CN114252794A - 一种拆回智能电能表剩余寿命预测方法及装置 - Google Patents
一种拆回智能电能表剩余寿命预测方法及装置 Download PDFInfo
- Publication number
- CN114252794A CN114252794A CN202111400442.1A CN202111400442A CN114252794A CN 114252794 A CN114252794 A CN 114252794A CN 202111400442 A CN202111400442 A CN 202111400442A CN 114252794 A CN114252794 A CN 114252794A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- intelligent electric
- disassembled
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000009826 distribution Methods 0.000 claims abstract description 22
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000012216 screening Methods 0.000 claims abstract description 17
- 238000012795 verification Methods 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 238000005065 mining Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 11
- 238000010801 machine learning Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010219 correlation analysis Methods 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种拆回智能电能表剩余寿命预测方法及装置，该方法包括提取电能表属性数据、分拣结果数据、分拣检测项数据、部分异常事件原始数据，采用动态特征选择的方式，对所有可能影响电能表的每一个特征进行重要性分析，筛选出影响电能表寿命的重要特征；通过重要特征属性值的不同取值将电能表划分为多个簇，每一簇构建相应的Weibull分布模型，计算电能表剩余寿命；建立机器学习模型，学习重要特征与电能表剩余寿命之间的关系，实现电能表剩余寿命预测。本发明实现了拆回智能电能表剩余寿命的可靠性预测，能够针对大批量的电能表更换，做好拆回表回库与分拣计划，同时为采购计划做好有效支撑。
Description
技术领域
本发明涉及智能电能表故障信息挖掘技术领域，具体涉及一种拆回智能电能表剩余寿命预测方法及装置。
背景技术
智能电能表是智能电网建设的重要组成部分，自2009年智能电能表全面推广以来，每年因为到期轮换、故障维修、用户变更用电等原因拆回的电能表数量越来越多。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。
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。若盲目按照“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，从而会影响公司从电网向能源互联网升级的战略发展。
因此，迫切需要针对批次电能表的寿命预测，用于支撑智能电能表预防性更换、拆回分拣等工作，确保计量准确可靠，提高计量资产运营水平。
发明内容
本发明目的在于提供一种拆回智能电能表剩余寿命预测方法及装置，可以获取批次电能表的剩余寿命预测值，用于支撑智能电能表预防性更换、拆回分拣等工作，确保计量准确可靠，提高计量资产运营水平。
为达到上述目的，本发明采用的技术方案如下：
一种拆回智能电能表剩余寿命预测方法，其特征在于，包括：
基于拆回智能电能表属性数据、分拣结果数据和分拣检测项数据，筛选影响拆回智能电能表剩余寿命的重要特征；
对每一个重要特征基于属性值不同的取值组合将拆回智能电能表划分为簇；
基于Weibull分布模型计算每一簇的拆回智能电能表剩余寿命；
对重要特征及相应的簇拆回智能电能表剩余寿命进行学习，建立多特征条件下的拆回智能电能表剩余寿命预测模型。
进一步的，所述筛选影响拆回智能电能表剩余寿命的重要特征，包括：
