[发明专利]一种D-S证据理论的智能电表寿命预测方法及系统

说明书

本发明涉及一种D‑S证据理论的智能电表寿命预测方法及系统，其方法包括：步骤S1：对智能电表的样本集进行归一化处理，得到归一化智能电表样本集；步骤S2：定义智能电表的寿命区间范围；步骤S3：采用核‑费舍尔判别分析方法，对归一化智能电表样本集进行特征提取，得到特征向量；步骤S4：将特征向量分别输入卷积神经网络模型和长短时记忆神经网络模型，分别预测智能电表所属的寿命区间；步骤S5：利用D‑S证据理论，对两个网络模型预测得到的智能电表所属的寿命区间进行融合，获得最终智能电表的寿命预测结果。本发明公开的方法对智能电表数据进行归一化处理，简化数据处理流程；引入D‑S证据理论对两种网络模型输出结果进行融合，使得预测结果更为准确。

技术领域

本发明涉及智能电表领域，具体涉及一种D-S证据理论的智能电表寿命预测方法及系统。

背景技术

智能电能表实现了电网企业和电网用户之间的信息交互、需求交互、和谐共赢，使得社会效益最大化，其优点和优势十分明显。随着国网智能电表的快速推进，智能电表的更新速度越来越快，功能也更加完善，同样随着功能的增加，故障也随之而来，导致其存在可靠性低、寿命短等问题。由于智能电表的供应厂商越来越多，每个供应商所选择的设备芯片、制作工艺又不尽相同，影响智能电表使用寿命的因素主要有工作质量、外部因素、自然灾害、设备质量故障等。由于智能电能表功能越来越强大且用户数量也越来越多，更换一次智能电能表会造成大量的人力和物力损耗，会影响用户的正常的生产和生活，而且会对智能电网的正常运行产生影响。因此，对于智能电表的寿命做出及时的预测是非常有必要的。

针对智能电表的寿命预测问题，当前主流的方法主要包括机理建模和数据驱动两大类。早期产品寿命较短，借助寿命试验、加速寿命试验可得到足够多的产品失效数据并据此开展寿命预测和可靠性评估。然而这些模型针对电子元器件的可靠性评估果并不能满足用户对产品高可靠性的需求，且Eyring模型、Arrhenius等加速应力模型并不适用组件级以上的加速试验。随着传感器技术与信号处理技术的发展，基于数据驱动的寿命预测方法已逐渐成为主流，尤其是人工智能方法的兴起促进了设备健康管理与寿命预测的发展。因此，如何利用人工智能方法预测智能电表寿命，成为一个亟待解决的问题。

发明内容

为了解决上述技术问题，本发明提供一种D-S证据理论的智能电表寿命预测方法及系统。

本发明技术解决方案为：一种D-S证据理论的智能电表寿命预测方法，包括：

步骤S1：分析用电信息采集系统中智能电表的样本集，对其进行归一化处理，得到归一化智能电表样本集；

步骤S2：根据所述智能电表的安装和拆除时间，计算智能电表的最长和最短使用寿命，定义所述智能电表的寿命区间范围；

步骤S3：采用核-费舍尔判别分析方法，对所述归一化智能电表样本集进行特征提取，得到特征向量；

步骤S4：构建并训练卷积神经网络模型和长短时记忆神经网络模型；将所述特征向量分别输入所述卷积神经网络模型和所述长短时记忆神经网络模型，分别预测所述智能电表所属的寿命区间；

步骤S5：利用D-S证据理论，对所述卷积神经网络模型和所述长短时记忆神经网络模型预测得到的所述智能电表所属的寿命区间进行融合，获得最终所述智能电表的寿命预测结果。

本发明与现有技术相比，具有以下优点：

1、本发明公开了一种D-S证据理论的智能电表寿命预测方法，针对智能电表运维数据数据维度高、结构复杂的特点，对用电信息采集系统中的智能电表数据进行归一化预处理，简化数据处理流程。

2、本发明公开的方法引入核-费舍尔判别分析，实现对智能电表数据的特征提取和降维，构建并训练两种深度学习模型并获得输出结果，引入D-S证据理论对输出结果进行融合得到最终的预测结果，使得预测结果更为准确。

附图说明