CN112381258B - 表计运行生命周期预测方法及装置 - Google Patents
表计运行生命周期预测方法及装置 Download PDFInfo
- Publication number
- CN112381258B CN112381258B CN201911177015.4A CN201911177015A CN112381258B CN 112381258 B CN112381258 B CN 112381258B CN 201911177015 A CN201911177015 A CN 201911177015A CN 112381258 B CN112381258 B CN 112381258B
- Authority
- CN
- China
- Prior art keywords
- ammeter
- survival
- data
- meter
- obtaining
- 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 65
- 230000004083 survival effect Effects 0.000 claims abstract description 156
- 230000002159 abnormal effect Effects 0.000 claims abstract description 53
- 238000003745 diagnosis Methods 0.000 claims abstract description 10
- 230000006870 function Effects 0.000 claims description 56
- 238000012423 maintenance Methods 0.000 claims description 27
- 230000005856 abnormality Effects 0.000 claims description 20
- 230000005611 electricity Effects 0.000 claims description 20
- 238000012217 deletion Methods 0.000 claims description 12
- 230000037430 deletion Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000009434 installation Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- 206010042434 Sudden death Diseases 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Operations Research (AREA)
- Human Resources & Organizations (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Development Economics (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明实施例提供一种表计运行生命周期预测方法及装置，该方法包括：获取待测电表的目标生存概率；根据所述目标生存概率，从预设的生存曲线中，得到所述待测电表的生命周期值；其中，所述生存曲线是根据电表异常数据确定协变量，并根据Cox回归模型拟合得到，所述生存曲线为所述待测电表的生存概率与时间关系的曲线，所述异常数据包括异常历史数据和故障诊断数据。该方法能够充分考虑多个协变量之间的变化，协变量包含了生存状态相关的特征，从而能够准确刻画出电表的生存概率与时间关系的预设生存曲线。基于预设的生存曲线，根据给定的目标生存概率可到生命周期值。基于该方法，能够提升电表管理智能水平和工作效率。
Description
技术领域
本发明涉及电力运行维护领域，尤其涉及一种表计运行生命周期预测方法及装置。
背景技术
智能电表作为现代电力系统中的一种关键计量器件，其较高的可靠性是电网系统正常维护运行的重要保证。随着配电网中海量的智能电表的接入，多源智能表大数据已经形成，其中包含着丰富的用户用能和设备运维信息。而配电网中智能电表的运维工作始终存在挑战。
目前并不存在一个合理的主动式的对电表可靠性进行评估的方法，电网运营者只能采取通过对电表的运行时间做出统一的限制，到期全体更换的策略。这样的维护方式无疑造成大量潜在的电表可运行时间成为了保障系统稳定运行的余量，从而被浪费。与此并行的一种运维方式则是现场运维技术人员定期维护时发现表计存在故障，从而上报进行更换或维修。而这样一种被动式的运维策略，则面对着电表安装数量巨大、故障偶发、故障被发现前用电端服务质量下降等实际挑战。
