[发明专利]多环境应力下的智能电表故障率预估方法及系统

说明书

本发明公开了多环境应力下的智能电表故障率预估方法及系统，该方法包括：获取在不同类型环境地区的智能电表的历史故障率数据，基于加权欧式距离的加权局部离群因子，进行噪声点检测，清洗噪声数据，得到历史样本集；确定核函数的形式，对核函数的超参数进行寻优；建立高斯过程回归模型，使用历史样本集对高斯过程回归模型进行训练和测试；输入待测智能电表的故障样本数据，基于加权欧式距离的加权局部离群因子剔除噪声数据，并通过训练好的高斯过程回归模型得出待测智能电表的可靠度。本发明能够有效评估智能电表故障率在多环境应力下随时间的变化趋势，并能准确求解其可靠度。

技术领域

本发明涉及智能电表故障检测的技术领域，特别涉及一种多环境应力下的智能电表故障率预估方法及系统。

背景技术

随着对智能电网建设的推进，智能电表已广泛应用于工业以及城市电能测量。近年来，随着对智能电能表故障率高可靠性计量的需求不断增加，智能电能表故障率评估和预测在建立相关可靠性标准方面具有重要指导意义。智能电表中包含有大量电子元器件，长期运行在极端环境条件下易发生老化从而造成设备故障。由于智能电表具有分布广、数量多的特点，导致难以收集大量且有效的智能电表故障样本信息，同时样本中的噪声干扰也增加了对智能电表故障率预估的难度。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种多环境应力下的智能电表故障率预估方法，能够有效评估智能电表故障率在多环境应力下随时间的变化趋势，能准确求解其可靠度。

本发明还提出一种具有上述多环境应力下的智能电表故障率预估方法的多环境应力下的智能电表故障率预估系统。

根据本发明的第一方面实施例的多环境应力下的智能电表故障率预估方法，包括以下步骤：S100，获取在不同类型环境地区的智能电表的历史故障率数据，基于加权欧式距离的加权局部离群因子，进行噪声点检测，清洗噪声数据，得到历史样本集；S200，确定核函数的形式，对所述核函数的超参数进行寻优；S300，建立高斯过程回归模型，使用所述历史样本集对所述高斯过程回归模型进行训练和测试；S400，输入待测智能电表的故障样本数据，基于加权欧式距离的加权局部离群因子剔除噪声数据，并通过训练好的所述高斯过程回归模型得出所述待测智能电表的可靠度。

根据本发明实施例的多环境应力下的智能电表故障率预估方法，至少具有如下有益效果：通过基于加权局部离群因子剔除噪声点，并使用历史数据训练高斯过程回归模型，运用该模型预估智能电表故障率，能够有效评估智能电表故障率在多环境应力下随时间的变化趋势，并能准确求解其可靠度。

根据本发明的一些实施例，所述基于加权欧式距离的加权局部离群因子，进行噪声点检测，清洗噪声数据包括：

S110，获取至q(x_q,x_q)的加权距离不超过加权k欧式距离D_k^w(q)的所有点的集合，得到点q(x_q,x_q)的加权k距离邻域：

其中，k为预设正整数，D^w(q,o)表示点q(x_q,y_q)与点o(x_q,y_q)之间的加权欧式距离；所述加权欧式距离为：

权值w_d表示不同应力对故障率的影响程度；

S120，遍历点q(x_q,x_q)的加权k距离邻域中的每一个点p(x_q,y_q)，获取点q(x_q,y_q)与p(x_q,y_q)的加权可达距离：