所述用采样集Dt训练第t个贝叶斯网Bt包括：
步骤2-1、将贝叶斯网Bt中包含的n+1个变量作为n+1个节点，令第i个结点Xi的父结点集πi的初始值为空，令
式中，ri表示Xi可能取值个数，qi表示Xi的父结点的可能取值个数，Nijk是采样集Dt中Xi取其第k个值，且πi取其第j个值，即时的训练数据个数，Nij是采样集Dt中πi取其第j个值的训练数据个数，i的初始值是1，1≤i≤n+1；
步骤2-2、根据公式Z＝{X1…Xi…Xn+1}-Xi-πi计算集合Z，并使f(i,πi∪{Z})达到最大的结点；
步骤2-3、令Pnew＝f(i,πi∪{Z})；
步骤2-4、当Pnew＞Pold,使Pold＝Pnew，令πi＝πi∪{Z}，并转至步骤2-2继续执行，当Pnew＜Pold时，πi即为结点Xi的父结点，令i＝i+1，并转到步骤2-1，当i＝n+1且πn+1即为结点Xn+1的父结点时，转至步骤3；
步骤3、根据公式F＝F∪{Bt}确定集合F，并在t＜T时，令t＝t+1，转到步骤1，其中，集合F的初始值为空集。
进一步地，所述采用聚类算法从集合F中的T个贝叶斯网中选择K个精度最高的贝叶斯网组成新的集合φ包括：
步骤1、构建T×T的相似度矩阵S，其中S(i，j)表示贝叶斯网Bi和Bj的相似度，当贝叶斯网Bi和Bj各自根据其采样集中每组采样数据确定的运行状态评价结果为yk和y′k时，计算所述贝叶斯网Bi和Bj的相似度S(i，j)的公式为：
式中，m表示贝叶斯网Bi和Bj的采样集采样的样本的组数；
步骤2：在集合F中随机选择K个点作为初始质心其中1≤l≤L，1≤p≤K，L为设置的最大迭代次数；
步骤3：对于集合F中每个贝叶斯网Bi，根据相似度矩阵S，考察Bi与质心的相似度，将Bi分配到与其相似度最高的质心对应的簇中，其中，初始的簇为空集；
步骤4：对于所述K个簇中的每一个簇，重新计算质心，以使所述质心所处的贝叶斯网与簇内其余贝叶斯网的相似度和最高，并令l＝l+1以生成新的质心
步骤5：当连续两次迭代中，所述K个簇均不发生变化或达到最大迭代次数L时，转至步骤6，否则转至步骤3继续执行；
步骤6：从所述K个簇中的每一个簇里选择精度最高的贝叶斯网，以得到新的贝叶斯网集合其中所述精度最高的贝叶斯网是在所述簇中，当质心位于该贝叶斯网时，与簇内其余贝叶斯网的相似度和最高的贝叶斯网。
进一步地，所述采用凸函数证据理论方法，对集合φ中的K个贝叶斯网进行集成以确定智能电能表各种运行状态的概率值包括：
步骤1、对于集合φ中的贝叶斯网φ1，当x1，...，xn表示实际观测到的评价智能电能表运行状态的n个指标的数值，Yl表示智能电能表的运行状态d种可能取值中的第l种，则计算智能电能表的运行状态Yl的概率λ1(sl)的公式为：
式中，1≤l≤d，1≤i≤n+1，Xi∈Children(Y)表示电能表的属性指标Xi是运行状态Y的子结点，πY是运行状态Y的父结点；
步骤2、对于集合φ中的贝叶斯网φj，当x1，...，xn表示实际观测到的评价智能电能表运行状态的n个指标的数值，Yl表示智能电能表的运行状态d种可能取值中的第l种，则计算智能电能表的运行状态Yl的概率λj(sl)的公式为：
式中，2≤j≤K，j的初始值是2，Xi∈Children(Y)表示电能表的属性指标Xi是运行状态Y的子结点，πY是运行状态Y的父结点；
步骤3、用下式将λ1(sj)和λj(sl)进行融合，并将结果赋给λ1(sl)：
其中Δ1和Δ2是预先设置的常数；
步骤4、当j＜K时，令j＝j+1，并转至步骤2，当j＝K时，转至步骤5；
步骤5、最终得到的λ1(sl)即为智能电能表每种可能的运行状态的概率值。
根据本发明的另一方面，本发明提供一种评价智能电能表运行状态的系统，所述系统包括：
第一集合单元，其用于根据设定的评价智能电能表运行状态的n个指标生成指标集合X＝{X1…Xi…Xn}，采用bagging算法从智能电能表运行状态历史数据中抽样所述指标集合X的数据集并训练生成T个贝叶斯网的集合F；
第二集合单元，其用于采用聚类算法从集合F中的T个贝叶斯网中选择K个精度最高的贝叶斯网组成新的集合φ；
状态确定单元，其用于采用凸函数证据理论方法，对集合φ中的K个贝叶斯网进行集成以确定智能电能表每种运行状态的概率值。
进一步地，所述第一集合单元的指标集合X选取误差限值X1、安装日期X2、生产厂家X3、到货建档时间X4、运行时长X5、拆除状态X6、是否故障X7、批次号X8、批次数量X9、批次换货数量X10、批次换货率X11、批次故障数量X12、批次故障率X13、实验室误差X14作为评价智能电能表运行状态的指标。
进一步地，所述系统还包括离散化单元，其用于当所述评价智能电表运行状态的属性指标的取值是连续值时，将所述属性指标的取值离散化，其中：
步骤1、对于具有连续取值的指标x，当其在所述历史数据中有k个不重复的连续属性值xi时，计算所述指标x的每个不重复的连续属性值xi出现的概率P(xi)，其中1≤i≤k，k的初始值为k0；
步骤2、基于所述概率P(xi)计算指标x的信息熵
步骤3、将所述指标x的不重复的连续属性值划分至k个区间,每个区间对应所述指标x的一个不重复的值,并记录划分点；
步骤4、任意选择相邻的两个区间合并，计算合并后的k-1个区间中每个区间出现的概率，并根据所述每个区间的概率计算指标x的信息熵H(k-1),使合并前后的熵之差H(k)-H(k-1)最小，若出现两组或两组以上相邻区间同时满足条件，则随机选择一组；
步骤5、根据合并后的区间的信息熵H(k-1)，计算Sj＝(k0-1)×H(k-1)-(k-2)×H(k0)，其中，j的初始值为1；