获取拆回智能电能表属性数据、分拣结果数据、分拣检测项数据和异常事件数据；
基于所获取的数据进行挖掘分析影响拆回智能电能表剩余寿命的特征；
基于动态特征选择算法筛选出影响拆回智能电能表剩余寿命的重要特征。
进一步的，所述筛选出影响拆回智能电能表剩余寿命的重要特征包括：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、单位类别、电能表电压、标定电流、过载倍数、有功准确度等级、电能表常数、制造单位、指示数类型、轴承结构、芯片厂家、接线方式、计度器方式、通讯规约、通讯方式、电能表规格、招标批次和存放时长。
进一步的，采用XGBoost模型构建多特征条件下的拆回智能电能表剩余寿命预测模型。
进一步的，如果重要特征为分类变量，则对该分类变量采用one-hot编码作为XGBoost模型的输入。
进一步的，采用K折交叉验证的方式对所构建的XGBoost模型进行训练与验证。
进一步的，还包括：
通过设置某一重要特征缺失，基于多特征条件下的拆回智能电能表剩余寿命预测模型进行预测，根据误差程度计算各个重要特征在预测中的贡献值，得出影响不同簇电能表寿命的最重要特征。
本发明还涉及一种拆回智能电能表剩余寿命预测装置，包括：
选择模块，用于基于拆回智能电能表属性数据、分拣结果数据和分拣检测项数据，筛选影响拆回智能电能表剩余寿命的重要特征；
聚类模块，用于对每一个重要特征基于属性值不同的取值组合将拆回智能电能表划分为簇；
计算模块，用于基于Weibull分布模型计算每一重要特征的每一簇的拆回智能电能表剩余寿命；
以及，
预测模块，用于对重要特征及相应的簇拆回智能电能表剩余寿命进行学习，建立多特征条件下的拆回智能电能表剩余寿命预测模型。
进一步的，所述选择模块具体用于，
获取拆回智能电能表属性数据、分拣结果数据、分拣检测项数据和异常事件数据；
基于所获取的数据进行挖掘分析影响拆回智能电能表剩余寿命的特征；
基于动态特征选择算法筛选出影响拆回智能电能表剩余寿命的重要特征。
进一步的，所述预测模块具体用于，
采用XGBoost模型构建多特征条件下的拆回智能电能表剩余寿命预测模型。
与现有技术相比，本发明所达到的有益效果是：本发明能够针对此大批量的电能表更换，做好拆回表回库与分拣计划，同时为采购计划做好有效支撑。根据对批次电能表剩余寿命及对应可靠度的预测，可对同一厂商、相同安装年份和同一类别的智能电能表进行差异化的轮换管理，并参考模型结果和趋势进行轮换考虑和周期确定。
附图说明
图1为本发明的拆回智能电能表剩余寿命预测方法流程图；
图2为本发明实施例中基于Weibull分布模型的可靠度函数曲线；
图3为本发明实施例中基于XGBoost预测模型的寿命预测结果曲线。
图4为本发明实施例中各个重要特征在模型预测中的贡献值结果。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明的一个具体实施例提供一种拆回智能电能表剩余寿命预测方法，如图1所示，具体包括以下过程：
(1)分析数据源
寿命预测分析所需数据包括电能表属性数据、分拣结果数据、分拣检测项数据、部分异常事件数据等。
电能表资产信息表是对所有电能表基础属性信息和入库信息的记录，为其他数据表之间的关联起到桥梁作用，包括招标到货批次、经手人、退换标记等信息。
分拣结果信息表是对分拣拆回电能表的检定记录，分析其中合格电能表只数，不合格电能表只数，以及不合格电能表占比。
分拣结论表(多表)是根据分拣数据中，每只电能表的不同检测项和行号执行顺序的维度进行的一个检测结果的记录，包括时间、所有检测项分拣的设备条码数等信息。
异常信息表(多表)是对每只设备按每秒发生异常事件的记录，包括数据时间、所有异常事件的设备条码数。
将上述源数据经清洗并剔除检定结果为空的记录，提取具有有效运行时间和属性的数据。
(2)分析数据分布
1)运行时间分布：电能表运行时间是指拆回的电能表安装运行后直到出现故障的时间。拆回电能表运行时间分布分析主要是探索不同电能表拆回检测项数据的分布特点。
2)异常事件分布：异常事件是指由用电采集信息系统获取的电能表在运行期间发生的事件数据。首先对设备运行过程中发生的异常事件和分拣结论表中进行关联分析，得到电能表在寿命周期中的异常事件总数(按天发生)分布情况。
3)设备存放时长分布：从电能表资产表选出出厂时间和分拣结果信息表安装时间的差值为存放时长，清洗数据后再筛选出分拣结论为有故障的电能表进行分析。
4)生产单位分布：从制造单位维度出发，首先，分析设备出厂质量，分析设备到货后检测是否合格的情况。在存放到货信息表中通过累计全检量和累计全检合格量两个特征，衍生出新特征累计全检不合格量，再计算出累计全检不合格率。其次，分析设备运行质量，对分拣数据中的合格设备安装运行后，跟踪其运行故障情况。
