CN113484813A - 多环境应力下的智能电表故障率预估方法及系统 - Google Patents

多环境应力下的智能电表故障率预估方法及系统 Download PDF

Info

Publication number
CN113484813A
CN113484813A CN202110652358.2A CN202110652358A CN113484813A CN 113484813 A CN113484813 A CN 113484813A CN 202110652358 A CN202110652358 A CN 202110652358A CN 113484813 A CN113484813 A CN 113484813A
Authority
CN
China
Prior art keywords
weighted
data
intelligent electric
point
noise
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
CN202110652358.2A
Other languages
English (en)
Other versions
CN113484813B (zh
Inventor
陈祉如
代燕杰
郭亮
荆臻
张志�
杜艳
赵曦
董贤光
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.)
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
State Grid Shandong Electric Power Co Ltd
Marketing Service Center of State Grid Shandong Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
State Grid Shandong Electric Power Co Ltd
Marketing Service Center of State Grid Shandong 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 Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd, State Grid Shandong Electric Power Co Ltd, Marketing Service Center of State Grid Shandong Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Shandong Electric Power Co Ltd
Priority to CN202110652358.2A priority Critical patent/CN113484813B/zh
Publication of CN113484813A publication Critical patent/CN113484813A/zh
Application granted granted Critical
Publication of CN113484813B publication Critical patent/CN113484813B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了多环境应力下的智能电表故障率预估方法及系统，该方法包括：获取在不同类型环境地区的智能电表的历史故障率数据，基于加权欧式距离的加权局部离群因子，进行噪声点检测，清洗噪声数据，得到历史样本集；确定核函数的形式，对核函数的超参数进行寻优；建立高斯过程回归模型，使用历史样本集对高斯过程回归模型进行训练和测试；输入待测智能电表的故障样本数据，基于加权欧式距离的加权局部离群因子剔除噪声数据，并通过训练好的高斯过程回归模型得出待测智能电表的可靠度。本发明能够有效评估智能电表故障率在多环境应力下随时间的变化趋势，并能准确求解其可靠度。

