基于神经网络模型的智能电表状态评价方法、系统及介质技术方案

本发明专利技术公开了一种基于神经网络模型的智能电表状态评价方法、系统及介质，该方法包括：数据采集及预处理；建立卷积神经网络模型；代入采集数据并训练卷积神经网络模型；确定周围因素影响因素，对卷积神经网络模型进行修正；通过修正后的卷积神经网络模型，对智能电表的状态进行评价，得到评价结果；根据评价结果建立智能电表轮换策略。本发明专利技术通过大数据与神经网络相结合的方式对智能电表状态进行评价，可以提升智能电表资产管理水平，实现有效监测和运行状态的评价，避免资金的浪费和能源的损失，同时增加了用户的感知，确保计量工作质量高效、依法规范。依法规范。依法规范。

【技术实现步骤摘要】
基于神经网络模型的智能电表状态评价方法、系统及介质


[0001]本专利技术属于计算机视觉的
，具体涉及一种基于神经网络模型的智能电表状态评价方法、系统及介质。

技术介绍

[0002]根据现行国家电能表计量检定规程(JJG596
‑
2012电子式交流电能表检定规程)规定，2级单相智能电表的检定周期为8年。南方电网公司2018年已实现智能电表全覆盖，2012年首次安装的电子式电能表已临近8年检定周期，后续每年均有几百万只智能电表面临到期拆回检定问题。由于技术进步和制造工艺水平的提高，电能表的实际运行寿命普遍达到10
‑
15年。国际法制计量组织2010年7月TC3/TS4工作组编写文件《采用抽样方法对使用中民用仪表进行后续检定》，建议若抽样检测合格，可延长50％有效期。如仍按检定周期拆回大量性能完好的电能表，将导致大量的资金浪费以及无法预计的换表停电损失。
[0003]为了有针对性的对台区电表进行状态检测和评价，需要应用计量大数据，提升智能电表资产管理水平有效监测和评价运行状态，进而得到精准的电表状态评价结果，以有利于进行电表轮换策略的制定。