步骤6、当Sj≤Sj-1，此时每个区间对应指标x的一个离散值，否则令k＝k-1，j＝j+1，转步骤4，其中，S0的值为0。
进一步地，所述第一集合单元采用bagging算法从智能电能表运行状态历史数据中抽样所述指标集合X的数据集并训练生成T个贝叶斯网的集合包括：
步骤1、对智能电能表运行状态历史数据进行第t次随机采样，共采集m组，得到包含m组样本的采样集Dt，其中，t的初始值是1，1≤t≤T；
步骤2、用采样集Dt训练第t个贝叶斯网Bt，所述贝叶斯网Bt包含n+1个变量，其中X1到Xn表示所述评价智能电能表运行状态的n个指标，Xn+1表示电能表状态，有d种可能取值，其中，所述用采样集Dt训练第t个贝叶斯网Bt包括：
步骤2-1、将贝叶斯网Bt中包含的n+1个变量作为n+1个节点，令第i个结点Xi的父结点集πi的初始值为空，令
式中，ri表示Xi可能取值个数，qi表示Xi的父结点的可能取值个数，Nijk是采样集Dt中Xi取其第k个值，且πi取其第j个值，即时的训练数据个数，Nij是采样集Dt中πi取其第j个值的训练数据个数，i的初始值是1，1≤i≤n+1；
步骤2-2、根据公式Z＝{X1…Xi…Xn+1}-Xi-πi计算集合Z，并使f(i,πi∪{Z})达到最大的结点；
步骤2-3、令Pnew＝f(i,πi∪{Z})；
步骤2-4、当Pnew＞Pold,使Pold＝Pnew，令πi＝πi∪{Z}，并转至步骤2-2继续执行，当Pnew＜Pold时，πi即为结点Xi的父结点，令i＝i+1，并转到步骤2-1，当i＝n+1且πn+1即为结点Xn+1的父结点时，转至步骤3；
步骤3、根据公式F＝F∪{Bt}确定集合F，并在t＜T时，令t＝t+1，转到步骤1，其中，集合F的初始值为空集。
进一步地，所述第二集合单元采用聚类算法从集合F中的T个贝叶斯网中选择K个精度最高的贝叶斯网组成新的集合φ包括：
步骤1、构建T×T的相似度矩阵S，其中S(i，j)表示贝叶斯网Bi和Bj的相似度，当贝叶斯网Bi和Bj各自根据其采样集中每组采样数据确定的运行状态评价结果为yk和y′k时，计算所述贝叶斯网Bi和Bj的相似度S(i，j)的公式为：
式中，m表示贝叶斯网Bi和Bj的采样集采样的样本的组数；
步骤2：在集合F中随机选择K个点作为初始质心其中1≤l≤L，1≤p≤K，L为设置的最大迭代次数；
步骤3：对于集合F中每个贝叶斯网Bi，根据相似度矩阵S，考察Bi与质心的相似度，将Bi分配到与其相似度最高的质心对应的簇中，其中，初始的簇为空集；
步骤4：对于所述K个簇中的每一个簇，重新计算质心，以使所述质心所处的贝叶斯网与簇内其余贝叶斯网的相似度和最高，并令l＝l+1以生成新的质心
步骤5：当连续两次迭代中，所述K个簇均不发生变化或达到最大迭代次数L时，转至步骤6，否则转至步骤3继续执行；
步骤6：从所述K个簇中的每一个簇里选择精度最高的贝叶斯网，以得到新的贝叶斯网集合其中所述精度最高的贝叶斯网是在所述簇中，当质心位于该贝叶斯网时，与簇内其余贝叶斯网的相似度和最高的贝叶斯网。
进一步地，所述状态确定单元采用凸函数证据理论方法，对集合φ中的K个贝叶斯网进行集成以确定智能电能表各种运行状态的概率值包括：
步骤1、对于集合φ中的贝叶斯网φ1，当x1,...,xn表示实际观测到的评价智能电能表运行状态的n个指标的数值，Yl表示智能电能表的运行状态d种可能取值中的第l种，则计算智能电能表的运行状态Yl的概率λ1(sl)的公式为：
式中，1≤l≤d，1≤i≤n+1，Xi∈Children(Y)表示电能表的属性指标Xi是运行状态Y的子结点，πY是运行状态Y的父结点，Xi∈Children(Y)表示电能表的属性指标Xi是运行状态Y的子结点，πY是运行状态Y的父结点；
步骤2、对于集合φ中的贝叶斯网φj，当x1,...,xn表示实际观测到的评价智能电能表运行状态的n个指标的数值，Yl表示智能电能表的运行状态d种可能取值中的第l种，则计算智能电能表的运行状态Yl的概率λj(sl)的公式为：
式中，2≤j≤K，j的初始值是2；
步骤3、用下式将λ1(sj)和λj(sl)进行融合，并将结果赋给λ1(sl)：
其中Δ1和Δ2是预先设置的常数；
步骤4、当j＜K时，令j＝j+1，并转至步骤2，当j＝K时，转至步骤5；
步骤5、最终得到的λ1(sl)即为智能电能表每种可能的运行状态的概率值。
本发明技术方案提供的评价智能电能表运行状态的方法和系统首先基于历史数据构建若干个贝叶斯网，然后通过计算所述贝叶斯网之间的相似度，并中选取若干个精度高、多样性强的贝叶斯网个体，最后采用凸函数证据理论方法对选取的贝叶斯网进行集成，从而得到智能电能表每种运行状态的概率值。所述方法和系统准确地实现了智能电能表的状态评价，为电网的安全运行、状态监测、数据抄读、电价下发等工作提供了极大的便利，有效地节省了定期回收检测电能表的巨大成本，为更换智能电能表提供了有力的技术保障。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明优选实施方式的评价智能电能表运行状态的方法的流程图；
图2为根据本发明优选实施方式的评价智能电能表运行状态的系统的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的评价智能电能表运行状态的方法的流程图。如图1所示，本优选实施方式所述的评价智能电能表运行状态的方法100从步骤101开始。
在步骤101，对预先设置的评价智能电能表运行状态的n个属性指标中具有连续值的属性指标进行离散化。
在步骤102，根据设定的评价智能电能表运行状态的n个指标生成指标集合X＝{X1…Xi…Xn}，采用bagging算法从智能电能表运行状态历史数据中抽样所述指标集合X的数据集并训练生成T个贝叶斯网的集合F。