Description

多环境应力下的智能电表故障率预估方法及系统
技术领域
本发明涉及智能电表故障检测的技术领域，特别涉及一种多环境应力下的智能电表故障率预估方法及系统。
背景技术
随着对智能电网建设的推进，智能电表已广泛应用于工业以及城市电能测量。近年来，随着对智能电能表故障率高可靠性计量的需求不断增加，智能电能表故障率评估和预测在建立相关可靠性标准方面具有重要指导意义。智能电表中包含有大量电子元器件，长期运行在极端环境条件下易发生老化从而造成设备故障。由于智能电表具有分布广、数量多的特点，导致难以收集大量且有效的智能电表故障样本信息，同时样本中的噪声干扰也增加了对智能电表故障率预估的难度。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种多环境应力下的智能电表故障率预估方法，能够有效评估智能电表故障率在多环境应力下随时间的变化趋势，能准确求解其可靠度。
本发明还提出一种具有上述多环境应力下的智能电表故障率预估方法的多环境应力下的智能电表故障率预估系统。
根据本发明的第一方面实施例的多环境应力下的智能电表故障率预估方法，包括以下步骤：S100，获取在不同类型环境地区的智能电表的历史故障率数据，基于加权欧式距离的加权局部离群因子，进行噪声点检测，清洗噪声数据，得到历史样本集；S200，确定核函数的形式，对所述核函数的超参数进行寻优；S300，建立高斯过程回归模型，使用所述历史样本集对所述高斯过程回归模型进行训练和测试；S400，输入待测智能电表的故障样本数据，基于加权欧式距离的加权局部离群因子剔除噪声数据，并通过训练好的所述高斯过程回归模型得出所述待测智能电表的可靠度。
根据本发明实施例的多环境应力下的智能电表故障率预估方法，至少具有如下有益效果：通过基于加权局部离群因子剔除噪声点，并使用历史数据训练高斯过程回归模型，运用该模型预估智能电表故障率，能够有效评估智能电表故障率在多环境应力下随时间的变化趋势，并能准确求解其可靠度。
根据本发明的一些实施例，所述基于加权欧式距离的加权局部离群因子，进行噪声点检测，清洗噪声数据包括：
S110，获取至q(xq,xq)的加权距离不超过加权k欧式距离Dk w(q)的所有点的集合，得到点q(xq,xq)的加权k距离邻域：
Figure BDA0003111489370000021
其中，k为预设正整数，Dw(q,o)表示点q(xq,yq)与点o(xq,yq)之间的加权欧式距离；所述加权欧式距离
Figure BDA0003111489370000022
为：
Figure BDA0003111489370000023
权值wd表示不同应力对故障率的影响程度；
S120，遍历点q(xq,xq)的加权k距离邻域中的每一个点p(xq,yq)，获取点q(xq,yq)与p(xq,yq)的加权可达距离：
Figure BDA0003111489370000024
S130，计算点q(xq,xq)的加权局部可达密度为
Figure BDA0003111489370000025
Figure BDA0003111489370000026
S140，得到点q(xq,yq)的加权局部离群因子
Figure BDA0003111489370000027
为:
Figure BDA0003111489370000028
S150，若点q(xq,yq)的加权局部离群因子
Figure BDA0003111489370000029
其中，Th为预设阈值，则点q(xq,yq)为噪声点；
S160，删除步骤S150中的噪声点，得到不含噪声的故障率数据集D'r＝{(t,Xi,j,t,y'i,j,t)}，其中，其中，t表示统计时间，Xi,j,t表示省份j的第t年的第i个地区的环境特征，y'i,j,t表示相应的故障率值。
根据本发明的一些实施例，通过斯皮尔曼相关性分析得出wd的值；对于样本大小为n的故障率数据集Dr,
Figure BDA0003111489370000031
有
di＝rank(t,Xi,j,t)-rank(yi,j,t)
其中，di表示各个应力与故障率之间的秩差，rank()表示表示变量之间的秩。
根据本发明的一些实施例，Th被配置为1.5。
