一种D-S证据理论的智能电表寿命预测方法及系统

专利名称：一种D-S证据理论的智能电表寿命预测方法及系统

专利类型：发明专利

专利申请号：CN202111229317.9

专利申请（专利权）人：国网新疆电力有限公司营销服务中心(资金集约中心、计量中心),国网新疆电力有限公司电力科学研究院,大连理工大学
权利人地址：新疆维吾尔自治区乌鲁木齐市高新区(新市区)恒达街200号

专利发明（设计）人：李宁,郭泽林,袁铁江,杨金成,张伟,王永超,杨永建,白银平,王海磊,谢珍,于静,王丽娟,费守河,李航,黄琰

专利摘要：本发明涉及一种D‑S证据理论的智能电表寿命预测方法及系统，其方法包括：步骤S1：对智能电表的样本集进行归一化处理，得到归一化智能电表样本集；步骤S2：定义智能电表的寿命区间范围；步骤S3：采用核‑费舍尔判别分析方法，对归一化智能电表样本集进行特征提取，得到特征向量；步骤S4：将特征向量分别输入卷积神经网络模型和长短时记忆神经网络模型，分别预测智能电表所属的寿命区间；步骤S5：利用D‑S证据理论，对两个网络模型预测得到的智能电表所属的寿命区间进行融合，获得最终智能电表的寿命预测结果。本发明公开的方法对智能电表数据进行归一化处理，简化数据处理流程；引入D‑S证据理论对两种网络模型输出结果进行融合，使得预测结果更为准确。