(3)对智能电能表数据进行关键检测项分析和异常事件分析。
检测项是指拆回电能表所需检测的项目。检测项相关性分析首先对所有检测项之间的相关性进行分析，计算检测项的Pearson相关系数并绘制热力图，其次，采用Apriori算法挖掘检测项不合格结论的关联关系，得到检测项之间的强关联关系；
采用同样的方式对异常事件进行强关联分析；
通过Apriori算法关联分析，选中相关性较强的几组关键检测项和异常事件组合，需要重点关注前件事件发生，是否后继事件存在并发现象。
对关键检测项(基本误差表、时钟示值误差表、日计时误差表、测量示值误差表、计度器总电能示值组合误差表)和每个异常事件进行交叉分析，以数据库中关键检测项和异常事件共有设备数为导向，分析出共有设备数的不合格率情况。
(4)动态特征选择。提出基于动态特征选择的计量资产寿命影响因子选择算法，该算法对计量资产寿命的因素数据的动态性进行分析，兼顾到了时间与空间的双重动态性，并采用动态特征处理方式，得到影响电能表剩余寿命的重要特征，细化了特征影响因素的粒度。
动态特征算法的基本流程，主要分为三个步骤：
步骤1：基于基尼系数的特征流选择；
步骤2：特征的动态排序；
步骤3：特征动态剪枝，得到最优特征集。
(5)单特征条件下电能表剩余寿命与可靠度分析
考虑电能表的寿命终止主要由误差决定，这其中假设其它故障都是可以修复、且不影响计量性能，如通信不正常等。基于电能表属性数据、分拣结果数据、分拣检测项数据的输入，模型构建过程如下：
第一步，特征重要性分析。对所有可能影响电能表的每一个特征进行重要性分析，基于动态特征选择算法筛选出影响批次电能表寿命的重要特征。
第二步，通过重要特征属性值不同的取值组合将电能表划分为多个簇，每一簇构建相应的Weibull分布模型，计算簇电能表剩余寿命。比如特征电能表规格(SPEC_CODE)可取值101、115等多种，对每一取值可作出可靠度函数曲线，从而判断出不同属性值是否对剩余寿命有显著影响。
第三步，建立机器学习模型，学习重要特征与电能表寿命之间的关系，实现电能表剩余寿命预测，最后将预测值与真实值进行比较得出模型的可靠度。
本实施例中，选取用于建立Weibull分布模型的重要特征共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、用户类型等属性值取值无差异，可忽略，可用属性值剩余17个，见表1。每一个重要特征按属性值不同的取值组合对电能表聚簇。每一簇电能表的故障数据建立Weibull分布模型，构造极大似然函数求解模型参数，采用遗传算法优化模型参数，最后计算每一簇电能表的可靠度函数。
表1 重要特征表
韦布尔(Weibull)分布记作T～W(m,η)，韦布尔分布的分布函数和密度函数分别为：
式中，m为形状参数，决定电能表持续运行时间与失效分布曲线变化的趋势；η为尺度参数也叫特征寿命，用来衡量电能表平均失效间隔时间。
在可靠性理论中，设备在t时间未失效，则从t时刻开始的使用时间称为剩余寿命，其中t称为年龄。设备在[0,t]时间内正常工作的概率为R(t)＝P(T＞t)，则称R(t)为设备在时间t时刻的可靠度函数，简称可靠度。韦布尔分布函数对应的可靠度函数为：
R(t)＝1-F(t)
根据条件概率贝叶斯公式，在年龄t开始的剩余寿命分布函数为：
以特征电能表规格(SPEC_CODE)为例详细分析，当特征取值为101时构建该簇Weibull分布模型，得到可靠度函数曲线。
如图2所示，可以得出特征取值为101、年龄为0的电能表，可靠度0.9对应的剩余寿命值为2.3年，可靠度0.1对应的剩余寿命值为6.8年，可靠度0.1与0.9对应寿命值之差为4.5年，表示可平稳运行4.5年。这个差值越短，表示电能表在短时间内损坏越快；时间长，表示电能表损坏较慢。
对每一个重要特征均进行相同分析。进而可以得到每个重要特征下不同簇电能表寿命的大小差异，从而判断出不同特征属性值是否对剩余寿命有显著影响。
(6)多特征条件下电能表预测模型建立
结合单特征对电能表寿命的影响，确定了模型初始特征，建立多特征条件下的电能表剩余寿命预测模型。因为很多特征属于类别变量，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，本实施例选用的机器学习模型为XGBoost模型预测电能表簇寿命。
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。
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。
将电能表随机分为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：
其中：Err为验证平均误差，ωj为第j个样本权重，n为验证集样本数量，pj为第j个预测值，tj为第j个真实值。
