[發明專利]基于深度學習和CoxPH模型的智能電表壽命預測方法

在審

• 申請號: 201911185780.0
• 申請日: 2019-11-27
• 公開（公告）號: CN112380759A
• 公開（公告）日: 2021-02-19
• 發明（設計）人: 張家琦;宋瑋瓊;陳穎;李國昌;黃少偉;郭帥;關慧哲;李亦非;靳陽
• 申請（專利權）人: 國家電網公司;國網北京市電力公司;清華大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06Q10/04;G06Q10/06;G06Q50/06;G06N20/00
• 代理公司: 北京路浩知識產權代理有限公司 11002
• 代理人: 鄭朝然

本發明實施例提供一種基于深度學習和CoxPH模型的智能電表壽命預測方法，該方法包括：將待預測電表的異常數據輸入電表壽命預測模型，輸出與所述待預測電表的異常數據對應的電表生存曲線，所述電表生存曲線為所述待預測電表的生存概率與時間關系的曲線；其中，所述電表壽命預測模型是基于電表異常樣本數據以及預先確定的電表壽命標簽和刪失標簽進行訓練后得到的，電表壽命預測模型訓練時的損失函數由CoxPH模型中的對數部分風險函數參與構成；基于所述電表生存曲線和預設的生存概率閾值，預測所述待預測電表的壽命。本發明實施例提供的方法，避免了現有技術的智能電表壽命的預測模型過于靜態，提高了智能電表壽命預測的可靠性。

技術領域

本發明涉及機器學習技術領域，尤其涉及一種基于深度學習和CoxPH模型的智能電表壽命預測方法。

背景技術

智能電表作為現代電力系統中的一種關鍵計量器件，其較高的可靠性是電網系統正常維護運行的重要保證。隨著配電網中海量的智能電表的接入，多源智能表大數據已經形成，其中包含著豐富的用戶用能和設備運維信息。而配電網中智能電表的運維工作始終存在挑戰。鑒于目前并不存在一個合理的主動式的對電表可靠性進行評估的方法，電網運營者只能采取通過對電表的運行時間做出統一的限制，到期全體更換的策略。這樣的維護方式無疑造成大量潛在的電表可運行時間成為了保障系統穩定運行的余量，從而被浪費。與此并行的一種運維方式則是現場運維技術人員定期維護時發現表計存在故障，從而上報進行更換或維修。而這樣一種被動式的運維策略，則面對著電表安裝數量巨大、故障偶發、故障被發現前用電端服務質量下降等實際挑戰。

到目前已有研究人員針對電表大數據的分析做了一系列研究。例如，有通過建立電能表的功能模塊的數學模型的方法被提出，通過查詢元器件失效手冊，合理估計應力水平，計算各個功能模塊的失效率，從而完成智能電表的壽命和可靠性分析。又有預先假設電表的生存函數符合威布爾分布的方法被提出，從而利用電表的實際生產數據和運行數據分批次后，利用極大似然估計計算出威布爾分布的參數；根據計算所得參數和預置的生存率閾值，獲得預期壽命節點從而建立預警機制，又或是采取生存分析理論中的Cox線性模型進行生存函數的擬合。

但是，上述方法中基于元器件失效率可靠性估計辦法，缺少與現實計量統計數據的結合，無法反映電表復雜物理特性和運行環境；形成的模型較為靜態，無法根據運行環境和物理信息的變化而進行調整和適應；提出的假設不甚合理。一些研究建立在較強假設的基礎上，比如高度簡化模型，只考慮部分功能模塊，脫離物理現實；又或是假定生存函數符合某一種特定的函數分布形式；又或是假設協變量的組合影響可以表達為各種協變量值得線性組合。這些假設過強，使得其難以對真實的電表物理特性和運行環境進行刻畫，最后難免使得研究流于形式；單純基于基本的Cox線性模型方法，在進行擬合計算時需要提前人工對可能產生影響的協變量種類進行篩選，此過程較為依賴人力分析和經驗，導致獲得結果嚴重受到篩選工作質量的影響。

因此，如何避免形成的智能電表壽命的預測模型過于靜態，提高智能電表壽命預測的可靠性，仍然是本領域技術人員亟待解決的問題。

發明內容

本發明實施例提供一種基于深度學習和CoxPH模型的智能電表壽命預測方法，用以解決現有的智能電表壽命的預測模型，智能電表壽命預測的可靠性低的問題。

第一方面，本發明實施例提供一種基于深度學習和CoxPH模型的智能電表壽命預測方法，包括：

將待預測電表的異常數據輸入電表壽命預測模型，輸出與所述待預測電表的異常數據對應的電表生存曲線，所述電表生存曲線為所述待預測電表的生存概率與時間關系的曲線；

其中，所述電表壽命預測模型是基于電表異常樣本數據以及預先確定的電表壽命標簽和刪失標簽進行訓練后得到的，電表壽命預測模型訓練時的損失函數由CoxPH模型中的對數部分風險函數參與構成；

基于所述電表生存曲線和預設的生存概率閾值，預測所述待預測電表的壽命。