CN113868947A - 一种智能电能表寿命预测方法及装置 - Google Patents

一种智能电能表寿命预测方法及装置 Download PDF

Info

Publication number
CN113868947A
CN113868947A CN202111125164.3A CN202111125164A CN113868947A CN 113868947 A CN113868947 A CN 113868947A CN 202111125164 A CN202111125164 A CN 202111125164A CN 113868947 A CN113868947 A CN 113868947A
Authority
CN
China
Prior art keywords
electric energy
energy meter
intelligent electric
service life
life
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.)
Pending
Application number
CN202111125164.3A
Other languages
English (en)
Inventor
朱东升
叶剑斌
汪亮
陈新贺
宋剑
汪锐
凌璐
赵兴旺
张亮
孟庆永
汪翊节
管振华
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.)
Nari Technology Co Ltd
NARI Nanjing Control System Co Ltd
Original Assignee
Nari Technology Co Ltd
NARI Nanjing Control System 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 Nari Technology Co Ltd, NARI Nanjing Control System Co Ltd filed Critical Nari Technology Co Ltd
Priority to CN202111125164.3A priority Critical patent/CN113868947A/zh
Publication of CN113868947A publication Critical patent/CN113868947A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种智能电能表寿命预测方法及装置，根据每个可用属性值中不同的取值进行组合，将智能电能表划分为多个簇，每一簇均构建对应的Weibull寿命分布模型；根据智能电能表当前寿命的分布函数，获取智能电能表剩余寿命的分布函数；通过智能电能表当前寿命的可靠度函数，获取智能表当前寿命平均预测值；通过智能电能表剩余寿命的分布函数，获取智能表剩余寿命预测值；将智能表当前寿命平均预测值与智能表剩余寿命预测值相加，得到智能电能表寿命预测值。本发明通过计算当前寿命与剩余寿命来预测智能电能表的寿命值，提高了预测准确度，根据智能电能表的属性值，进行分簇计算，提高了预测的精确度。