通过模型迭代优化，确定模型参数，得到XGBoost预测模型，T表示数的总个数，fm(X)表示第m棵树，Ft(X)表示样本X的预测结果。
在随机选取验证集上的100种电能表预测结果，如图3所示，平均验证误差为1.21年。
基于以上步骤构建的预测模型，通过设置某一特征缺失，重复上述步骤进行预测，根据误差程度计算各个特征在模型预测中的贡献值，如图4，可以得出影响不同簇电能表寿命时长的最重要特征，其中贡献最大的前5个特征为存放时长、芯片厂家、通讯规约、电能表规格、招标批次。
本发明另一个实施例公开了一种拆回智能电能表剩余寿命预测装置，包括：
选择模块，用于基于拆回智能电能表属性数据、分拣结果数据和分拣检测项数据，筛选影响拆回智能电能表剩余寿命的重要特征；
聚类模块，用于对每一个重要特征基于属性值不同的取值组合将拆回智能电能表划分为簇；
计算模块，用于基于Weibull分布模型计算每一重要特征的每一簇的拆回智能电能表剩余寿命；
以及，
预测模块，用于对重要特征及相应的簇拆回智能电能表剩余寿命进行学习，建立多特征条件下的拆回智能电能表剩余寿命预测模型。
本实施例中，选择模块具体用于，
获取拆回智能电能表属性数据、分拣结果数据、分拣检测项数据和异常事件数据；
基于所获取的数据进行挖掘分析影响拆回智能电能表剩余寿命的特征；
基于动态特征选择算法筛选出影响拆回智能电能表剩余寿命的重要特征。
本实施例中，预测模块具体用于，
采用XGBoost模型构建多特征条件下的拆回智能电能表剩余寿命预测模型。
值得指出的是，该装置实施例是与上述方法实施例对应的，上述方法实施例的实现方式均适用于该装置实施例中，并能达到相同或相似的技术效果，故不在此赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种拆回智能电能表剩余寿命预测方法，其特征在于，包括：
基于拆回智能电能表属性数据、分拣结果数据和分拣检测项数据，筛选影响拆回智能电能表剩余寿命的重要特征；
对每一个重要特征基于属性值不同的取值组合将拆回智能电能表划分为簇；
基于Weibull分布模型计算每一簇的拆回智能电能表剩余寿命；
对重要特征及相应的簇拆回智能电能表剩余寿命进行学习，建立多特征条件下的拆回智能电能表剩余寿命预测模型。
2.根据权利要求1所述的一种拆回智能电能表剩余寿命预测方法，其特征在于，所述筛选影响拆回智能电能表剩余寿命的重要特征，包括：
获取拆回智能电能表属性数据、分拣结果数据、分拣检测项数据和异常事件数据；
基于所获取的数据进行挖掘分析影响拆回智能电能表剩余寿命的特征；
基于动态特征选择算法筛选出影响拆回智能电能表剩余寿命的重要特征。
3.根据权利要求2所述的一种拆回智能电能表剩余寿命预测方法，其特征在于，所述筛选出影响拆回智能电能表剩余寿命的重要特征包括：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、单位类别、电能表电压、标定电流、过载倍数、有功准确度等级、电能表常数、制造单位、指示数类型、轴承结构、芯片厂家、接线方式、计度器方式、通讯规约、通讯方式、电能表规格、招标批次和存放时长。
4.根据权利要求1所述的一种拆回智能电能表剩余寿命预测方法，其特征在于，采用XGBoost模型构建多特征条件下的拆回智能电能表剩余寿命预测模型。
5.根据权利要求4所述的一种拆回智能电能表剩余寿命预测方法，其特征在于，如果重要特征为分类变量，则对该分类变量采用one-hot编码作为XGBoost模型的输入。
6.根据权利要求4所述的一种拆回智能电能表剩余寿命预测方法，其特征在于，采用K折交叉验证的方式对所构建的XGBoost模型进行训练与验证。
7.根据权利要求1所述的一种拆回智能电能表剩余寿命预测方法，其特征在于，还包括：
通过设置某一重要特征缺失，基于多特征条件下的拆回智能电能表剩余寿命预测模型进行预测，根据误差程度计算各个重要特征在预测中的贡献值，得出影响不同簇电能表寿命的最重要特征。
8.一种拆回智能电能表剩余寿命预测装置，其特征在于，包括：
选择模块，用于基于拆回智能电能表属性数据、分拣结果数据和分拣检测项数据，筛选影响拆回智能电能表剩余寿命的重要特征；
聚类模块，用于对每一个重要特征基于属性值不同的取值组合将拆回智能电能表划分为簇；
计算模块，用于基于Weibull分布模型计算每一重要特征的每一簇的拆回智能电能表剩余寿命；
以及，
预测模块，用于对重要特征及相应的簇拆回智能电能表剩余寿命进行学习，建立多特征条件下的拆回智能电能表剩余寿命预测模型。
9.根据权利要求8所述的一种拆回智能电能表剩余寿命预测装置，其特征在于，所述选择模块具体用于，
获取拆回智能电能表属性数据、分拣结果数据、分拣检测项数据和异常事件数据；