在步骤103，采用聚类算法从集合F中的T个贝叶斯网中选择K个精度最高的贝叶斯网组成新的集合φ。
在步骤104，采用凸函数证据理论方法，对集合φ中的K个贝叶斯网进行集成以确定智能电能表每种运行状态的概率值。
在本优选实施方式中，所述指标集合X选取误差限值X1、安装日期X2、生产厂家X3、到货建档时间X4、运行时长X5、拆除状态X6、是否故障X7、批次号X8、批次数量X9、批次换货数量X10、批次换货率X11、批次故障数量X12、批次故障率X13、实验室误差X14作为评价智能电能表运行状态的指标。
优选地，所述对预先设置的评价智能电能表运行状态的n个属性指标中具有连续值的属性指标进行离散化包括：
步骤1、对于具有连续取值的指标x，当其在所述历史数据中有k个不重复的连续属性值xi时，计算所述指标x的每个不重复的连续属性值xi出现的概率P(xi)，其中1≤i≤k，k的初始值为k0；
步骤2、基于所述概率P(xi)计算指标x的信息熵
步骤3、将所述指标x的不重复的连续属性值划分至k个区间,每个区间对应所述指标x的一个不重复的值,并记录划分点；
步骤4、任意选择相邻的两个区间合并，计算合并后的k-1个区间中每个区间出现的概率，并根据所述每个区间的概率计算指标x的信息熵H(k-1),使合并前后的熵之差H(k)-H(k-1)最小，若出现两组或两组以上相邻区间同时满足条件，则随机选择一组；
步骤5、根据合并后的区间的信息熵H(k-1)，计算Sj＝(k0-1)×H(k-1)-(k-2)×H(k0)，其中，j的初始值为1；
步骤6、当Sj≤Sj-1，此时每个区间对应指标x的一个离散值，否则令k＝k-1，j＝j+1，转步骤4，其中，S0的值为0。
优选地，所述采用bagging算法从智能电能表运行状态历史数据中抽样所述指标集合X的数据集并训练生成T个贝叶斯网的集合包括：
步骤1、对智能电能表运行状态历史数据进行第t次随机采样，共采集m组，得到包含m组样本的采样集Dt，其中，t的初始值是1，1≤t≤T；
步骤2、用采样集Dt训练第t个贝叶斯网Bt，所述贝叶斯网Bt包含n+1个变量，其中X1到Xn表示所述评价智能电能表运行状态的n个指标，Xn+1表示电能表状态，有d种可能取值，其中，所述用采样集Dt训练第t个贝叶斯网Bt包括：
步骤2-1、将贝叶斯网Bt中包含的n+1个变量作为n+1个节点，令第i个结点Xi的父结点集πi的初始值为空，令
式中，ri表示Xi可能取值个数，qi表示Xi的父结点的可能取值个数，Nijk是采样集Dt中Xi取其第k个值，且πi取其第j个值，即时的训练数据个数，Nij是采样集Dt中πi取其第j个值的训练数据个数，i的初始值是1，1≤i≤n+1；
步骤2-2、根据公式Z＝{X1…Xi…Xn+1}-Xi-πi计算集合Z，并使f(i,πi∪{Z})达到最大的结点；
步骤2-3、令Pnew＝f(i,πi∪{Z})；
步骤2-4、当Pnew＞Pold,使Pold＝Pnew，令πi＝πi∪{Z}，并转至步骤2-2继续执行，当Pnew＜Pold时，πi即为结点Xi的父结点，令i＝i+1，并转到步骤2-1，当i＝n+1且πn+1即为结点Xn+1的父结点时，转至步骤3；
步骤3、根据公式F＝F∪{Bt}确定集合F，并在t＜T时，令t＝t+1，转到步骤1，其中，集合F的初始值为空集。
优选地，所述采用聚类算法从集合F中的T个贝叶斯网中选择K个精度最高的贝叶斯网组成新的集合φ包括：
步骤1、构建T×T的相似度矩阵S，其中S(i，j)表示贝叶斯网Bi和Bj的相似度，当贝叶斯网Bi和Bj各自根据其采样集中每组采样数据确定的运行状态评价结果为yk和y′k时，计算所述贝叶斯网Bi和Bj的相似度S(i，j)的公式为：
式中，m表示贝叶斯网Bi和Bj的采样集采样的样本的组数；
步骤2：在集合F中随机选择K个点作为初始质心其中1≤l≤L，1≤p≤K，L为设置的最大迭代次数；
步骤3：对于集合F中每个贝叶斯网Bi，根据相似度矩阵S，考察Bi与质心的相似度，将Bi分配到与其相似度最高的质心对应的簇中，其中，初始的簇为空集；
步骤4：对于所述K个簇中的每一个簇，重新计算质心，以使所述质心所处的贝叶斯网与簇内其余贝叶斯网的相似度和最高，并令l＝l+1以生成新的质心
步骤5：当连续两次迭代中，所述K个簇均不发生变化或达到最大迭代次数L时，转至步骤6，否则转至步骤3继续执行；
步骤6：从所述K个簇中的每一个簇里选择精度最高的贝叶斯网，以得到新的贝叶斯网集合其中所述精度最高的贝叶斯网是在所述簇中，当质心位于该贝叶斯网时，与簇内其余贝叶斯网的相似度和最高的贝叶斯网。
优选地，所述采用凸函数证据理论方法，对集合φ中的K个贝叶斯网进行集成以确定智能电能表各种运行状态的概率值包括：
步骤1、对于集合φ中的贝叶斯网φ1，当x1，...，xn表示实际观测到的评价智能电能表运行状态的n个指标的数值，Yl表示智能电能表的运行状态d种可能取值中的第l种，则计算智能电能表的运行状态Yl的概率λ1(sl)的公式为：
式中，1≤l≤d，1≤i≤n+1，Xi∈Children(Y)表示电能表的属性指标Xi是运行状态Y的子结点，πY是运行状态Y的父结点；
步骤2、对于集合φ中的贝叶斯网φj，当x1，...，xn表示实际观测到的评价智能电能表运行状态的n个指标的数值，Yl表示智能电能表的运行状态d种可能取值中的第l种，则计算智能电能表的运行状态Yl的概率λj(sl)的公式为：
式中，2≤j≤K，j的初始值是2，Xi∈Children(Y)表示电能表的属性指标Xi是运行状态Y的子结点，πY是运行状态Y的父结点；