Description

一种智能电能表寿命预测方法及装置
技术领域
本发明涉及一种智能电能表寿命预测方法及装置，属于数据挖掘与智能分析技术领域。
背景技术
目前，随着我国智能电能表的智能化程度越来越高，生产制造水平不断提升，不同运行环境、用电负荷下的电能表损耗速度也各不相同，不同批次生产的电能表的实际质量也存在差异。
现有的智能电能表的管理现状是：
(1)随着早期投入运行的智能电能表也逐批到达了检定周期，按照《电子式交流电能表检定规程》(JJG 596-2012)对电能表使用年限的规定，一般0.2S级、0.5S级有功电能表以及1级、2级无功电能表的检定周期不超过6-8年的轮换方式，会引发拆回分拣任务繁重、处置不规范，库容严重被占用，仓储保管困难等问题；
(2)盲目按照“周期性、轮换式、事后换”的模式对电能表计量资产状态进行轮换管理，不利于公司生产运行成本控制，易造成人力物力的浪费，影响公司从电网向能源互联网升级的战略发展。
那么，如何对已使用智能电表实际使用寿命进行预测，就成为了智能电能表管理的重要一环，现有的电能表寿命预测方法，主要依靠人员线下汇总整理，研究的对象缺乏科学性，难以准确预测出电能表的寿命。
发明内容
目的：为了克服现有技术中存在的不足，本发明提供一种智能电能表寿命预测方法及装置。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
一种智能电能表寿命预测方法，包括如下步骤：
根据智能电能表的属性数据、分拣检测数据，剔除由非智能电能表误差原因引起故障的智能电能表数据，剩余数据为无失效数据。
在无失效数据中选取属性数据中可用属性值。
根据每个可用属性值中不同的取值进行组合，将智能电能表划分为多个簇，每一簇均构建对应的Weibull寿命分布模型。
根据无失效数据，用极大似数函数分别对构建的Weibull寿命分布模型的形状参数和尺度参数进行估计，得到形状参数和尺度参数的估计值。
根据形状参数和尺度参数的估计值，得到Weibull寿命分布模型的智能电能表当前寿命的分布函数、可靠度函数。
根据智能电能表当前寿命的分布函数，获取智能电能表剩余寿命的分布函数。
通过智能电能表当前寿命的可靠度函数，获取智能表当前寿命平均预测值。
通过智能电能表剩余寿命的分布函数，获取智能表剩余寿命预测值。
将智能表当前寿命平均预测值与智能表剩余寿命预测值相加，得到智能电能表寿命预测值。
一种智能电能表寿命预测装置，包括如下模块：
无失效数据获取模块：用于根据智能电能表的属性数据、分拣检测数据，剔除由非智能电能表误差原因引起故障的智能电能表数据，剩余数据为无失效数据。
可用属性值获取模块：用于在无失效数据中选取属性数据中可用属性值。
Weibull寿命分布模型构建模块：用于根据每个可用属性值中不同的取值进行组合，将智能电能表划分为多个簇，每一簇均构建对应的Weibull寿命分布模型。
参数计算模块：用于根据无失效数据，用极大似数函数分别对构建的Weibull寿命分布模型的形状参数和尺度参数进行估计，得到形状参数和尺度参数的估计值。
当前寿命获取模块：用于根据形状参数和尺度参数的估计值，得到Weibull寿命分布模型的智能电能表当前寿命的分布函数、可靠度函数。
剩余寿命获取模块：用于根据智能电能表当前寿命的分布函数，获取智能电能表剩余寿命的分布函数。
当前寿命预测模块：用于通过智能电能表当前寿命的可靠度函数，获取智能表当前寿命平均预测值。
剩余寿合预测模块：用于通过智能电能表剩余寿命的分布函数，获取智能表剩余寿命预测值。
电能表寿命预测模块：用于将智能表当前寿命平均预测值与智能表剩余寿命预测值相加，得到智能电能表寿命预测值。
作为优选方案，还包括：计算每个可用属性值中各取值对应的不同可靠度的剩余寿命值之差，并求取方差，将可用属性值根据方差值进行排序，获取可用属性值影响程度排名。
作为优选方案，还包括：采用XGBoost模型构建智能电能表寿命预测机器学习模型。
根据可用属性值的取值组合获取各簇电能表，并获取各簇电能表的寿命时长，将各簇电能表和对应的寿命时长作为训练样本。
采用训练样本对智能电能表寿命预测机器学习模型进行训练，获得智能电能表寿命预测机器学习模型的权重值。
根据可用属性值影响程度排名或各簇电能表数量占比对权重值进行调整，获得调整后的权重值。
将调整后的权重值代入智能电能表寿命预测机器学习模型，获得训练后的智能电能表寿命预测机器学习模型。
作为优选方案，所述训练样本采用K折交叉验证的方式对智能电能表寿命预测机器学习模型进行训练与验证。
作为优选方案，所述可用属性值如表1所示，
表1可用属性值
Figure BDA0003277421950000031
Figure BDA0003277421950000041
作为优选方案，所述Weibull寿命分布模型，包括：智能电能表当前寿命的分布函数、可靠度函数。
智能电能表当前寿命的分布函数：
Figure BDA0003277421950000042
其中，t为当前寿命，用当前日期减去投运日期，得到智能电能表当前运行时间，m为形状参数，η为尺度参数。
