一种针对不同子系统下智能电表的剩余寿命预测方法

1.本发明提供了一种针对不同子系统下智能电表的剩余寿命预测方法，属于智能电表技术领域。


背景技术：

2.作为智能电网的智能终端，智能电表已经不再是传统意义上的电能表，不仅具备用电量计量的基本功能，还增加了双向数据通信功能、多种电价计费功能、实时数据交互功能、防盗电功能以及与用户互动等智能化功能。随着智能电表功能的不断完善，造成故障的因素也变得复杂多样，这会进一步影响智能电表的可靠性与剩余使用寿命。
3.智能电表的剩余使用寿命除了与它本身所用芯片与制作工艺有关之外，还受到环境与电气这两个关键因素的影响，智能电表工作时通过的电流就是一个典型的电气影响因素，如果电流超过规定的阈值，智能电表的剩余使用寿命就会缩短。传统智能电表的到期轮换方式不仅会增加旧表拆卸与新表安装工作，而且会使一些尚可使用的智能电表提前停止工作，造成了人力与物力的浪费。因此，对智能电表的剩余寿命进行预测是十分重要的。
4.目前智能电表的剩余寿命方法主要有失效机理和数据驱动两种，数据驱动的方法又可分为统计数据驱动方法和基于机器学习的方法。基于失效机理的方法需要构建数学模型来描述智能电表的失效机理，但是过程代价过高，难以推广。统计数据驱动方法大部分假设退化模型是已知的，比如：weibull分布、wiener过程以及gamma分布等，退化模型的选择会影响智能电表剩余寿命的预测准确度。基于机器学习的方法就能够克服退化模型不确定的问题，而且可以输入不同类型的多种数据，因此机器学习在智能电表剩余寿命预测领域展现出了广阔的应用前景。


技术实现要素：

5.本发明为了解决现有智能电表剩余寿命预测存在的难以推广或退化模型不确定的技术问题，提出了一种针对不同子系统下智能电表的剩余寿命预测方法。
6.为了解决上述技术问题，本发明采用的技术方案为：一种针对不同子系统下智能电表的剩余寿命预测方法，包括如下步骤：步骤s1：将建筑物内的机电设备划分为六大子系统，收集到的智能电表运行数据中已知子系统类别的部分数据作为训练数据构建分类模型，然后利用上述分类模型获得各个子系统下智能电表的运行数据；步骤s2：针对每个子系统，对智能电表运行数据进行预处理，通过相关性分析方法得到影响预测智能电表剩余寿命主要的应力，并选取智能电表在这些影响应力下的运行数据组成数据集；步骤s3：针对每个子系统，分别对上述数据集进行归一化处理，得到各个系统下的归一化数据集；步骤s4：针对每个子系统，使用滑动时间窗的方法划分归一化数据集，得到多个训
练样本，并构建预测模型的标签；步骤s5：针对每个子系统，构建并训练基于空洞卷积的长短时记忆神经网络模型ac-lstm，将预测数据输入所述ac-lstm模型，获得所述智能电表剩余寿命的预测结果。
7.所述步骤s1中建筑物内的机电设备的六大子系统包括：照明系统、电梯系统、空调系统、给水排系统、变配电系统以及辅助设施系统；使用训练数据构建xgboost分类模型，对于收集到的智能电表运行数据，若已知其所属子系统则直接归类到对应子系统下，否则使用xgboost分类模型找到其对应子系统。
8.所述步骤s2具体包括以下步骤：步骤s21：对采集到的运行数据进行预处理操作，预处理采用knn算法进行空值插补，即通过欧氏距离来识别运行数据中空间相似或相近的k个数据，然后使用这k个数据的平均值来估计缺失数据点的值；步骤s22：在得到不含空值的运行数据后，采用spearman方法对基本误差与各个影响应力进行相关性分析，得到基本误差与所选影响应力的spearman相关系数；步骤s23：根据相关系数选取影响预测智能电表剩余寿命主要的应力，每个子系统下得到n