根据本发明的一些实施例，所述核函数为kSE(xi,xj)、kRQ(xi,xj)或者kMA(xi,xj)中的任一个：
Figure BDA0003111489370000032
Figure BDA0003111489370000033
Figure BDA0003111489370000034
式中，r＝|xi-xj|；v＝1+q，一般取3/2或5/2，
Figure BDA0003111489370000035
为高斯核函数内核参数，控制样本的距离相关性，α与
Figure BDA0003111489370000036
分别为有理二次内核的比例混合参数与长度尺度参数，
Figure BDA0003111489370000037
为Matern核函数的定长参数，r与v为核调节因子，用以控制Matern核函数的平滑程度，xi、xj分别表示i,j个样本点，且i不等于j。
根据本发明的一些实施例，所述核函数为kSE(xi,xj)、kRQ(xi,xj)或者kMA(xi,xj)中的至少两个之和。
根据本发明的一些实施例，所述核函数的超参数寻优过程为：将核函数的超参数设置为先验分布；利用马尔科夫链-蒙特卡洛方法对故障率观测数据进行贝叶斯推断，以推断得到的后验均值为最优值：
Figure BDA0003111489370000041
式中，θ为待估超参数，y为数据样本；
Figure BDA0003111489370000042
式中，m为采样次数，θi为超参数θ后验分布的采样值。
根据本发明的第二方面实施例的多环境应力下的智能电表故障率预估系统，包括：噪声检测模块，用于获取在不同类型环境地区的智能电表的历史故障率数据，基于加权欧式距离的加权局部离群因子，进行噪声点检测，清洗噪声数据，得到历史样本集；超参数寻优模块，用于确定核函数的形式，对所述核函数的超参数进行寻优；模型训练模块，用于使用所述历史样本集对所述高斯过程回归模型进行训练和测试；可靠度预估模块，用于接收待测智能电表的故障样本数据，基于加权欧式距离的加权局部离群因子剔除噪声数据，并通过训练好的所述高斯过程回归模型得出所述待测智能电表的可靠度。
根据本发明实施例的多环境应力下的智能电表故障率预估系统，至少具有如下有益效果：通过基于加权局部离群因子剔除噪声点，并使用历史数据训练高斯过程回归模型，运用该模型预估智能电表故障率，能够有效评估智能电表故障率在多环境应力下随时间的变化趋势，并能准确求解其可靠度。
根据本发明的第三方面实施例的计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现根据本发明的第一方面实施例的方法。
根据本发明实施例的计算机可读存储介质，至少具有与本发明的第一方面实施例的方法同样的有益效果。
本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
图1为本发明实施例的方法的流程示意图；
图2为A省智能电表故障率数据展示图；
图3为B省智能电表故障率数据展示图；
图4为本发明实施例的基于威布尔分布的A省智能电表可靠度预测图；
图5为本发明实施例的基于威布尔分布的B省智能电表可靠度预测图；
图6为本发明实施例的系统的模块示意框图。
附图标记：
噪声检测模块100、超参数寻优模块200、模型训练模块300、可靠度预估模块400。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个及两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。在本发明的描述中，步骤标号仅是为了描述的方便或者引述的方便所作出的标识，各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
参照图1，本发明的实施例的方法包括：S100，获取在不同类型环境地区的智能电表的历史故障率数据，基于加权欧式距离的加权局部离群因子，进行噪声点检测，清洗噪声数据，得到历史样本集；S200，确定核函数的形式，对核函数的超参数进行寻优；S300，建立高斯过程回归模型，使用历史样本集对高斯过程回归模型进行训练和测试；S400，输入待测智能电表的故障样本数据，基于加权欧式距离的加权局部离群因子剔除噪声数据，并通过训练好的高斯过程回归模型得出待测智能电表的可靠度。