主权利要求：
1.一种D‑S证据理论的智能电表寿命预测方法，其特征在于，包括：步骤S1：分析用电信息采集系统中智能电表的样本集，对其进行归一化处理，得到归一化智能电表样本集；
步骤S2：根据所述智能电表的安装和拆除时间，计算智能电表的最长和最短使用寿命，定义所述智能电表的寿命区间范围；
步骤S3：采用核‑费舍尔判别分析方法，对所述归一化智能电表样本集进行特征提取，得到特征向量；
步骤S4：构建并训练卷积神经网络模型和长短时记忆神经网络模型；将所述特征向量分别输入所述卷积神经网络模型和所述长短时记忆神经网络模型，分别预测所述智能电表所属的寿命区间；
步骤S5：利用D‑S证据理论，对所述卷积神经网络模型和所述长短时记忆神经网络模型预测得到的所述智能电表所属的寿命区间进行融合，获得最终所述智能电表的寿命预测结果；
所述步骤S1：分析用电信息采集系统中智能电表的样本集，对其进行归一化处理，得到归一化智能电表样本集，具体包括：对于维度为n的所述智能电表的样本集 进行归一化处理，使其映射到0~
1之间，其变换原理如公式（1）所示：
（1）其中， 表示所述智能电表的样本集中最大值， 表示所述智能电表的样本集中的最小值， 表示第i个维度的所述智能电表的样本，x表示经过归一化处理后的样本；
所述步骤S2：根据所述智能电表的安装和拆除时间，计算智能电表的最长和最短使用寿命，定义所述智能电表的寿命区间范围，具体包括：步骤S21：通过统计所述智能电表的安装时间与拆除时间，获得所述智能电表的使用寿命，其计算方法如公式（2）所示：（2）其中，T表示所述智能电表的使用寿命，T1表示所述智能电表的拆除时间，T2表示所述智能电表的安装时间；
步骤S22：依据所述智能电表的最长使用寿命和最短使用寿命，将所述智能电表的使用寿命T划分为四个时间段，划分方法如公式（3）和（4）所示：（3）（4）
其中， 表示所述智能电表的最长使用寿命， 表示所述智能电表的最短使用寿命，表示步长， 表示第n个寿命区间；
所述步骤S3：采用核‑费舍尔判别分析方法，对所述归一化智能电表样本集进行特征提取，得到特征向量，具体包括：步骤S31：令所述归一化智能电表样本集为 ，有C个寿命周期， 表示第i个寿命周期的归一化智能电表数据；将所述归一化智能电表样本集中任一样本x转置后，从低维空间映射到高维空间的非线性映射函数为 ，原始输入空间 映射为特征空间，则有 ： ；利用费舍尔准则如下述公式（5）所示，进行特征提取：（5）其中， 表示费舍尔转换， 和 分别为高斯空间中的类间散度矩阵和总散度矩阵， 表示最佳投影向量， 表示最佳投影向量的转置；
步骤S32：将所述归一化智能电表样本集进行空间投影，得到新样本集，其中 为投影后的新样本；其特征空间投影为 ，所述新样本集的核矩阵 中的元素 定义为下述公式（6）：
（6）
其中， ， 表示矩阵Q的转置； 为所述归一化智能电表样本集的核矩阵的元素；
核矩阵 需经过中心化处理为 :
（7）
其中， ， 表示中心化后的核矩阵，N表示样本维度；
可以得到：
（8）其中， ，且 是所有元素都为 的 阶矩阵；
为最优判别向量；
根据公式（8）求得最优判别向量 ，并用 重构 ，则x在KFDA的投影空间中的向量z如公式（9）所示：（9）使用最大的前m个特征值所对应的特征向量重构Φ，得到 ，利用 计算得到的z即为特征向量；
所述步骤S4：构建并训练卷积神经网络模型和长短时记忆神经网络模型；将所述特征向量分别输入所述卷积神经网络模型和所述长短时记忆神经网络模型，分别预测所述智能电表所属的寿命区间，具体包括：步骤S41：构建并训练卷积神经网络模型，所述卷积神经网络模型包括：卷积层、池化层和全连接层，其顺序为：输入—卷积层—池化层—卷积层—池化层—···—全连接层—输出，其数学模型如公式（10）所示：（10）
式中，z为输入的所述特征向量，n为第n层网络，k表示卷积核，b为网络偏置， 为第n层输出， 为n层输入；
步骤S42：构建并训练长短时记忆网络模型，所述卷积神经网络模型在循环神经网络的基础上进行改进，其具体计算流程如下：将t时刻的输入 与隐含层的输出 串联起来，对不同的权重值Ｗ进行随机初始化，然后计算遗忘门、输入门和输出门以及变换后的新信息；
使用忘记门 和输入门 控制需要遗忘多少历史信息 及保存多少新的信息 ，然后更新内部存储单元的状态 ，如下述公式（11）所示：（11）使用输出门 控制内存信息 贡献给隐藏状态 的量，如下述公式（12）所示：（12）tanh函数确保隐藏状态元素值在‑1和1之间；当输出门近似为1时，存储单元信息将被传递到隐藏状态供输出层使用；当输出门近似为0时，内存单元信息仅被自己保留；
步骤S43：将所述特征向量分别输入训练好的所述卷积神经网络模型和长短时记忆神经网络模型，分别进行预测并得到所述智能电表所属的寿命区间；
