一种用于智能电表寿命的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用于预测智能电表使用寿命的方法，包括：获取多个影响因素与智能电表使用寿命的统计数据，将多个影响因素作为输入参数，智能电表使用寿命作为输出参数，建立基于BP神经网络的智能电表使用寿命的预测模型，将所述统计数据作为所述预测模型的训练数据，根据所述输出参数，确定所述输入参数所占的比重，以对预测模型进行修正，根据接收到的影响因素数据并通过所述经过修正的预测模型，获取在所述影响因素条件下智能电表的使用寿命。解决了根据智能电表的使用环境下得出智能电表使用寿命的问题。

A Life Prediction Method and Device for Intelligent Meter

The invention discloses a method for predicting the service life of smart meters, which includes acquiring statistical data of multiple influencing factors and the service life of smart meters, using multiple influencing factors as input parameters and the service life of smart meters as output parameters, establishing a prediction model of the service life of smart meters based on BP neural network, and using the statistical data as the prediction. The training data of the model, according to the output parameters, determines the proportion of the input parameters to modify the prediction model, and obtains the service life of the smart meter under the conditions of the influencing factors according to the received influencing factors data and through the modified prediction model. It solves the problem of obtaining the service life of smart meters according to the use environment of smart meters.

【技术实现步骤摘要】
一种用于智能电表寿命的预测方法及装置
本申请涉及设备寿命预测领域，具体涉及一种用于预测智能电表使用寿命的方法，同时涉及一种用于智能电表使用寿命的预测装置。
技术介绍
智能电表上的使用寿命，通常都是根据经验值得出的平均使用寿命，所以智能电表的轮换模式也是根据智能电表的平均使用寿命，采用定期轮换的方式，而智能电表的使用寿命又与其使用的环境因素和电气因素有关，例如，同样的智能电表，放在室内和室外，室外的智能电表会受光照，降雨等的影响，使用寿命明显要比用在室内的智能电表的寿命要短。智能电表工作时的电压和电流也是影响智能电表寿命的两个关键电气应力因素，如果智能电表工作时的电气应力超出规定的比值，也会使智能电表的使用寿命下降。所以，在实际使用环境下智能电表的使用寿命与根据经验值得出的智能电表的使用寿命存在差异，目前，需要一种根据智能电表的实际使用环境计算智能电表使用寿命的方法。
技术实现思路
本申请提供一种用于智能电表寿命的预测方法，以解决根据经验值得出的智能电表的使用寿命不准确的问题。本申请提供一种用于智能电表寿命的预测方法，包括：获取多个影响因素与智能电表使用寿命的统计数据；将多个影响因素作为输入参数，智能电表使用寿命作为输出参数，建立基于BP神经网络的智能电表使用寿命的预测模型；将所述统计数据作为所述预测模型的训练数据，根据所述输出参数，确定所述输入参数所占的比重，以对预测模型进行修正；根据接收到的影响因素数据并通过所述经过修正的预测模型，获取在所述影响因素条件下智能电表的使用寿命。优选的，所述获取多个影响因素与智能电表使用寿命的统计数据，包括：获取温度、湿度、气压、光照、盐雾、降雨、电压和电流与智能电表使用寿命的统计数据。优选的，所述统计数据包括不同智能电表厂家和/或不同智能电表类型的统计数据。优选的，将所述统计数据作为所述预测模型的训练数据，根据所述输出参数，确定所述输入参数所占的比重，以对预测模型进行修正，包括：将所述影响因素进行规一化处理，样本数据为xp，其中p＝1、2、3…n，n为自然数；设xp的最大值与最小值为xmax、xmin，则处理后的数据为：使用连续可导的sigmoid函数作为BP神经网络的激发函数，x为输入数据，具体公式如下：输入层的第i个节点的输入值为：xi为BP神经网络的输入数据值，θi为第i个节点的阈值。输出数据值为：本申请一种用于智能电表寿命的预测装置，包括：数据获取单元，用于获取多个影响因素与智能电表使用寿命的统计数据；模型建立单元，用于将多个影响因素作为输入参数，智能电表使用寿命作为输出参数，建立基于BP神经网络的智能电表使用寿命的预测模型；模型训练单元，用于将所述统计数据作为所述预测模型的训练数据，根据所述输出参数，确定所述输入参数所占的比重，以对预测模型进行修正；使用寿命输出单元，用于根据接收到的影响因素数据并通过所述经过修正的预测模型，获取在所述影响因素条件下智能电表的使用寿命。与现有技术相比，本申请提供的一种用于智能电表寿命的预测方法，通过将智能电表的使用寿命统计数据作为预测模型的训练数据，根据所述输出参数，确定所述输入参数所占的比重，以对预测模型进行修正，解决了根据智能电表的使用环境下得出智能电表使用寿命的问题。附图说明图1是本申请第一实施例提供的用于预测智能电表使用寿命的方法示意图；图2是本申请第一实施例涉及的智能电表使用寿命统计图；图3是本申请第一实施例涉及的BP神经网络结构图；图4是本申请第一实施例涉及的试验数据与仿真结果统计图；图5是本申请第一实施例涉及的智能电表寿命预测三维散点图；图6是本申请第一实施例涉及的智能电表温度-寿命的二维条形图；图7是本申请第一实施例涉及的智能电表湿度-寿命的二维条形图；图8是本申请第一实施例提供的用于预测智能电表使用寿命的装置示意图。具体实施方式在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。请参看图1，图1为本申请提供的用于预测智能电表使用寿命的方法示意图，下面结合图1提供方法进行详细说明。步骤S101，获取多个影响因素与智能电表使用寿命的统计数据。目前，智能电表的使用寿命多来源于经验值，而且智能电表的使用寿命是根据经验值得出的平均使用寿命。所以，当智能电表规定的使用寿命到期后，采用定期轮换的方式对已到期的智能电表进行更换，但是，一些设备的使用期限在不同的使用环境下，使用寿命也会不同，智能电表也是如此。例如，挂在室内使用的智能电表不受光照因素影响，通常比挂在室外使用的智能电表的使用寿命要长，挂在室外使用的智能电表有可能在平均使用寿命未到期前就发生了损坏，影响了用户的使用，而挂在室内的智能电表不受光照因素的影响，使用寿命会比平均使用寿命更长，所以根据平均使用寿命更换智能电表的机制存在缺陷。影响智能电表使用寿命的因素很多，其中气候环境、电气环境因素是主要影响指标，上面提到的光照只是气候因素中的一项，除了光照，气候环境还包括：温度、湿度、气压、盐雾、降雨。电气因素就包括：电压和电流。而且不同的智能电表生产厂家，不同类型、不同型号的智能电表的寿命也不同。在本申请中，以同一生产厂家、同一类型、同一型号的智能电表为研究对象。如图2所示，图2为选取单相智能电表为研究对象，取温度、湿度、气压为影响因素，然后获取在这三种因素影响条件下，智能电表的使用寿命。从图中的统计数据可以看出，智能电表的使用寿命受这些影响因素共同作用。步骤S102，将多个影响因素作为输入参数，智能电表使用寿命作为输出参数，建立基于BP神经网络的智能电表使用寿命的预测模型。从图2可以看出，智能电表的使用寿命受多个影响因素的共同作用，在不同的影响因素影响下，智能电表的使用寿命可能不同，也有可能相同，这些影响因素对智能电表的使用寿命的影响程序不同，那么就需要一个科学合理的计算方法，以现有的统计数据为基础，通过对统计数据进行合理的计算，从而可以计算得出任意影响因素条件下智能电表的使用寿命。BP(ErrorBackPropagationNetwork)神经网络应用广泛，其结构图如图3所示。BP神经网络由输入层、中间层(或隐藏层)和输出层组成，且各层之间互相影响，每一层的输入会影响下一层的输出。BP神经网络算法的学习过程由正向传播和反向传播组成：在正向传播过程中，输入数据从输入层经逐层处理，传向输出层，每层神经元(节点)的状态只影响下一层神经元的状态。如果在输入层不能得到期望的输出，则转至反向传播，将误差信号(理想输出与实际输出之差)按连接通路反向计算，由梯度下降法调整各层神经元的权值，使误差信号降低。BP神经网络算法通过机器学习的方式，通过对现有数据进行计算，根据输入层的数据，将计算结果在输出层输出。所以，可以选用BP神经网络作为预测智能电表使用寿命的模型，将多个影响因素作为输入参数，智能电表使用寿命作为输出参数，建立基于BP神经网张的智能电表使用寿命的预测模型。而且使用BP神经网络的标准算法。标准算法包括以下的前向传播公式和后退算法。BP神经网络前向传播计算的公式如下：BP神经网络后退算法的基本思想是：j在神经元的输出本文档来自技高网...

