一种基于人工神经网络的智能电表生命周期预测方法与流程

本发明涉及数据挖掘和人工智能理论与技术，设计了相关参数的相关性分析模型，并加入了神经网络算法作为辅助，交互地设定了根据训练集自动更新学习的两个权重因子，最后得到各个参数的权重，最终预测出智能电表生命周期。

背景技术：

智能电能表是近年来开始大量普及到生活应用层上的新型电表。智能电表运行在一个长的无人值守的状态，其可靠性显得非常重要。同时能否根据目前正在运行的智能电表的故障信息，进行智能电表的生命周期预测，从而使得电表处理效率得到提升。

传统的电表模型是在请求每一个环节点都需要人工查看，可以最大限度地保证每个电表都能正常运行。这种模型有着致命的缺陷：(1)由于系统规模的可预测性较弱，当请求到达非常频繁时，造成系统的性能低下，甚至使系统无法工作，效率非常低；(2)因为每个电表都需要查看，从而造成系统的响应速度的急剧下降，实时速度达不到预期的效果；(3)这种模型没有依赖网络的控制，相对来说处理速度低，这样的处理过程效率低。

技术实现要素：

本发明采用了人工神经网络的智能电表生命周期预测，具体思路是：得到生命周期相关性模型，计算各个项中出现的未知数，采用启发式方法迭代搜索确定ω1,ω2，基于神经网络算法的更新权重方式进行修正，最后加入模糊预警，当自动预警提醒，对智能电表的进行抽检。如果抽检的合格率达到95％，则当前批次电表继续使用，否则就进行轮换处理。

运用本资源利用方法，实现了不同电表间的生命周期预测的信息集成，提高了电表使用的效率，可以得到理想的效果。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于人工神经网络的智能电表生命周期预测方法，其特征在于，基于定义：

定义1：得到周期相关性计算的值，其中，m表示电表厂商总数量，n表示故障原因总数量，w表示单位总数量min(m,n)表示取m和n中的最小值；μ′为相同的设备厂商在相同的故障原因不同的单位，所对应的每一条设备风险的平均值,σ′为相同的设备厂商在相同的故障原因不同的单位，所对应的每一条设备风险的差值；设备厂商i的故障原因j数量权重寿命周期不同的单位k；

定义2：计算的值，其中ω1,ω2默认均为1.00；tdifj为单位i使用设备制造厂商j的设备的预测更换周期的预测；

定义3：电表制造厂商j所生产的所有电表在所有单位的数量权重生命周期均值其中表示制造智能电表厂商j的第h条电表的记录；表示表厂j的最大记录条数；maxerror表示单批次允许的最大的故障率(默认为2％)；errorfjh表示表厂j的故障电表数量的第h条记录；terrortime表示表的故障时间，tinstalltime表示表的初始安装时间；表示工厂j故障表的数量；

定义4：单位i的生命周期影响权重其中表示单位i的生命周期模型中表示单位i的第a条电表数量；maxnia表示单位i的记录条数最大值表示单位i的第a条生命周期记录；表示单位i的第a条风险周期记录；

定义5：表示所有单位的平均生命周期表示单位i的使用的所有电表的生命周期均值；sum表示总的单位数量；

定义6：表示电表制造厂商j的主要故障原因的生命周期影响权重tall表示所有故障原因的数量权重风险周期均值的均值；其中电表厂商j的主要故障原因的数量权重生命周期均值maxnfjmainerror电表厂商j的主要故障原因k的生命周期的最大记录数量；表示电表厂商j的主要故障原因的电表数量的第k条记录；

定义7：单位i的相关性故障原因的生命周期影响权重其中表示所有故障原因的数量权重生命周期均值的nallerror表示故障原因的最大类别数量，表示故障原因i的数量权重生命周期；

定义8：定义7中表示电表厂商j的相关性故障原因的数量权重生命周期均值其中maxn造厂商j的相关性故障原因的最大记录条数，表示故障原因j的第i条周期轮换记录，表示电表厂商j的相关性故障原因的电表数量的第i条记录的数量；

预测方法具体包括：

步骤1：采用启发式方法迭代搜索确定ω1,ω2，基于神经网络算法的更新权重方式进行修正；

步骤2：加入模糊预警，设预测生命周期为a，平均误差率为b，则当该智能电表的预警时间为t＝a-a*b，当自动预警提醒，对智能电表的进行抽检；如果抽检的合格率达到95％，则当继续使用，否则就进行轮换处理。

在上述的一种基于人工神经网络的智能电表生命周期预测方法，，所述步骤9具体方法如下：

步骤9.1、从所有智能电表信息记录中，随机抽取2/3的电表作为训练集合，再从中随机抽取2/3作为训练样本集合，另外1/3作为参照集合；

步骤9.2、对模型进行预测，预测对象为参照集合中的第a个个体(默认a为1)，得到预测值

步骤9.3、如果即预测值与参照值的差的绝对值小于特定阈值(默认为14)，则转至步骤9.6，否则转至步骤9.4；

步骤9.4、如果预测值则更新ω2：否则更新，更新方法：

步骤9.5、a＝a+1，返回步骤9.2；

步骤9.6、结束。

本发明具有如下优点：1、建立了基于人工神经网络的智能电表生命周期预测模型,采用本模型的任务处理效率比传统电表的任务处理有明显的提高。2、由于采用了人工神经网络模块、数据挖掘等辅助技术,使得智能电表生命周期预测运行稳定性也得到了大幅提高，同时，加入了模糊预警模型，提升了资源利用效率。

附图说明

图1是发明基于人工神经网络智能电表生命周期预测总体结构图。

图2是发明人工神经网络智能电表生命周期预测流程图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例：

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

如图2，得到生命周期相关性μ′为相同的电表厂商在相同的故障原因不同的单位，所对应的每一条电表生命的平均值。其中则tdifj为单位i使用电表制造厂商j的电表的预测更换周期的预测。ω1,ω2默认均为1.00。表示电表制造厂商j所生产的所有电表在所有单位的数量权重生命周期均值；ωdi表示单位i的生命周期影响权重；ωfjmainerror表示电表制造厂商j的主要故障原因的生命周期影响权重；ωdicorrelationerror表示单位i的相关性故障原因的生命周期影响权重。每个未知量都有计算模型。

采用启发式方法迭代搜索确定ω1,ω2，基于神经网络算法的更新权重方式进行修正，具体方法如下：

1)从所有智能电表信息记录中，随机抽取2/3的电表作为训练集合，再从中随机抽取2/3作为训练样本集合，另外1/3作为参照集合；

2)用模型2.1.1以及2.1.2进行预测，预测对象为参照集合中的第a个个体(默认a为1)，得到预测值

3)如果即预测值与参照值的差的绝对值小于特定阈值(可手动设置，默认为14)，则跳到步骤7)否则步骤4)；

4)如果预测值则更新ω2：

5)否则更新；更新方法：

6)a＝a+1，返回2)；

7)结束。

在实际运用中可加入模糊预警，设预测生命周期为a，平均误差率为b，则当该智能电表的预警时间为t＝a-a*b。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。