一种针对不同子系统下智能电表的剩余寿命预测方法

技术特征：
1.一种针对不同子系统下智能电表的剩余寿命预测方法，其特征在于：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。2.根据权利要求1所述的一种针对不同子系统下智能电表的剩余寿命预测方法，其特征在于：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。3.根据权利要求1所述的一种针对不同子系统下智能电表的剩余寿命预测方法，其特征在于：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。4.根据权利要求1所述的一种针对不同子系统下智能电表的剩余寿命预测方法，其特征在于：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。5.根据权利要求1所述的一种针对不同子系统下智能电表的剩余寿命预测方法，其特征在于：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。

技术总结
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；解决了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问题；包括如下步骤：将建筑物内的机电设备划分为六大子系统，将已知子系统类别的部分数据作为训练数据构建分类模型，利用分类模型获得各个子系统下智能电表的运行数据；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，并选取主要应力下的运行数据组成数据集；对数据集进行归一化处理；划分归一化数据集，构建预测模型的标签；构建并训练AC-LSTM模型，将预测数据输入AC-LSTM模型，获得智能电表剩余寿命的预测结果；本发明应用于智能电表。应用于智能电表。应用于智能电表。


技术研发人员：阴俊山 李静 赵海元 王春燕 崔国磊 张严军 吕宁 宁永明 贾振华 杨慧军 薛义飞
受保护的技术使用者：太原理工大学
技术研发日：2022.09.30
技术公布日：2022/11/18