步骤3、用下式将λ1(sj)和λj(sl)进行融合，并将结果赋给λ1(sl)：
其中Δ1和Δ2是预先设置的常数；
步骤4、当j＜K时，令j＝j+1，并转至步骤2，当j＝K时，转至步骤5；
步骤5、最终得到的λ1(sl)即为智能电能表每种可能的运行状态的概率值。
图2为根据本发明优选实施方式的评价智能电能表运行状态的系统的结构示意图。如图2所示，本优选实施方式所述的评价智能电能表运行状态的系统200包括：
离散化单元201，其用于对预先设置的评价智能电能表运行状态的n个属性指标中具有连续值的属性指标进行离散化。
第一集合单元202，其用于根据设定的评价智能电能表运行状态的n个指标生成指标集合X＝{X1…Xi…Xn}，采用bagging算法从智能电能表运行状态历史数据中抽样所述指标集合X的数据集并训练生成T个贝叶斯网的集合F。
第二集合单元203，其用于采用聚类算法从集合F中的T个贝叶斯网中选择K个精度最高的贝叶斯网组成新的集合φ；
状态确定单元204，其用于采用凸函数证据理论方法，对集合φ中的K个贝叶斯网进行集成以确定智能电能表每种运行状态的概率值。
优选地，所述第一集合单元202的指标集合X选取误差限值X1、安装日期X2、生产厂家X3、到货建档时间X4、运行时长X5、拆除状态X6、是否故障X7、批次号X8、批次数量X9、批次换货数量X10、批次换货率X11、批次故障数量X12、批次故障率X13、实验室误差X14作为评价智能电能表运行状态的指标。
优选地，所述离散化单元201对预先设置的评价智能电能表运行状态的n个属性指标中具有连续值的属性指标进行离散化包括：
步骤1、对于具有连续取值的指标x，当其在所述历史数据中有k个不重复的连续属性值xi时，计算所述指标x的每个不重复的连续属性值xi出现的概率P(xi)，其中1≤i≤k，k的初始值为k0；
步骤2、基于所述概率P(xi)计算指标x的信息熵
步骤3、将所述指标x的不重复的连续属性值划分至k个区间,每个区间对应所述指标x的一个不重复的值,并记录划分点；
步骤4、任意选择相邻的两个区间合并，计算合并后的k-1个区间中每个区间出现的概率，并根据所述每个区间的概率计算指标x的信息熵H(k-1),使合并前后的熵之差H(k)-H(k-1)最小，若出现两组或两组以上相邻区间同时满足条件，则随机选择一组；
步骤5、根据合并后的区间的信息熵H(k-1)，计算Sj＝(k0-1)×H(k-1)-(k-2)×H(k0)，其中，j的初始值为1；
步骤6、当Sj≤Sj-1，此时每个区间对应指标x的一个离散值，否则令k＝k-1，j＝j+1，转步骤4，其中，S0的值为0。
优选地，所述第一集合单元202采用bagging算法从智能电能表运行状态历史数据中抽样所述指标集合X的数据集并训练生成T个贝叶斯网的集合包括：
步骤1、对智能电能表运行状态历史数据进行第t次随机采样，共采集m组，得到包含m组样本的采样集Dt，其中，t的初始值是1，1≤t≤T；
步骤2、用采样集Dt训练第t个贝叶斯网Bt，所述贝叶斯网Bt包含n+1个变量，其中X1到Xn表示所述评价智能电能表运行状态的n个指标，Xn+1表示电能表状态，有d种可能取值，其中，所述用采样集Dt训练第t个贝叶斯网Bt包括：
步骤2-1、将贝叶斯网Bt中包含的n+1个变量作为n+1个节点，令第i个结点Xi的父结点集πi的初始值为空，令
式中，ri表示Xi可能取值个数，qi表示Xi的父结点的可能取值个数，Nijk是采样集Dt中Xi取其第k个值，且πi取其第j个值，即时的训练数据个数，Nij是采样集Dt中πi取其第j个值的训练数据个数，i的初始值是1，1≤i≤n+1；
步骤2-2、根据公式Z＝{X1…Xi…Xn+1}-Xi-πi计算集合Z，并使f(i,πi∪{Z})达到最大的结点；
步骤2-3、令Pnew＝f(i,πi∪{Z})；
步骤2-4、当Pnew＞Pold,使Pold＝Pnew，令πi＝πi∪{Z}，并转至步骤2-2继续执行，当Pnew＜Pold时，πi即为结点Xi的父结点，令i＝i+1，并转到步骤2-1，当i＝n+1且πn+1即为结点Xn+1的父结点时，转至步骤3；
步骤3、根据公式F＝F∪{Bt}确定集合F，并在t＜T时，令t＝t+1，转到步骤1，其中，集合F的初始值为空集。
优选地，所述第二集合单元203采用聚类算法从集合F中的T个贝叶斯网中选择K个精度最高的贝叶斯网组成新的集合φ包括：
步骤1、构建T×T的相似度矩阵S，其中S(i，j)表示贝叶斯网Bi和Bj的相似度，当贝叶斯网Bi和Bj各自根据其采样集中每组采样数据确定的运行状态评价结果为yk和y′k时，计算所述贝叶斯网Bi和Bj的相似度S(i，j)的公式为：
式中，m表示贝叶斯网Bi和Bj的采样集采样的样本的组数；
步骤2：在集合F中随机选择K个点作为初始质心其中1≤l≤L，1≤p≤K，L为设置的最大迭代次数；
步骤3：对于集合F中每个贝叶斯网Bi，根据相似度矩阵S，考察Bi与质心的相似度，将Bi分配到与其相似度最高的质心对应的簇中，其中，初始的簇为空集；
步骤4：对于所述K个簇中的每一个簇，重新计算质心，以使所述质心所处的贝叶斯网与簇内其余贝叶斯网的相似度和最高，并令l＝l+1以生成新的质心
步骤5：当连续两次迭代中，所述K个簇均不发生变化或达到最大迭代次数L时，转至步骤6，否则转至步骤3继续执行；
步骤6：从所述K个簇中的每一个簇里选择精度最高的贝叶斯网，以得到新的贝叶斯网集合其中所述精度最高的贝叶斯网是在所述簇中，当质心位于该贝叶斯网时，与簇内其余贝叶斯网的相似度和最高的贝叶斯网。
优选地，所述状态确定单元204采用凸函数证据理论方法，对集合φ中的K个贝叶斯网进行集成以确定智能电能表各种运行状态的概率值包括：
