一种电能表非健康度预测方法与流程

技术特征：

1.一种电能表非健康度预测方法，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，并利用主成分分析法从原始变量中导出与健康值相关性最大的前N个主变量，其中，N为正整数；

(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)中的加权打分结果降成一个维度的非健康值；

(4)通过min-max标准化对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)通过多元线性回归算法对电能表未来的非健康值进行预测。

2.根据权利要求1所述的电能表非健康度预测方法，其特征在于，步骤(1)中，所述多维度指标包括故障率、报废率、待报废率、折旧率、检测合格率和现场抽检率。

3.根据权利要求1所述的电能表非健康度预测方法，其特征在于，步骤(1)中，所述主成分分析法的计算步骤如下：

(1-1)原始变量的标准化采集p维随机向量x＝(x₁,x₂,...,x_p)^T中n个样本x_i＝(x_i1,x_i2,...,x_ip)^T，i＝1,2,…,n，n＞p，构造样本阵，对样本阵元进行如下标准化变换：i＝1,2,3…n；j＝1,2,…p；

其中，得标准化阵Z；

(1-2)对标准化阵Z求相关系数矩阵

$R={\[r_{ij}\]}_{p}xp=\frac{Z^{T}Z}{n-1}$

其中,i＝1,2,3…p,j＝1,2,…p；

(1-3)解样本相关矩阵R的特征方程|R-λI_p|＝0得p个特征根,确定主变量，其中，λ表示特征值，l_p表示单位矩阵；按确定m，m指所有维度中的第m个维度值，使信息的利用率达85％以上，对每个λ_j，j＝1,2,...,m,解方程组R_b＝λ_jb得单位特征向量b_j⁰，λ_j表示第j个特征值，R_b表示矩阵的解，b表示特征向量；

(1-4)将标准化后的指标变量转换为主变量：

U_ij＝z_i^Tb_j⁰，j＝1，2，...m

U_ij表示第ij个主变量，Z_i表示第i个主成分；

(1-5)对m个主变量进行综合评价

对m个主变量进行加权求和，即得最终评价值，权数为每个主变量的方差贡献率。

4.根据权利要求1所述的电能表非健康度预测方法，其特征在于，步骤(2)中，所述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所述的电能表非健康度预测方法，其特征在于，步骤(3)中，所述非健康值的计算公式如下：

其中，w为故障种类，A_i为故障率，F_i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为检测合格率，K₅为检测合格率权值。

6.根据权利要求1所述的电能表非健康度预测方法，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所述的电能表非健康度预测方法，其特征在于，步骤(5)中，所述多元线性回归算法如下：

y＝b₀+b₁x₁+b₂x₂+……b_kx_k+e_y，其中，x₁、x₂……x_k为自变量，b₀为常数项，e_y是随机误差，b₁,b₂,……b_k为回归系数，b₁为x₂,x₃……x_k固定时，x₁每增加一个单位对y的效应，即x₁对y的偏回归系数；同理b₂为x₁,x₃……x_k固定时，x₂每增加一个单位对y的效应，即x₂对y的偏回归系数。