[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

说明书

本发明公开了一种用于智能电能表应力失效拐点的判别方法和系统，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。解决现有技术智能电能表应力失效拐点预测结果与实际情况偏差大的问题。

技术领域

本申请涉及人工智能技术领域，具体涉及一种用于智能电能表应力失效拐点的判别方法和系统。

背景技术

智能电网的快速发展对电能表提出了一系列新的要求。首先，电能表的计量误差要尽可能小，方可减少电能输送过程中的非技术性损耗；其次，电能表的寿命要尽量长，并保证其在全寿命周期内能可靠工作；另外，有些电能表需在恶劣环境中工作，因此电能表还应具有一定的抵抗极端环境的能力.

然而，随着智能电能表功能的日趋强大，其结构也愈发复杂精密，其结构模块的差异性、各功能模块内部的复杂性已及模块间拓扑关系的多样性使智能电能表在的可靠性分析越发困难。为了保证电能计量系统的可靠性，应在智能电能表失效拐点到来时及时完成更换工作。这就对电能表失效拐点的快速、准确分析判断技术提出了新的要求。现在对智能电能表失效拐点分析中往往忽略了电能表工作环境的影响，导致失效拐点的预测不准确。

发明内容

为解决上述问题，本申请提供一种用于智能电能表应力失效拐点的判别方法，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。

优选的，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。