步骤1、对于集合φ中的贝叶斯网φ1，当x1,...,xn表示实际观测到的评价智能电能表运行状态的n个指标的数值，Yl表示智能电能表的运行状态d种可能取值中的第l种，则计算智能电能表的运行状态Yl的概率λ1(sl)的公式为：
式中，1≤l≤d，1≤i≤n+1，Xi∈Children(Y)表示电能表的属性指标Xi是运行状态Y的子结点，πY是运行状态Y的父结点，Xi∈Children(Y)表示电能表的属性指标Xi是运行状态Y的子结点，πY是运行状态Y的父结点；
步骤2、对于集合φ中的贝叶斯网φj，当x1,...,xn表示实际观测到的评价智能电能表运行状态的n个指标的数值，Yl表示智能电能表的运行状态d种可能取值中的第l种，则计算智能电能表的运行状态Yl的概率λj(sl)的公式为：
式中，2≤j≤K，j的初始值是2；
步骤3、用下式将λ1(sj)和λj(sl)进行融合，并将结果赋给λ1(sl)：
其中Δ1和Δ2是预先设置的常数；
步骤4、当j＜K时，令j＝j+1，并转至步骤2，当j＝K时，转至步骤5；
步骤5、最终得到的λ1(sl)即为智能电能表每种可能的运行状态的概率值。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。

Claims (12)

1.一种评价智能电能表运行状态的方法，其特征在于，所述方法包括：
根据设定的评价智能电能表运行状态的n个指标生成指标集合X＝{X1…Xi…Xn}，采用bagging算法从智能电能表运行状态历史数据中抽样所述指标集合X的数据集并训练生成T个贝叶斯网的集合F；
采用聚类算法从集合F中的T个贝叶斯网中选择K个精度最高的贝叶斯网组成新的集合φ；
采用凸函数证据理论方法，对集合φ中的K个贝叶斯网进行集成以确定智能电能表每种运行状态的概率值。
2.根据权利要求1所述的方法，其特征在于，所述指标集合X选取误差限值X1、安装日期X2、生产厂家X3、到货建档时间X4、运行时长X5、拆除状态X6、是否故障X7、批次号X8、批次数量X9、批次换货数量X10、批次换货率X11、批次故障数量X12、批次故障率X13、实验室误差X14作为评价智能电能表运行状态的指标。
3.根据权利要求2所述的方法，其特征在于，所述方法在根据设定的评价智能电能表运行状态的n个指标生成指标集合X＝{X1…Xi…Xn}，采用bagging算法从智能电能表运行状态历史数据中抽样所述指标集合X的数据集并训练生成T个贝叶斯网的集合F之前还包括当所述评价智能电表运行状态的属性指标的取值是连续值时，将所述属性指标的取值离散化，其中：
步骤1、对于具有连续取值的指标x，当其在所述历史数据中有k个不重复的连续属性值xi时，计算所述指标x的每个不重复的连续属性值xi出现的概率P(xi)，其中1≤i≤k，k的初始值为k0；
步骤2、基于所述概率P(xi)计算指标x的信息熵
步骤3、将所述指标x的不重复的连续属性值划分至k个区间,每个区间对应所述指标x的一个不重复的值,并记录划分点；
步骤4、任意选择相邻的两个区间合并，计算合并后的k-1个区间中每个区间出现的概率，并根据所述每个区间的概率计算指标x的信息熵H(k-1),使合并前后的熵之差H(k)-H(k-1)最小，若出现两组或两组以上相邻区间同时满足条件，则随机选择一组；
步骤5、根据合并后的区间的信息熵H(k-1)，计算Sj＝(k0-1)×H(k-1)-(k-2)×H(k0)，其中，j的初始值为1；
步骤6、当Sj≤Sj-1，此时每个区间对应指标x的一个离散值，否则令k＝k-1，j＝j+1，转步骤4，其中，S0的值为0。
4.根据权利要求3所述的方法，其特征在于，所述采用bagging算法从智能电能表运行状态历史数据中抽样所述指标集合X的数据集并训练生成T个贝叶斯网的集合包括：
步骤1、对智能电能表运行状态历史数据进行第t次随机采样，共采集m组，得到包含m组样本的采样集Dt，其中，t的初始值是1，1≤t≤T；
步骤2、用采样集Dt训练第t个贝叶斯网Bt，所述贝叶斯网Bt包含n+1个变量，其中X1到Xn表示所述评价智能电能表运行状态的n个指标，Xn+1表示电能表状态，有d种可能取值，其中，所述用采样集Dt训练第t个贝叶斯网Bt包括：
步骤2-1、将贝叶斯网Bt中包含的n+1个变量作为n+1个节点，令第i个结点Xi的父结点集πi的初始值为空，令
式中，ri表示Xi可能取值个数，qi表示Xi的父结点的可能取值个数，Nijk是采样集Dt中Xi取其第k个值，且πi取其第j个值，即时的训练数据个数，Nij是采样集Dt中πi取其第j个值的训练数据个数，i的初始值是1，1≤i≤n+1；
步骤2-2、根据公式Z＝{X1…Xi…Xn+1}-Xi-πi计算集合Z，并使f(i,πi∪{Z})达到最大的结点；
步骤2-3、令Pnew＝f(i,πi∪{Z})；
步骤2-4、当Pnew＞Pold,使Pold＝Pnew，令πi＝πi∪{Z}，并转至步骤2-2继续执行，当Pnew＜Pold时，πi即为结点Xi的父结点，令i＝i+1，并转到步骤2-1，当i＝n+1且πn+1即为结点Xn+1的父结点时，转至步骤3；
步骤3、根据公式F＝F∪{Bt}确定集合F，并在t＜T时，令t＝t+1，转到步骤1，其中，集合F的初始值为空集。
5.根据权利要求4所述的方法，其特征在于，所述采用聚类算法从集合F中的T个贝叶斯网中选择K个精度最高的贝叶斯网组成新的集合φ包括：
步骤1、构建T×T的相似度矩阵S，其中S(i，j)表示贝叶斯网Bi和Bj的相似度，当贝叶斯网Bi和Bj各自根据其采样集中每组采样数据确定的运行状态评价结果为yk和y′k时，计算所述贝叶斯网Bi和Bj的相似度S(i，j)的公式为：