发明内容
为了解决上述问题，本发明实施例提供一种表计运行生命周期预测方法及装置。
第一方面，本发明实施例提供一种表计运行生命周期预测方法，包括：获取待测电表的目标生存概率；根据所述目标生存概率，从预设的生存曲线中，得到所述待测电表的生命周期值；其中，所述生存曲线是根据电表异常数据确定协变量，并根据Cox回归模型拟合得到，所述生存曲线为所述待测电表的生存概率与时间关系的曲线，所述异常数据包括异常历史数据和故障诊断数据。
进一步地，所述获取待测电表的目标生存率之前，还包括：获取多个电表样本中每个电表异常数据的观测数据，所述观测数据包括，每种异常的异常次数、总生存时间和删失状态；根据所述观测数据，基于偏似然函数最大化，得到Cox回归模型的部分风险，结合基准风险，得到风险函数；根据所述风险函数，得到所述生存曲线；其中，删失状态为是，表示未故障，则所述总生存时间表示截止观测时电表的运行时间；删失状态为否，表示电表已故障，则总生存时间为电表到故障时的总运行时间。
进一步地，所述获取多个电表样本中每个电表异常数据的观测数据之前，还包括：根据电表异常数据确定多个单一协变量，根据Kaplan-Meier估计器计算每个单一协变量的生存曲线；根据多个单一协变量的生存曲线，确定需纳入Cox回归模型的协变量，并确定观测数据的种类。
进一步地，所述获取多个电表样本中每个电表的观测数据之后，根据观测数据，基于偏似然函数最大化，得到Cox回归模型的部分风险之前，还包括：确定观测期内所观察到电表i发生第m类异常的次数归一化后的数值，具体包括：基于如下公式，确定观察期内所观察到电表i发生第m类异常的次数归一化后的数值：
其中，为电表i发生第m类异常的实际次数，/>为电表i发生第m类异常的次数归一化后的数值，min(m)和max(m)分别为第m类异常的最小值和最大值。
进一步地，所述根据所述观测数据，基于偏似然函数最大化，得到Cox回归模型的部分风险，包括：基于如下偏似然函数求最大化得到参数θ：
根据如下公式得到对数部分风险；h(X)＝θ·X；
根据如下公式得到Cox回归模型的风险函数：
λ(t|X)＝λ0(t)exp(h(X))；
其中，Ei是数据是否删失的标签，1表示电表i截至观察时刻仍存活，R(ti)是ti时间内仍存活的电表的集合，Xi为第i个电表的观察协变量，，X＝(x1,...,xm)为协变量组成的向量，θ＝(θ1,...,θm)为每个协变量的系数，λ0(t)为基准风险，λ(t|X)为风险函数。
进一步地，所述根据风险函数，得到所述生存曲线，包括根据Breslow估计器求得H0(t)：
根据下式求得生存曲线：
其中，若ti是事件发生时间(即电表故障发生)，否则/> R(ti)是ti时间内仍存活的电表的集合，/>为累积基准风险；S0(t)＝exp(-H0(t))为基准生存函数。
进一步地，得到所述待测电表的生命周期值之后，还包括：若所述待测电表的生命周期值小于或等于实际的运行周期；则发出预警信息，以供运维人员对电表进行维护。
第二方面，本发明实施例提供一种表计运行生命周期预测装置，包括：获取模块，用于获取待测电表的目标生存概率；处理模块，用于根据所述目标生存概率，从预设的生存曲线中，得到所述待测电表的生命周期值；其中，所述生存曲线是根据电表异常数据确定协变量，并根据Cox回归模型拟合得到，所述生存曲线为所述待测电表的生存概率与时间关系的曲线，所述异常数据包括异常历史数据和故障诊断数据。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现本发明第一方面表计运行生命周期预测方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现本发明第一方面表计运行生命周期预测方法的步骤。
本发明实施例提供的表计运行生命周期预测方法及装置，生存曲线根据Cox回归模型拟合得到，能够充分考虑多个协变量之间的变化，协变量根据电表异常数据确定，包含了生存状态相关的特征，从而该方法能够准确刻画出电表的生存概率与时间关系的预设生存曲线。基于预设的生存曲线，根据给定的目标生存概率可到生命周期值。依据预先设定的生存概率阈值，能够辅助电表的运维决策，并可应用于批量预警系统，提升电表管理智能水平和工作效率。
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表计运行生命周期预测方法流程图；
图2为本发明实施例提供的Kaplan-Meier估计器得到的生存曲线图；
图3为本发明实施例提供的表计运行生命周期预测系统架构；
图4为本发明实施例提供的表计运行生命周期预测装置结构图；
图5为本发明实施例提供的一种电子设备的实体结构示意图。
