电能表寿命预测方法、装置、计算机设备和存储介质与流程

1.本技术涉及人工智能技术领域，特别是涉及一种电能表寿命预测方法、装置、计算机设备和存储介质。


背景技术：

2.电能表的寿命情况是影响电力系统的稳定性和安全性的重要因素之一，为了保证电能表能够准确监测电力系统的安全运行，出现了电能表寿命预测方法。目前的电能表寿命预测方法，采用电能表大量的历史故障及退化数据，对电能表寿命进行预测。
3.电能表所在的不同气候环境会对电能表的寿命造成一定影响，然而，在目前的电能表寿命预测方法中，并未涉及电能表所在的不同气候环境对电能表寿命的影响，容易造成电能表寿命预测不准确等问题，亟需改进。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够精准预测电能表寿命的电能表寿命预测方法、装置、计算机设备和存储介质。
5.第一方面，本技术提供了一种电能表寿命预测方法，所述方法包括：
6.获取在当前时刻目标区域的目标环境数据；
7.基于寿命预测模型，对目标环境数据进行处理，得到目标区域内电能表的预测寿命；其中，寿命预测模型是采用粒子群算法，根据在当前时刻之前参考区域的历史环境数据和参考区域内电能表的实际寿命，对模糊神经网络进行训练得到。
8.在其中一个实施例中，寿命预测模型中包含至少两个并行的模糊子函数层；基于寿命预测模型，对目标环境数据进行处理，得到目标区域内电能表的预测寿命，包括：
9.从至少两个并行的模糊子函数层中选择目标模糊子函数层；基于目标模糊子函数层，对目标环境数据进行处理，得到目标区域内电能表的预测寿命。
10.在其中一个实施例中，目标模糊子函数层的数量为至少两个；基于目标模糊子函数层，对目标环境数据进行处理，得到目标区域内电能表的预测寿命，包括：
11.针对每一目标模糊子函数层，通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对目标环境数据进行处理，得到该目标模糊子函数层输出的目标模糊隶属度值；根据目标环境数据和各目标模糊子函数层输出的目标模糊隶属度值，得到目标区域内电能表的预测寿命。
12.在其中一个实施例中，目标环境数据为至少两个维度的目标环境数据；通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对目标环境数据进行处理，得到该目标模糊子函数层输出的目标模糊隶属度值，包括：
13.通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对各维度的目标环境数据进行处理，得到该目标模糊子函数层输出的各维度的目标环境数据对应的目标隶属度；将各维度的目标环境数据对应的目标隶属度的乘积，作为该目标模糊子函数层输出
的目标模糊隶属度值。
14.在其中一个实施例中，根据目标环境数据和各目标模糊子函数层输出的目标模糊隶属度值，得到目标区域内电能表的预测寿命，包括：
15.根据各目标模糊子函数层输出的目标模糊隶属度值，确定总模糊隶属度值；根据目标环境数据，各目标模糊子函数层输出的目标模糊隶属度值，以及各目标模糊子函数层对应的模糊系数，确定总模糊隶属函数值；将总模糊隶属函数值与总模糊隶属度值之间的比值，作为目标区域内电能表的预测寿命。
16.在其中一个实施例中，从至少两个并行的模糊子函数层中选择目标模糊子函数层，包括：
17.将各维度的目标环境数据与对应的环境数据阈值进行比较，并根据比较结果，从至少两个并行的模糊子函数层中选择目标模糊子函数层。
18.第二方面，本技术还提供了一种电能表寿命预测装置，所述装置包括：
19.数据获取模块，用于获取在当前时刻目标区域的目标环境数据；
20.寿命预测模块，用于基于寿命预测模型，对目标环境数据进行处理，得到目标区域内电能表的预测寿命；其中，寿命预测模型是采用粒子群算法，根据在当前时刻之前参考区域的历史环境数据和参考区域内电能表的实际寿命，对模糊神经网络进行训练得到。
21.第三方面，本技术还提供了一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
22.获取在当前时刻目标区域的目标环境数据；
23.基于寿命预测模型，对目标环境数据进行处理，得到目标区域内电能表的预测寿命；其中，寿命预测模型是采用粒子群算法，根据在当前时刻之前参考区域的历史环境数据和参考区域内电能表的实际寿命，对模糊神经网络进行训练得到。