下面将结合实际故障数据来详细说明本发明的实施例：首先，通过加权局部离群因子识别不同典型环境地区故障率数据集中潜在的异常值；然后，选用不同的高斯核函数匹配典型环境下的多应力输入特征，采用马尔可夫蒙特卡洛方法求解模型；最后，通过A省和B省两个典型地区的智能电表故障样本进行实例分析，结果表明，本文所提模型可以有效评估智能电表故障率在多环境应力下随时间的变化趋势，并能准确求解其可靠度。
(1)故障数据来源
我国幅员辽阔，东西部气候差异明显。为了研究不同典型环境对智能电表故障率的影响，帮助电表供应商改进制造工艺生产出更具适应性的智能电表，本实施例将选取选取高干热典型环境A省份与高严寒新疆典型环境B省份，然后在每个省份随机选取7个地区的故障率数据进行分析。其中所有智能电表样本均来源于同一电表供应商，故障率统计时间跨度为2011年到2017年。
图2与图3分别为A、B省份智能电表年故障率与时间的变化关系图。故障率的计算为当年故障样本数与智能电表样本总数的比值。由图2与图3可知，两个典型地区的智能电表的总体可靠性较高，在进行采样的前2年其故障率近乎为0。此外，可以看到，各个地区的智能电表的故障率呈现出较强的时间相关性，即随着时间的往后推移，智能电表的故障率随之增加。注意到，A、B两省的故障率数据中存在着缺失数据，此外有部分数据明显偏移数据整体的密集区域，如图2中2012年地区2的智能电表故障率，图3中2013年地区6的智能电表故障率。直观上可以将这些偏移数据划分为潜在的噪声点，由于GPR(Gaussian processregression，高斯过程回归)模型对故障率数据有效性的依赖，数据噪声点的存在会严重影响GPR模型对不同地区的智能电表故障率评估准确度。因此，在进行智能电表故障率数据建模分析前对原始故障率数据集中的噪声点进行清洗必不可少。
(2)基于wLOF的故障率数据噪声点检测
在实际的数据采集过程中，由于数据传输故障以及操作人员的人为误差，造成实际收集的故障数据中引入噪声数据。噪声点的存在不仅影响后续对智能电表故障率的预估结果，也容易导致模型过拟合。传统的故障率分析方法难以在小样本与含噪声的故障率数据的变化中达到平衡。
为实现智能电表原始故障率数据中的数据清洗，提高数据的有效性，本发明的实施例采用wLOF算法对故障率数据中噪声数据进行清洗。LOF算法是通过衡量数据点与其邻域数据点之间的密度比值来检测异常数据，适用于在小样本条件下的异常数据检测。
设原始故障率数据Dr＝{(t,Xi,j,t,yi,j,t)}，其中t表示统计时间，yi,j,t表示省份j的第t年的第i个地区的故障率值。X表示环境应力，由温度应力(Te)与湿度应力(H)组成。
LOF属于基于密度的异常值检测算法。对于数据点q(xq,yq)∈Dr与它的第k近邻p(xq,yq)两者之间的距离表示为：
Figure BDA0003111489370000071
其中，LOF算法采用欧式距离进行距离度量。
然而，选用欧式距离并不适用于高维度数据的噪声点检测，因为欧式距离没有考虑到各个维度之间的差异性。因此，在本发明的实施例中，采用欧氏距离难以兼顾时间应力与环境应力同智能电表故障率之间的相关性。因此，在欧式距离的基础上，本实施例中提出了考虑应力与故障率相关性的加权欧式距离，并以此改写公式(1)为：
Figure BDA0003111489370000072
其中，权值wd表示不同应力对故障率的影响程度。为了求解wd值，选择斯皮尔曼相关性分析来进行求解，对于样本大小为n的故障率数据集Dr,斯皮尔曼相关性分析的表达式为：
Figure BDA0003111489370000081
有
di＝rank(t,Xi,j,t)-rank(yi,j,t) (4)
其中，di表示各个应力与故障率之间的秩差，rank()表示求解变量之间的秩。
之后，基于加权欧式距离的wLOF归纳如下：
1)给定正整数k，点q(xq,xq)的加权k距离邻域表示为到点q(xq,xq)的加权距离不超过加权k距离的所有点的集合，描述为:
Figure BDA0003111489370000082
其中Dw(q,o)表示点q(xq,yq)与点o(xq,yq)之间的加权欧式距离。
