一种智能电能表寿命预测方法技术

本发明专利技术涉及一种智能电能表寿命预测方法，包括如下步骤：步骤1，收集智能电能表数据并标注，建立数据集；步骤2，寿命特征生成；步骤3，生成风险损失；步骤4，基于MK

【技术实现步骤摘要】
一种智能电能表寿命预测方法


[0001]本专利技术属于人工智能的数据挖掘领域，具体的是一种基于寿命特征生成和生存风险损失的MK
‑
MMD域自适应智能电能表寿命预测方法。

技术介绍

[0002]智能电能表承载着保证用户用电安全、支撑智能电网建设、助力资产管理的重要功能。智能电能表造价比传统计量电能表更高，具有安装数量大、市场前景好、技术复杂的特点。智能电能表寿命预测可以尽可能延续智能电能表使用寿命，实现智能电能表最大价值，如何精准进行智能电能表寿命预测是智能电能表最大化价值的首要问题之一。

技术实现思路

[0003]本专利技术提出的是一种智能电能表寿命预测方法，其目的旨在通过生成具有丰富寿命信息的寿命特征，通过生存风险损失引导模型对预测寿命结果的生存风险进行计算，并加入了域自适应方法缩小域分布差异，实现更加精准的智能电能表寿命预测。
[0004]本专利技术通过如下技术手段加以实现：
[0005]一种智能电能表寿命预测方法，包括如下步骤：
[0006]步骤1，收集智能电能表数据并标注，建立数据集；
[0007]步骤2，寿命特征生成；
[0008]步骤3，生存风险损失；
[0009]步骤4，基于MK
‑
MMD实现域自适应方法；
[0010]步骤5，构建基于寿命特征生成和生存风险损失的MK
‑
MMD域自适应方法的网络模型。
[0011]所述步骤1具体包括以下步骤：
[0012]1‑r/>1、从用电信息采集系统中提取智能电能表相关数据。
[0013]1‑
2、使用数据处理的相关方法进行数据的清洗、处理；
[0014]1‑
3、对电压异常事件表进行特征提取；
[0015]1‑
4、合并表项和生成标签信息；
[0016]所述步骤1
‑
1具体过程包括如下：从智能电能表资产信息表D_METER、电压异常事件表EREC_10中提取具有相同标识的智能电能表记录：
[0017]所述步骤1
‑
2具体过程包括如下：分别对步骤1
‑
1提取的样本数据进行规则清洗、空缺值处理；
[0018]所述步骤1
‑
3具体过程包括如下：选择一个多表共有智能电能表标识符METER_ID，从经过处理后的EREC_10表中抽取此智能电能表的电压异常事件记录，对一段时间间隔T内异常事件情况进行分类统计，作为电压异常事件特征提取结果；
[0019]所述步骤1
‑
4具体过程包括如下：通过智能电能表唯一标识符METER_ID合并电压异常事件特征和智能电能表资产信息表特征，然后生成样本的剩余寿命标签d
m
‑
r
m
，d
m
是智
能电能表第m个样本的报废时间，此时间记录于智能电能表资产信息表中，r
m
是对应样本电压异常事件统计记录结束时间。
[0020]所述步骤2具体包括以下步骤：
[0021]步骤2
‑
1、将原样本按特征值分成不同子集；
[0022]步骤2
‑
2、针对不同子集，使用极大似然估计对样本子集求解威布尔分布参数；
[0023]步骤2
‑
3、基于求得的威布尔分布参数生成该批次寿命特征。
[0024]所述步骤2
‑
1中，所述的样本中的原始特征值都是离散值，按照特征值划分为不同的子集；
[0025]所述步骤2
‑
2具体过程包括如下：根据样本子集和极大似然估计原理得到似然函数，此似然函数是关于威布尔分布参数的函数。接着对似然函数取对数和求偏导得到了一组关于威布尔分布参数的超越方程。因为超越方程很难求出形式解。本专利技术使用非线性方程组数值解法的Newton
‑
Raphson算法求解分布参数η和β；
[0026]步骤2
‑
3中所述的寿命特征为威布尔分布下的平均寿命，公式表述为ηΓ(1+1/β)。
[0027]所述步骤3包括以下步骤：
[0028]步骤3
‑
1、使用极大似然估计求出智能电能表源域样本(训练集)总体寿命的威布尔分布参数；
[0029]步骤3
‑
2、确定生存风险损失的具体形式；
[0030]所述步骤3
‑
1具体过程包括如下：使用步骤2所述的极大似然估计法求解智能电能表源域样本寿命服从的威布尔分布参数η和β。