24.第四方面，本技术还提供了一种计算机可读存储介质，所述计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
25.获取在当前时刻目标区域的目标环境数据；
26.基于寿命预测模型，对目标环境数据进行处理，得到目标区域内电能表的预测寿命；其中，寿命预测模型是采用粒子群算法，根据在当前时刻之前参考区域的历史环境数据和参考区域内电能表的实际寿命，对模糊神经网络进行训练得到。
27.第五方面，本技术还提供了一种计算机程序产品，所述计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
28.获取在当前时刻目标区域的目标环境数据；
29.基于寿命预测模型，对目标环境数据进行处理，得到目标区域内电能表的预测寿命；其中，寿命预测模型是采用粒子群算法，根据在当前时刻之前参考区域的历史环境数据和参考区域内电能表的实际寿命，对模糊神经网络进行训练得到。
30.上述电能表寿命预测方法、装置、计算机设备和存储介质，引入采用粒子群算法，基于当前时刻之前参考区域的历史环境数据和参考区域内电能表的实际寿命对模糊神经网络进行训练得到的寿命预测模型，通过获取在当前时刻目标区域的目标环境数据，基于寿命预测模型，对目标环境数据进行处理，即可得到目标区域内电能表的预测寿命。相比于相关技术，本方案在对电能表的寿命进行预测过程中，充分考虑了电能表所在区域环境对
电能表寿命的影响，能够保证电能表寿命预测的准确性。
附图说明
31.图1为一个实施例中电能表寿命预测方法的应用环境图；
32.图2为一个实施例中电能表寿命预测方法的流程示意图；
33.图3为一个实施例中确定电能表预测寿命的流程示意图；
34.图4为另一个实施例中确定电能表预测寿命的流程示意图；
35.图5为另一个实施例中电能表寿命预测方法的流程示意图；
36.图6为一个实施例中电能表寿命预测装置的结构框图；
37.图7为另一个实施例中电能表寿命预测装置的结构框图；
38.图8为一个实施例中计算机设备的内部结构图。
具体实施方式
39.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
40.本技术实施例提供的电能表寿命预测方法，可以应用于如图1所示的应用环境中。其中，终端102通过网络与服务器104进行通信。数据存储系统可以存储服务器104需要处理的数据。例如，目标区域的目标环境数据等数据。数据存储系统可以集成在服务器104上，也可以放在云上或其他网络服务器上。例如，可以通过部署于目标区域的终端102采集在当前时刻目标区域的目标环境数据，随后发送至服务器104；进一步的，服务器104获取在当前时刻目标区域的目标环境数据，基于寿命预测模型，对目标环境数据进行处理，得到目标区域内电能表的预测寿命。其中，终端102可以但不限于是各种环境数据收集装置等。服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
41.电能表的寿命情况是影响电力系统的稳定性和安全性的重要因素之一，为了保证电能表能够准确监测电力系统的安全运行，出现了针对电能表的使用寿命进行预测的电能表寿命预测方法。目前的电能表寿命预测方法，采用电能表大量的历史故障及退化数据，对电能表寿命进行预测。
42.电能表所在的不同气候环境会对电能表的寿命造成一定影响，然而，在目前的电能表寿命预测方法中，并未涉及电能表所在的不同气候环境对电能表寿命的影响，容易造成电能表寿命预测不准确等问题。
43.基于此，在一个实施例中，如图2所示，提供了一种电能表寿命预测方法，以该方法应用于图1中的服务器为例进行说明，包括以下步骤：
44.s201，获取在当前时刻目标区域的目标环境数据。
45.其中，所谓目标区域可以是存在电能表的任一区域。目标环境数据可以是目标区域内环境的相关数据；可选的，目标环境数据可以为一个、两个或者两个以上维度的环境数据，例如可以包括温度数据、湿度数据、气压数据、光照数据、盐雾数据或者风速数据等一个或多个维度的数据。
46.可选的，可以在目标区域内部署一个或多个用于收集环境数据的环境数据收集装
置；随后利用环境数据收集装置获取在当前时刻目标区域的目标环境数据。
47.例如，可以在目标区域内部署一个用于收集温度数据的温度数据收集装置，获取在当前时刻下目标区域的温度数据；或者，可以在目标区域内部署一个用于收集温度数据的温度数据收集装置，以及一个用于获取湿度数据的湿度数据收集装置，进而可以获取在当前时刻下目标区域的温度数据和湿度数据。