2)遍历点q(xq,xq)的加权k距离邻域中的每一个点p(xq,yq)，点q(xq,yq)与p(xq,yq)的加权可达距离表示为
Figure BDA0003111489370000083
3)之后，点q(xq,xq)的加权局部可达密度描述为:
Figure BDA0003111489370000084
4)最后，点q(xq,yq)的加权局部离群因子可以进一步求解为:
Figure BDA0003111489370000085
Figure BDA0003111489370000086
越大于1则点q(xq,yq)越可能是噪声点，本实施例中设置阈值Th＝1.5进行噪声点判定，此时点q(xq,yq)为噪声点的判定依据为:
Figure BDA0003111489370000087
通过wLOF检测到A、B省的故障率数据中的噪声点后直接删除，得到不含噪声的故障率数据集D'r＝{(t,Xi,j,t,y'i,j,t)}，并基于清洗后的数据集提出了一种高斯过程优选核方法进行故障评估与可靠性预测。其中，t表示统计时间，Xi,j,t表示省份j的第t年的第i个地区的环境特征，y'i,j,t表示相应的故障率值。
(3)高斯过程模型构建
GPR是由Williams和Rasmussen提出的一种数据驱动方法，其本质是进行具有概率意义的核函数学习，通过对历史样本数据的学习得到最优超参数，进而得到预测模型，对新样本进行预测。高斯回归过程是随机变量的任意有限集合，每个变量都有一个联合高斯分布，其性质完全由均值函数和协方差函数决定，即：
f(x)～N(f|m,K) (10)
式中，均值函数m表示样本均值，协方差函数K＝k(xi,xj)表示样本之间相似性,xi,xj∈RR为任意随机变量。
考虑到观测目标值y的噪声，可以建立高斯过程回归问题的一般模型，即：
y＝f(X)+ε (11)
式中，ε为独立的高斯白噪声，服从
Figure BDA0003111489370000091
观察值y的先验分布为：
Figure BDA0003111489370000092
式中，δij为Kronecker Relta函数，当i＝j时，δij为单位矩阵I。
则，得到训练集的输出y和测试集的输出f的联合概率分布为：
Figure BDA0003111489370000093
式中，k(x,x)为训练数据自身协方差函数，k(x,x*)为测试数据与训练数据协方差函数。
由此，计算预测值后验分布为：
Figure BDA0003111489370000094
式中，
Figure BDA0003111489370000095
是测试点x*对应的预测值y*的均值，cov(f)是其方差。
(4)核函数的选择
在建立高斯过程回归模型，并使用历史样本集对其进行训练之前，首先要确定核函数即均值函数和协方差函数的形式。GPR的核函数由均值函数和协方差函数组成，均值函数表示在没有任何观测值时，函数y的期望，通常取均值函数为零，因此协方差函数等价于核函数。协方差函数为空间中两个随机变量输入点对应的随机变量输出的中心矩，用于衡量不同样本之间相似或相关的程度，是影响高斯过程回归预测性能的关键因素。
常见的协方差函数有平方指数协方差函数(SE)、Matern协方差函数(MA)、有理平方协方差函数(RQ)、周期协方差函数(PE)、线性协方差(LIN)函数等，如协方差函数的选择目前尚无固定准则。为了能够更全面地捕捉数据的特征，本发明的实施例中，可将多个协方差函数相加，形成新的协方差函数。
Figure BDA0003111489370000101
Figure BDA0003111489370000102
Figure BDA0003111489370000103
式中，r＝|xi-xj|；v＝1+q，一般取3/2或5/2。
式中，
Figure BDA0003111489370000104
为高斯核函数内核参数，控制样本的距离相关性，α与
Figure BDA0003111489370000105
分别为有理二次内核的比例混合参数与长度尺度参数，
Figure BDA0003111489370000106
为Matern核函数的定长参数，r与v为核调节因子，用以控制Matern核函数的平滑程度，xi、xj分别表示i,j个样本点,且i不等于j。
