一种智能电表剩余使用寿命预测方法及系统与流程

本发明属于设备剩余使用寿命预测，尤其涉及一种智能电表剩余使用寿命预测方法及系统。

背景技术：

1、本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

2、电表是电网运行和计费的重要仪器，保障电表正常使用和延长寿命是确保电网运行安全和用户用电计费准确性的重要基础。电表的寿命主要受供电质量和用户使用情况等因素的影响。

3、（1）电网中的电压、电流、频率等参数异常波动，会对电表的计量精度和寿命造成影响。例如电网中经常出现的电压不稳、电流过大等问题，都会缩短电表的寿命时间。

4、（2）电表安装环境和使用环境对电表的使用寿命也有很大的影响。例如，电表安装在狭窄、潮湿的位置或者直接暴露在阳光下、雨水中等极端环境中都会加速电表的老化和损坏。

5、设备的剩余使用寿命预测（remaining useful life，rul）可以在设备出现故障之前掌握运行状况信息并警告维护人员采取维护措施，有效帮助维护人员制定灵活可靠的维护计划，避免设备停机带来的危害和经济损失。

6、目前基于深度学习的rul预测方法主要是基于rnn（recurrent neural network）和cnn(convolution neural network)架构以及它们的变体和混合网络构建的，通过直接作用于监测序列数据来提取信息进而实现rul预测；但是，现有的预测方法受单一算法模型本身缺陷的影响，会出现梯度消失和梯度爆炸等现象，而且无法有效学习到序列之间的相关性特征，造成预测方法精度低和预测结果不准确。

技术实现思路

1、为克服上述现有技术的不足，本发明提供了一种智能电表剩余使用寿命预测方法及系统。

2、为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

3、本发明第一方面提供了一种智能电表剩余使用寿命预测方法，包括：

4、获取智能电表的实时监测数据和环境数据；

5、将获取的数据输入至智能电表寿命预测模型中，得到智能电表的剩余使用寿命；

6、所述智能电表寿命预测模型包括输入嵌入模块、第一特征提取分支、第二特征提取分支以及融合输出模块；

7、所述输入嵌入模块用于将采集的序列数据线性映射到高维并嵌入位置信息；所述第一特征提取分支用于提取序列数据的多尺度特征，所述第二特征提取分支用于提取多个序列数据之间的相关性特征，所述融合输出模块用于将多尺度特征和相关性特征进行融合预测后得到智能电表剩余使用寿命。

8、本发明第二方面提供了一种智能电表剩余使用寿命预测系统，包括：

9、数据获取模块，被配置为：获取智能电表的实时监测数据和环境数据；

10、剩余使用寿命预测模块，被配置为：将获取的数据输入至智能电表寿命预测模型中，得到智能电表的剩余使用寿命；

11、所述智能电表寿命预测模型包括输入嵌入模块、第一特征提取分支、第二特征提取分支以及融合输出模块；

12、所述输入嵌入模块用于将采集的序列数据线性映射到高维并嵌入位置信息；所述第一特征提取分支用于提取序列数据的多尺度特征，所述第二特征提取分支用于提取多个序列数据之间的相关性特征，所述融合输出模块用于将多尺度特征和相关性特征进行融合预测后得到智能电表剩余使用寿命。

13、以上一个或多个技术方案存在以下有益效果：

14、（1）本发明考虑到虽然不同电气参数、环境参数对智能电表使用寿命影响的不同，但均会导致电表内部器件产生损耗进而导致电表产生计量误差，因此选取电表计量误差和多元环境因素作为电表剩余使用寿命的主要影响因素，采用了两通道融合法实现对电表剩余使用寿命准确有效的预测。

15、（2）本发明在利用lstm对于时间序列数据具有较好预测能力的同时，增加了多尺度以及交叉注意力机制的实现对不同尺度上特征的关注以及不同时间序列之间相关性的关注，从而更好的提取时间序列数据中的关键特征，能够充分考虑多维特征序列时间相关性，提高预测精度。

16、（3）考虑到通常时间序列数据在时间维度上时序特征的重要程度并不一致，同时多个时间序列数据之间相互影响，本发明利用第一特征提取分支在不同时间尺度上提取关键特征，利用第二特征提取分支关注不同时间序列之间的相关性特征，能够能有效提取更丰富的序列特征。

17、本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。

技术特征：

1.一种智能电表剩余使用寿命预测方法，其特征在于，包括：

2.如权利要求1所述的一种智能电表剩余使用寿命预测方法，其特征在于，所述智能电表的实时监测数据包括计量误差，所述环境数据包括：温度数据、湿度数据和气压数据。

3.如权利要求1所述的一种智能电表剩余使用寿命预测方法，其特征在于，所述第一特征提取分支包括多尺度自注意力模块以及第一拼接和归一化模块；所述多尺度自注意力模块用于从不同时间尺度提取特征，经过第一拼接和归一化模块后输出。

4.如权利要求1所述的一种智能电表剩余使用寿命预测方法，其特征在于，所述第二特征提取分支包括交叉注意力模块以及第二拼接和归一化模块，所述交叉注意力模块用于提取不同时间序列之间相关性特征；

5.如权利要求1所述的一种智能电表剩余使用寿命预测方法，其特征在于，所述融合输出模块包括顺序连接的lstm网络和全连接层，所述lstm网络包括顺序连接的遗忘门、输入门、状态更新层和输出门；

6.如权利要求1所述的一种智能电表剩余使用寿命预测方法，其特征在于，所述输入嵌入模块为顺序连接的卷积层和编码器；

7.如权利要求1所述的一种智能电表剩余使用寿命预测方法，其特征在于，在模型的训练过程中，将均方误差作为损失函数，采用adam算法更新模型参数。

8.一种智能电表剩余使用寿命预测系统，其特征在于，包括：

9.如权利要求8所述的一种智能电表剩余使用寿命预测系统，其特征在于，所述智能电表的实时监测数据包括计量误差，所述环境数据包括：温度数据、湿度数据和气压数据。

10.如权利要求8所述的一种智能电表剩余使用寿命预测系统，其特征在于，所述第一特征提取分支包括多尺度自注意力模块以及第一拼接和归一化模块；所述多尺度自注意力模块用于从不同时间尺度提取特征，经过第一拼接和归一化模块后输出。

技术总结
本发明属于设备剩余使用寿命预测技术领域，尤其涉及一种智能电表剩余使用寿命预测方法及系统；方法为：获取智能电表的实时监测数据和环境数据；将获取的数据输入至电表寿命预测模型中，模型包括：输入嵌入模块、第一特征提取分支、第二特征提取分支以及融合输出模块。输入嵌入模块用于将采集的序列数据线性映射到高维并嵌入位置信息；第一特征提取分支用于提取序列数据的多尺度特征，第二特征提取分支用于提取多个序列数据之间的相关性特征，融合输出模块用于将多尺度特征和相关性特征进行融合预测后得到智能电表剩余使用寿命。本发明考虑到不同参数对智能电表使用寿命影响的不同，采用了两通道融合法实现对电表剩余使用寿命准确有效的预测。

技术研发人员：司永强,张力文,王新,孔令涛,田盛华,刘蕾,龚群英
受保护的技术使用者：国网山东省电力公司泗水县供电公司
技术研发日：
技术公布日：2024/4/24