技术实现思路

[0004]本专利技术的主要目的在于克服现有技术的缺点与不足，提供一种基于神经网络模型的智能电表状态评价方法、系统及介质。
[0005]为了达到上述目的，本专利技术采用以下技术方案：
[0006]本专利技术的一个方面，提供了一种基于神经网络模型的智能电表状态评价方法，包括下述步骤：
>[0007]数据采集及预处理；
[0008]建立卷积神经网络模型；
[0009]代入采集数据并训练卷积神经网络模型；
[0010]确定周围影响因素，对卷积神经网络模型进行修正；
[0011]通过修正后的卷积神经网络模型，对智能电表的状态进行评价，得到评价结果；
[0012]根据评价结果建立智能电表轮换策略。
[0013]作为优选的技术方案，所述数据采集及预处理具体为：
[0014]基于大数据采集技术，积累大量的已有数据，并对这些数据进行数据清洗和筛选，得到需要进行训练的数据集；所述数据表包括智能电表的档案信息、误差信息；所述档案信息包括用户编号、安装日期、台区编号或台区名称、电表读数、位置信息；所述误差信息包括误差值、误差率、超差值信息。
[0015]作为优选的技术方案，所述卷积神经网络模型包括输入层、输出层以及若干个隐藏层，每个输入层、隐藏层的神经节点的输入输出关系为：
[0016][0017]其中，x
j
为前一神经节点的输出，w
ij
为前一神经节点到i节点的权重，b为偏置因子，f为激活函数。
[0018]作为优选的技术方案，所述卷积神经网络模型通过结合拟牛顿法与最小二乘法进行训练，具体为：
[0019]用统一的阈值，对各个台区的数据作预处理，达到一个合理初值；
[0020]利用递归形式的最小二乘法，利用每一天新加入的数据对之前的计算误差作微调。
[0021]作为优选的技术方案，所述周围影响因素包括地理位置、安装台区、安装时间、供电信息、环境温度、环境湿度。
[0022]作为优选的技术方案，各个周围影响因素的权重占比为：地理位置15％、安装台区10％、安装时间20％、供电信息15％、环境温度20％、环境湿度20％。
[0023]作为优选的技术方案，所述对卷积神经网络模型进行修正，具体为：根据周围影响因素的权重占比，对卷积神经网络模型的权重值进行调整。
[0024]本专利技术的另一个方面，提供了一种基于神经网络模型的智能电表状态评价系统，应用于上述的一种基于神经网络模型的智能电表状态评价方法，包括预处理模块、模型构建模型、模型训练模块、影响因素修正模块以及预测结果输出模块；
[0025]所述预处理模块用于进行数据采集及预处理；
[0026]所述模型构建模型用于建立卷积神经网络模型；
[0027]所述模型训练模块用于代入采集数据并训练卷积神经网络模型；
[0028]所述影响因素修正模块用于确定周围影响因素，对卷积神经网络模型进行修正；
[0029]所述预测结果输出模块用于通过修正后的卷积神经网络模型，对智能电表的状态进行评价，得到评价结果，并根据评价结果建立智能电表轮换策略。
[0030]本专利技术的另一个方面，提供了一种存储介质，存储有程序，所述程序被处理器执行时，实现上述的基于神经网络模型的智能电表状态评价方法。
[0031]本专利技术与现有技术相比，具有如下优点和有益效果：
[0032](1)本专利技术通过大数据与神经网络相结合的方式对智能电表状态进行评价，可以提升智能电表资产管理水平，实现有效监测和运行状态的评价，避免资金的浪费和能源的损失，同时增加了用户的感知，确保计量工作质量高效、依法规范。
附图说明
[0033]图1是本专利技术实施例基于神经网络模型的智能电表状态评价方法的流程图；
[0034]图2是本专利技术实施例构建的卷积神经网络模型的结构示意图；
[0035]图3是本专利技术实施例基于神经网络模型的智能电表状态评价系统的结构示意图；
[0036]图4是本专利技术实施例的存储介质的结构示意图。
具体实施方式
[0037]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域技术人员在没
有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
[0038]实施例
[0039]如图1所示，本实施例提供了一种基于神经网络模型的智能电表状态评价方法，包括以下步骤：
[0040]S1、数据采集及预处理，具体为：
[0041]基于大数据采集技术，积累大量的已有数据，并对这些数据进行预处理，得到需要进行训练的数据集。
[0042]所述预处理具体为：数据清洗以及筛选；
[0043]这些数据可以根据需要监控台区来确定，并经由电能量平台通过接口获取，保存到数据表。包括智能电表的档案信息、误差信息。档案信息包括用户编号、安装日期、台区编号(或台区名称)、电表读数、位置信息；误差信息包括误差值、误差率、超差值等信息。
[0044]S2、建立卷积神经网络模型，如图2所示，包括输入层、隐藏层以及输出层；在本实施例中输入层的输入量为8，隐藏层的节点量为4，图2仅做示例，其中的隐藏层可以为多层。
[0045]每一个神经节点是输入输出关系为：
[0046][0047]其中，x
j
为前一神经节点的输出，w
ij
为前一神经节点到i节点的权重，b为偏置因子，f为激活函数(例如可采用sigmoid函数)。
[0048]S3、代入采本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络模型的智能电表状态评价方法，其特征在于，包括下述步骤：数据采集及预处理；建立卷积神经网络模型；代入采集数据并训练卷积神经网络模型；确定周围影响因素，对卷积神经网络模型进行修正；通过修正后的卷积神经网络模型，对智能电表的状态进行评价，得到评价结果；根据评价结果建立智能电表轮换策略。2.根据权利要求1所述的基于神经网络模型的智能电表状态评价方法，其特征在于，所述数据采集及预处理具体为：基于大数据采集技术，积累大量的已有数据，并对这些数据进行数据清洗和筛选，得到需要进行训练的数据集；所述数据表包括智能电表的档案信息、误差信息；所述档案信息包括用户编号、安装日期、台区编号或台区名称、电表读数、位置信息；所述误差信息包括误差值、误差率、超差值信息。3.根据权利要求1所述的基于神经网络模型的智能电表状态评价方法，其特征在于，所述卷积神经网络模型包括输入层、输出层以及若干个隐藏层，每个输入层、隐藏层的神经节点的输入输出关系为：其中，x
j
为前一神经节点的输出，w
ij
为前一神经节点到i节点的权重，b为偏置因子，f为激活函数。4.根据权利要求1所述的基于神经网络模型的智能电表状态评价方法，其特征在于，所述卷积神经网络模型通过结合拟牛顿法与最小二乘法进行训练，具体为：用统一的阈值，对各个台区的数据作预处理，达到一个合理初值；利用递归形式的最小二乘法，利用每一天新加入的数据对之前的计算误差作微调。5.根据权利要求1所述的...

【专利技术属性】
技术研发人员：冯兴兴，郭斌，赵烨，许丽娟，陈俊艺，曹琴，林焜杰，何圣川，钟蔚，曾令章，胡志明，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：