(5)超参数优化
当确定GPR的协方差函数的具体组合后，为建立预测模型，需求解超参数，而模型的超参数主要存在于协方差函数及白噪声中，协方差函数的超参数的估计多以极大似然估计法进行求解，该法首先将超参数θ设置为一个合理范围的随机值，然后以共轭梯度法进行寻优，但该法由于求解函数的非凸性易陷入局部最优。不同于传统寻优方法，将参数初值设定为固定数值进行网格搜索或遗传搜索等，本文将核函数的超参数设置为先验分布。之后，再利用马尔科夫链-蒙特卡洛(Markov Chain Monte Carlo,MCMC)方法对故障率观测数据进行贝叶斯推断，以推断得到的后验均值为最优值。
Figure BDA0003111489370000111
式中，θ为待估超参数，y为数据样本。
Figure BDA0003111489370000112
式中，m为采样次数，θi为超参数θ后验分布的采样值。
(6)智能电表实例分析
为了验证不同核函数形式对智能电表故障率的预测性能，基于上述多地区采集的多应力下的两组智能电表(即A省和B省)的故障率数据集进行实验分析。将数据集划分为训练集与测试集，其中训练集的比例为80％，测试集的比例为20％。实验利用pymc3概率编程库作为故障率建模工具，以Python3.8作为实验分析的仿真环境。
为了更为直观的展示超参数后验分布结果，表1给出两个地区故障率数据SE核参数后验结果。由表1可知，
Figure BDA0003111489370000113
表明A、B地区智能电表故障率的增长趋势会在长时间保持。η_a＝6.63大于η_b＝2.012表明在A地区的故障率变化大于B地区，应当着力对运行在A地区智能电表进行故障维修。
表1
Figure BDA0003111489370000114
为了比较不同模型的预测结果，选择均方根误差RMSE与R2来进行预测结果评价。
Figure BDA0003111489370000121
Figure BDA0003111489370000122
式中，yi为第i个故障率真值，y*为相应预测值。
表2给出了高斯过程回归多种核模型的比较结果。由表2可知，A地区的智能电表故障率数据几种不同核模型中，MA核RMSE＝0.1801最小，而R2值最大，该核在预测性能上为最优核。同样MA核函数在B地区亦最优。
表2
Figure BDA0003111489370000123
基于可靠性理论，由故障率数据得出智能电表的威布尔分布预测结果。由图4和图5可知，在不同应力环境下的智能电表故障率变化趋势不同，从可靠度预测情况来看，预测曲线与真实曲线几乎重合，说明本实施例的方法预测是准确的。同时，由图4可知，尽管1-3年A地区智能电表故障率很低，可靠度几乎无变化，但从第4年开始加速出现故障，其可靠度在第7年快速下降至0.67；而由图5可知，运行在B地区的智能电表在第7年可靠度仍保持在0.93左右。说明应着重在A地区开展智能电表故障检测并做工艺改进。
参照图6，本发明实施例的系统，包括：噪声检测模块100，用于获取在不同类型环境地区的智能电表的历史故障率数据，基于加权欧式距离的加权局部离群因子，进行噪声点检测，清洗噪声数据，得到历史样本集；超参数寻优模块200，用于确定核函数的形式，对所述核函数的超参数进行寻优；模型训练模块300，用于使用所述历史样本集对所述高斯过程回归模型进行训练和测试；可靠度预估模块400，用于接收待测智能电表的故障样本数据，基于加权欧式距离的加权局部离群因子剔除噪声数据，并通过训练好的所述高斯过程回归模型得出所述待测智能电表的可靠度。
尽管本文描述了具体实施方案，但是本领域中的普通技术人员将认识到，许多其它修改或另选的实施方案同样处于本公开的范围内。例如，结合特定设备或组件描述的功能和/或处理能力中的任一项可以由任何其它设备或部件来执行。另外，虽然已根据本公开的实施方案描述了各种例示性具体实施和架构，但是本领域中的普通技术人员将认识到，对本文所述的例示性具体实施和架构的许多其它修改也处于本公开的范围内。
上面结合附图对本发明实施例作了详细说明，但是本发明不限于上述实施例，在所属技术领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下作出各种变化。