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、完整地描述，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作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。
随着智能电网的技术不断发展，现阶段，大量的智能电表被接入到电网之中，以提高电网的运行水平和用户服务质量。海量的表计的接入，积累了大量的计量和运维数据。
而鉴于目前并不存在一个合理的主动式的对电表可靠性进行评估的方法，电网运营者只能采取通过对电表的运行时间做出统一的限制，到期全体更换的策略。这样的维护方式无疑造成大量潜在的电表可运行时间成为了保障系统稳定运行的余量，从而被浪费。与此并行的一种运维方式则是现场运维技术人员定期维护时发现表计存在故障，从而上报进行更换或维修。而这样一种被动式的运维策略，则面对着电表安装数量巨大、故障偶发等实际挑战，会存在运维力量投入不均、故障表维修/更换不及时等问题，对电网的正常运行和用户的用电体验都造成负面的影响。
如何有效利用电表物理信息和运行信息，得出一个合理的主动式电表运维策略显得有必要。基于此，考虑对智能表历史故障检修和异常采集记录数据，基于统计预处理、分层，模型拟合等大数据分析技术，建立智能电表可靠性预测模型。及时地对可能出现故障的电表进行维修和更换，可以提升电网公司在智能表运维工作方面的智能化水平，使得相关的人力以及资源成本得以下降。
生存分析是研究生存时间的分布规律，以及生存时间和相关因素之间关系的一种统计分析方法，广泛应用于病患寿命分析和机器设备的故障-时间分析等领域。首先结合智能电表应用场景对一些基本术语进行介绍：
事件(Event):在电表寿命分析中，指电表发生故障后/达到规定最长使用时间后，被更换。
生存时间(Survival Time)：指电表从被安装时刻，到电表被确定发生故障/因达到规定使用最长时间后，被拆换的持续时间。
删失(Censoring)：指电表生存时间一直持续到最后观察时间节点，事件仍未发生的情况。广义上，存在左删失，右删失和区间删失三种情况。但对于智能电表，本文只考虑右删失，即电表实际生存时间大于观察到的时间。
协变量(Covariate)：影响事件发生时间的变量因素，例如对电表而言可以是生产厂家等物理参数或异常报警次数。
生存函数(Survival Function)S(t)：指个体的生存时间超过t的概率，定义为S(t)＝Pr(T＞t)。
生存曲线(Survival Curve)：将每个时间点的生存率连接成一条曲线。一般X轴表示生存时间，Y轴表示生存概率。
风险函数(Hazard Function)λ(t)：表征瞬时死亡概率，定义如下
图1为本发明实施例提供的表计运行生命周期预测方法流程图，如图1所示，本发明实施例提供一种表计运行生命周期预测方法，包括：
101、获取待测电表的目标生存概率；
102、根据目标生存概率，从预设的生存曲线中，得到待测电表的生命周期值；
其中，生存曲线是根据电表异常数据确定协变量，并根据Cox回归模型拟合得到，生存曲线为待测电表的生存概率与时间关系的曲线，异常数据包括异常历史数据和故障诊断数据。
基于经典的生存分析的方法可以分为三类：参数法，非参数法和半参数法。其中参数法需要事先假设或确定生存时间的分布模型，然后根据数据来估计模型参数，最后以分布模型来计算生存率，常用的假设分布模型有泊松分布和威布尔分布。非参数模型不需要假设或计算生存时间分布模型，根据样本统计量直接估计生存率，常见方法有Kaplan-Meier估计器，但这样得到的生存函数估计无法修正协变量的改变带来的影响。半参数法也不需要知道生存时间的分布，但最终需要通过模型来评估影响生存率的因素，本发明实施例中通过Cox回归模型，即Cox比例风险模型(Cox Proportional Hazards Model:CoxPH)实现，可以考虑多个协变量的影响。
Cox比例风险模型所定义的风险函数具有如下形式：
其中，λ0(t)是基准风险函数，X＝(x1,...,xm)为协变量组成的向量，h(X)为对数部分风险函数。Cox模型假设多个协变量的共同影响可以由对数部分风险函数进行刻画，故综合考虑了它们的作用影响，在假设符合的条件下可以有效地对产品的生存函数进行描述。
首先，根据电表异常数据确定多个协变量，协变量包括异常历史数据中的各种异常类型，以及故障诊断数据中的各物理信息，包括生产厂家、版本、规格、故障类型等物理信息。
其次，根据确定的协变量，根据Cox回归模型进行拟合，可到到电表的生存函数，进一步可得到生存概率与时间关系的曲线，即预设的生存曲线。
最后，实际应用时，在101中，给定一个目标生存概率，表示期望电表运行的生存概率，如95％。在102中，可根据曲线的坐标关系，得到对应的表示生命周期的时间值。
