[发明专利]一种基于深度神经网络的智能电能表失效率预测方法

说明书

本发明涉及一种基于深度神经网络的智能电能表失效率预测方法，包括如下步骤：步骤一：选取元器件可靠性预计手册；步骤二：计算得到元器件的工作失效率；步骤三：求取各元器件的工作失效率之和，继而得到各模块工作失效率；步骤四：由智能电能表应用现场的故障数据，结合公式计算得出电表的现场失效率；步骤五：通过求取的各模块工作失效率与电表现场失效率建立深度神经网络模型，并预测尚未故障的智能电能表失效率。本发明能够提高智能电能表的故障分析能力，实现智能电能表失效率的准确预测，分析得出提高电能表可靠性的相应措施，从而进一步提升智能电能表的整机质量，延长使用寿命。

技术领域

本发明属于人工智能算法在电力计量设备应用的技术领域，涉及一种基于深度神经网络的智能电能表失效率预测方法。

背景技术

我国智能电网的建设日益加快，智能电能表作为智能电网的计量终端设备，其可靠性直接影响着电网的安全稳定经济运行，也直接关系到千家万户的供电可靠性和安全性。

近年来，得益于大数据的发展及计算性能的提升，深度学习被广泛应用于各行各业。相较于传统的机器学习算法，深度学习具有更强的特征学习能力、更复杂的网络表征能力，同时深度学习更加依赖于海量数据，数据量越大，其表现能力越好。深度学习有几种典型的网络模型，卷积神经网络(CNN)适用于图像处理领域，在人脸识别、定位检测等技术上表现良好；循环神经网络(RNN)更适合处理时间序列问题，如语音识别、视频标记等。

上述模型通常为无监督学习且用来处理分类问题，对于电能表失效率预测来说，是一种有监督的回归问题，且原始训练数据量庞大。因此，设计一种针对不同厂家、不同型号、不同批次的智能电能表现场运行的海量数据，建立模块与整表之间的深度神经网络模型，进而预测智能电能表失效率的方法是十分有必要的。

发明内容

本发明的目的在于解决现有技术的不足，提供一种基于深度神经网络的智能电能表失效率预测方法。

本发明解决其技术问题是通过以下技术方案实现的：

一种基于深度神经网络的智能电能表失效率预测方法，其特征在于：包括如下步骤：

步骤一：选取元器件可靠性预计手册；

步骤二：结合应用现场中工作剖面的影响因子，通过元器件可靠性预计手册计算得到元器件的工作失效率；

步骤三：根据智能电能表原理图中各功能模块的元器件组成，求取各元器件的工作失效率之和，继而得到各模块工作失效率；

步骤四：由智能电能表应用现场的故障数据，结合公式计算得出电表的现场失效率；

步骤五：通过求取的各模块工作失效率与电表现场失效率建立深度神经网络模型，并预测尚未故障的智能电能表失效率。

而且，所述结合应用现场中工作剖面的影响因子，通过元器件可靠性预计手册计算得到元器件的工作失效率的模型为：

式中，λ_pc为元器件的工作失效率，λ_bc为元器件的基本失效率，π_j为各种影响因子的调整系数的乘积，影响因子有元器件本身的质量等级、性能参数、实际工作中的环境应力，n为影响因子个数。

而且，所述得到各模块工作失效率的公式为：

式中，λ_pm为模块的工作失效率，λ_{pc_i}为第i个元器件的工作失效率，N为模块所含元器件的个数。

而且，所述得出电能表的现场失效率的公式为：