基于相关系数分析的智能电表寿命周期预测方法及装置与流程

本发明涉及计算机学科中的数据挖掘技术领域，具体涉及基于相关系数分析的智能电表寿命周期预测方法及装置。

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。随着世界范围内“智能电网”和高级量测体系(advancedmeteringinfrastructure,ami)的建设以及相关技术的推进,作为其基础元件和核心设备的智能电表正吸引着大量表计制造商。智能电表需要在正常条件下具有高可靠性和长使用寿命，并且能够无人看管条件下可以连续不间断工作。

为了有效管理智能电表以及维护国家电能，能够准确预测与估计智能电表的寿命特性变得非常重要。影响智能电表可靠性可信性因素：功能、复杂性、设计、制造过程、失效判据、工作条件、安装维护等。

现有技术中，一些学者对智能电表的维修进行了相关研究，其中，褚建新《基于故障统计模型的可修系统维修周期预测法》一文中，提出了一种可修系统故障统计模型和维修周期的顶测方法，它的基本原理是系统局部故障变化率的单样本参数估计，作为在设备维修管理中的应用。该方法在可维修系统的维修周期预测上有其实用性，但在智能电表这类比起维修更倾向于轮换的设备上而言，并不能直接套用。此外，中华人民共和国国家标准gb17215.911——200x/iec/tr62059-11:2002中，阐述了电测量设备的可信性的基本概念。但未对智能电表的寿命周期进行相关的分析。

技术实现要素：

有鉴于此，本发明提供了一种基于相关系数分析的智能电表寿命周期预测方法及装置，用以解决或者至少部分解决现有技术中无法对智能电表的寿命周期进行准确预测的技术问题。

为了解决上述技术问题，本发明第一方面提供了基于相关系数分析的智能电表寿命周期预测方法，包括：

步骤s1：计算并验证单位、电表厂商、故障原因三个因素之间的周期相关性，其中，周期相关性具体为：μ′、σ'分别表示相同的电表厂商在相同的故障原因不同的单位，所对应的每一个电表寿命的平均值以及方差；

步骤s2：根据周期相关性，构建智能电表寿命周期预测模型，该预测模型具体为：

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、n中的最小值，

其中，ω1、ω2为权重因子，初始值为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寿命周期均值；ωdi表示单位i的寿命周期影响权重；ωfjmainerror表示电表制造厂商j的主要故障原因的寿命周期影响权重；ωdicorrelationerror表示单位i的相关性故障原因的寿命周期影响权重；

步骤s3：基于所述智能电表寿命周期预测模型对智能电表寿命周期进行预测。

在一种实施方式中，在步骤s2之后，所述方法还包括：

基于预设神经网络算法的更新权重方式对权重因子ω1和ω2进行修正，

基于修正后的权重因子，对预测模型进行优化。

在一种实施方式中，所述方法还包括：

根据通过预测模型获得的预测结果，获得预测寿命周期和平均误差率；

基于预测寿命周期和平均误差率，获得与智能电表对应的预警时间；

根据预警时间设置预警提醒。

在一种实施方式中，步骤s2中权重参数ωdi、ωfjmainerror和ωdicorrelationerror的计算方式如下：

的计算方法为其中，表示制造智能电表厂商j的第h条电表的记录，maxnfj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，默认值为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表示电表的初始安装时间，表示工厂j故障表的数量；

ωdi的计算方法为其中，tdi表示单位i的寿命周期，

表示所有单位的平均寿命周期，tdi的计算方式为：

其中，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条寿命周期记录，的计算方法为：表示单位i的使用的所有电表的寿命周期均值，sum表示总的单位数量；

ωfjmainerror的计算方法为表示电表厂商j的主要故障原因的数量权重寿命周期均值，tall表示所有故障原因的数量权重寿命周期均值的均值，的计算方法为：maxnfjmainerror电表厂商j的主要故障原因k的寿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；