智能电能表当前寿命的可靠度函数：
R(t)＝1-F(t)。
作为优选方案，所述智能电能表剩余寿命的分布函数：
Figure BDA0003277421950000043
其中，Ft(x)为当前寿命t开始的剩余寿命分布函数，x为剩余寿命，表示继续运行时间。
所述智能表当前寿命平均预测值E(t)：
Figure BDA0003277421950000044
有益效果：本发明提供的一种智能电能表寿命预测方法及装置，采用weibull分布思想，求解寿命分布模型参数，通过计算当前寿命与剩余寿命来预测智能电能表的寿命值，提高了预测准确度，根据智能电能表的属性值，进行分簇计算，提高了预测的精确度。
其次，通过对分簇剩余寿命不同可靠性的寿命值之差方差值的计算排序，获取影响剩余寿命程度的属性值。
最后，本发明采用XGBoost模型构建机器学习模型，通过训练后的机器学习模型对智能电能表的寿命进行预测。并根据智能电能表的属性值不同重要影响程度或训练样本中各簇智能电能表数量占比，制定机器学习模型的权重值，用来提高机器学习模型的预测准确度。
附图说明
图1为本发明方法的步骤流程图。
具体实施方式
下面结合具体实施例对本发明作更进一步的说明。
如图1所示，一种智能电能表寿命预测方法，包括如下步骤：
根据智能电能表的属性数据、分拣检测数据，剔除由非智能电能表误差原因引起故障的智能电能表数据，剩余数据为智能电能表正常运行数据，即无失效数据。
在智能电能表正常运行数据中，选取属性数据中可用属性值。
根据每个可用属性值中不同的取值进行组合，将智能电能表划分为多个簇，每一簇均构建对应的Weibull寿命分布模型。
根据无失效数据，用极大似数函数分别对构建的Weibull寿命分布模型的形状参数和尺度参数进行估计，得到形状参数和尺度参数的估计值。
根据形状参数和尺度参数的估计值，得到Weibull寿命分布模型的智能电能表当前寿命的分布函数、可靠度函数。
根据智能电能表当前寿命的分布函数，获取智能电能表剩余寿命的分布函数。
通过智能电能表当前寿命的可靠度函数，获取智能表当前寿命平均预测值。
通过智能电能表剩余寿命的分布函数，获取智能表剩余寿命预测值。
将智能表当前寿命平均预测值与智能表剩余寿命预测值相加，得到智能电能表寿命预测值。
一种智能电能表寿命预测装置，包括如下模块：
无失效数据获取模块：用于根据智能电能表的属性数据、分拣检测数据，剔除由非智能电能表误差原因引起故障的智能电能表数据，剩余数据为无失效数据。
可用属性值获取模块：用于在无失效数据中选取属性数据中可用属性值。
Weibull寿命分布模型构建模块：用于根据每个可用属性值中不同的取值进行组合，将智能电能表划分为多个簇，每一簇均构建对应的Weibull寿命分布模型。
参数计算模块：用于根据无失效数据，用极大似数函数分别对构建的Weibull寿命分布模型的形状参数和尺度参数进行估计，得到形状参数和尺度参数的估计值。
当前寿命获取模块：用于根据形状参数和尺度参数的估计值，得到Weibull寿命分布模型的智能电能表当前寿命的分布函数、可靠度函数。
剩余寿命获取模块：用于根据智能电能表当前寿命的分布函数，获取智能电能表剩余寿命的分布函数。
当前寿命预测模块：用于通过智能电能表当前寿命的可靠度函数，获取智能表当前寿命平均预测值。
剩余寿合预测模块：用于通过智能电能表剩余寿命的分布函数，获取智能表剩余寿命预测值。
电能表寿命预测模块：用于将智能表当前寿命平均预测值与智能表剩余寿命预测值相加，得到智能电能表寿命预测值。
实施例1：
根据智能电能表的属性数据，获取可用属性值。
智能电能表的属性数据的共23个。其中电能表自身倍率、脉冲幅值、频率、使用用途、继电器接点、用户类型的属性值无差异，可用属性值剩余17个，具体见表1。
表1可用属性值
Figure BDA0003277421950000061
Figure BDA0003277421950000071
每一个可用属性值按取值对智能电能表进行聚簇。
以电能表规格为例进行详细分析。电能表规格取值共有11种见下表2。对不同取值中分拣总量在90只以下的取值进行剔除，获取清洗后取值包含7种，根据取值将电能表分为7簇。
表2电能表规格取值表
取值 分拣总量
101 276246
115 161
121 173
126 3
129 131
130 1
131 39198
136 3
143 15
144 699
148 91
Weibull寿命分布模型，包括：智能电能表当前寿命的分布函数、可靠度函数。
智能电能表当前寿命的分布函数：
Figure BDA0003277421950000072
其中，t为当前寿命，用当前日期减去投运日期，得到智能电能表当前运行时间，m为形状参数，η为尺度参数。
智能电能表当前寿命的可靠度函数：
R(t)＝1-F(t)
智能电能表剩余寿命的分布函数：
Figure BDA0003277421950000081
其中，Ft(x)为当前寿命t开始的剩余寿命分布函数，x为剩余寿命，表示继续运行时间。