×
m维度的数据集，m代表该子系统下选取的影响应力的个数，n代表每个影响应力下数据点的数量。
9.所述步骤s4具体包括以下步骤：步骤s41：选择固定大小的滑动时间窗，按照规定的步长对各个影响应力下的时间序列进行划分，滑动时间窗的高度为影响应力的个数，每滑动一个步长就得到一个训练样本；步骤s42：构建时间序列的最后一个时刻与失效时刻间的时间与起始时刻和失效时刻间时间的比值来描述剩余寿命。
10.所述步骤s5具体包括以下步骤：步骤s51：构建ac-lstm模型的空洞卷积神经网络部分提取深层特征，包括卷积层和空洞卷积层，具体顺序为：输入—卷积层—空洞卷积层—卷积层—空洞卷积层—深层特征矩阵；步骤s52：构建ac-lstm模型的长短时记忆神经网络部分进一步提取特征及输出剩余寿命，具体顺序为：深层特征矩阵—lstm层—dropout层—全连接层—输出；步骤s53：将预测数据输入所述ac-lstm模型，获得所述智能电表剩余寿命的预测结果。
11.本发明相对于现有技术具备的有益效果为：本发明提出的针对不同子系统下智能电表的剩余寿命预测方法，划分了子系统，考虑到了不同子系统下智能电表剩余寿命影响应力的不同；对智能电表数据集进行了归一化处理，对数据处理更加简便；使用滑动时间窗的方法划分数据集，并且构建了预测模型的训练标签，从而获得更多信息，利于发现微小的故障；构建并训练基于空洞卷积的长短时记忆神经网络模型ac-lstm，融合了两种机器学习模型的优点，提高了智能电表剩余寿命预测结果的准确率。可以提供一个较准确的智能电表维修计划，避免了尚可使用的智能电表提前停止使用，提高了智能电网的有效工作时间。
附图说明
12.下面结合附图对本发明做进一步说明：图1为本发明的智能电表剩余寿命预测方法的流程图；图2为本发明实施例提供的ac-lstm混合模型的框图示意图；图3为本发明实施例提供的各个子系统下ac-lstm模型与空洞卷积神经网络模型以及长短时记忆神经网络模型的预测结果误差均值对比示意图。
具体实施方式
13.如图1至图3所示，本发明提供了一种针对不同子系统下智能电表的剩余寿命预测方法，划分了子系统，考虑到了不同子系统下智能电表剩余寿命影响应力的不同，使用滑动时间窗的方法划分数据集，获得更多信息从而利于发现微小的故障，构建并训练基于空洞卷积的长短时记忆神经网络模型ac-lstm，提高了智能电表剩余寿命预测结果的准确率。
14.如图1所示为本发明实施例提供的一种针对不同子系统下智能电表的剩余寿命预测方法，包括下述步骤：步骤s1：将建筑物内的机电设备划分为六大子系统，收集到的智能电表运行数据中已知子系统类别的部分数据作为训练数据构建分类模型，然后利用此分类模型获得各个子系统下智能电表的运行数据；步骤s2：针对每个子系统，对智能电表运行数据进行预处理，然后通过spearman相关性分析方法得到影响预测智能电表剩余寿命较大的应力，并选取智能电表在这些影响应力下的运行数据组成数据集；步骤s3：针对每个子系统，对数据集进行归一化处理，得到归一化数据集；步骤s4：针对每个子系统，使用滑动时间窗的方法划分归一化数据集，得到多个训练样本，并构建预测模型的标签；步骤s5：针对每个子系统，构建并训练基于空洞卷积的长短时记忆神经网络模型ac-lstm，将预测数据输入所述ac-lstm模型，获得所述智能电表剩余寿命的预测结果。
15.在具体实施例中，上述步骤s1：将建筑物内的机电设备划分为六大子系统，收集到的智能电表运行数据中已知子系统类别的部分数据作为训练数据构建分类模型，然后利用此分类模型获得各个子系统下智能电表的运行数据，六大子系统具体包括：照明系统、电梯系统、空调系统、给水排系统、变配电系统以及辅助设施系统。
