一种基于制造技术

本发明专利技术公开了一种基于

【技术实现步骤摘要】
一种基于CK
‑
GPR的智能电表剩余使用寿命预测方法


[0001]本专利技术涉及设备故障预警
，特别涉及一种基于
CK
‑
GPR
的智能电表剩余使用寿命预测方法
。

技术介绍

[0002]智能电表是智能电网基本数据采集设备，起到对用电数据进行实时采集
、
计量以及传输的作用
。
近年来，随着电网智能化建设和加强电网运行监控和管理，智能电表得到了广泛应用
。
面对庞大数量的智能电表，如何进行维护是国内电网企业面临的一个主要问题
。
目前，电网企业通常采取定期巡检的方式对智能电表进行检修，该方法投入的人力物力多，维修成本高，且由于智能电表的故障往往具有突发性，而定期巡检的周期较长，往往造成电表故障不能被及时解决，给供电企业和用户造成大量经济损失
。
因此，对智能电表进行
RUL
预测，为科学检修提供理论依据，具有巨大经济价值与重要社会意义
。
[0003]随着信号处理技术的发展，基于数据驱动的
RUL
预测方法已成为主流
。
但大多数该类方法存在依赖大量训练数据以及不能给出预测结果概率区间的缺陷
。
高斯过程回归
(Gaussian process regression,GPR)
模型能够很好解决小样本问题，且基于
GPR
的
RUL
预测方法不仅可获得数据点预测值，还可得到置信区间预测值
。
然而受环境和自身退化特性影响，智能电表基本误差的退化呈现出非线性特性，单一核难以描述其真实退化规律
。
[0004]鉴于此，需要一种基于
CK
‑
GPR
的智能电表剩余使用寿命预测方法
。