ωdicorrelationerror的计算方法如下：其中，表示所有故障原因的数量权重寿命周期均值，nallerror表示故障原因的最大类别数量，表示故障原因i的数量权重寿命周期，其中，表示电表厂商j的相关性故障原因的数量权重寿命周期均值maxn表示制造厂商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。

在一种实施方式中，预先定义一个真实的单位i电表厂商j的智能电表寿命周期数据作为参照数据，基于预设神经网络算法的更新权重方式对权重因子ω1和ω2进行修正具体包括：

步骤s4.1：从预先获取的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，再从训练集合随机抽取2/3作为训练样本集合，所有智能电表信息记录中其余的1/3作为参照集合，且参照集合中的个体数量为a，为正整数；

步骤s4.2：利用预测模型中的公式和

进行预测，预测对象为参照集合中的个体，得到预测值

步骤s4.3：判断预测值与参照值的差的绝对值是否小于阈值δ，即是否成立，如果成立，则转至步骤s4.4；

步骤s4.4：判断是否成立，如果成立，则更新ω2，如果不成立，则更新ω1，

步骤s4.5：判断参照集合中的每个个体是否均预测完成，如果完成，则结束，如果未完成，则继续迭代，执行步骤s4.2。

基于同样的发明构思，本发明第二方面提供了基于相关系数分析的智能电表寿命周期预测装置，包括：

计算验证模块，用于计算并验证单位、电表厂商、故障原因三个因素之间的周期相关性，其中，周期相关性具体为：μ′、σ'分别表示相同的电表厂商在相同的故障原因不同的单位，所对应的每一个电表寿命的平均值以及方差；

模型构建模块，用于根据周期相关性，构建智能电表寿命周期预测模型，该预测模型具体为：

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、n中的最小值，

其中，ω1、ω2为权重因子，初始值为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寿命周期均值；ωdi表示单位i的寿命周期影响权重；ωfjmainerror表示电表制造厂商j的主要故障原因的寿命周期影响权重；ωdicorrelationerror表示单位i的相关性故障原因的寿命周期影响权重；

预测模块，用于基于所述智能电表寿命周期预测模型对智能电表寿命周期进行预测。

在一种实施方式中，还包括预测模型优化模块，用于在构建预测模型之后：

基于预设神经网络算法的更新权重方式对权重因子ω1和ω2进行修正，

基于修正后的权重因子，对预测模型进行优化。

在一种实施方式中，还包括预警设置模块，具体用于：

根据通过预测模型获得的预测结果，获得预测寿命周期和平均误差率；

基于预测寿命周期和平均误差率，获得与智能电表对应的预警时间；

根据预警时间设置预警提醒。

在一种实施方式中，模型构建模块中权重参数ωdi、ωfjmainerror和ωdicorrelationerror的计算方式如下：

的计算方法为其中，表示制造智能电表厂商j的第h条电表的记录，maxnfj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，默认值为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表示电表的初始安装时间，表示工厂j故障表的数量；

ωdi的计算方法为其中，tdi表示单位i的寿命周期，

表示所有单位的平均寿命周期，tdi的计算方式为：

其中，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条寿命周期记录，的计算方法为：表示单位i的使用的所有电表的寿命周期均值，sum表示总的单位数量；

ωfjmainerror的计算方法为表示电表厂商j的主要故障原因的数量权重寿命周期均值，tall表示所有故障原因的数量权重寿命周期均值的均值，的计算方法为：maxnfjmainerror电表厂商j的主要故障原因k的寿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；

ωdicorrelationerror的计算方法如下：其中，表示所有故障原因的数量权重寿命周期均值，nallerror表示故障原因的最大类别数量，表示故障原因i的数量权重寿命周期，其中，表示电表厂商j的相关性故障原因的数量权重寿命周期均值maxn表示制造厂商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。

基于同样的发明构思，本发明第三方面提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被执行时实现第一方面的所述的方法。