所述步骤S5：利用D‑S证据理论，对所述卷积神经网络模型和所述长短时记忆神经网络模型预测得到的所述智能电表所属的寿命区间进行融合，获得最终所述智能电表的寿命预测结果，具体包括：构建基本概率赋值函数，设 和 是同一识别框架U上的基本概率分配，若 且，则称A为焦元；设焦元为 和 ,则计算公式(13)如下所示：（13）不确定性描述的计算公式(14)如下:
（14）其中， 为待预测的寿命区间， 为所述卷积神经网络模型和长短时记忆神经网络模型预测结果；
融合后的基本概率分配可以表示为公式(15):
（15）
其中， 即为最终所述智能电表的寿命预测结果。
2.一种根据权利要求1所述的D‑S证据理论的智能电表寿命预测方法的智能电表寿命预测系统，其特征在于，包括下述模块：归一化智能电表样本集模块，用于分析用电信息采集系统中智能电表的样本集，对其进行归一化处理，得到归一化智能电表样本集；
定义智能电表寿命区间模块，用于根据所述智能电表的安装和拆除时间，计算智能电表的最长和最短使用寿命，定义所述智能电表的寿命区间范围；
获取特征向量模块，用于采用核‑费舍尔判别分析方法，对所述归一化智能电表样本集进行特征提取，得到特征向量；
预测智能电表所属的寿命区间模块，用于构建并训练卷积神经网络模型和长短时记忆神经网络模型；将所述特征向量分别输入所述卷积神经网络模型和所述长短时记忆神经网络模型，分别预测所述智能电表所属的寿命区间；
预测结果融合模块，用于利用D‑S证据理论，对所述卷积神经网络模型和所述长短时记忆神经网络模型预测得到的所述智能电表所属的寿命区间进行融合，获得最终所述智能电表的寿命预测结果。 说明书 : 一种D‑S证据理论的智能电表寿命预测方法及系统技术领域[0001] 本发明涉及智能电表领域，具体涉及一种D‑S证据理论的智能电表寿命预测方法及系统。背景技术[0002] 智能电能表实现了电网企业和电网用户之间的信息交互、需求交互、和谐共赢，使得社会效益最大化，其优点和优势十分明显。随着国网智能电表的快速推进，智能电表的更新速度越来越快，功能也更加完善，同样随着功能的增加，故障也随之而来，导致其存在可靠性低、寿命短等问题。由于智能电表的供应厂商越来越多，每个供应商所选择的设备芯片、制作工艺又不尽相同，影响智能电表使用寿命的因素主要有工作质量、外部因素、自然灾害、设备质量故障等。由于智能电能表功能越来越强大且用户数量也越来越多，更换一次智能电能表会造成大量的人力和物力损耗，会影响用户的正常的生产和生活，而且会对智能电网的正常运行产生影响。因此，对于智能电表的寿命做出及时的预测是非常有必要的。[0003] 针对智能电表的寿命预测问题，当前主流的方法主要包括机理建模和数据驱动两大类。早期产品寿命较短，借助寿命试验、加速寿命试验可得到足够多的产品失效数据并据此开展寿命预测和可靠性评估。然而这些模型针对电子元器件的可靠性评估果并不能满足用户对产品高可靠性的需求，且Eyring模型、Arrhenius等加速应力模型并不适用组件级以上的加速试验。随着传感器技术与信号处理技术的发展，基于数据驱动的寿命预测方法已逐渐成为主流，尤其是人工智能方法的兴起促进了设备健康管理与寿命预测的发展。因此，如何利用人工智能方法预测智能电表寿命，成为一个亟待解决的问题。发明内容[0004] 为了解决上述技术问题，本发明提供一种D‑S证据理论的智能电表寿命预测方法及系统。[0005] 本发明技术解决方案为：一种D‑S证据理论的智能电表寿命预测方法，包括：[0006] 步骤S1：分析用电信息采集系统中智能电表的样本集，对其进行归一化处理，得到归一化智能电表样本集；[0007] 步骤S2：根据所述智能电表的安装和拆除时间，计算智能电表的最长和最短使用寿命，定义所述智能电表的寿命区间范围；[0008] 步骤S3：采用核‑费舍尔判别分析方法，对所述归一化智能电表样本集进行特征提取，得到特征向量；[0009] 步骤S4：构建并训练卷积神经网络模型和长短时记忆神经网络模型；将所述特征向量分别输入所述卷积神经网络模型和所述长短时记忆神经网络模型，分别预测所述智能电表所属的寿命区间；[0010] 步骤S5：利用D‑S证据理论，对所述卷积神经网络模型和所述长短时记忆神经网络模型预测得到的所述智能电表所属的寿命区间进行融合，获得最终所述智能电表的寿命预测结果。[0011] 本发明与现有技术相比，具有以下优点：[0012] 1、本发明公开了一种D‑S证据理论的智能电表寿命预测方法，针对智能电表运维数据数据维度高、结构复杂的特点，对用电信息采集系统中的智能电表数据进行归一化预处理，简化数据处理流程。[0013] 2、本发明公开的方法引入核‑费舍尔判别分析，实现对智能电表数据的特征提取和降维，构建并训练两种深度学习模型并获得输出结果，引入D‑S证据理论对输出结果进行融合得到最终的预测结果，使得预测结果更为准确。附图说明[0014] 图1为本发明实施例中一种D‑S证据理论的智能电表寿命预测方法的流程图；[0015] 图2为本发明实施例中卷积神经网络的结构示意图；[0016] 图3为本发明实施例中一种D‑S证据理论的智能电表寿命预测系统的结构框图。