[发明专利]一种针对不同子系统下智能电表的剩余寿命预测方法

说明书

本发明提供了一种针对不同子系统下智能电表的剩余寿命预测方法，属于智能电表技术领域；解决了现有智能电表剩余寿命预测存在的难以推广或退化模型不确定的问题；包括如下步骤：将建筑物内的机电设备划分为六大子系统，将已知子系统类别的部分数据作为训练数据构建分类模型，利用分类模型获得各个子系统下智能电表的运行数据；对智能电表运行数据进行预处理，通过相关性分析方法得到影响预测智能电表剩余寿命主要的应力，并选取主要应力下的运行数据组成数据集；对数据集进行归一化处理；划分归一化数据集，构建预测模型的标签；构建并训练AC‑LSTM模型，将预测数据输入AC‑LSTM模型，获得智能电表剩余寿命的预测结果；本发明应用于智能电表。

技术领域

本发明提供了一种针对不同子系统下智能电表的剩余寿命预测方法，属于智能电表技术领域。

背景技术

作为智能电网的智能终端，智能电表已经不再是传统意义上的电能表，不仅具备用电量计量的基本功能，还增加了双向数据通信功能、多种电价计费功能、实时数据交互功能、防盗电功能以及与用户互动等智能化功能。随着智能电表功能的不断完善，造成故障的因素也变得复杂多样，这会进一步影响智能电表的可靠性与剩余使用寿命。

智能电表的剩余使用寿命除了与它本身所用芯片与制作工艺有关之外，还受到环境与电气这两个关键因素的影响，智能电表工作时通过的电流就是一个典型的电气影响因素，如果电流超过规定的阈值，智能电表的剩余使用寿命就会缩短。传统智能电表的到期轮换方式不仅会增加旧表拆卸与新表安装工作，而且会使一些尚可使用的智能电表提前停止工作，造成了人力与物力的浪费。因此，对智能电表的剩余寿命进行预测是十分重要的。

目前智能电表的剩余寿命方法主要有失效机理和数据驱动两种，数据驱动的方法又可分为统计数据驱动方法和基于机器学习的方法。基于失效机理的方法需要构建数学模型来描述智能电表的失效机理，但是过程代价过高，难以推广。统计数据驱动方法大部分假设退化模型是已知的，比如：Weibull分布、Wiener过程以及Gamma分布等，退化模型的选择会影响智能电表剩余寿命的预测准确度。基于机器学习的方法就能够克服退化模型不确定的问题，而且可以输入不同类型的多种数据，因此机器学习在智能电表剩余寿命预测领域展现出了广阔的应用前景。

发明内容

本发明为了解决现有智能电表剩余寿命预测存在的难以推广或退化模型不确定的技术问题，提出了一种针对不同子系统下智能电表的剩余寿命预测方法。

为了解决上述技术问题，本发明采用的技术方案为：一种针对不同子系统下智能电表的剩余寿命预测方法，包括如下步骤：

步骤S1：将建筑物内的机电设备划分为六大子系统，收集到的智能电表运行数据中已知子系统类别的部分数据作为训练数据构建分类模型，然后利用上述分类模型获得各个子系统下智能电表的运行数据；

步骤S2：针对每个子系统，对智能电表运行数据进行预处理，通过相关性分析方法得到影响预测智能电表剩余寿命主要的应力，并选取智能电表在这些影响应力下的运行数据组成数据集；

步骤S3：针对每个子系统，分别对上述数据集进行归一化处理，得到各个系统下的归一化数据集；

步骤S4：针对每个子系统，使用滑动时间窗的方法划分归一化数据集，得到多个训练样本，并构建预测模型的标签；

步骤S5：针对每个子系统，构建并训练基于空洞卷积的长短时记忆神经网络模型AC-LSTM，将预测数据输入所述AC-LSTM模型，获得所述智能电表剩余寿命的预测结果。

所述步骤S1中建筑物内的机电设备的六大子系统包括：照明系统、电梯系统、空调系统、给水排系统、变配电系统以及辅助设施系统；

使用训练数据构建XGBoost分类模型，对于收集到的智能电表运行数据，若已知其所属子系统则直接归类到对应子系统下，否则使用XGBoost分类模型找到其对应子系统。