本申请实施例中的上述一个或多个技术方案，至少具有如下一种或多种技术效果：

本发明提出了基于相关系数分析的智能电表寿命周期预测方法，首先计算并验证单位、电表厂商、故障原因三个因素之间的周期相关性，然后根据周期相关性，构建智能电表寿命周期预测模型，再基于智能电表寿命周期预测模型对智能电表寿命周期进行预测。由于本发明提出的是一种基于相关系数分析的智能电表寿命周期预测方法，根据单位影响因数、制造厂商影响因数以及故障类型影响因数为主要参数，并以神经网络算法作为参数训练辅助，可以获得电表的预测寿命周期的预测模型，由于考虑了单位、电表厂商、故障原因之间的周期相关性，从而可以实现对智能电表的寿命周期的准确预测，解决了智能电表因长期无人值守带来的可靠性方面的问题。

进一步地，采用启发式方法迭代搜索确定权重，使用基于神经网络算法的更新权重方式进行修正，可以对构建的预测模型进行优化，进一步提高预测的准确性。

进一步地，本发明还设置了预警机制，实际应用时，电力管理部门可以利用本模型在智能电表的寿命周期将近的时候，进行智能电表的定期抽检。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一种实施方式中基于相关系数分析的智能电表寿命周期预测方法流程图；

图2为基于神经网络采用启发式方法迭代搜索确定权重的方法流程图；

图3为本发明实施例中基于相关系数分析的智能电表寿命周期预测装置的结构框图；

图4为本发明实施例中计算机可读存储介质的结构图。

具体实施方式

本发明的目的在于针对智能电表因长期无人值守带来的可靠性方面的问题，以及现有的方法无法对智能电表的寿命周期进行准确预测的问题，提出的一种基基于相关系数分析的智能电表寿命周期预测方法及装置。

为了达到上述的目的，本发明的主要构思如下：运用数据挖掘的基本原理，计算并验证单位、电表厂商、故障原因三个因素之间的周期相关性，并构建了基于相关参数分析后的预测模型，再利用预测模型预测出智能电表寿命周期。

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例一

本实施例提供了一种基于相关系数分析的智能电表寿命周期预测方法，请参见图1，该方法包括：

首先执行步骤s1：计算并验证单位、电表厂商、故障原因三个因素之间的周期相关性，其中，周期相关性具体为：μ′、σ'分别表示相同的电表厂商在相同的故障原因不同的单位，所对应的每一个电表寿命的平均值以及方差。

具体来说，相关系数分析是研究两个或两个以上处于同等地位的随机变量间的相关关系的统计分析方法。例如，人的身高和体重之间；空气中的相对湿度与降雨量之间的相关关系都是相关分析研究的问题。相关分析通过发现随机变量间的种种相关特性，可以应用于工农业、水文、气象、社会经济和生物学等各领域。

在具体的实施过程中，本发明利用了某单位提供的各电力局的智能电表“运行中”故障信息数据，分析了“使用智能电表的单位”，“电表制造厂商”差异进而造成的表的性能差异因素。并且认为制造厂商的不同，决定设计、制造过程的不同。“故障类型”能表达智能电表有可能的元器部件的差异。“使用电表的单位”可能造成地理环境、温度、湿度等运行环境差异，以及安装维护条件差异。

然后执行步骤s2：根据周期相关性，构建智能电表寿命周期预测模型，该预测模型具体为：

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、n中的最小值，

否则

其中，ω1、ω2为权重因子，初始值为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寿命周期均值；ωdi表示单位i的寿命周期影响权重；ωfjmainerror表示电表制造厂商j的主要故障原因的寿命周期影响权重；ωdicorrelationerror表示单位i的相关性故障原因的寿命周期影响权重，tdifj为权重影响参数，一般而言，当仅考虑主要故障原因时，

具体来说，本步骤是对智能电表的预测寿命周期的预测模型进行初始化，对影响寿命周期的各项权重参数进行计算。

具体地，步骤s2中权重参数ωdi、ωfjmainerror和ωdicorrelationerror的计算方式如下：

的计算方法为其中，表示制造智能电表厂商j的第h条电表的记录，maxnfj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，默认值为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表示电表的初始安装时间，表示工厂j故障表的数量；