本发明实施例的表计运行生命周期预测方法，生存曲线根据Cox回归模型拟合得到，能够充分考虑多个协变量之间的变化，协变量根据电表异常数据确定，包含了生存状态相关的特征，从而该方法能够准确刻画出电表的生存概率与时间关系的预设生存曲线。基于预设的生存曲线，根据给定的目标生存概率可到生命周期值。依据预先设定的生存概率阈值，能够辅助电表的运维决策，并可应用于批量预警系统，提升电表管理智能水平和工作效率。
上述实施例的内容，作为一种可选实施例，获取待测电表的目标生存率之前，还包括：获取多个电表样本中每个电表异常数据的观测数据，观测数据包括，每种异常的异常次数、总生存时间和删失状态；根据观测数据，基于偏似然函数最大化，得到Cox回归模型的部分风险，结合基准风险，得到风险函数；根据风险函数，得到生存曲线；其中，删失状态为是，表示未故障，则总生存时间表示截止观测时电表的运行时间；删失状态为否，表示电表已故障，则总生存时间为电表到故障时的总运行时间。
对智能电表相关数据分为两类，一是故障电表的诊断数据，该类表以下简称检修表，二是电表的异常报警历史记录的异常历史数据，该类表以下简称异常表。
下面首先对数据格式进行描述：
式中是异常种类；/>异常发生时电表的已安装时间/存活时间；d(i)是总生存时间/寿命；c(i)表示是否是删失数据；Meta(i)表计物理信息，如生产厂家，版本，规格，故障类型；T(i)是观察周期内异常记录个数，i∈Ω表示数据集合中的电表个体。
下表1即为数据表采用形式，其中主键是{表号※异常时间}。每行即代表一项异常记录。
表1
从表1出发，考虑对数据进行整理从而可以使用Cox回归模型进行拟合。
将电表数据整理为如下形式：
表2
| 表号 | 异常1 | 异常2 | …… | 异常N | 寿命 | 删失 |
| 1xxxxx | ||||||
| 2xxxxx |
如上表2，每行数据即唯一对应一个表计，即上表的主键为{表号}。每一列异常的数值表示该表计在观察周期内所观察到该异常的次数。“删失”取值为0/1，分别表示电表已发生故障(已损坏/被更换)和电表仍在运行。寿命则表示若电表共运行的时间(若删失为1，则表示截至到观察时间点的电表运行时间；若为0，则表示电表的寿命)。
根据上表数据，基于偏释然函数最大化，可求得h(X)＝θ·X中的θ＝(θ1,...,θm)；表中数据每行对应X＝(x1,...,xm)，则求得部分风险，结合基准风险，得到风险函数，进一步根据风险函数，得到预设的生存曲线。
CoxPH模型采用了半参数方法，一方面，因为对基准风险函数的不确定性，从而采用部分非参数方法；另一方面，它又用参数的模型考虑风险函数和协变量之间的关系。可知，对于协变量而言，当其对应的参数为正数时，瞬时死亡率随着协变量的取值增加而增加，即模型表现为统计的生存率下降。当其所对应的参数为负数时刚好相反。若缺少删失数据，我们对电表的生存可靠性的估计是极端保守的；表现在曲线整体偏低，估计可靠寿命较短。在考虑删失数据以后，得到的生存曲线更加符合实际电表寿命分布。
本发明实施例的表计运行生命周期预测方法，通过观测数据包括，每种异常的异常次数、总生存时间和删失状态，并根据观测数据，基于偏似然函数最大化，得到Cox回归模型拟合后的生存曲线，充分考虑了删失数据，得到的生存曲线更加符合实际电表寿命分布。
基于上述实施例的内容，作为一种可选实施例，获取多个电表样本中每个电表异常数据的观测数据之前，还包括：根据电表异常数据确定多个单一协变量，根据Kaplan-Meier估计器计算每个单一协变量的生存曲线；根据多个单一协变量的生存曲线，确定需纳入Cox回归模型的协变量，并确定观测数据的种类。
Kaplan-Meier估计器包括如下公式：
其中，ti是一个至少有一个事件发生的时刻，di是在ti时刻发生的事件数目，ni是直到ti时刻前一直没有发生事件的个体数目。应用该模型可以基于统计量给出产品的寿命分布曲线；此外，通过依据单一协变量进行分类，可以评判该协变量对产品生存函数的影响。但该估计器无法综合考虑多个协变量的影响，因而应用较为局限。图2为本发明实施例提供的Kaplan-Meier估计器得到的生存曲线图，对电能表数据处理后，用Kaplan-Meier估计器(KM-estimate)得到的生存曲线如图2所示，纵坐标为概率值，横坐标为时间。
通过该估计器我们可以对可能影响生存函数模型的协变量进行研究。在电表模型中，我们考虑的协变量主要有，电表版本，电表类型，生产厂家和异常记录种类等等。通过对单一协变量的值变化下的数据记录形成的生存曲线的研究，可以形成有效的分层策略，即是否需要将此变量纳入模型的自变量集合之中。
分别对电表规格和版本做分层，可以得出，从生存曲线的形状上，并不存在较明显的差异，故可以不考虑为模型中的协变量。
本发明实施例的表计运行生命周期预测方法，根据Kaplan-Meier估计器计算每个单一协变量的生存曲线；根据多个单一协变量的生存曲线，确定需纳入Cox回归模型的协变量，即通过Kaplan-Meier估计器实现分层策略，能够选出用于Cox回归模型的观测数据的种类，减少计算量并提高准确度。
