[发明专利]一种用于智能电能表应力失效拐点的判别方法和系统

权利要求书

1.一种用于智能电能表应力失效拐点的判别方法，其特征在于，包括：

确定智能电能表的典型应力；

获取所述典型应力对应的应力条件数据及失效拐点数据；

通过所述典型应力、应力条件数据及失效拐点数据，对预先构建的CNN-LSTM网络失效拐点预测模型进行训练和测试；

通过所述模型输出待判别的智能电能表失效拐点的预测值。

2.根据权利要求1所述的方法，其特征在于，确定智能电能表的典型应力，包括：

获取与智能电能表失效拐点关联密切的多个应力；

采用优化的主成分分析方法，对所述多个应力降维，确定智能电能力的典型应力，所述典型应力包括：温度、湿度、气压和电应力。

3.根据权利要求1所述的方法，其特征在于，获取所述典型应力对应的应力条件数据及失效拐点数据，包括：

通过多次采集所述典型应力对应的应力条件数据及失效拐点数据，获取所述应力条件数据矩阵和失效拐点向量。

4.根据权利要求1所述的方法，其特征在于，通过所述典型应力、应力条件数据及失效拐点数据，对预先构建的CNN-LSTM网络失效拐点预测模型进行训练和测试，包括：

将所述典型应力，经过预先构建CNN-LSTM网络失效拐点预测模型的CNN网络，通过卷积和池化操作，提取所述典型应力的特征，以及对所述典型应力数据进行降维；

将经过CNN网络处理过的典型应力数据，输入到LSTM网络，所述LSTM网络根据所述典型应力数据、应力条件数据和失效拐点数据之间关系，输出所述典型应力数据对应的失效拐点值，对所述CNN-LSTM网络失效拐点预测模型进行训练和测试。

5.根据权利要求1所述的方法，其特征在于，通过所述模型输出待判别的智能电能表失效拐点的预测值，包括：

获取待判别的智能电能表的应力数据；

将所述应力数据输入所述CNN-LSTM网络失效拐点预测模型，所述预测模型输出所述待判别的智能电能表的应力数据，对应的失效拐点的预测值。

6.根据权利要求1所述的方法，其特征在于，在通过所述模型输出待判别的智能电能表失效拐点的预测值的步骤之后，还包括：

通过收集所述智能电能表的应力数据，以及对应的失效拐点的预测值，绘制智能电能表失效拐点曲线。

7.一种用于智能电能表应力失效拐点的判别系统，其特征在于，包括：

典型应力确定模块，用于确定智能电能表的典型应力；

数据获取模块，用于获取所述典型应力对应的应力条件数据及失效拐点数据；

训练和测试模块，用于通过所述典型应力、应力条件数据及失效拐点数据，对预先构建的CNN-LSTM网络失效拐点预测模型进行训练和测试；

预测值输出模块，用于通过所述模型输出待判别的智能电能表失效拐点的预测值。

8.根据权利要求7所述的方法，其特征在于，典型应力确定模块，包括：

多个应力获取子模块，用于获取与智能电能表失效拐点关联密切的多个应力；

降维子模块，用于采用优化的主成分分析方法，对所述多个应力降维，确定智能电能力的典型应力，所述典型应力包括：温度、湿度、气压和电应力。

9.根据权利要求7所述的方法，其特征在于，训练和测试模块，包括：

降维子模块，用于将所述典型应力，经过预先构建CNN-LSTM网络失效拐点预测模型的CNN网络，通过卷积和池化操作，提取所述典型应力的特征，以及对所述典型应力数据进行降维；

训练和测试子模块，用于将经过CNN网络处理过的典型应力数据，输入到LSTM网络，所述LSTM网络根据所述典型应力数据、应力条件数据和失效拐点数据之间关系，输出所述典型应力数据对应的失效拐点值，对所述CNN-LSTM网络失效拐点预测模型进行训练和测试。

10.根据权利要求7所述的方法，其特征在于，还包括：

绘制模块，用于通过收集所述智能电能表的应力数据，以及对应的失效拐点的预测值，绘制智能电能表失效拐点曲线。