【技术保护点】
1.一种用于预测智能电表使用寿命的方法，其特征在于，包括：获取多个影响因素与智能电表使用寿命的统计数据；将多个影响因素作为输入参数，智能电表使用寿命作为输出参数，建立基于BP神经网络的智能电表使用寿命的预测模型；将所述统计数据作为所述预测模型的训练数据，根据所述输出参数，确定所述输入参数所占的比重，以对预测模型进行修正；根据接收到的影响因素数据并通过所述经过修正的预测模型，获取在所述影响因素条件下智能电表的使用寿命。

【技术特征摘要】
1.一种用于预测智能电表使用寿命的方法，其特征在于，包括：获取多个影响因素与智能电表使用寿命的统计数据；将多个影响因素作为输入参数，智能电表使用寿命作为输出参数，建立基于BP神经网络的智能电表使用寿命的预测模型；将所述统计数据作为所述预测模型的训练数据，根据所述输出参数，确定所述输入参数所占的比重，以对预测模型进行修正；根据接收到的影响因素数据并通过所述经过修正的预测模型，获取在所述影响因素条件下智能电表的使用寿命。2.根据权利要求1所述的方法，其特征在于，所述获取多个影响因素与智能电表使用寿命的统计数据，包括：获取温度、湿度、气压、光照、盐雾、降雨、电压和电流与智能电表使用寿命的统计数据。3.根据权利要求1所述的方法，其特征在于，所述统计数据包括不同智能电表厂家和/或不同智能电表类型的统计数据。4.根据权利要求1所述的方法，其特征在于，将所述统计数据作为所述预测模型的训练数据，根据所述输出参数，确定所述输入参数所占的比重，以对预测...

【专利技术属性】
技术研发人员：张蓬鹤，张保亮，薛阳，徐英辉，成达，李求洋，杨芾藜，郑可，
申请(专利权)人：中国电力科学研究院有限公司，国家电网有限公司，国网重庆市电力公司电力科学研究院，
类型：发明
国别省市：北京,11