基于上述实施例的内容，作为一种可选实施例，获取多个电表样本中每个电表的观测数据之后，根据观测数据，基于偏似然函数最大化，得到Cox回归模型的部分风险之前，还包括：确定观测期内所观察到电表i发生第m类异常的次数归一化后的数值，具体包括：基于如下公式，确定观察期内所观察到电表i发生第m类异常的次数归一化后的数值：
其中，为电表i发生第m类异常的实际次数，/>为电表i发生第m类异常的次数归一化后的数值，min(m)和max(m)分别为第m类异常的最小值和最大值。
也就是说用于Cox模型拟合之前，上述表2中异常种类的每列数据均按照上述公式进行归一化，得到归一化后的异常次数。
基于上述实施例的内容，作为一种可选实施例，根据观测数据，基于偏似然函数最大化，得到Cox回归模型的部分风险，包括：
基于如下偏似然函数求最大化得到参数θ：
根据如下公式得到对数部分风险；
h(X)＝θ·X；
根据如下公式得到Cox回归模型的风险函数：
λ(t|X)＝λ0(t)exp(h(X))；
其中，Ei是数据是否删失的标签，1表示电表i截至观察时刻仍存活，R(ti)是ti时间内仍存活的电表的集合，Xi为第i个电表的观察协变量，X＝(x1,...,xm)为协变量组成的向量，θ＝(θ1,...,θm)为每个协变量的系数，λ0(t)为基准风险，λ(t|X)为风险函数。
当h(X)＝θ·X时，θ＝(θ1,...,θm)是线性模型的系数，即对数风险函数可以表示为协变量值的线性组合时，将此时的模型称为线性CoxPH模型。可以看出，线性CoxPH模型的主要假设有两点。一是对于风险函数，当协变量发生变化，变化前后两个风险函数的比值为常数，表示为：
故此假设又被称为比例风险假设，在应用中也是最被关注的一点。因此在拟合优度检验中需要首先对其进行评估。第二个假设是各个协变量各共同的影响可以表示为其值的线性组合，即h(X)＝θ·X＝θ1x1+...+θmxm。
对CoxPH模型的评估可以从两方面进行，一是模型预测的准确率，二是对CoxPH模型的比例风险假设进行检验。
基于上述实施例的内容，作为一种可选实施例，根据风险函数，得到生存曲线，包括：根据Breslow估计器求得H0(t)：
根据下式求得生存曲线：
其中，若ti是事件发生时间(即电表故障发生)，否则/> R(ti)是ti时间内仍存活的电表的集合，/>为累积基准风险；S0(t)＝exp(-H0(t))为基准生存函数。
根据上述公式，问题转化为如何求出H0(t)，本发明实施例采用Breslow估计器，由下式定义：
具体流程见上，此处不再赘述。
基于上述实施例的内容，作为一种可选实施例，得到待测电表的生命周期值之后，还包括：若待测电表的生命周期值小于或等于实际的运行周期；则发出预警信息，以供运维人员对电表进行维护。
预警机制的建立依赖于所得到的生存函数。电表管理者可以根据自身风险函数的计算评判，设立一个生存率阈值。则由电表的生存函数，可以计算出对应阈值的电表寿命。通过与当前电表自安装起的运行时间进行比对，则可以提前对可能发生故障的表计进行预警，从而便于电表运维人员形成有目标、有体系、主动式的管理维护方案，有助于提高电网运行的智能水平，提高电表运维效率。
基于上述各方法实施例，本发明实施例提供一种电表寿命预测系统架构，
图3为本发明实施例提供的表计运行生命周期预测系统架构图，如图3所示，该平台由三层组成：数据层、预警层和交互层。数据层包括三个数据源，分别为：表计故障检修与更换数据库、在线异常监测数据库和设备物理信息数据库，向预警层提供训练数据集和运行表计信息。预警层通过对训练数据集进行挖掘和拟合，通过采取合理的分层策略，得到生存函数的拟合模型。得到带参数的生存模型后，结合表计运行信息，计算得到个体的生存曲线。通过计算预置的生存率阈值所对应的寿命节点，并与表计运行时间对比，则可决策是否发出预警信息。运维人员接到预警信息后，对预警表计进行检修或更换，并将反馈结果在数据库中更新。
图4为本发明实施例提供的表计运行生命周期预测装置结构图，如图4所示，该表计运行生命周期预测装置包括：获取模块401和处理模块402。其中，获取模块401用于获取待测电表的目标生存概率；处理模块402用于根据目标生存概率，从预设的生存曲线中，得到待测电表的生命周期值；其中，生存曲线是根据电表异常数据确定协变量，并根据Cox回归模型拟合得到，生存曲线为待测电表的生存概率与时间关系的曲线，异常数据包括异常历史数据和故障诊断数据。
本发明实施例提供的装置实施例是为了实现上述各方法实施例的，具体流程和详细内容请参照上述方法实施例，此处不再赘述。