16.使用训练数据构建xgboost分类模型，对于收集到的智能电表运行数据，若已知其所属子系统则直接归类到对应子系统下，否则使用xgboost分类模型找到其对应子系统。xgboost以决策树为基础，每轮迭代产生一个弱分类器，最终的总分类器是将每轮训练得到的弱分类器加权求和得到的。xgboost的目标函数如下所示：（1）公式（1）中，obj表示目标函数；ci表示第i个样本的真实结果；表示第i个样本的预测结果；sn表示样本数据的总数量；表示模型的损失函数；tri表示第i棵树；
th表示树的数量；表示全部th棵树的复杂度的和。
17.在本发明实施例中，使用的智能电表为三相智能电表pmc-53a，其运行数据包括但不限于：开始使用时刻、采集时刻、失效时刻、温度、湿度、气压、风速、a相电压、b相电压、c相电压、a相电流、b相电流、c相电流、基本误差等。
18.在具体实施例中，上述步骤s2：针对每个子系统，对智能电表运行数据进行预处理，然后通过spearman相关性分析方法得到影响预测智能电表剩余寿命较大的应力，并选取智能电表在这些影响应力下的运行数据组成数据集，具体包括以下步骤：步骤s21：对采集到的运行数据进行预处理操作，最大程度减少数据采集误差、设备故障等因素的影响，保证数据的完整性。预处理主要是使用knn算法进行空值插补，即通过欧氏距离来识别运行数据中空间相似或相近的k个数据，然后使用这k个数据的平均值来估计缺失数据点的值。
19.步骤s22：在得到不含空值的运行数据后，采用spearman方法对基本误差与各个影响应力进行相关性分析，计算公式如下所示：（2）公式（2）中，rs表示两个n维向量x与y的spearman相关系数；x表示所选影响应力下的n个应力值组成的向量；xi表示所选影响应力下的第i个应力值；y表示对应的n个基本误差值组成的向量；yi表示第i个基本误差值；l(x)表示向量x的总秩次；l(xi)表示向量x进行排序后xi的秩次；l(y)表示向量y的总秩次；l(yi)表示向量y进行排序后yi的秩次；表示向量x的平均秩次；表示向量y的平均秩次；n表示数据总数目。
20.当没有相同秩次的数据时，可以使用以下简化公式进行计算：（3）公式（3）中，rs表示基本误差与所选影响应力的spearman相关系数；qi表示第i个数据对的秩次值之差，即；n表示数据总数目。
21.步骤s23：根据相关系数选取影响预测智能电表剩余寿命较大的应力，每个子系统下得到n
×
m维度的数据集，m代表该子系统下选取的影响应力的个数，n代表每个影响应力下数据点的数量。
22.在本发明实施例中，各个子系统下所选影响应力如下表所示：
表1 各子系统下所选影响应力。
23.在具体实施例中，上述步骤s3：针对每个子系统，对数据集进行归一化处理，得到归一化数据集，具体包括：对于维度为n
×
m的所述智能电表的数据集进行归一化处理，使其映射到0～1之间，计算公式如下所示：（4）公式（4）中，z
i,j
表示第j个影响应力下得到的第i个原始数据；表示z
i,j
归一化得到的数据值；min(z
,j
)表示第j个影响应力下得到的最小值；max(z
,j
)表示第j个影响应力下得到的最大值。
