一种用于智能电表寿命的预测方法及装置与流程

本申请涉及设备寿命预测领域，具体涉及一种用于预测智能电表使用寿命的方法，同时涉及一种用于智能电表使用寿命的预测装置。

背景技术：

智能电表上的使用寿命，通常都是根据经验值得出的平均使用寿命，所以智能电表的轮换模式也是根据智能电表的平均使用寿命，采用定期轮换的方式，而智能电表的使用寿命又与其使用的环境因素和电气因素有关，例如，同样的智能电表，放在室内和室外，室外的智能电表会受光照，降雨等的影响，使用寿命明显要比用在室内的智能电表的寿命要短。智能电表工作时的电压和电流也是影响智能电表寿命的两个关键电气应力因素，如果智能电表工作时的电气应力超出规定的比值，也会使智能电表的使用寿命下降。

所以，在实际使用环境下智能电表的使用寿命与根据经验值得出的智能电表的使用寿命存在差异，目前，需要一种根据智能电表的实际使用环境计算智能电表使用寿命的方法。

技术实现要素：

本申请提供一种用于智能电表寿命的预测方法，以解决根据经验值得出的智能电表的使用寿命不准确的问题。

本申请提供一种用于智能电表寿命的预测方法，包括：

获取多个影响因素与智能电表使用寿命的统计数据；

将多个影响因素作为输入参数，智能电表使用寿命作为输出参数，建立基于bp神经网络的智能电表使用寿命的预测模型；

将所述统计数据作为所述预测模型的训练数据，根据所述输出参数，确定所述输入参数所占的比重，以对预测模型进行修正；

根据接收到的影响因素数据并通过所述经过修正的预测模型，获取在所述影响因素条件下智能电表的使用寿命。

优选的，所述获取多个影响因素与智能电表使用寿命的统计数据，包括：获取温度、湿度、气压、光照、盐雾、降雨、电压和电流与智能电表使用寿命的统计数据。

优选的，所述统计数据包括不同智能电表厂家和/或不同智能电表类型的统计数据。

优选的，将所述统计数据作为所述预测模型的训练数据，根据所述输出参数，确定所述输入参数所占的比重，以对预测模型进行修正，包括：

将所述影响因素进行规一化处理，样本数据为xp，其中p＝1、2、3…n，n为自然数；设xp的最大值与最小值为xmax、xmin，则处理后的数据为：

使用连续可导的sigmoid函数作为bp神经网络的激发函数，x为输入数据，具体公式如下：

输入层的第i个节点的输入值为：

xi为bp神经网络的输入数据值，θi为第i个节点的阈值。输出数据值为：

本申请一种用于智能电表寿命的预测装置，包括：

数据获取单元，用于获取多个影响因素与智能电表使用寿命的统计数据；

模型建立单元，用于将多个影响因素作为输入参数，智能电表使用寿命作为输出参数，建立基于bp神经网络的智能电表使用寿命的预测模型；

模型训练单元，用于将所述统计数据作为所述预测模型的训练数据，根据所述输出参数，确定所述输入参数所占的比重，以对预测模型进行修正；

使用寿命输出单元，用于根据接收到的影响因素数据并通过所述经过修正的预测模型，获取在所述影响因素条件下智能电表的使用寿命。

与现有技术相比，本申请提供的一种用于智能电表寿命的预测方法，通过将智能电表的使用寿命统计数据作为预测模型的训练数据，根据所述输出参数，确定所述输入参数所占的比重，以对预测模型进行修正，解决了根据智能电表的使用环境下得出智能电表使用寿命的问题。