本发明实施例提供的表计运行生命周期预测装置，生存曲线根据Cox回归模型拟合得到，能够充分考虑多个协变量之间的变化，协变量根据电表异常数据确定，包含了生存状态相关的特征，从而该方法能够准确刻画出电表的生存概率与时间关系的预设生存曲线，基于预设的生存曲线，根据给定的目标生存概率可到生命周期值。依据预先设定的生存概率阈值，能够辅助电表的运维决策，并可应用于批量预警系统，提升电表管理智能水平和工作效率。
图5为本发明实施例提供的一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)501、通信接口(Communications Interface)502、存储器(memory)503和总线504，其中，处理器501，通信接口502，存储器503通过总线504完成相互间的通信。通信接口502可以用于电子设备的信息传输。处理器501可以调用存储器503中的逻辑指令，以执行包括如下的方法：获取待测电表的目标生存概率；根据目标生存概率，从预设的生存曲线中，得到待测电表的生命周期值；其中，生存曲线是根据电表异常数据确定协变量，并根据Cox回归模型拟合得到，生存曲线为待测电表的生存概率与时间关系的曲线，异常数据包括异常历史数据和故障诊断数据。
此外，上述的存储器503中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本发明上述各方法实施例的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的传输方法，例如包括：获取待测电表的目标生存概率；根据目标生存概率，从预设的生存曲线中，得到待测电表的生命周期值；其中，生存曲线是根据电表异常数据确定协变量，并根据Cox回归模型拟合得到，生存曲线为待测电表的生存概率与时间关系的曲线，异常数据包括异常历史数据和故障诊断数据。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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计算机可读存储介质中，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)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；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 (5)
1.一种表计运行生命周期预测方法，其特征在于，包括：
获取待测电表的目标生存概率；
根据所述目标生存概率，从预设的生存曲线中，得到所述待测电表的生命周期值；
其中，所述生存曲线是根据电表异常数据确定协变量，并根据Cox回归模型拟合得到，所述生存曲线为所述待测电表的生存概率与时间关系的曲线，所述异常数据包括异常历史数据和故障诊断数据；
所述获取待测电表的目标生存率之前，还包括：
获取多个电表样本中每个电表异常数据的观测数据，所述观测数据包括，每种异常的异常次数、总生存时间和删失状态；
根据所述观测数据，基于偏似然函数最大化，得到Cox回归模型的部分风险，结合基准风险，得到风险函数；
根据所述风险函数，得到所述生存曲线；
其中，删失状态为是，表示未故障，则所述总生存时间表示截止观测时电表的运行时间；删失状态为否，表示电表已故障，则总生存时间为电表到故障时的总运行时间；
所述获取多个电表样本中每个电表异常数据的观测数据之前，还包括：
根据电表异常数据确定多个单一协变量，根据Kaplan-Meier估计器计算每个单一协变量的生存曲线；
根据多个单一协变量的生存曲线，确定需纳入Cox回归模型的协变量，并确定观测数据的种类；
所述获取多个电表样本中每个电表的观测数据之后，根据所述观测数据，基于偏似然函数最大化，得到Cox回归模型的部分风险之前，还包括：
确定观测期内所观察到电表i发生第m类异常的次数归一化后的数值，具体包括：
基于如下公式，确定观察期内所观察到电表i发生第m类异常的次数归一化后的数值：
其中，为电表i发生第m类异常的实际次数，/>为电表i发生第m类异常的次数归一化后的数值，min(m)和max(m)分别为第m类异常的最小值和最大值；
所述根据所述观测数据，基于偏似然函数最大化，得到Cox回归模型的部分风险，包括：
基于如下偏似然函数求最大化得到参数θ：
根据如下公式得到对数部分风险；
h(X)＝θ·X；
根据如下公式得到Cox回归模型的风险函数：
λ(t|X)＝λ0(t)exp(h(X))；
其中，Ei是数据是否删失的标签，1表示电表i截至观察时刻仍存活，R(ti)是ti时间内仍存活的电表的集合，Xi为第i个电表的观察协变量，X＝(x1,...,xm)为协变量组成的向量，θ＝(θ1,...,θm)为每个协变量的系数，λ0(t)为基准风险，λ(t|X)为风险函数；
所述根据风险函数，得到所述生存曲线，包括：
根据Breslow估计器求得H0(t)：
根据下式求得生存曲线：