具体实施方式[0017] 本发明提供了一种D‑S证据理论的智能电表寿命预测方法，对用电信息采集系统中的智能电表数据进行归一化预处理，简化数据处理流程，构建并训练两种深度学习模型并获得输出结果，引入D‑S证据理论对输出结果进行融合得到最终的预测结果，使得预测结果更为准确。[0018] 为了使本发明的目的、技术方案及优点更加清楚，以下通过具体实施，并结合附图，对本发明进一步详细说明。[0019] 实施例一[0020] 如图1所示，本发明实施例提供的一种D‑S证据理论的智能电表寿命预测方法，包括下述步骤：[0021] 步骤S1：分析用电信息采集系统中智能电表的样本集，对其进行归一化处理，得到归一化智能电表样本集；[0022] 步骤S2：根据智能电表的安装和拆除时间，计算智能电表的最长和最短使用寿命，定义智能电表的寿命区间范围；[0023] 步骤S3：采用核‑费舍尔判别分析方法，对归一化智能电表样本集进行特征提取，得到特征向量；[0024] 步骤S4：构建并训练卷积神经网络模型和长短时记忆神经网络模型；将特征向量分别输入卷积神经网络模型和长短时记忆神经网络模型，分别预测智能电表所属的寿命区间；[0025] 步骤S5：利用D‑S证据理论，对卷积神经网络模型和长短时记忆神经网络模型预测得到的智能电表所属的寿命区间进行融合，获得最终智能电表的寿命预测结果。[0026] 在一个实施例中，上述步骤S1：分析用电信息采集系统中智能电表的样本集，对其进行归一化处理，得到归一化智能电表样本集，具体包括：[0027] 对于维度为n的智能电表的样本集{x1,x2,x3,...,xn}进行归一化处理，使其映射到0～1之间，其变换原理如公式(1)所示：[0028][0029] 其中，xmax表示智能电表的样本集中最大值，xmin表示智能电表的样本集中的最小值，xi表示第i个维度的智能电表的样本，x表示经过归一化处理后的样本。[0030] 在本发明实施例中，智能电表运维数据包括但不局限于：生产厂家、安装时间、拆除时间、使用单位等。[0031] 在一个实施例中，上述步骤S2：根据智能电表的安装和拆除时间，计算智能电表的最长和最短使用寿命，定义智能电表的寿命区间范围，具体包括：[0032] 步骤S21：通过统计智能电表的安装时间与拆除时间，获得智能电表的使用寿命，其计算方法如公式(2)所示：[0033] T＝T1‑T2(2)[0034] 其中，T表示智能电表的使用寿命，T1表示智能电表的拆除时间，T2表示智能电表的安装时间；[0035] 步骤S22：依据智能电表的最长使用寿命和最短使用寿命，将智能电表的使用寿命T划分为四个时间段，划分方法如公式(3)和(4)所示：[0036][0037] Tun＝[Tmin+(n‑1)Tc，Tmin+nTc](4)[0038] 其中，Tmax表示智能电表的最长使用寿命，Tmin表示智能电表的最短使用寿命，Tc表示步长，Tun表示第n个寿命区间。[0039] 在本发明实施例中，各个智能电表的使用寿命各不相同，为便于统计，依据智能电表的最长使用寿命和最短使用寿命，考虑将智能电表的使用寿命划分为四个时间段，即，n取值范围为[1,4]，[0040] 在一个实施例中，上述步骤S3：采用核‑费舍尔判别分析方法，对归一化智能电表样本集进行特征提取，得到特征向量，具体包括：[0041] 步骤S31：令归一化智能电表样本集为X＝[x1,...,xN],xi∈Rm，其中，Rm为原始输入空间，有C个寿命周期，Xi表示第i个寿命周期的归一化智能电表数据；将归一化智能电表样本集中任一样本x转置后，从低维空间映射到高维空间的非线性映射函数为Ψ，原始输入空m m间R映射为特征空间Λ，则有Ψ：R→Λ,x→Ψ(x)；利用费舍尔准则如下述公式(5)所示，进行特征提取：[0042][0043] 其中，JKFDA表示费舍尔转换，Zb和Zt分别为高斯空间中的类间散度矩阵和总散度矩T阵，Φ表示最佳投影向量，Φ 表示最佳投影向量的转置；[0044] 步骤S32：将归一化智能电表样本集进行空间投影，得到新样本集Xnew＝[xnew1,...,xnewN]，其中xnewi为投影后的新样本；其特征空间投影为Ψ，新样本集的核矩阵Knew中的元素knew定义为下述公式(6)：[0045] knew＝QTΨnew＝[k(x1,xnew),...,k(xN,xnew)](6)[0046] 其中，Q＝[Ψ1,...,ΨN]，QT表示矩阵Q的转置；k为归一化智能电表样本集的核矩阵的元素；[0047] 核矩阵Knew需经过中心化处理为[0048][0049] 其中，IN＝1N×N， 表示中心化后的核矩阵，N表示样本维度；[0050] 可以得到：[0051][0052] 其中，W＝diag(W1,...,WC)，且Wi是所有元素都为1/Ni的Ni×Ni阶矩阵；α＝[α1,...,αN]为最优判别向量；[0053] 根据公式(8)求得最优判别向量α，并用α重构 则x在KFDA的投影空间中的向量z如公式(9)所示：[0054][0055] 使用最大的前m个特征值所对应的特征向量重构Φ，得到 利用 计算得到的z即为特征向量。