[发明专利]基于神经网络模型的智能电表状态评价方法、系统及介质

权利要求书

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。

6.根据权利要求5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，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％。

7.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。

8.一种基于神经网络模型的智能电表状态评价系统，其特征在于，应用于权利要求1-7中任一项所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；

所述预处理模块用于进行数据采集及预处理；

所述模型构建模型用于建立卷积神经网络模型；

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；

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；

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。

9.一种存储介质，存储有程序，其特征在于：所述程序被处理器执行时，实现权利要求1-7任一项所述的基于神经网络模型的智能电表状态评价方法。