基于所获取的数据进行挖掘分析影响拆回智能电能表剩余寿命的特征；
基于动态特征选择算法筛选出影响拆回智能电能表剩余寿命的重要特征。
10.根据权利要求8所述的一种拆回智能电能表剩余寿命预测装置，其特征在于，所述预测模块具体用于，
采用XGBoost模型构建多特征条件下的拆回智能电能表剩余寿命预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111400442.1A CN114252794B (zh) | 2021-11-24 | 2021-11-24 | 一种拆回智能电能表剩余寿命预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111400442.1A CN114252794B (zh) | 2021-11-24 | 2021-11-24 | 一种拆回智能电能表剩余寿命预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114252794A true CN114252794A (zh) | 2022-03-29 |
| CN114252794B CN114252794B (zh) | 2024-04-09 |
Family
ID=80793137
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111400442.1A Active CN114252794B (zh) | 2021-11-24 | 2021-11-24 | 一种拆回智能电能表剩余寿命预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114252794B (zh) |
Cited By (1)
| 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 |
Citations (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105022019A (zh) * | 2015-06-23 | 2015-11-04 | 国家电网公司 | 单相智能电能表可靠性综合评价的方法 |
| CN106054105A (zh) * | 2016-05-20 | 2016-10-26 | 国网新疆电力公司电力科学研究院 | 一种智能电表的可靠性预计修正模型建立方法 |
| CN106845768A (zh) * | 2016-12-16 | 2017-06-13 | 东南大学 | 基于生存分析参数分布的公交车旅行时间模型构建方法 |
| CN109375143A (zh) * | 2018-08-30 | 2019-02-22 | 中国电力科学研究院有限公司 | 一种确定智能电能表剩余寿命的方法 |
| CN109522517A (zh) * | 2018-10-11 | 2019-03-26 | 中国电力科学研究院有限公司 | 一种电表失效率计算方法和系统 |
| CN109598353A (zh) * | 2018-12-06 | 2019-04-09 | 国网浙江省电力有限公司电力科学研究院 | 一种批次电能表近期寿命预测方法 |
| CN110146840A (zh) * | 2019-05-23 | 2019-08-20 | 国网浙江省电力有限公司电力科学研究院 | 一种基于多应力影响的批次电能表近期寿命预测方法 |
| 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 |
| CN110363436A (zh) * | 2019-07-18 | 2019-10-22 | 国网冀北电力有限公司电力科学研究院 | 一种拆回电能表分拣智能处置方法及系统 |
| JP2019207604A (ja) * | 2018-05-30 | 2019-12-05 | Kddi株式会社 | 行動パターンからの乖離度に基づいて感情を推定可能なプログラム、装置及び方法 |
| CN110781206A (zh) * | 2019-12-02 | 2020-02-11 | 国网河北省电力有限公司电力科学研究院 | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 |
| WO2020079839A1 (ja) * | 2018-10-19 | 2020-04-23 | 三菱電機株式会社 | エレベーターのブレーキ装置劣化予測システム |
| CN111738573A (zh) * | 2020-06-09 | 2020-10-02 | 国网河北省电力有限公司营销服务中心 | 一种基于电能表全寿命周期数据的健康评价方法 |