式中，m表示贝叶斯网Bi和Bj的采样集采样的样本的组数；
步骤2、在集合F中随机选择K个点作为初始质心其中1≤l≤L，1≤p≤K，L为设置的最大迭代次数；
步骤3、对于集合F中每个贝叶斯网Bi，根据相似度矩阵S，考察Bi与质心的相似度，将Bi分配到与其相似度最高的质心对应的簇中，其中，初始的簇为空集；
步骤4、对于所述K个簇中的每一个簇，重新计算质心，以使所述质心所处的贝叶斯网与簇内其余贝叶斯网的相似度和最高，并令l＝l+1以生成新的质心
步骤5、当连续两次迭代中，所述K个簇均不发生变化或达到最大迭代次数L时，转至步骤6，否则转至步骤3继续执行；
步骤6、从所述K个簇中的每一个簇里选择精度最高的贝叶斯网，以得到新的贝叶斯网集合其中所述精度最高的贝叶斯网是在所述簇中，当质心位于该贝叶斯网时，与簇内其余贝叶斯网的相似度和最高的贝叶斯网。
6.根据权利要求5所述的方法，其特征在于，所述采用凸函数证据理论方法，对集合φ中的K个贝叶斯网进行集成以确定智能电能表各种运行状态的概率值包括：
步骤1、对于集合φ中的贝叶斯网φ1，当x1，...，xn表示实际观测到的评价智能电能表运行状态的n个指标的数值，Yl表示智能电能表的运行状态d种可能取值中的第l种，则计算智能电能表的运行状态Yl的概率λ1(sl)的公式为：
式中，1≤l≤d，1≤i≤n+1，Xi∈Children(Y)表示电能表的属性指标Xi是运行状态Y的子结点，πY是运行状态Y的父结点；
步骤2、对于集合φ中的贝叶斯网φj，当x1，...，xn表示实际观测到的评价智能电能表运行状态的n个指标的数值，Yl表示智能电能表的运行状态d种可能取值中的第l种，则计算智能电能表的运行状态Yl的概率λj(sl)的公式为：
式中，2≤j≤K，j的初始值是2，Xi∈Children(Y)表示电能表的属性指标Xi是运行状态Y的子结点，πY是运行状态Y的父结点；
步骤3、用下式将λ1(sj)和λj(sl)进行融合，并将结果赋给λ1(sl)：
其中Δ1和Δ2是预先设置的常数；
步骤4、当j＜K时，令j＝j+1，并转至步骤2，当j＝K时，转至步骤5；
步骤5、最终得到的λ1(sl)即为智能电能表每种可能的运行状态的概率值。
7.一种评价智能电能表运行状态的系统，其特征在于，所述系统包括：
第一集合单元，其用于根据设定的评价智能电能表运行状态的n个指标生成指标集合X＝{X1…Xi…Xn}，采用bagging算法从智能电能表运行状态历史数据中抽样所述指标集合X的数据集并训练生成T个贝叶斯网的集合F；
第二集合单元，其用于采用聚类算法从集合F中的T个贝叶斯网中选择K个精度最高的贝叶斯网组成新的集合φ；
状态确定单元，其用于采用凸函数证据理论方法，对集合φ中的K个贝叶斯网进行集成以确定智能电能表每种运行状态的概率值。
8.根据权利要求7所述的系统，其特征在于，所述第一集合单元的指标集合X选取误差限值X1、安装日期X2、生产厂家X3、到货建档时间X4、运行时长X5、拆除状态X6、是否故障X7、批次号X8、批次数量X9、批次换货数量X10、批次换货率X11、批次故障数量X12、批次故障率X13、实验室误差X14作为评价智能电能表运行状态的指标。
9.根据权利要求8所述的系统，其特征在于，所述系统还包括离散化单元，其用于当所述评价智能电表运行状态的属性指标的取值是连续值时，将所述属性指标的取值离散化，其中：
步骤1、对于具有连续取值的指标x，当其在所述历史数据中有k个不重复的连续属性值xi时，计算所述指标x的每个不重复的连续属性值xi出现的概率P(xi)，其中1≤i≤k，k的初始值为k0；
步骤2、基于所述概率P(xi)计算指标x的信息熵
步骤3、将所述指标x的不重复的连续属性值划分至k个区间,每个区间对应所述指标x的一个不重复的值,并记录划分点；
步骤4、任意选择相邻的两个区间合并，计算合并后的k-1个区间中每个区间出现的概率，并根据所述每个区间的概率计算指标x的信息熵H(k-1),使合并前后的熵之差H(k)-H(k-1)最小，若出现两组或两组以上相邻区间同时满足条件，则随机选择一组；
步骤5、根据合并后的区间的信息熵H(k-1)，计算Sj＝(k0-1)×H(k-1)-(k-2)×H(k0)，其中，j的初始值为1；
步骤6、当Sj≤Sj-1，此时每个区间对应指标x的一个离散值，否则令k＝k-1，j＝j+1，转步骤4，其中，S0的值为0。
10.根据权利要求9所述的系统，其特征在于，所述第一集合单元采用bagging算法从智能电能表运行状态历史数据中抽样所述指标集合X的数据集并训练生成T个贝叶斯网的集合包括：
步骤1、对智能电能表运行状态历史数据进行第t次随机采样，共采集m组，得到包含m组样本的采样集Dt，其中，t的初始值是1，1≤t≤T；
步骤2、用采样集Dt训练第t个贝叶斯网Bt，所述贝叶斯网Bt包含n+1个变量，其中X1到Xn表示所述评价智能电能表运行状态的n个指标，Xn+1表示电能表状态，有d种可能取值，其中，所述用采样集Dt训练第t个贝叶斯网Bt包括：
步骤2-1、将贝叶斯网Bt中包含的n+1个变量作为n+1个节点，令第i个结点Xi的父结点集πi的初始值为空，令
式中，ri表示Xi可能取值个数，qi表示Xi的父结点的可能取值个数，Nijk是采样集Dt中Xi取其第k个值，且πi取其第j个值，即时的训练数据个数，Nij是采样集Dt中πi取其第j个值的训练数据个数，i的初始值是1，1≤i≤n+1；
步骤2-2、根据公式Z＝{X1…Xi…Xn+1}-Xi-πi计算集合Z，并使f(i,πi∪{Z})达到最大的结点；