技术实现思路

[0005]针对现有技术中对于受环境和自身退化特性影响，智能电表基本误差的退化呈现出非线性特性，单一核难以描述其真实退化规律问题，本专利技术提供了一种基于
CK
‑
GPR
的智能电表剩余使用寿命预测方法，能够基于组合核高斯过程回归
(Combined kernel gaussian process regression
，
CK
‑
GPR)
模型对智能电表基本误差数据具有更优的跟踪及预测能力，其准确的
RUL
概率结果可为智能电表定期检修提供可靠依据
。
具体技术方案如下：
[0006]一种基于
CK
‑
GPR
的智能电表剩余使用寿命预测方法，其特征在于，包括：包括以下步骤：
[0007]S1
：获取多种环境应力下智能电表的运行数据，包括智能电表的基本误差
BE、
环境温度
T、
环境湿度
H
及运行时间
t
，将
X
＝
{T
，
H
，
t}
作为
BE
的影响应力，并对
X
中的各应力数据进行
Z
‑
core
归一化处理；
[0008]S2
：构建基本误差
BE
的概率分布；
[0009]S3
：构建在新的应力组合
X
*
下预测出的智能电表基本误差
y
*
的预测模型
M
；
[0010]S4
：对组合核函数中所有超参数，包括核函数的幅度超参数
η
i
，噪声项
δ
，特征长度尺度超参数
l
i
以及周期
p
进行先验分布设定；
[0011]S5
：利用马尔科夫链蒙特卡洛
(MarkovChainMonteCarlo
，
MCMC)
抽样方法求解超参
数后验分布；
[0012]S6
：将新的影响应力数据作为输入，利用预测模型对
BE
的退化轨迹进行后验预测；
[0013]S7
：设定智能电表失效阈值，并计算剩余寿命概率密度
。
[0014]优选的，所述步骤
S2
的所述基本误差
BE
的概率分布具体如下：
[0015]y
～
GP[m(X),k
CK
(X,X')+
δ
n2
I][0016]其中，
m(X)
为高斯过程均值函数，
k
CK
(X,X')
为组合核函数，即高斯过程协方差函数，
δ
n2
I
表示噪声
。
[0017]优选的，所述组合核函数
k
CK
(X,X')
具体如下：
[0018]k
CK
(X,X')
＝
η
se2
×
k
SE
(X,X')+
η
pe2
×
k
PE
(X,X')*k
MA
(X,X')
[0019]其中，
k
SE
(X,X')
为高斯核函数，
k
MA
(X,X')
为
Matern32
核函数，
k
PE
(X,X')
为周期核函数，
η
se
为高斯核函数的幅度超参数，
η
pe
为周期和函数的幅度超参数
。
[0020]优选的，所述高斯核函数具体如下：
[0021][0022]其中，
l
se
为高斯核函数的特征长度尺度超参数；
[0023]所述
Matern32
核函数具体如下：
[0024][0025]其中，
l
ma
为
Matern32
核函数的特征长度尺度超参数；
[0026]所述周期核函数具体如下：
[0027][0028]其中，
l
pe
为周期和函数的特征长度尺度超参数
。
[0029]优选的，所述步骤
S3
的所述智能电表基本误差
y
*
的预测模型
M
具体如下：
[0030][0031]优选的，所述智能电表基本误差
y
*
的后验分布具体如下：
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于
CK
‑
GPR
的智能电表剩余使用寿命预测方法，其特征在于，包括：包括以下步骤：
S1
：获取多种环境应力下智能电表的运行数据，包括智能电表的基本误差
BE、
环境温度
T、
环境湿度
H
及运行时间
t
，将
X
＝
{T
，
H
，
t}
作为
BE
的影响应力，并对
X
中的各应力数据进行
Z
‑
core
归一化处理；
S2
：构建基本误差
BE
的概率分布；
S3
：构建在新的应力组合
X
*
下预测出的智能电表基本误差
y
*
的预测模型
M
；
S4
：对组合核函数中所有超参数，包括核函数的幅度超参数
η
i
，噪声项
δ
，特征长度尺度超参数
l
i
以及周期
p
进行先验分布设定；
S5
：利用马尔科夫链蒙特卡洛
(Markov Chain Monte Carlo
，
MCMC)
抽样方法求解超参数后验分布；
S6
：将新的影响应力数据作为输入，利用预测模型对
BE
的退化轨迹进行后验预测；
S7
：设定智能电表失效阈值，并计算剩余寿命概率密度
。2.
根据权利要求1所述的一种基于
CK
‑
GPR
的智能电表剩余使用寿命预测方法，其特征在于，所述步骤
S2
的所述基本误差
BE
的概率分布具体如下：
y
～
GP[m(X),k
CK
(X,X')+
δ
n2
I]
其中，
m(X)
为高斯过程均值函数，
k
CK
(X,X')
为组合核函数，即高斯过程协方差函数，
δ
n2
I
表示噪声
。3.
根据权利要求2所述的一种基于
CK
‑
GPR
的智能电表剩余使用寿命预测方法，其特征在于，所述组合核函数
k
CK
(X,X')
具体如下：
k
CK
(X,X')
＝
η
se2
×
k
SE
(X,X')+
η
pe2
×
k
PE
(X,X')*k
MA
(X,X')
其中，
k
SE
(X,X')
为高斯核函数，
k
MA
(X,X')
为
Matern32
核函数，
k
PE
(X,X')
为周期核函数，
η
se
为高斯核函数的幅度超参数，
η
pe
为周期和函数的幅度超参数
。4.
根据权利要求3所述的一种基于
CK
‑
GPR
的智能电表剩余使用寿命预测方法，其特征在于，所述高斯核函数具体如下：其中，
l
se
为高斯核函数的特征长度尺度超参数；所述
Matern32

【专利技术属性】
技术研发人员：杨舟，陈珏羽，周政雷，高武东，潘俊涛，蒋雯倩，韦杏秋，
申请(专利权)人：广西电网有限责任公司，
类型：发明
国别省市：