[0056] 在一个实施例中，上述步骤S4：构建并训练卷积神经网络模型和长短时记忆神经网络模型；将特征向量分别输入卷积神经网络模型和长短时记忆神经网络模型，分别预测智能电表所属的寿命区间，具体包括：[0057] 步骤S41：构建并训练卷积神经网络模型CNN，卷积神经网络模型包括：卷积层、池化层和全连接层，其顺序为：输入—卷积层—池化层—卷积层—池化层—···—全连接层—输出，其数学模型如公式(10)所示：[0058][0059] 式中，z为输入的特征向量，n为第n层网络，k表示卷积核，b为网络偏置， 为第n层输出， 为n层输入；[0060] 图3所示是本发明实施例中卷积神经网络的结构示意图。[0061] 步骤S42：构建并训练长短时记忆网络模型LSTM，卷积神经网络模型在循环神经网络RNN的基础上进行改进，其具体计算流程如下：[0062] 将t时刻的输入 与隐含层的输出 串联起来，对不同的权重值W进行随机初始化，然后计算遗忘门、输入门和输出门以及变换后的新信息；[0063] 使用忘记门Ft和输入门It控制需要遗忘多少历史信息 及保存多少新的信息然后更新内部存储单元的状态 如下述公式(11)所示：[0064][0065] 使用输出门Ot控制内存信息 贡献给隐藏状态 的量，如下述公式(12)所示：[0066][0067] tanh函数确保隐藏状态元素值在‑1和1之间；当输出门近似为1时，存储单元信息将被传递到隐藏状态供输出层使用；当输出门近似为0时，内存单元信息仅被自己保留；[0068] 步骤S43：将特征向量分别输入训练好的卷积神经网络模型和长短时记忆神经网络模型，分别进行预测并得到智能电表所属的寿命区间。[0069] 在一个实施例中，上述步骤S5：利用D‑S证据理论，对卷积神经网络模型和长短时记忆神经网络模型预测得到的智能电表所属的寿命区间进行融合，获得最终智能电表的寿命预测结果，具体包括：[0070] 构建基本概率赋值函数，设m1和m2是同一识别框架U上的基本概率分配，若A∈U且m(A)＞0，则称A为焦元；设焦元为A1,A2,...An和B1,B2,...Bn,则计算公式(13)如下所示：[0071][0072] 不确定性描述的计算公式(14)如下:[0073][0074] 其中，Ai为待预测的寿命区间，y(Ai)为卷积神经网络模型和长短时记忆神经网络模型预测结果；[0075] 融合后的基本概率分配可以表示为公式(15):[0076][0077] 其中，m(A)即为最终智能电表的寿命预测结果。[0078] 根据公式(15)可以将上述卷积神经网络模型CNN与长短时记忆网络模型LSTM预测的结果进行最终融合，得到智能电表的寿命预测结果。[0079] 本发明公开了一种D‑S证据理论的智能电表寿命预测方法，针对智能电表运维数据数据维度高、结构复杂的特点，对用电信息采集系统中的智能电表数据进行归一化预处理，简化数据处理流程。本发明公开的方法引入核‑费舍尔判别分析，实现对智能电表数据的特征提取和降维，构建并训练两种深度学习模型并获得输出结果，引入D‑S证据理论对输出结果进行融合得到最终的预测结果，使得预测结果更为准确。[0080] 实施例二[0081] 如图3所示，本发明实施例提供了一种D‑S证据理论的智能电表寿命预测系统，包括下述模块：[0082] 归一化智能电表样本集模块61，用于分析用电信息采集系统中智能电表的样本集，对其进行归一化处理，得到归一化智能电表样本集；[0083] 定义智能电表寿命区间模块62，用于根据智能电表的安装和拆除时间，计算智能电表的最长和最短使用寿命，定义智能电表的寿命区间范围；[0084] 获取特征向量模块63，用于采用核‑费舍尔判别分析方法，对归一化智能电表样本集进行特征提取，得到特征向量；[0085] 预测智能电表所属的寿命区间模块64，用于构建并训练卷积神经网络模型和长短时记忆神经网络模型；将特征向量分别输入卷积神经网络模型和长短时记忆神经网络模型，分别预测智能电表所属的寿命区间；[0086] 预测结果融合模块65，用于利用D‑S证据理论，对卷积神经网络模型和长短时记忆神经网络模型预测得到的智能电表所属的寿命区间进行融合，获得最终智能电表的寿命预测结果。[0087] 提供以上实施例仅仅是为了描述本发明的目的，而并非要限制本发明的范围。本发明的范围由所附权利要求限定。不脱离本发明的精神和原理而做出的各种等同替换和修改，均应涵盖在本发明的范围之内。

专利地区：新疆

专利申请日期：2021-10-21

专利公开日期：2024-11-22

专利公告号：CN114219118B