基于电能表状态检修的电能表备品备件预测方法与流程

技术特征：

1.一种基于电能表状态检修的电能表备品备件预测方法，其特征在于：具体包括以下几个步骤：

(1)、以厂商和批次为对象，分析所属电能表的多维度指标，并利用逐步回归分析法从原始变量中找出包含信息量最多的变量；

(2)、利用统计平均数法对步骤(1)得出的主变量进行加权打分；

(3)、通过非健康值的计算公式将步骤(2)中的加权打分值降成一个维度的非健康值；

(4)、通过min-max标准化对步骤(3)中的非健康值进行线性变换，使结果值映射到[0-1]之间，最终用散点图展现出各批次电能表的非健康值分布；

(5)、通过梯度树提升算法对电能表将来未知的非健康值进行预测，得到电能表非健康值模型；

(6)、通过Arima时间序列算法对每年新增户数进行预测分析；

(7)、将非健康值超过临界值的电表数与通过预测后得到的电能表非健康模型中非健康值将超过临界值的电表数和每年新增户数相加，即为本次备品备货的数量。

2.根据权利要求1所述的基于电能表状态检修的电能表备品备件预测方法，其特征在于：步骤(1)中，所述的多维度指标包括故障率、报废率、待报废率、折旧率、检定不合格率。

3.根据权利要求1所述的基于电能表状态检修的电能表备品备件预测方法，其特征在于：步骤(1)中，所述的逐步回归分析法的计算步骤如下：

(1-1)、先将被解释变量y对每个解释变量x₁，x₂，x₃……做简单回归，再对每一个回归方程进行统计检验分析(相关系数，拟合优度，标准误差)选出最优的回归方程，也称基本回归方程；

(1-2)、将其他解释变量逐一的引进到基本回归方程中，如果引入一个新的解释变量使拟合优度有提升，而其他的参数和回归系数仍然合理，那说明这个解释变量是有利的，可以保留；如果引入之后拟合优度不明显，对回归系数也没什么影响，则不必保留；如果新解释变量不仅改变了拟合优度，而且对其他回归系数的数值和符号也产生了重要的影响，那么这个新变量是不利变量，引进后会使模型出现多重共线性问题；不利变量也不一定要舍去，如果它对被解释变量确实是不可缺少的，则不能简单的舍去，应该寻找更合适的模型，重新进行估计；如果通过检验证明回归模型存在两个明显线性相关的解释变量，并且其中一个变量可以很好地被另一个变量所解释，那么可以省去对被解释变量影响较小的变量，保留影响较大的变量。

4.根据权利要求1所述的基于电能表状态检修的电能表备品备件预测方法，其特征在于：步骤(2)中，所述的统计平均数法具体的步骤如下：

(2-1)、确定行业专家进行初评：将待定的主变量交给各位专家，并请专家在不受外界干扰的前提下独立的给出各项指标的权数值；

(2-2)、回收专家意见：将各位专家的数据收回，并分别计算电能表整体运行状态各项指标的加权打分的均值和标准差。

5.根据权利要求1所述的基于电能表状态检修的电能表备品备件预测方法，其特征在于：步骤(3)中，所述的非健康值的计算公式如下：

$K={\mathrm{\Σ}}_1^W{A}_i*F_i+K2*G2+K3*G3+K4*G4+K5*G5;$

其中，w为故障种类，Ai为故障率，Fi为故障率权值，其中，故障包括电能表倒走、电能表反向潜动、电能表电池欠压、电能表总与各费率之和不一致；

G2为待报废率，K2为待报废率权值；

G3为报废率，K3为报废率权值；

G4为折旧率，K4为折旧率权值；

G5为检测不合格率，K5为检测不合格率权值。

6.根据权利要求1所述的基于电能表状态检修的电能表备品备件预测方法，其特征在于：步骤(4)中，线性变换的函数如下：

$x=\frac{x-\min }{\max -\min };$

其中，x为样本中的数据，max为样本数据的最大值，min为样本数据的最小值。

7.根据权利要求1所述的基于电能表状态检修的电能表备品备件预测方法，其特征在于：步骤(5)中，所述的梯度树提升模型如下：

(5-1)、首先初始化：

f0(x)＝argminc∑i＝1NL(yi，c)；

估计一个使损失函数极小化的常数值，此时它只有一个节点的树；

(5-2)、迭代的建立M棵提升树：

for m＝1to M:(第一层循环)，

for i＝1to N：(第二层循环)，

计算损失函数的负梯度在当前模型的值，并将它作为残差的估计值：

对于rmi拟合一棵回归树，得到第m棵树的叶节点区域Rmj，j＝1，2，…，J，

for j＝1to J：(第二层循环)，计算如下：

cmj＝argminc∑xi∈RmjL(yi，fm-1(xi)+c)；

利用线性搜索估计叶节点区域的值，使损失函数极小化；

然后，更新fm(x)＝fm-1(x)+∑Jj＝1cmjI(x∈Rmj)；

(5-3)、最后得到的fm(x)就是最终的模型：

f～(x)＝fM(x)＝∑m＝1M∑j＝1JcmjI(x∈Rmj)。

8.根据权利要求1所述的新增户数，其特征在于：步骤(6)中，所述的Arima时间序列模型如下：

(6-1)、根据时间序列的散点图、自相关函数和偏自相关函数图以ADF单位根检验其方差、趋势及其季节性变化规律，对序列的平稳性进行识别；

(6-2)、对非平稳序列进行平稳化处理。如果数据序列是非平稳的，并存在一定的增长或下降趋势，则需要对数据进行差分处理，如果数据存在异方差，则需对数据进行技术处理，直到处理后的数据的自相关函数值和偏相关函数值无显著地异于零；

(6-3)、根据时间序列模型的识别规则，建立相应的模型，若平稳序列的偏相关函数是截尾的，而自相关函数是拖尾的，可断定序列适合AR模型；若平稳序列的偏相关函数是拖尾的，而自相关函数是截尾的，则可断定序列适合MA模型；若平稳序列的偏相关函数和自相关函数均是拖尾的，则序列适合ARMA模型；其中，截尾是指时间序列的自相关函数(ACF)或偏自相关函数(PACF)在某阶后均为0的性质(比如AR的PACF)；拖尾是指ACF或PACF并不在某阶后均为0的性质(比如AR的ACF)。

(6-4)、进行参数估计，检验是否具有统计意义；

(6-5)、进行假设检验，诊断残差序列是否为白噪声；

(6-6)、利用已通过检验的模型进行预测分析。