步骤2-3、令Pnew＝f(i,πi∪{Z})；
步骤2-4、当Pnew＞Pold,使Pold＝Pnew，令πi＝πi∪{Z}，并转至步骤2-2继续执行，当Pnew＜Pold时，πi即为结点Xi的父结点，令i＝i+1，并转到步骤2-1，当i＝n+1且πn+1即为结点Xn+1的父结点时，转至步骤3；
步骤3、根据公式F＝F∪{Bt}确定集合F，并在t＜T时，令t＝t+1，转到步骤1，其中，集合F的初始值为空集。
11.根据权利要求10所述的系统，其特征在于，所述第二集合单元采用聚类算法从集合F中的T个贝叶斯网中选择K个精度最高的贝叶斯网组成新的集合φ包括：
步骤1、构建T×T的相似度矩阵S，其中S(i，j)表示贝叶斯网Bi和Bj的相似度，当贝叶斯网Bi和Bj各自根据其采样集中每组采样数据确定的运行状态评价结果为yk和y′k时，计算所述贝叶斯网Bi和Bj的相似度S(i，j)的公式为：
式中，m表示贝叶斯网Bi和Bj的采样集采样的样本的组数；
步骤2、在集合F中随机选择K个点作为初始质心其中1≤l≤L，1≤p≤K，L为设置的最大迭代次数；
步骤3、对于集合F中每个贝叶斯网Bi，根据相似度矩阵S，考察Bi与质心的相似度，将Bi分配到与其相似度最高的质心对应的簇中，其中，初始的簇为空集；
步骤4、对于所述K个簇中的每一个簇，重新计算质心，以使所述质心所处的贝叶斯网与簇内其余贝叶斯网的相似度和最高，并令l＝l+1以生成新的质心
步骤5、当连续两次迭代中，所述K个簇均不发生变化或达到最大迭代次数L时，转至步骤6，否则转至步骤3继续执行；
步骤6、从所述K个簇中的每一个簇里选择精度最高的贝叶斯网，以得到新的贝叶斯网集合其中所述精度最高的贝叶斯网是在所述簇中，当质心位于该贝叶斯网时，与簇内其余贝叶斯网的相似度和最高的贝叶斯网。
12.根据权利要求11所述的系统，其特征在于，所述状态确定单元采用凸函数证据理论方法，对集合φ中的K个贝叶斯网进行集成以确定智能电能表各种运行状态的概率值包括：
步骤1、对于集合φ中的贝叶斯网φ1，当x1,...,xn表示实际观测到的评价智能电能表运行状态的n个指标的数值，Yl表示智能电能表的运行状态d种可能取值中的第l种，则计算智能电能表的运行状态Yl的概率λ1(sl)的公式为：
式中，1≤l≤d，1≤i≤n+1，Xi∈Children(Y)表示电能表的属性指标Xi是运行状态Y的子结点，πY是运行状态Y的父结点，Xi∈Children(Y)表示电能表的属性指标Xi是运行状态Y的子结点，πY是运行状态Y的父结点；
步骤2、对于集合φ中的贝叶斯网φj，当x1,...,xn表示实际观测到的评价智能电能表运行状态的n个指标的数值，Yl表示智能电能表的运行状态d种可能取值中的第l种，则计算智能电能表的运行状态Yl的概率λj(sl)的公式为：
式中，2≤j≤K，j的初始值是2；
步骤3、用下式将λ1(sj)和λj(sl)进行融合，并将结果赋给λ1(sl)：
其中Δ1和Δ2是预先设置的常数；
步骤4、当j＜K时，令j＝j+1，并转至步骤2，当j＝K时，转至步骤5；
步骤5、最终得到的λ1(sl)即为智能电能表每种可能的运行状态的概率值。
CN201910040524.6A 2019-01-16 2019-01-16 一种评价智能电能表运行状态的方法和系统 Active CN109858785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910040524.6A CN109858785B (zh) 2019-01-16 2019-01-16 一种评价智能电能表运行状态的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910040524.6A CN109858785B (zh) 2019-01-16 2019-01-16 一种评价智能电能表运行状态的方法和系统

Publications (2)

Publication Number Publication Date
CN109858785A true CN109858785A (zh) 2019-06-07
CN109858785B CN109858785B (zh) 2024-06-28

Family

ID=66894796

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910040524.6A Active CN109858785B (zh) 2019-01-16 2019-01-16 一种评价智能电能表运行状态的方法和系统

Country Status (1)

Country Link
CN (1) CN109858785B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348401A (zh) * 2019-07-15 2019-10-18 国网冀北电力有限公司电力科学研究院 拆回智能表分类处理系统及方法
CN112418258A (zh) * 2019-08-22 2021-02-26 北京京东振世信息技术有限公司 一种特征离散化方法和装置
CN113033642A (zh) * 2021-03-17 2021-06-25 广东电网有限责任公司计量中心 一种基于告警事件的智能电能表状态判断方法及系统
CN114065605A (zh) * 2021-09-30 2022-02-18 云南电网有限责任公司曲靖供电局 一种智能电能表运行状态检测评估系统和方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563601A (zh) * 2017-08-08 2018-01-09 中国计量科学研究院 一种智能电能表运行状态评价方法
