[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

说明书

本发明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。

技术领域

本发明属于计算机视觉的技术领域，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。

背景技术

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。

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。

发明内容

本发明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。

为了达到上述目的，本发明采用以下技术方案：

本发明的一个方面，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：

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。

作为优选的技术方案，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。

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：

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。

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：

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。

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。