[0031]所述步骤3
‑
2中具体过程包括如下：利用步骤3
‑
1求解的威布尔分布参数确定样本服从的威布尔分布生存风险函数形式：
[0032][0033]式中y
c
是预测寿命；
[0034]进而就可以确定适用于智能电能表寿命预测的生存风险损失具体形式；
[0035][0036]式中y
c
是预测寿命，y是真实寿命，J
C
(y
c
,y)是预测损失。
[0037]所述步骤4中首先使用特征提取网络提取源域样本和目标域样本的源域特征和目标域特征，而后再基于MK
‑
MMD计算域分布差异；
[0038]所述步骤5具体过程为：首先，源域和目标域数据经过寿命特征生成模块生成寿命特征，再将生成的寿命特征和原始特征合并共同送入特征提取网络提取特征，然后将提取的特征送入到域自适应模块中，并对源域和目标域特征使用MK
‑
MMD方法计算域差异损失，接着将源域特征送入预测模块对智能电能表寿命进行预测，对预测值进行常规预测损失计算，并将预测值送入到生存风险损失模块中计算出生存风险损失，将三种损失叠加作为总的损失指导模型参数更新，进行更加精准的寿命预测。
[0039]本专利技术与现有技术相比，具有以下有益效果：
[0040]1)使用寿命特征生成方法，基于统计学威布尔分布生成了包含丰富寿命信息的寿命特征，增强智能电能表特征与其寿命的关联关系，提升检测精度。
[0041]2)提出生存风险损失，设计了生存风险损失来优化损失函数，引导模型通过对预测寿命结果进行风险计算，使得损失函数符合实际应用场景，更好地指导模型训练。
附图说明
[0042]附图1是本专利技术方法中一种基于寿命特征生成和生存风险损失的MK
‑
MMD域自适应智能电能表寿命预测方法网络结构图。
[0043]附图2是本专利技术方法中基于威布尔分布的寿命特征生成算法流程。
[0044]附图3是本专利技术方法中基于生存风险损失和寿命特征生成的MK
‑
MMD域自适应算法流程。
具体实施方式
[0045]下面通过具体的例子对本专利技术进行详细说明：
[0046本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能电能表寿命预测方法，其特征是包括如下步骤：步骤1，收集智能电能表数据并标注，建立数据集；步骤2，寿命特征生成；步骤3，生成风险损失；步骤4，基于MK
‑
MMD实现域自适应方法；步骤5，构建基于寿命特征生成和生存风险损失的MK
‑
MMD域自适应方法的网络模型。2.根据权利要求1所述的一种智能电能表寿命预测方法，其特征是所述步骤1具体包括以下步骤：1
‑
1、从用电信息采集系统中提取智能电能表相关数据；1
‑
2、使用数据处理的相关方法进行数据的清洗、处理；1
‑
3、对电压异常事件表进行特征提取；1
‑
4、合并表项和生成标签信息。3.根据权利要求2所述的一种智能电能表寿命预测方法，其特征是所述步骤1
‑
1中所述的智能电能表相关数据为从智能电能表资产信息表D_METER、电压异常事件表EREC_10中提取具有相同标识符METER_ID的智能电能表记录：所述步骤1
‑
2使用数据处理的相关方法进行数据的清洗、处理为对步骤1
‑
1提取的样本数据进行规则清洗、空缺值处理；所述步骤1
‑
3对电压异常事件表进行特征提取的具体过程包括如下：选择一个多表共有的智能电能表METER_ID标识符，从经过处理后的EREC_10表中抽取此智能电能表的电压异常事件记录，对一段时间间隔T内异常事件情况进行分类统计，作为电压异常事件特征提取结果；所述步骤1
‑
4具体过程包括如下：通过智能电能表唯一标识符METER_ID合并电压异常事件特征和智能电能表资产信息表特征，然后生成样本的剩余寿命标签d
m
‑
r
m
，d
m
是智能电能表第m个样本的报废时间，r
m
是该样本电压异常事件统计记录结束时间。4.根据权利要求1所述的一种基于寿命特征生成和MK
‑
MMD域自适应的方法，其特征是所述步骤2具体包括以下步骤：步骤2
‑
1、将原样本按特征值分成不同子集；步骤2
‑
2、针对不同子集，使用极大似然估计对样本子集求解威布尔分布参数；步骤2
‑
...

【专利技术属性】
技术研发人员：刘凡，李慧洲，
申请(专利权)人：河海大学，
类型：发明
国别省市：