ωdi的计算方法为其中，tdi表示单位i的寿命周期，

表示所有单位的平均寿命周期，tdi的计算方式为：

其中，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条寿命周期记录，的计算方法为：表示单位i的使用的所有电表的寿命周期均值，sum表示总的单位数量；

ωfjmainerror的计算方法为表示电表厂商j的主要故障原因的数量权重寿命周期均值，tall表示所有故障原因的数量权重寿命周期均值的均值，的计算方法为：maxnfjmainerror电表厂商j的主要故障原因k的寿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；

ωdicorrelationerror的计算方法如下：其中，表示所有故障原因的数量权重寿命周期均值，nallerror表示故障原因的最大类别数量，表示故障原因i的数量权重寿命周期，其中，表示电表厂商j的相关性故障原因的数量权重寿命周期均值maxn表示制造厂商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。

接下来执行步骤s3：基于所述智能电表寿命周期预测模型对智能电表寿命周期进行预测。

具体来说，通过构建的预测模型μ′和σ′则可以对智能电表寿命周期进行预测，预测结果即为电表的寿命周期，例如5年、10年等。

为了提高预测的准确性，在一种实施方式中，在步骤s2之后，所述方法还包括：

基于预设神经网络算法的更新权重方式对权重因子ω1和ω2进行修正，

基于修正后的权重因子，对预测模型进行优化。

具体来说，可以基于神经网络采用启发式方法迭代搜索确定权重因子。

在一种实施方式中，预先定义一个真实的单位i电表厂商j的智能电表寿命周期数据作为参照数据，基于预设神经网络算法的更新权重方式对权重因子ω1和ω2进行修正具体包括：

步骤s4.1：从预先获取的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，再从训练集合随机抽取2/3作为训练样本集合，所有智能电表信息记录中其余的1/3作为参照集合，且参照集合中的个体数量为a，为正整数；

步骤s4.2：利用预测模型中的公式和

进行预测，预测对象为参照集合中的个体，得到预测值

步骤s4.3：判断预测值与参照值的差的绝对值是否小于阈值δ，即是否成立，如果成立，则转至步骤s4.4；

步骤s4.4：判断是否成立，如果成立，则更新ω2，如果不成立，则更新ω1，

步骤s4.5：判断参照集合中的每个个体是否均预测完成，如果完成，则结束，如果未完成，则继续迭代，执行步骤s4.2。

具体来说，请参见图2，为基于神经网络采用启发式方法迭代搜索确定权重的方法流程图，预先定义了一个真实的单位i电表厂商j的智能电表寿命周期数据作为参照数据。在具体实现时，可以设置一个个体变量x，初始值为1，将对应的个体作为预测对象，然后通过迭代，每计算完一个个体，则x加1，直到参照集合个体中的所有个体均计算完成，则迭代完成。迭代过程中，包括了具体的权重因子的更新条件和更新方式。通过更新后的权重因子，则可以对预测模型进行优化，进一步提高预测效果。此外，在更新权重因子后，还进一步对周期相关性进行验证，并增加模糊预警功能，以提高方法的实用性。

在一种实施方式中，所述方法还包括：

根据通过预测模型获得的预测结果，获得预测寿命周期和平均误差率；

基于预测寿命周期和平均误差率，获得与智能电表对应的预警时间；

根据预警时间设置预警提醒。

具体来说，为了使得本发明中的预测模型可以更好地应用，可以通过下述方式来实现：在实际运用中可加入模糊预警，设预测寿命周期为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％，则当前批次电表继续使用，否则就进行轮换处理。

本发明提出了基于相关系数分析的智能电表寿命周期预测方法，首先计算并验证单位、电表厂商、故障原因三个因素之间的周期相关性，然后根据周期相关性，构建智能电表寿命周期预测模型，再基于智能电表寿命周期预测模型对智能电表寿命周期进行预测。由于本发明提出的是一种基于相关系数分析的智能电表寿命周期预测方法，根据单位影响因数、制造厂商影响因数以及故障类型影响因数为主要参数，并以神经网络算法作为参数训练辅助，可以获得电表的预测寿命周期的预测模型，由于考虑了单位、电表厂商、故障原因之间的周期相关性，从而可以实现对智能电表的寿命周期的准确预测，解决了智能电表因长期无人值守带来的可靠性方面的问题。