其中，若ti是事件发生时间(即电表故障发生)，否则/> R(ti)是ti时间内仍存活的电表的集合，/>为累积基准风险，S0(t)＝exp(-H0(t))为基准生存函数。
2.根据权利要求1所述的表计运行生命周期预测方法，其特征在于，得到所述待测电表的生命周期值之后，还包括：
若所述待测电表的生命周期值小于或等于实际的运行周期；
则发出预警信息，以供运维人员对电表进行维护。
3.一种表计运行生命周期预测装置，用于实施如权利要求1或2所述的方法，其特征在于，包括：
获取模块，用于获取待测电表的目标生存概率；
处理模块，用于根据所述目标生存概率，从预设的生存曲线中，得到所述待测电表的生命周期值；
其中，所述生存曲线是根据电表异常数据确定协变量，并根据Cox回归模型拟合得到，所述生存曲线为所述待测电表的生存概率与时间关系的曲线，所述异常数据包括异常历史数据和故障诊断数据。
4.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至2任一项所述表计运行生命周期预测方法的步骤。
5.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至2任一项所述表计运行生命周期预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911177015.4A CN112381258B (zh) | 2019-11-26 | 2019-11-26 | 表计运行生命周期预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911177015.4A CN112381258B (zh) | 2019-11-26 | 2019-11-26 | 表计运行生命周期预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112381258A CN112381258A (zh) | 2021-02-19 |
| CN112381258B true CN112381258B (zh) | 2024-03-19 |
Family
ID=74586247
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911177015.4A Active CN112381258B (zh) | 2019-11-26 | 2019-11-26 | 表计运行生命周期预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112381258B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113609666B (zh) * | 2021-07-30 | 2024-04-19 | 北京瑞凯软件科技开发有限公司 | 一种轨道交通设备的隔离开关寿命预测的方法和系统 |
| CN116340874A (zh) * | 2023-05-29 | 2023-06-27 | 广东电网有限责任公司中山供电局 | 一种电网计量自动化系统健康体检方法、装置及可读介质 |
| CN116564524B (zh) * | 2023-06-30 | 2023-10-03 | 之江实验室 | 一种伪标签演变趋势正则的预后预测装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009211414A (ja) * | 2008-03-04 | 2009-09-17 | Chugoku Electric Power Co Inc:The | 管理支援システムおよび管理支援方法 |
| 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 |
| CN109344967A (zh) * | 2018-08-31 | 2019-02-15 | 武汉大学 | 一种基于人工神经网络的智能电表生命周期预测方法 |
| CN109409963A (zh) * | 2018-11-12 | 2019-03-01 | 平安科技（深圳）有限公司 | 客户生命周期的预测方法及装置、存储介质、计算机设备 |
| CN110261811A (zh) * | 2019-07-05 | 2019-09-20 | 北京志翔科技股份有限公司 | 智能电表批量预警方法及系统 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8712726B2 (en) * | 2010-12-01 | 2014-04-29 | Xerox Corporation | System and method for predicting remaining useful life of device components |