智能表当前寿命平均预测值E(t)：
Figure BDA0003277421950000082
实施例2：
可用属性值中不同取值的“剩余寿命-可靠度”验证。
根据可靠度函数曲线可分析如下内容：
(1)可靠度0.9对应的剩余寿命值：衡量了电能表可靠度降到0.9的时间。时间越长，电能表前期稳定时间越长。
(2)可靠度0.1对应的剩余寿命值：衡量了电能表可靠度降到0.1的时间。时间越长，电能表平稳期运行时间越长。
(3)可靠度0.1与0.9对应寿命值之差：衡量了电能表损坏时间。时间短，表示电能表在短时间内快速损坏；时间长，表示电能表逐渐损坏。
基于以上3点的电能表规格在基本误差作为故障原因，可靠度函数分析值如下表3，其中故障比例为基本误差故障的电能表占所有故障的电能表的比例值。
表3电能表规格可靠度函数分析表
Figure BDA0003277421950000083
Figure BDA0003277421950000091
对每一个可用属性值均进行相同分析。进而可以得到每个可用属性值下不同簇电能表寿命的大小差异，从而判断出不同可用属性值是否对剩余寿命有影响程度。
其中，计算每个可用属性值中各取值寿命值之差的方差值，将方差大于1的可用属性值作为影响智能电能表剩余寿命的重要特征。可以发现，存放时长、芯片厂家、通讯规约、电能表规格、招标批次对剩余正常运行时间有重要影响。
实施例3：
构建智能电能表寿命预测机器学习模型，因为很多可用属性值属于类别变量，结合XGBoost模型在工业界优良表现、很好的处理特征缺失情况及鲁棒性，因此，本次建模选用的机器学习模型为XGBoost模型。
由于XGBoost是树模型，因此有功准确度等级等数值型变量无需进行标准化处理。单位类别等分类变量采用one-hot编码。
根据17个可用属性值的取值组合，共将智能电能表分为629个簇，因此构建出629个簇电能表，计算根据以上预测方法得到629簇电能表的寿命时长，即为数据标签，组成训练样本。
由于组成每一簇电能表的数量不一致，簇内数量代表了此簇电能表出现的频率，出现频率高的电能表理应更受重视，因此不同簇电能表在模型训练中不能同等看待。根据簇中包含的电能表数量大小给训练样本赋予相应的权重进行训练。
在进行机器学习模型评估时，也需要体现出若大量使用的电能表类型如果寿命预测误差大，评估时会进一步加大其权重，因此模型验证阶段电能表寿命预测误差需根据电能表类型进行加权评估。
原始数据清洗后有884274个样本，再经提取加工得到629个稳定样本。样本总数偏少，为了使训练样本尽可能多，同时验证误差尽可能客观，因此采用K折交叉验证的方式进行模型训练与验证。具体做法如下：
将629簇电能表随机分为10等份，编号为1,2,3…10。然后把第1份电能表作为验证数据，剩余9份作为训练数据用于训练模型；接着把第2份作为验证数据，剩余9份作为训练数据，以此类推。这样所有数据都对训练集有贡献，也都对验证集有贡献。最后将10份验证数据误差取平均值作为验证误差。
验证集验证误差计算方式如下：
Figure BDA0003277421950000101
其中：
Err——验证平均误差
ωj——第j个样本权重
n——验证集样本数量
pj——第j个预测值
tj——第j个真实值
通过机器学习模型迭代优化，确定机器学习模型参数，得到XGBoost预测模型。随机选取验证集上的100种电能表预测开展预测。由于真实环境中电能表可能存在不同程度属性值缺失的情况，因此在验证集上随机选择5％、10％、20％、30％的属性值置为空值，再进行预测。验证误差与属性值缺失程度之间的关系。没有缺失值时平均验证误差为1.21年，随着缺失值数量的增加，误差会逐渐增加。
基于以上步骤构建的预测模型，计算各个特征在辅助模型预测中的贡献值。机器学习模型给出贡献最大的前5个属性值为存放时长、芯片厂家、通讯规约、电能表规格、招标批次，这5个属性值是影响不同簇电能表寿命时长的最重要特征。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种智能电能表寿命预测方法，其特征在于：包括如下步骤：
根据智能电能表的属性数据、分拣检测数据，剔除由非智能电能表误差原因引起故障的智能电能表数据，剩余数据为无失效数据；
在无失效数据中选取属性数据中可用属性值；
根据每个可用属性值中不同的取值进行组合，将智能电能表划分为多个簇，每一簇均构建对应的Weibull寿命分布模型；
根据无失效数据，用极大似数函数分别对构建的Weibull寿命分布模型的形状参数和尺度参数进行估计，得到形状参数和尺度参数的估计值；
根据形状参数和尺度参数的估计值，得到Weibull寿命分布模型的智能电能表当前寿命的分布函数、可靠度函数；
根据智能电能表当前寿命的分布函数，获取智能电能表剩余寿命的分布函数；
通过智能电能表当前寿命的可靠度函数，获取智能表当前寿命平均预测值；
通过智能电能表剩余寿命的分布函数，获取智能表剩余寿命预测值；
将智能表当前寿命平均预测值与智能表剩余寿命预测值相加，得到智能电能表寿命预测值。