Claims (9)

1.一种多环境应力下的智能电表故障率预估方法，其特征在于，包括以下步骤：
S100，获取在不同类型环境地区的智能电表的历史故障率数据，基于加权欧式距离的加权局部离群因子，进行噪声点检测，清洗噪声数据，得到历史样本集；
S200，确定核函数的形式，对所述核函数的超参数进行寻优；
S300，建立高斯过程回归模型，使用所述历史样本集对所述高斯过程回归模型进行训练和测试；
S400，输入待测智能电表的故障样本数据，基于加权欧式距离的加权局部离群因子剔除噪声数据，并通过训练好的所述高斯过程回归模型得出所述待测智能电表的可靠度。
2.根据权利要求1所述的多环境应力下的智能电表故障率预估方法，其特征在于，所述基于加权欧式距离的加权局部离群因子，进行噪声点检测，清洗噪声数据包括：
S110，获取至q(xq,xq)的加权距离不超过加权k欧式距离
Figure FDA0003111489360000011
的所有点的集合，得到点q(xq,xq)的加权k距离邻域：
Figure FDA0003111489360000012
其中，k为预设正整数，Dw(q,o)表示点q(xq,yq)与点o(xq,yq)之间的加权欧式距离；所述加权欧式距离
Figure FDA0003111489360000013
为：
Figure FDA0003111489360000014
权值wd表示不同应力对故障率的影响程度；
S120，遍历点q(xq,xq)的加权k距离邻域中的每一个点p(xq,yq)，获取点q(xq,yq)与p(xq,yq)的加权可达距离：
Figure FDA0003111489360000015
S130，计算点q(xq,xq)的加权局部可达密度为
Figure FDA0003111489360000016
Figure FDA0003111489360000021
S140，得到点q(xq,yq)的加权局部离群因子
Figure FDA0003111489360000022
为:
Figure FDA0003111489360000023
S150，若点q(xq,yq)的加权局部离群因子
Figure FDA0003111489360000024
其中，Th为预设阈值，则点q(xq,yq)为噪声点；
S160，删除步骤S150中的噪声点，得到不含噪声的故障率数据集D'r＝{(t,Xi,j,t,y'i,j,t)}，其中，t表示统计时间，Xi,j,t表示省份j的第t年的第i个地区的环境特征，y'i,j,t表示相应的故障率值。
3.根据权利要求2所述的多环境应力下的智能电表故障率预估方法，其特征在于，通过斯皮尔曼相关性分析得出wd的值；对于样本大小为n的故障率数据集Dr,
Figure FDA0003111489360000025
有
di＝rank(t,Xi,j,t)-rank(yi,j,t)
其中，di表示各个应力与故障率之间的秩差，rank()表示表示求解变量之间的秩。
4.根据权利要求2所述的多环境应力下的智能电表故障率预估方法，其特征在于，Th被配置为1.5。
5.根据权利要求1所述的多环境应力下的智能电表故障率预估方法，其特征在于，所述核函数为kSE(xi,xj)、kRQ(xi,xj)或者kMA(xi,xj)中的任一个：
Figure FDA0003111489360000026
Figure FDA0003111489360000027
Figure FDA0003111489360000031
式中，r＝|xi-xj|；v＝1+q，一般取3/2或5/2，lse为高斯核函数内核参数，控制样本的距离相关性，α与lrq分别为有理二次内核的比例混合参数与长度尺度参数，lma为Matern核函数的定长参数，r与v为核调节因子，用以控制Matern核函数的平滑程度，xi、xj分别表示i,j个样本点，且i不等于j。
6.根据权利要求5所述的多环境应力下的智能电表故障率预估方法，其特征在于，所述核函数为kSE(xi,xj)、kRQ(xi,xj)或者kMA(xi,xj)中的至少两个之和。
7.根据权利要求1所述的多环境应力下的智能电表故障率预估方法，其特征在于，所述核函数的超参数寻优过程为：
将核函数的超参数设置为先验分布；
利用马尔科夫链-蒙特卡洛方法对故障率观测数据进行贝叶斯推断，以推断得到的后验均值为最优值：
Figure FDA0003111489360000032
式中，θ为待估超参数，y为数据样本；
Figure FDA0003111489360000033
式中，m为采样次数，θi为超参数θ后验分布的采样值。
8.一种多环境应力下的智能电表故障率预估系统，用于执行权利要求1至7中任一项的方法，其特征在于，包括：
噪声检测模块，用于获取在不同类型环境地区的智能电表的历史故障率数据，基于加权欧式距离的加权局部离群因子，进行噪声点检测，清洗噪声数据，得到历史样本集；
超参数寻优模块，用于确定核函数的形式，对所述核函数的超参数进行寻优；
模型训练模块，用于使用所述历史样本集对所述高斯过程回归模型进行训练和测试；
可靠度预估模块，用于接收待测智能电表的故障样本数据，基于加权欧式距离的加权局部离群因子剔除噪声数据，并通过训练好的所述高斯过程回归模型得出所述待测智能电表的可靠度。
9.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项的方法。
CN202110652358.2A 2021-06-11 2021-06-11 多环境应力下的智能电表故障率预估方法及系统 Active CN113484813B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110652358.2A CN113484813B (zh) 2021-06-11 2021-06-11 多环境应力下的智能电表故障率预估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110652358.2A CN113484813B (zh) 2021-06-11 2021-06-11 多环境应力下的智能电表故障率预估方法及系统