附图说明

图1是本申请第一实施例提供的用于预测智能电表使用寿命的方法示意图；

图2是本申请第一实施例涉及的智能电表使用寿命统计图；

图3是本申请第一实施例涉及的bp神经网络结构图；

图4是本申请第一实施例涉及的试验数据与仿真结果统计图；

图5是本申请第一实施例涉及的智能电表寿命预测三维散点图；

图6是本申请第一实施例涉及的智能电表温度-寿命的二维条形图；

图7是本申请第一实施例涉及的智能电表湿度-寿命的二维条形图；

图8是本申请第一实施例提供的用于预测智能电表使用寿命的装置示意图。

具体实施方式

在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。

请参看图1，图1为本申请提供的用于预测智能电表使用寿命的方法示意图，下面结合图1提供方法进行详细说明。

步骤s101，获取多个影响因素与智能电表使用寿命的统计数据。

目前，智能电表的使用寿命多来源于经验值，而且智能电表的使用寿命是根据经验值得出的平均使用寿命。所以，当智能电表规定的使用寿命到期后，采用定期轮换的方式对已到期的智能电表进行更换，但是，一些设备的使用期限在不同的使用环境下，使用寿命也会不同，智能电表也是如此。例如，挂在室内使用的智能电表不受光照因素影响，通常比挂在室外使用的智能电表的使用寿命要长，挂在室外使用的智能电表有可能在平均使用寿命未到期前就发生了损坏，影响了用户的使用，而挂在室内的智能电表不受光照因素的影响，使用寿命会比平均使用寿命更长，所以根据平均使用寿命更换智能电表的机制存在缺陷。

影响智能电表使用寿命的因素很多，其中气候环境、电气环境因素是主要影响指标，上面提到的光照只是气候因素中的一项，除了光照，气候环境还包括：温度、湿度、气压、盐雾、降雨。电气因素就包括：电压和电流。而且不同的智能电表生产厂家，不同类型、不同型号的智能电表的寿命也不同。在本申请中，以同一生产厂家、同一类型、同一型号的智能电表为研究对象。如图2所示，图2为选取单相智能电表为研究对象，取温度、湿度、气压为影响因素，然后获取在这三种因素影响条件下，智能电表的使用寿命。从图中的统计数据可以看出，智能电表的使用寿命受这些影响因素共同作用。

步骤s102，将多个影响因素作为输入参数，智能电表使用寿命作为输出参数，建立基于bp神经网络的智能电表使用寿命的预测模型。

从图2可以看出，智能电表的使用寿命受多个影响因素的共同作用，在不同的影响因素影响下，智能电表的使用寿命可能不同，也有可能相同，这些影响因素对智能电表的使用寿命的影响程序不同，那么就需要一个科学合理的计算方法，以现有的统计数据为基础，通过对统计数据进行合理的计算，从而可以计算得出任意影响因素条件下智能电表的使用寿命。

bp(errorbackpropagationnetwork)神经网络应用广泛，其结构图如图3所示。bp神经网络由输入层、中间层(或隐藏层)和输出层组成，且各层之间互相影响，每一层的输入会影响下一层的输出。

bp神经网络算法的学习过程由正向传播和反向传播组成：在正向传播过程中，输入数据从输入层经逐层处理，传向输出层，每层神经元(节点)的状态只影响下一层神经元的状态。如果在输入层不能得到期望的输出，则转至反向传播，将误差信号(理想输出与实际输出之差)按连接通路反向计算，由梯度下降法调整各层神经元的权值，使误差信号降低。

bp神经网络算法通过机器学习的方式，通过对现有数据进行计算，根据输入层的数据，将计算结果在输出层输出。所以，可以选用bp神经网络作为预测智能电表使用寿命的模型，将多个影响因素作为输入参数，智能电表使用寿命作为输出参数，建立基于bp神经网张的智能电表使用寿命的预测模型。而且使用bp神经网络的标准算法。标准算法包括以下的前向传播公式和后退算法。

bp神经网络前向传播计算的公式如下：

bp神经网络后退算法的基本思想是：j在神经元的输出层，oij为bp神经网络的输出值，记为yj，yj与期望的输出值dj之间的误差值ej是否在设定范围内决定误差是否再次进入迭代程序来修改各个权值。

