[发明专利]一种电能表现场检验仪寿命预测方法及装置

说明书

本发明公开了一种电能表现场检验仪寿命预测方法及装置，其中，方法包括如下步骤：获取电能表现场检验仪寿命预测所需的多源异构数据；对获取的多源异构数据进行预处理；将输入的多源异构数据融合，利用改进乌鸦算法(improved crow search algorithm,ICSA)优化深度信念网络，构建出ICSA‑DBN预测模型；利用所述ICSA‑DBN预测模型对电能表现场检验仪进行寿命预测，获取待预测检验仪的寿命。通过考虑操作条件和环境条件等工况变化对检验仪运行状态的影响，解决现有检验仪寿命预测方法因缺乏泛化性导致预测失准的问题；采用寻优能力更强的改进乌鸦算法，对深度信念网络模型进行参数优化，提高现场检验仪寿命预测的精度和效率，为电能表现场检验工作和管理决策提供参考。

技术领域

本发明涉及电能计量资产运维管理领域，尤其涉及一种电能表现场检验仪寿命预测方法及装置。

背景技术

随着在配电网中的广泛应用，智能电能表已成为最重要的电能计量装置之一。为提高电能计量资产运维效率，保障计量设备平稳可靠运行，根据国家电力行业标准DL/T1664-2016《电能计量装置现场检验规程》，需要利用电能表现场检验仪对在现场实际工作状态下运行的电能表进行及时准确的校验。由于电能表现场检验仪在投入使用过程中会出现不可避免的性能退化，为防止仪器故障情况发生，试验人员在前往现场前要对电能表检验仪进行反复检查或携带备品。因此，准确预测电能表检验仪使用寿命，对仪器可靠性进行全面评估，能够有效避免现场检验失误率、减少备件库存、提升检验工作效率，对于实现计量资产运维管理的降本增效具有重要意义。

传统设备寿命预测方法主要基于物理模型，对物理背景知识要求较高，且预测精度有限；随着工业4.0时代到来，国内外相关研究主要集中于以数据驱动的设备寿命预测方法，如粒子滤波、神经网络、支持向量机以及深度学习等。由于具有更强的特征提取和大数据处理能力，深度学习得到了广泛关注，但相关预测模型的精度仍有提升空间。此外，现有的研究多以单一工况为背景，未能考虑设备实际运行时工况条件变化对预测结果带来的影响，具有一定的局限性。

发明内容

本发明提供了一种电能表现场检验仪寿命预测方法及装置，旨在通过引入工况数据，考虑操作条件和环境条件等工况变化对检验仪运行状态的影响，解决现有检验仪寿命预测方法因缺乏泛化性导致预测失准的问题；同时将混沌映射和Levy飞行引入乌鸦算法(CSA)，进而对深度信念网络(DBN)模型进行参数优化，提高现场检验仪寿命预测的精度和效率，为电能表现场检验工作和管理决策提供参考。

本发明提供的一种电能表现场检验仪寿命预测方法及装置的具体方案如下：

第一方面，本发明提供了一种电能表现场检验仪寿命预测方法，包括如下步骤：

步骤S1：获取电能表现场检验仪寿命预测所需的多源异构数据；

步骤S2：对获取的多源异构数据进行清洗和预处理；

步骤S3：将输入的多源异构数据融合，利用改进乌鸦算法(improved crow searchalgorithm,ICSA)优化深度信念网络，构建出ICSA-DBN预测模型；

步骤S4：利用所述ICSA-DBN预测模型对电能表现场检验仪进行寿命预测，获取待预测检验仪的寿命。

第二方面，本发明提供了一种电能表现场检验仪寿命预测装置，包括数据采集模块、数据处理模块、模型构建模块和寿命预测模块，

其中，所述数据采集模块用于获取电能表现场检验仪寿命预测所需的多源异构数据；

所述数据处理模块用于对获取的多源异构数据进行预处理和表征；

所述模型构建模块用于将输入的多源异构数据融合，利用改进乌鸦算法优化深度信念网络，构建出ICSA-DBN预测模型；