Publications (2)

Publication Number Publication Date
CN113484813A true CN113484813A (zh) 2021-10-08
CN113484813B CN113484813B (zh) 2023-12-05

Family

ID=77935235

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110652358.2A Active CN113484813B (zh) 2021-06-11 2021-06-11 多环境应力下的智能电表故障率预估方法及系统

Country Status (1)

Country Link
CN (1) CN113484813B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781476A (zh) * 2022-03-08 2022-07-22 国网山东省电力公司营销服务中心(计量中心) 一种量测设备故障分析系统和方法
CN116343953A (zh) * 2023-05-30 2023-06-27 苏州绿华科技有限公司 基于人工智能的智慧社区管理系统
CN117675537A (zh) * 2024-02-01 2024-03-08 深圳金正方科技股份有限公司 一种基于物联网智能电表系统动态调节信息传输的方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020028049A (ko) * 2002-03-14 2002-04-15 김정수 RF-ID Card를 이용한 전자식 전력량계 및 주변장치
CN110865329A (zh) * 2019-12-21 2020-03-06 国网山东省电力公司泰安供电公司 一种基于大数据自诊断的电能计量方法及系统
US20200242483A1 (en) * 2019-01-30 2020-07-30 Intuit Inc. Method and system of dynamic model selection for time series forecasting
CN112199890A (zh) * 2020-10-11 2021-01-08 哈尔滨工程大学 一种综合式核动力装置系统级故障诊断方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20020028049A (ko) * 2002-03-14 2002-04-15 김정수 RF-ID Card를 이용한 전자식 전력량계 및 주변장치
US20200242483A1 (en) * 2019-01-30 2020-07-30 Intuit Inc. Method and system of dynamic model selection for time series forecasting
CN110865329A (zh) * 2019-12-21 2020-03-06 国网山东省电力公司泰安供电公司 一种基于大数据自诊断的电能计量方法及系统
CN112199890A (zh) * 2020-10-11 2021-01-08 哈尔滨工程大学 一种综合式核动力装置系统级故障诊断方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HANMIN SHENG: "Short-Term Solar Power Forecasting Based on Weighted Gaussian Process Regression", IEEE, vol. 65, no. 1, pages 300 - 308 *
刘紫熠等: "基于智能电表运行故障数据的纵向分析模型", 计算机科学, vol. 46, no. 6, pages 436 - 438 *
熊真真等: "机器学习在建筑能源计量领域中的应用", 建设科技, vol. 2018, no. 18, pages 63 - 66 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114781476A (zh) * 2022-03-08 2022-07-22 国网山东省电力公司营销服务中心(计量中心) 一种量测设备故障分析系统和方法
CN116343953A (zh) * 2023-05-30 2023-06-27 苏州绿华科技有限公司 基于人工智能的智慧社区管理系统
CN116343953B (zh) * 2023-05-30 2023-08-01 苏州绿华科技有限公司 基于人工智能的智慧社区管理系统
CN117675537A (zh) * 2024-02-01 2024-03-08 深圳金正方科技股份有限公司 一种基于物联网智能电表系统动态调节信息传输的方法
CN117675537B (zh) * 2024-02-01 2024-04-26 深圳金正方科技股份有限公司 一种基于物联网智能电表系统动态调节信息传输的方法

Also Published As

Publication number Publication date
CN113484813B (zh) 2023-12-05

Similar Documents

Publication Publication Date Title
CN112699913B (zh) 一种台区户变关系异常诊断方法及装置
US11226374B2 (en) Data-driven model for lithium-ion battery capacity fade and lifetime prediction
CN111222290B (zh) 一种基于多参数特征融合的大型设备剩余使用寿命预测方法
CN113484813A (zh) 多环境应力下的智能电表故障率预估方法及系统
CN105930976B (zh) 基于加权理想点法的节点电压暂降严重程度综合评估方法
CN109164343B (zh) 基于特征信息量化与加权knn的变压器故障诊断方法
Stephenson et al. Bayesian inference for extremes: accounting for the three extremal types
CN100568249C (zh) 用基本原理仿真辅助半导体制造过程的系统和方法
CN111062508B (zh) 一种基于大数据技术评估风电机组实时运行状态的方法
CN110335168B (zh) 基于gru优化用电信息采集终端故障预测模型的方法及系统
CN112926144A (zh) 一种多应力加速寿命试验耦合效应分析及寿命预测方法
CN110400231B (zh) 一种加权非线性贝叶斯的电能计量设备失效率预估方法
CN112506990A (zh) 一种基于时空信息的水文数据异常检测方法
CN112116198A (zh) 数据驱动的流程工业状态感知网络关键节点筛选方法
CN116432867A (zh) 一种二极管制备控制优化方法及系统
CN112507605A (zh) 基于AnoGAN的配电网异常检测方法
Li et al. A robust hybrid filtering method for accurate battery remaining useful life prediction
CN114091790A (zh) 一种融合现场数据和两阶段加速退化数据的寿命预测方法
He et al. Sequential Bayesian planning for accelerated degradation tests considering sensor degradation
Berrettoni et al. Preliminary sensitivity analysis of combinatorial optimization (CO) for NILM applications: Effect of the meter accuracy
Zhao et al. Bayesian network based imprecise probability estimation method for wind power ramp events
CN113496255B (zh) 基于深度学习与决策树驱动的配电网混合观测布点方法
CN115935814A (zh) 一种基于arima-svm模型的变压器故障预测方法
CN115828744A (zh) 一种白光发光二极管故障在线诊断与寿命预测方法
CN114048819A (zh) 基于注意力机制和卷积神经网络的配电网拓扑辨识方法

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