CN108021945A (zh) * 2017-12-07 2018-05-11 广东电网有限责任公司电力科学研究院 一种变压器状态评价模型建立方法及装置
CN109190957A (zh) * 2018-08-23 2019-01-11 国网天津市电力公司电力科学研究院 一种基于在线综合评价的智能电能表运维更换方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107563601A (zh) * 2017-08-08 2018-01-09 中国计量科学研究院 一种智能电能表运行状态评价方法
CN108021945A (zh) * 2017-12-07 2018-05-11 广东电网有限责任公司电力科学研究院 一种变压器状态评价模型建立方法及装置
CN109190957A (zh) * 2018-08-23 2019-01-11 国网天津市电力公司电力科学研究院 一种基于在线综合评价的智能电能表运维更换方法及装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348401A (zh) * 2019-07-15 2019-10-18 国网冀北电力有限公司电力科学研究院 拆回智能表分类处理系统及方法
CN112418258A (zh) * 2019-08-22 2021-02-26 北京京东振世信息技术有限公司 一种特征离散化方法和装置
CN113033642A (zh) * 2021-03-17 2021-06-25 广东电网有限责任公司计量中心 一种基于告警事件的智能电能表状态判断方法及系统
CN114065605A (zh) * 2021-09-30 2022-02-18 云南电网有限责任公司曲靖供电局 一种智能电能表运行状态检测评估系统和方法

Also Published As

Publication number Publication date
CN109858785B (zh) 2024-06-28

Similar Documents

Publication Publication Date Title
CN109858785A (zh) 一种评价智能电能表运行状态的方法和系统
CN106779505B (zh) 一种基于大数据驱动的输电线路故障预警方法及系统
CN110458195B (zh) 一种基于多判据融合的异常数据甄别方法
CN103245881B (zh) 一种基于潮流分布特征的配电网故障分析方法及装置
CN103257921B (zh) 一种基于改进随机森林算法的软件故障预测系统及其方法
CN108022001A (zh) 基于pca和分位数回归森林的短期负荷概率密度预测方法
CN104969216B (zh) 分级潜在变量模型估计设备
CN102789545A (zh) 基于退化模型匹配的涡轮发动机剩余寿命的预测方法
Yuan et al. Outage detection in partially observable distribution systems using smart meters and generative adversarial networks
CN101620619B (zh) 一种基于聚类方法的测量数据粗大误差处理系统及处理方法
EP2978095A1 (en) Power system operation
CN108846097A (zh) 用户的兴趣标签表示方法、文章推荐方法、及装置、设备
Xiaoyu et al. Short-term traffic flow forecasting based on two-tier k-nearest neighbor algorithm
CN116258269A (zh) 一种基于负荷特征分解的超短期负荷动态预测方法
CN116842459B (zh) 一种基于小样本学习的电能计量故障诊断方法及诊断终端
CN105469219A (zh) 一种基于决策树的电力负荷数据处理方法
CN107945534A (zh) 一种基于gmdh神经网络的交通车流量预测方法
CN105930531A (zh) 一种基于混合模型的农业领域本体知识云维度优选方法
Jafari et al. Optimizing battery RUL prediction of lithium-ion batteries based on Harris hawk optimization approach using random forest and LightGBM
CN105406461A (zh) 一种配电网停电事件的负荷自适应动态监测方法
Souhe et al. Forecasting of electrical energy consumption of households in a smart grid
CN109872249A (zh) 一种基于贝叶斯网和遗传算法评价智能电能表运行状态的方法和系统
CN103885867A (zh) 一种模拟电路性能的在线评价方法
CN103353895A (zh) 一种配电网线损数据的预处理方法
Savaş et al. Planning using actions with control parameters

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