bp神经网络的权值的修正方向是沿着e函数梯度下降：

其中，是0＜η＜1学习效率。δwijk与神经元输出之间的关系式为：

其中，

步骤s103，将所述统计数据作为所述预测模型的训练数据，根据所述输出参数，确定所述输入参数所占的比重，以对预测模型进行修正。

基于bp神经网络的智能电表使用寿命的预测模型，首先需要使用训练数据对预测模型的进行训练，那么就需要获取训练数据，所以在本实施例中可以将图2中的统计数据作为训练数据，将图2中的温度、湿度、气压作为输入数据、电表寿命作为输出数据，一般情况下，训练数据越是丰富，预测结果就会越准确。如果将图2的输入数据输入后，输入数据从输入层经逐层处理，传向输出层，可以得到图2中对应的输出数据，那么基于bp神经网络的智能电表使用寿命的预测模型就是正向传播。如果在输出层不能得到期望的输出，就需要转至反向传播，也就是图2中输入数据对应的输出数据与预测模型的输出数据之差按连接通路反向计算，由梯度下降法调整各层神经元的权值，使误差信号降低。这样，根据输出参数，确定输入参数所占的比重，以对预测模型进行修正。使用预测模型能够根据图2中的输入数据输出对应的图2中的输出数据。

对预测模型进行修正之前，需要对输入数据进行归一化处理，归一化处理就是把经过处理后使之限定在一定的范围内，比如通常限制在区间[0，1]或者[-1,1]。归一化处理的目的是处理奇异样本数据，所谓奇异样本数据，是指相对于其他输入样本数据特别大或者特别小的数据。奇异样本数据的存在，会引起训练时间增大，并可能引起无法收敛，所以在存在奇异样本数据的情况下，进行训练之前最好进行归一化处理。在本实施例中，图2中的输入数据作为样本数据，其中气压值相对于其他输入样本数据，数值远远大于其他输入样本数据，所以需要对图2中的输入样本数据进行归一化处理，具体的处理方法为，将影响智能电表使用寿命的因素进行归一化处理，就包括，温度、湿度、气压、光照、盐雾、降雨、电压和电流，图2中例举的输入样本数据只有三项，所以本实施例中暂时只为这三项输入样本数据进行归一化处理，将样本数据为xp，其中p＝1、2、3…n；设xp的最大值与最小值为xmax、xmin，则处理后的数据为：

归一化处理后的数据可以直接作为预测模型的输入和输出数据。

在对输入样本数据进行归一化处理后，还需要进一步对网络权值进行调

整，也就是确定输入参数所占的比重，具体步骤为，定义每一个样本的输

入输出模型对应的二次型误差函数为：

则系统的误差代价函数为：

上式中，p、l分别为样本模式对数和网络输出节点数。

当计算输出层节点时，αpk＝yk，则神经网络权系数修正为：

上式中，0＜η＜1，按梯度步长搜索，则：

输出层的反向传导的误差为：

当计算隐层节点时，αpk＝αj，则神经网络权系数修正为：

于是：

隐层的反向传导的误差为：

又由于f'(netj)＝αj(1-αj)，δj的值为

为了提高学习速率，在训练规则基础上，增加了势态项，所以中间层权值和输出层权值修正结果为：

wij(k+1)＝wij(k)+ηjδjαi+αj(wij(k)-wij(k-1))

wjk(k+1)＝wjk(k)+ηkδkαj+αk(wjk(k)-wjk(k-1))

式中η、α均为学习速率系数。η为各层按梯度的步长，α是各层决定过去权值的变化对现在权值变化影响的系数，又称为记忆因子。

上面的步骤对样本数据进行归一化处理，又对网络权值进行了调整，接下来还需要使用激励函数将输入与输入数线性模型转换为非线性模型。激励函数在神经网络的作用通俗上讲就是将多个线性输入转换为非线性的关系。不使用激励函数的话，神经网络的每层都只是做线性变换，多层输入叠加后也还是线性变换。因为线性模型的表达能力不够，激励函数可以引入非线性因素。