2.根据权利要求1所述的一种智能电能表寿命预测方法，其特征在于：还包括：计算每个可用属性值中各取值对应的不同可靠度的剩余寿命值之差，并求取方差，将可用属性值根据方差值进行排序，获取可用属性值影响程度排名。
3.根据权利要求2所述的一种智能电能表寿命预测方法，其特征在于：还包括：采用XGBoost模型构建智能电能表寿命预测机器学习模型；
根据可用属性值的取值组合获取各簇电能表，并获取各簇电能表的寿命时长，将各簇电能表和对应的寿命时长作为训练样本；
采用训练样本对智能电能表寿命预测机器学习模型进行训练，获得智能电能表寿命预测机器学习模型的权重值；
根据可用属性值影响程度排名或各簇电能表数量占比对权重值进行调整，获得调整后的权重值；
将调整后的权重值代入智能电能表寿命预测机器学习模型，获得训练后的智能电能表寿命预测机器学习模型。
4.根据权利要求3所述的一种智能电能表寿命预测方法，其特征在于：所述训练样本采用K折交叉验证的方式对智能电能表寿命预测机器学习模型进行训练与验证。
5.根据权利要求1所述的一种智能电能表寿命预测方法，其特征在于：所述可用属性值如表1所示，
表1可用属性值
属性数据 属性数据 单位类别 芯片厂家 电能表电压 接线方式 标定电流 计度器方式 过载倍数 通讯规约 有功准确度等级 通讯方式 电能表常数 电能表规格 制造单位 招标批次 指示数类型 存放时长 轴承结构
。
6.根据权利要求1所述的一种智能电能表寿命预测方法，其特征在于：所述Weibull寿命分布模型，包括：智能电能表当前寿命的分布函数、可靠度函数；
智能电能表当前寿命的分布函数：
Figure FDA0003277421940000021
其中，t为当前寿命，用当前日期减去投运日期，得到智能电能表当前运行时间，m为形状参数，η为尺度参数；
智能电能表当前寿命的可靠度函数：
R(t)＝1-F(t)。
7.根据权利要求6所述的一种智能电能表寿命预测方法，其特征在于：所述智能电能表剩余寿命的分布函数：
Figure FDA0003277421940000031
其中，Ft(x)为当前寿命t开始的剩余寿命分布函数，x为剩余寿命，表示继续运行时间。
8.根据权利要求6所述的一种智能电能表寿命预测方法，其特征在于：所述智能表当前寿命平均预测值E(t)：
Figure FDA0003277421940000032
9.一种智能电能表寿命预测装置，其特征在于：包括如下模块：
无失效数据获取模块：用于根据智能电能表的属性数据、分拣检测数据，剔除由非智能电能表误差原因引起故障的智能电能表数据，剩余数据为无失效数据；
可用属性值获取模块：用于在无失效数据中选取属性数据中可用属性值；
Weibull寿命分布模型构建模块：用于根据每个可用属性值中不同的取值进行组合，将智能电能表划分为多个簇，每一簇均构建对应的Weibull寿命分布模型；
参数计算模块：用于根据无失效数据，用极大似数函数分别对构建的Weibull寿命分布模型的形状参数和尺度参数进行估计，得到形状参数和尺度参数的估计值；
当前寿命获取模块：用于根据形状参数和尺度参数的估计值，得到Weibull寿命分布模型的智能电能表当前寿命的分布函数、可靠度函数；
剩余寿命获取模块：用于根据智能电能表当前寿命的分布函数，获取智能电能表剩余寿命的分布函数；
当前寿命预测模块：用于通过智能电能表当前寿命的可靠度函数，获取智能表当前寿命平均预测值；
剩余寿合预测模块：用于通过智能电能表剩余寿命的分布函数，获取智能表剩余寿命预测值；
电能表寿命预测模块：用于将智能表当前寿命平均预测值与智能表剩余寿命预测值相加，得到智能电能表寿命预测值。
10.根据权利要求9所述的一种智能电能表寿命预测装置，其特征在于：还包括机器学习模块：用于采用XGBoost模型构建智能电能表寿命预测机器学习模型；
根据可用属性值的取值组合获取各簇电能表，并获取各簇电能表的寿命时长，将各簇电能表和对应的寿命时长作为训练样本；
采用训练样本对智能电能表寿命预测机器学习模型进行训练，获得智能电能表寿命预测机器学习模型的权重值；
根据可用属性值影响程度排名或各簇电能表数量占比对权重值进行调整，获得调整后的权重值；
将调整后的权重值代入智能电能表寿命预测机器学习模型，获得训练后的智能电能表寿命预测机器学习模型。
CN202111125164.3A 2021-09-24 2021-09-24 一种智能电能表寿命预测方法及装置 Pending CN113868947A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111125164.3A CN113868947A (zh) 2021-09-24 2021-09-24 一种智能电能表寿命预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111125164.3A CN113868947A (zh) 2021-09-24 2021-09-24 一种智能电能表寿命预测方法及装置

