一种拆回智能电能表剩余寿命预测方法及装置制造方法及图纸

本发明专利技术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。本发明专利技术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。划做好有效支撑。划做好有效支撑。

【技术实现步骤摘要】
一种拆回智能电能表剩余寿命预测方法及装置


[0001]本专利技术涉及智能电能表故障信息挖掘
，具体涉及一种拆回智能电能表剩余寿命预测方法及装置。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]本专利技术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。
[0006]为达到上述目的，本专利技术采用的技术方案如下：
[0007]一种拆回智能电能表剩余寿命预测方法，其特征在于，包括：
[0008]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；
[0009]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；
[0010]基于Weibull分布模型计算每一簇的拆回智能电能表剩余寿命；
[0011]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。
[0012]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：
[0013]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；
[0014]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；
[0015]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。
[0016]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。
[0017]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。
[0018]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。
[0019]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。
[0020]进一步的，还包括：
[0021]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。
[0022]本专利技术还涉及一种拆回智能电能表剩余寿命预测装置，包括：
[0023]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；
[0024]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；
[0025]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；
[0026]以及，
[0027]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。
[0028]进一步的，所述选择模块具体用于，
[0029]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；
[0030]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；
[0031]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。
[0032]进一步的，所述预测模块具体用于，
[0033]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。
[0034]与现有技术相比，本专利技术所达到的有益效果是：本专利技术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
[0035]图1为本专利技术的拆回智能电能表剩余寿命预测方法流程图；
[0036]图2为本专利技术实施例中基于Weibull分布模型的可靠度函数曲线；
[0037]图3为本专利技术实施例中基于XGBoost预测模型的寿命预测结果曲线。
[0038]图4为本专利技术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
[0039]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0040]本专利技术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：
[0041](1)分析数据源
[0042]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。
[0043]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。
[0044]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。
[0045]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。
[0046]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。
[0047]将上本文档来自技高网...

【技术保护点】

【技术特征摘要】
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
‑
...

【专利技术属性】
技术研发人员：陈雅伦，叶剑斌，赵兴旺，艾臻，曹菲，汪翊节，宋振华，吴旭辉，王杰，蒋鑫源，储鹏飞，戴睿，
申请(专利权)人：国电南瑞南京控制系统有限公司，
类型：发明
国别省市：