| CN112213681A (zh) * | 2019-07-09 | 2021-01-12 | 河南许继仪表有限公司 | 一种电能表寿命预测方法及装置 |
| WO2021098246A1 (zh) * | 2019-11-19 | 2021-05-27 | 河南许继仪表有限公司 | 一种电能表寿命预测方法、装置及存储介质 |
| CN112904268A (zh) * | 2021-01-22 | 2021-06-04 | 国网浙江省电力有限公司舟山供电公司 | 基于盐雾老化及状态监测的电能表更换时间预测方法 |
| CN113065234A (zh) * | 2021-03-17 | 2021-07-02 | 广东电网有限责任公司计量中心 | 一种智能电表的批次可靠性风险等级评估方法及系统 |
| CN113176530A (zh) * | 2020-08-25 | 2021-07-27 | 北京合众伟奇科技有限公司 | 一种基于拆回表运行特征的在运电能表批次故障诊断方法 |
-
2021
- 2021-11-24 CN CN202111400442.1A patent/CN114252794B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105022019A (zh) * | 2015-06-23 | 2015-11-04 | 国家电网公司 | 单相智能电能表可靠性综合评价的方法 |
| CN106054105A (zh) * | 2016-05-20 | 2016-10-26 | 国网新疆电力公司电力科学研究院 | 一种智能电表的可靠性预计修正模型建立方法 |
| CN106845768A (zh) * | 2016-12-16 | 2017-06-13 | 东南大学 | 基于生存分析参数分布的公交车旅行时间模型构建方法 |
| JP2019207604A (ja) * | 2018-05-30 | 2019-12-05 | Kddi株式会社 | 行動パターンからの乖離度に基づいて感情を推定可能なプログラム、装置及び方法 |
| CN109375143A (zh) * | 2018-08-30 | 2019-02-22 | 中国电力科学研究院有限公司 | 一种确定智能电能表剩余寿命的方法 |
| CN109522517A (zh) * | 2018-10-11 | 2019-03-26 | 中国电力科学研究院有限公司 | 一种电表失效率计算方法和系统 |
| WO2020079839A1 (ja) * | 2018-10-19 | 2020-04-23 | 三菱電機株式会社 | エレベーターのブレーキ装置劣化予測システム |
| CN109598353A (zh) * | 2018-12-06 | 2019-04-09 | 国网浙江省电力有限公司电力科学研究院 | 一种批次电能表近期寿命预测方法 |
| CN110146840A (zh) * | 2019-05-23 | 2019-08-20 | 国网浙江省电力有限公司电力科学研究院 | 一种基于多应力影响的批次电能表近期寿命预测方法 |
| 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 |
| CN112213681A (zh) * | 2019-07-09 | 2021-01-12 | 河南许继仪表有限公司 | 一种电能表寿命预测方法及装置 |
| CN110363436A (zh) * | 2019-07-18 | 2019-10-22 | 国网冀北电力有限公司电力科学研究院 | 一种拆回电能表分拣智能处置方法及系统 |
| WO2021098246A1 (zh) * | 2019-11-19 | 2021-05-27 | 河南许继仪表有限公司 | 一种电能表寿命预测方法、装置及存储介质 |
| CN112904266A (zh) * | 2019-11-19 | 2021-06-04 | 河南许继仪表有限公司 | 一种电能表寿命预测方法及装置 |
| CN110781206A (zh) * | 2019-12-02 | 2020-02-11 | 国网河北省电力有限公司电力科学研究院 | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 |
| CN111738573A (zh) * | 2020-06-09 | 2020-10-02 | 国网河北省电力有限公司营销服务中心 | 一种基于电能表全寿命周期数据的健康评价方法 |