Publications (1)

Publication Number Publication Date
CN113868947A true CN113868947A (zh) 2021-12-31

Family

ID=78994164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111125164.3A Pending CN113868947A (zh) 2021-09-24 2021-09-24 一种智能电能表寿命预测方法及装置

Country Status (1)

Country Link
CN (1) CN113868947A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115291157A (zh) * 2022-07-14 2022-11-04 国网山东省电力公司营销服务中心(计量中心) 一种基于时钟偏差的电能表剩余寿命预测方法及系统
CN117350174A (zh) * 2023-12-04 2024-01-05 国网天津市电力公司营销服务中心 预测智能电表剩余寿命的方法、系统、电子设备及介质

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115291157A (zh) * 2022-07-14 2022-11-04 国网山东省电力公司营销服务中心(计量中心) 一种基于时钟偏差的电能表剩余寿命预测方法及系统
CN115291157B (zh) * 2022-07-14 2023-09-22 国网山东省电力公司营销服务中心(计量中心) 一种基于时钟偏差的电能表剩余寿命预测方法及系统
CN117350174A (zh) * 2023-12-04 2024-01-05 国网天津市电力公司营销服务中心 预测智能电表剩余寿命的方法、系统、电子设备及介质
CN117350174B (zh) * 2023-12-04 2024-04-02 国网天津市电力公司营销服务中心 预测智能电表剩余寿命的方法、系统、电子设备及介质

Similar Documents

Publication Publication Date Title
CN110223196B (zh) 基于典型行业特征库和反窃电样本库的反窃电分析方法
CN111461555B (zh) 一种生产线质量监测方法、装置及系统
CN107609783B (zh) 一种基于数据挖掘的智能电能表综合性能进行评估的方法及系统
CN113868947A (zh) 一种智能电能表寿命预测方法及装置
CN113011530B (zh) 一种基于多分类器融合的智能电表故障预测方法
CN109359894A (zh) 一种基于rpn的电力计量设备风险评价方法及装置
CN113792939B (zh) 基于混合威布尔分布的电能表可靠性预测方法及装置
CN109389280B (zh) 基于多属性决策模型的电能表生产厂商评价方法
CN117270514B (zh) 基于工业物联网的生产过程全流程故障检测方法
CN117932501B (zh) 一种电能表运行状态管理方法和系统
CN118381197B (zh) 基于数字孪生的配电网故障监测方法及系统
CN111612019A (zh) 一种基于大数据模型对智能电表故障异常辨识分析的方法
CN116882804A (zh) 一种智能电力监控方法及系统
CN116307844A (zh) 一种低压台区线损评估分析方法
CN109409629B (zh) 基于多属性决策模型的采集终端生产厂商评价方法
CN118277795B (zh) 高负载下高压变频器的性能测试方法
CN115526258A (zh) 基于Spearman相关系数特征提取的电力系统暂稳评估方法
CN110873857B (zh) 基于多源数据融合的智能电能表运行状态评价方法及系统
CN118311352A (zh) 用于光伏储能系统的母线槽故障诊断方法及系统
CN114597886A (zh) 基于区间二型模糊聚类分析的配电网运行状态评估方法
CN118017502A (zh) 基于数字孪生的配电算力预测方法、系统及介质
CN113361142A (zh) 一种多元参数退化相依的细纱机可靠性评估方法
CN116522241A (zh) 基于生存分析的智能电能表可靠性评估方法
CN114252794B (zh) 一种拆回智能电能表剩余寿命预测方法及装置
CN116662840A (zh) 一种基于机器学习的低压台区用户相位识别方法

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