24.在具体实施例中，上述步骤s4：针对每个子系统，使用滑动时间窗的方法划分归一化数据集，得到多个训练样本，并构建预测模型的标签，具体包括以下步骤：步骤s41：选择固定大小的滑动时间窗，按照规定的步长对各个影响应力下的时间序列进行划分，滑动时间窗的高度为影响应力的个数，每滑动一个步长就得到一个训练样本，训练样本个数的计算公式如下所示：n=[(n-m)/d 1]（5）公式（5）中，n表示训练样本个数；n表示各个影响应力下时间序列的长度；m表示滑动时间窗的长度；d表示滑动时间窗的滑动步长。
[0025]
在本发明实施例中，滑动时间窗的长度设置为60，滑动时间窗的滑动步长设置为1，即滑动时间窗以m*60的大小沿着时间轴滑动。
[0026]
步骤s42：构建时间序列的最后一个时刻与失效时刻间的时间与起始时刻和失效时刻间时间的比值来描述剩余寿命。
[0027]
（6）公式（6）中，t表示时间序列的最后一个时刻的剩余寿命标签；t
start
表示起始时刻；t
now
表示前当时刻；t
end
表示失效时刻。
[0028]
在具体实施例中，上述步骤s5：针对每个子系统，构建并训练基于空洞卷积的长短时记忆神经网络模型ac-lstm，将预测数据输入所述ac-lstm模型，获得所述智能电表剩余寿命的预测结果，具体包括以下步骤：步骤s51：构建ac-lstm模型的空洞卷积神经网络部分提取深层特征，包括卷积层和空洞卷积层，具体顺序为：输入—卷积层—空洞卷积层—卷积层—空洞卷积层—深层特征矩阵。
[0029]
卷积层计算公式如下所示：（7）公式（7）中，表示第e个子系统中第h个卷积层的输出；表示第e个子系统中第h个卷积层的输入；*表示卷积运算；表示第e个子系统中第h个卷积层第l个卷积核的权重；表示第e个子系统中第h个卷积层的偏置。
[0030]
空洞卷积层中等效卷积核的计算公式如下所示：（8）公式（8）中，s(e)表示第e个子系统中等效卷积核的大小；d(e)表示第e个子系统中第卷积层的输入空洞率；e(e)表示第e个子系统中标准卷积滤波器大小。
[0031]
在本发明实施例中，卷积层和空洞卷积层的卷积核数目按层次依次设为16、16、32、32，卷积核大小为2～5，空洞卷积层的扩张率为2。
[0032]
步骤s52：构建ac-lstm模型的长短时记忆神经网络部分进一步提取特征及输出剩余寿命，具体顺序为：深层特征矩阵—lstm层—dropout层—全连接层—输出。lstm在循环神经网络rnn的基础上，增加了3个称为门的结构（遗忘门、输入门、输出门）决定是否保存现有信息。
[0033]
遗忘门决定是否丢弃记忆单元状态中的历史信息，计算公式如下所示：（9）公式（9）中，表示第e个子系统中第t时刻遗忘门的值；表示sigmoid函数；表示第e个子系统中遗忘门的权重；表示第e个子系统中第t-1时刻的输出；表示第e个子系统中第t时刻的输入信息；表示第e个子系统中遗忘门的偏置。
[0034]
输入门决定是否保存新信息记忆单元状态中，计算公式如下所示：（10）公式（10）中，表示第e个子系统中第t时刻输入门的值；表示sigmoid函数；表示第e个子系统中输入门的权重；表示第e个子系统中第t-1第时刻的输出；表示第e个子系统中第t时刻的输入信息；表示第e个子系统中输入门的偏置。
[0035]
输出门决定信息输出，计算公式如下所示：（11）公式（11）中，表示第e个子系统中第t时刻输出门的值；表示sigmoid函数；表示第e个子系统中输出门的权重；表示第e个子系统中第t-1时刻的输出；表示第e个子系统中第t时刻的输入信息；表示第e个子系统中输出门的偏置。
[0036]