在本申请中，使用连续可导的sigmoid函数作为bp神经网络的激发函数，x为输入数据，具体公式如下：

输入层的第i个节点的输入值为：

xi为bp神经网络的输入数据值，θi为第i个节点的阈值。输出数据值为：

至此，基于基于bp神经网络的智能电表寿命的预测模型建立及训练步骤完成。

步骤s104，根据接收到的影响因素数据并通过所述经过修正的预测模型，获取在所述影响因素条件下智能电表的使用寿命。

在上一个步骤中，建立了于基于bp神经网络的智能电表寿命的预测模型，那么接下来就使用预测模型，对智能电表的使用寿命进行预测。

接下来就使用试验数据对预测模型进行检验，使用图4中的温度、湿度、气压、作为输入数据，使用基于bp神经网络的智能电表寿命的预测模型，使之输入对应的输出数据，也就是智能电表的使用寿命，从图4可以看出，经过多个输入数据的验证，得到的智能电表的使用寿命符合预期。图5为智能电表寿命预测三维散点图，从图5可以看出，在温度和湿度的共同作用下，智能电表的寿命与温度和湿度的三维散点图呈连续的分布模式，同样，使用基于bp神经网络的智能电表寿命的预测模型的三维散点图也呈现连续的分布模式，所以从智能电表预测的三维散点图也可以看出，使用本申请提供的预测模型得到的智能电表的使用寿命符合预期。

接下来就通过如图6所示的智能电表温度-寿命的二维条形图验证本申请提供的基于bp神经网络的智能电表寿命的预测模型的准确性。取10组不同的温度数据作为输入数据，使用基于bp神经网络的智能电表寿命的预测模型通过输入数据确定智能电表的使用寿命，从图6可以看出，随着温度的变化，智能电表的使用寿命在温度大约为4的时候最低，然后随着温度的升高，智能电表的使用寿命逐渐变长，在温度大约为13时，智能电表的使用寿命最长，然后随着温度的升高，智能电表的使用寿命逐渐降低，且以温度为13作为分界，其两侧的温度与智能电表的使用寿命几乎呈现对称模式。在智能电表的实际使用环境下，也在温度大约为13时，其使用寿命最长，且以温度为13作为分界，其两侧的温度与智能电表的使用寿命几乎呈现对称模式。

接下来再通过如图7所示的智能电表湿度-寿命的二维条形图进一步验证本申请提供的基于bp神经网络的智能电表寿命的预测模型的准确性。取10组不同的湿度数据作为输入数据，使用基于bp神经网络的智能电表寿命的预测模型通过输入数据确定智能电表的使用寿命，从图7可以看出，随着湿度的变化，智能电表的使用寿命从湿度32到湿度为67区间呈逐渐上升趋势，从湿度67开始呈现下升趋势，其变化趋势与温度与智能电表寿命的二维条形图相近，所以从图6和图7可以看出，通过本申请提供的基于bp神经网络的智能电表寿命的预测模型可以得到预期的智能电有的使用寿命。本实施例只是简单例举了部分输入数据对基于bp神经网络的智能电表寿命的预测模型基于bp神经网络的智能电表使用寿命的预测模型进行了训练，并且得到了预期的结果，在实际使用中，可以进行多个输入数据对预测模型进行训练，得到在多个影响因素条件下智能电表的使用寿命。

请参看图8，本申请同时提供了一种用于智能电表的预测装置，包括：

数据获取单元801，用于获取多个影响因素与智能电表使用寿命的统计数据；

模型建立单元802，用于将多个影响因素作为输入参数，智能电表使用寿命作为输出参数，建立基于bp神经网络的智能电表使用寿命的预测模型；

模型训练单元803，用于将所述统计数据作为所述预测模型的训练数据，根据所述输出参数，确定所述输入参数所占的比重，以对预测模型进行修正；

使用寿命输出单元804，用于根据接收到的影响因素数据并通过所述经过修正的预测模型，获取在所述影响因素条件下智能电表的使用寿命。

本申请虽然实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。

在一个典型的配置中，计算设备包括一个或多个处理器(cpu)、输入/输出接口、网络接口和内存。

内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flashram)。内存是计算机可读介质的示例。

1、计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括非暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。

2、本领域技术人员应明白，本申请的实施例可提供为方法、系统或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。