基于同一发明构思，本申请还提供了与实施例一中基于相关系数分析的智能电表寿命周期预测方法对应的装置，详见实施例二。

实施例二

本实施例提供了一种基于相关系数分析的智能电表寿命周期预测方法装置，请参见图3，该装置包括：

计算验证模块301，用于计算并验证单位、电表厂商、故障原因三个因素之间的周期相关性，其中，周期相关性具体为：μ′、σ'分别表示相同的电表厂商在相同的故障原因不同的单位，所对应的每一个电表寿命的平均值以及方差；

模型构建模块302，用于根据周期相关性，构建智能电表寿命周期预测模型，该预测模型具体为：

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、n中的最小值，

否则

其中，ω1、ω2为权重因子，初始值为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寿命周期均值；ωdi表示单位i的寿命周期影响权重；ωfjmainerror表示电表制造厂商j的主要故障原因的寿命周期影响权重；ωdicorrelationerror表示单位i的相关性故障原因的寿命周期影响权重；

预测模块303，用于基于所述智能电表寿命周期预测模型对智能电表寿命周期进行预测。

在一种实施方式中，还包括预测模型优化模块，用于在构建预测模型之后：

基于预设神经网络算法的更新权重方式对权重因子ω1和ω2进行修正，

基于修正后的权重因子，对预测模型进行优化。

在一种实施方式中，还包括预警设置模块，具体用于：

根据通过预测模型获得的预测结果，获得预测寿命周期和平均误差率；

基于预测寿命周期和平均误差率，获得与智能电表对应的预警时间；

根据预警时间设置预警提醒。

在一种实施方式中，模型构建模块中权重参数ωdi、ωfjmainerror和ωdicorrelationerror的计算方式如下：

的计算方法为其中，表示制造智能电表厂商j的第h条电表的记录，maxnfj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，默认值为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表示电表的初始安装时间，表示工厂j故障表的数量；

ωdi的计算方法为其中，tdi表示单位i的寿命周期，

表示所有单位的平均寿命周期，tdi的计算方式为：

其中，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条寿命周期记录，的计算方法为：表示单位i的使用的所有电表的寿命周期均值，sum表示总的单位数量；

ωfjmainerror的计算方法为表示电表厂商j的主要故障原因的数量权重寿命周期均值，tall表示所有故障原因的数量权重寿命周期均值的均值，的计算方法为：maxnfjmainerror电表厂商j的主要故障原因k的寿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；

ωdicorrelationerror的计算方法如下：其中，表示所有故障原因的数量权重寿命周期均值，nallerror表示故障原因的最大类别数量，表示故障原因i的数量权重寿命周期，其中，表示电表厂商j的相关性故障原因的数量权重寿命周期均值maxn表示制造厂商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。

由于本发明实施例二所介绍的装置，为实施本发明实施例一中基于相关系数分析的智能电表寿命周期预测所采用的装置，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该装置的具体结构及变形，故而在此不再赘述。凡是本发明实施例一的方法所采用的装置都属于本发明所欲保护的范围。

实施例三

基于同一发明构思，本申请还提供了一种计算机可读存储介质400，请参见图4，其上存储有计算机程序411，该程序被执行时实现实施例一中的方法。

由于本发明实施例三所介绍的计算机可读存储介质，为实施本发明实施例一中基于相关系数分析的智能电表寿命周期预测所采用的计算机可读存储介质，故而基于本发明实施例一所介绍的方法，本领域所属人员能够了解该计算机可读存储介质的具体结构及变形，故而在此不再赘述。凡是本发明实施例一所述方法所采用的计算机可读存储介质都属于本发明所欲保护的范围。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样，倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。