遗忘门和输入门的结果都会作用于记忆单元状态的更新，计算公式如下所示：（12）（13）公式（12）中，表示第e个子系统中候选记忆单元状态信息；表示第e个子系统中记忆单元状态的权重；表示第e个子系统中第t-1时刻的输出；表示第e个子系统中第t时刻的输入信息；表示第e个子系统中记忆单元状态的偏置。公式（13）中，和表示第e个子系统中第t时刻和第t-1时刻记忆单元状态信息；
×
表示逐元素相乘。
[0037]
lstm最终输出如下：
（14）公式（14）中，表示第e个子系统中第t时刻的输出；表示第e个子系统中第t时刻输入门的值；表示第e个子系统中第t时刻记忆单元状态信息。
[0038]
在本发明实施例中，lstm层后使用了dropout层，设置其参数为0.5，从而在一定程度上防止过拟合的发生，再采用全连接层输出智能电表剩余寿命的预测结果。
[0039]
图2所示为本发明实施例提供的ac-lstm混合模型的框图示意图。
[0040]
步骤s53：将预测数据输入所述ac-lstm模型，获得所述智能电表剩余寿命的预测结果。为评估所提出的ac-lstm模型的有效性，选用了采用均方根误差和决定系数两种评价指标来度量性能，如果均方根误差越小，决定系数越大，说明模型拟合的越好，即预测更准确。
[0041]
均方根误差和决定系数的计算公式如下：（15）（16）公式（15）中，rmse（e）表示第e个子系统的均方根误差；g（e）表示第e个子系统中样本数据的数量；表示第e个子系统中第v个样本数据的智能电表剩余寿命真实值；表示第e个子系统中第v个样本数据的智能电表剩余寿命预测值；公式（16）中，r（e）表示第e个子系统的决定系数；表示第e个子系统中智能电表剩余寿命真实值均值。
[0042]
在本发明实施例中，六大子系统中ac-lstm模型、空洞卷积神经网络模型以及长短时记忆神经网络模型的rmse和r对比结果如下表所示，表2 三种模型的rmse和r对比结果使用ac-lstm模型对测试集中的20个样本进行剩余寿命的预测，并且分别使用空洞卷积神经网络模型以及长短时记忆神经网络模型对这些样本的剩余寿命进行预测。
[0043]
图3所示为本发明实施例提供的各个子系统下ac-lstm模型与空洞卷积神经网络模型以及长短时记忆神经网络模型的预测结果误差均值对比示意图。
[0044]
本发明提出了一种针对不同子系统下智能电表的剩余寿命预测方法，划分了子系统，考虑到了不同子系统下智能电表剩余寿命影响应力的不同；对智能电表数据集进行了归一化处理，对数据处理更加简便；使用滑动时间窗的方法划分数据集，并且构建了预测模型的训练标签，从而获得更多信息，利于发现微小的故障；构建并训练基于空洞卷积的长短时记忆神经网络模型ac-lstm，融合了两种机器学习模型的优点，提高了智能电表剩余寿命预测结果的准确率。可以提供一个较准确的智能电表维修计划，避免了尚可使用的智能电表提前停止使用，提高了智能电网的有效工作时间。
[0045]
关于本发明具体结构需要说明的是，本发明采用的各部件模块相互之间的连接关系是确定的、可实现的，除实施例中特殊说明的以外，其特定的连接关系可以带来相应的技术效果，并基于不依赖相应软件程序执行的前提下，解决本发明提出的技术问题，本发明中出现的部件、模块、具体元器件的型号、相互间连接方式以及，由上述技术特征带来的常规使用方法、可预期技术效果，除具体说明的以外，均属于本领域技术人员在申请日前可以获取到的专利、期刊论文、技术手册、技术词典、教科书中已公开内容，或属于本领域常规技术、公知常识等现有技术，无需赘述，使得本案提供的技术方案是清楚、完整、可实现的，并能根据该技术手段重现或获得相应的实体产品。
[0046]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。