| CN113176530A (zh) * | 2020-08-25 | 2021-07-27 | 北京合众伟奇科技有限公司 | 一种基于拆回表运行特征的在运电能表批次故障诊断方法 |
| CN112904268A (zh) * | 2021-01-22 | 2021-06-04 | 国网浙江省电力有限公司舟山供电公司 | 基于盐雾老化及状态监测的电能表更换时间预测方法 |
| CN113065234A (zh) * | 2021-03-17 | 2021-07-02 | 广东电网有限责任公司计量中心 | 一种智能电表的批次可靠性风险等级评估方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 陈佐;祝永晋;马吉科;于广荣;曾望志;: "电能表快速分拣检测方案", 江苏科技信息, no. 01 * |
Cited By (2)
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114252794B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Van der Auweraer et al. | Forecasting spare part demand with installed base information: A review | |
| CN111459778B (zh) | 运维系统异常指标检测模型优化方法、装置及存储介质 | |
| Tang et al. | Design of screening procedures: a review | |
| CN107967485A (zh) | 用电计量设备故障分析方法及装置 | |
| CN113011530B (zh) | 一种基于多分类器融合的智能电表故障预测方法 | |
| CN104731664A (zh) | 用于故障处理的方法和装置 | |
| CN111090579B (zh) | 基于皮尔森相关性加权关联分类规则的软件缺陷预测方法 | |
| CN113868947A (zh) | 一种智能电能表寿命预测方法及装置 | |
| CN115730962A (zh) | 一种基于大数据的电力营销稽查分析系统及方法 | |
| CN112132210A (zh) | 一种基于客户用电行为的窃电概率预警分析方法 | |
| CN112101471A (zh) | 窃电概率预警分析方法 | |
| 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 | |
| Long et al. | A data-driven combined algorithm for abnormal power loss detection in the distribution network | |
| CN116882804A (zh) | 一种智能电力监控方法及系统 | |
| Becherer et al. | Intelligent choice of machine learning methods for predictive maintenance of intelligent machines | |
| CN114252794A (zh) | 一种拆回智能电能表剩余寿命预测方法及装置 | |
| CN115907303A (zh) | 一种基于大数据的轴承设备综合效能影响因素分析方法 | |
| CN113127342A (zh) | 基于电网信息系统特征选择的缺陷预测方法及装置 | |
| Wagner et al. | Exploring 14 years of repair records–information retrieval, analysis potential and data gaps to improve reparability | |
| CN106651093A (zh) | 一种用于低压集抄系统的智能复核管控方法 | |
| CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
| CN118469681A (zh) | 一种it设备分时租赁解决方案系统 | |
| CN114626433A (zh) | 一种智能电能表故障预测并分类方法、装置及系统 | |
| CN117592682A (zh) | 一种基于实时审计数据流分析系统的供应链风险监控方法及系统 | |
| CN117763432A (zh) | 通讯故障预测方法、装置、设备及存储介质 |
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 |