| JP2016177682A (ja) * | 2015-03-20 | 2016-10-06 | 株式会社東芝 | 設備評価装置、設備評価方法、コンピュータプログラム |
-
2019
- 2019-11-26 CN CN201911177015.4A patent/CN112381258B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2009211414A (ja) * | 2008-03-04 | 2009-09-17 | Chugoku Electric Power Co Inc:The | 管理支援システムおよび管理支援方法 |
| 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 |
| CN109344967A (zh) * | 2018-08-31 | 2019-02-15 | 武汉大学 | 一种基于人工神经网络的智能电表生命周期预测方法 |
| CN109409963A (zh) * | 2018-11-12 | 2019-03-01 | 平安科技（深圳）有限公司 | 客户生命周期的预测方法及装置、存储介质、计算机设备 |
| CN110261811A (zh) * | 2019-07-05 | 2019-09-20 | 北京志翔科技股份有限公司 | 智能电表批量预警方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112381258A (zh) | 2021-02-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112381258B (zh) | 表计运行生命周期预测方法及装置 | |
| CN111314173B (zh) | 监控信息异常的定位方法、装置、计算机设备及存储介质 | |
| CN107992410B (zh) | 软件质量监测方法、装置、计算机设备和存储介质 | |
| US10444746B2 (en) | Method for managing subsystems of a process plant using a distributed control system | |
| CN110633893B (zh) | 一种策略效能监控方法、装置以及计算机设备 | |
| CN106776288A (zh) | 一种基于Hadoop的分布式系统的健康度量方法 | |
| CN113900845A (zh) | 一种基于神经网络的微服务故障诊断的方法和存储介质 | |
| CN110633194A (zh) | 一种硬件资源在特定环境下的性能评估方法 | |
| CN107831866B (zh) | 一种水冷系统状态评估方法、设备及计算机可读存储介质 | |
| CN111931334A (zh) | 一种用于评估电缆设备运行可靠性的方法及系统 | |
| CN112380759B (zh) | 基于深度学习和CoxPH模型的智能电表寿命预测方法 | |
| CN107239876B (zh) | 一种核电厂i&c设备老化生命周期的管理方法及系统 | |
| CN116187773A (zh) | 一种用于电厂储存电能的损失分析方法及系统 | |
| CN116345700B (zh) | 一种用于储能电站的能耗监测方法及监测系统 | |
| CN115114124A (zh) | 主机风险的评估方法及评估装置 | |
| CN116914917A (zh) | 一种基于大数据的配电柜运行状态监测管理系统 | |
| CN116339266A (zh) | 一种管材生产复合监测方法及系统 | |
| WO2023184237A1 (zh) | 计算电子系统的剩余使用寿命的方法、装置及计算机介质 | |
| CN114091618A (zh) | 工业设备健康状态诊断管理方法、装置及服务器 | |
| CN113887990A (zh) | 电气设备维修决策优化方法 | |
| CN113406537B (zh) | 一种电力设备故障程度的定量评估方法 | |
| CN109739210B (zh) | 设备部件健康状态的评估方法及装置 | |
| CN113298389A (zh) | 评估电缆运行状态的方法及装置 | |
| CN109558258B (zh) | 一种分布式系统根源故障定位的方法及装置 | |
| CN113297800B (zh) | 变电设备健康管理方法、系统、终端设备及可读存储介质 |
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 |