48.s202，基于寿命预测模型，对目标环境数据进行处理，得到目标区域内电能表的预测寿命。
49.其中，寿命预测模型是采用粒子群算法，根据在当前时刻之前参考区域的历史环境数据和参考区域内电能表的实际寿命，对模糊神经网络进行训练得到。其中，参考区域可以是存在历史环境数据且具有电能表的任一区域。
50.可选的，可以先初始化一个模糊神经网络，采用粒子群算法对该模糊神经网络进行优化。具体的，可以将模糊神经网络中各模糊子函数层的参数作为粒子群中粒子的位置向量中的参数，获取当前时刻之前参考区域的历史环境数据和参考区域内电能表的实际寿命作为训练样本数据；随后，初始化多个不同位置的粒子，所有粒子都可以在预设范围内进行随机运动，根据粒子的位置以及训练样本数据即可得到该粒子位置与模糊神经网络之间的适应度。进一步的，经过粒子群的多次迭代，能够选出与模糊神经网络之间适应度最高的粒子位置，根据该粒子位置向量中的参数即可得到优化后的模糊神经网络，即寿命预测模型。
51.可选的，在得到寿命预测模型后，可以将获取到的目标环境数据直接输入到寿命预测模型中，随后寿命预测模型基于输入的目标环境数据，以及寿命预测模型本身的参数，能够直接输出目标区域内电能表的预测寿命。
52.上述电能表寿命预测方法中，引入采用粒子群算法，基于当前时刻之前参考区域的历史环境数据和参考区域内电能表的实际寿命对模糊神经网络进行训练得到的寿命预测模型，通过获取在当前时刻目标区域的目标环境数据，基于寿命预测模型，对目标环境数据进行处理，即可得到目标区域内电能表的预测寿命。相比于相关技术，本方案在对电能表的寿命进行预测过程中，充分考虑了电能表所在区域环境对电能表寿命的影响，能够保证电能表寿命预测的准确性。
53.为了提高电能表寿命预测的准确性，在上述实施例的基础上，在寿命预测模型中包含至少两个并行的模糊子函数层的情况下，在本实施例中，提供了一种对电能表寿命进行预测的可选方式，如图3所示，具体包括以下步骤：
54.s301，从至少两个并行的模糊子函数层中选择目标模糊子函数层。
55.具体的，在寿命预测模型中存在至少两个并行的模糊子函数层，用于提取目标环境数据的数据特征，进而预测电能表的寿命。其中，每个模糊子函数层互不相同，模糊子函数层的个数可以根据历史经验直接设置，也可以根据目标环境数据中包含的数据种类进行确定。例如，目标环境数据中包含6个维度的目标环境数据，则可以在寿命预测模型中设置12个并行的模糊子函数层。
56.可以理解的是，在进行电表寿命预测的时候可以一次性使用所有的模糊子函数层，也可以选择部分模糊子函数层进行使用。
57.可选的，在获取到目标环境数据之后，可以根据各维度的目标环境数据，选择一个
或多个模糊子函数层作为目标模糊子函数层。例如，将各维度的目标环境数据与对应的环境数据阈值进行比较，并根据比较结果，从至少两个并行的模糊子函数层中选择目标模糊子函数层。
58.具体的，可以将获取到的每一维度的目标环境数据，分别与其对应的环境数据阈值进行比较，随后根据比较结果，从至少两个并行的模糊子函数层中选择目标模糊子函数层。例如，目标环境数据为温度数据和湿度数据，其中，温度数据大于温度数据阈值，湿度数据大于湿度数据阈值，因此，可以选择高温度和高湿度对应的模糊子函数层，作为目标模糊子函数层。
59.s302，基于目标模糊子函数层，对目标环境数据进行处理，得到目标区域内电能表的预测寿命。
60.可选的，若目标子函数层仅有一个，则可以直接采用该目标子函数层对目标环境数据进行处理，进而得到目标区域内电能表的预测寿命。
61.若目标模糊子函数层的数量为至少两个，则可以采用多个目标子函数层同时对目标环境数据进行处理，随后根据所有目标子函数层的处理结果，即可得到目标区域内电能表的预测寿命。
62.在本实施例中，通过引入多个并行的模糊子函数层，能够更全面的提取目标环境数据的数据特征，进而提高电能表寿命预测的准确性。
63.为了进一步提高电能表寿命预测的准确性，在上述实施例的基础上，在目标模糊子函数层的数量为至少两个的情况下，在本实施例中，提供了一种电能表预测寿命的可选方式，如图4所示，具体包括以下步骤：
64.s401，针对每一目标模糊子函数层，通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对目标环境数据进行处理，得到该目标模糊子函数层输出的目标模糊隶属度值。
65.其中，每一模糊子函数层均可对应一个或多个隶属度函数；可选的，每一模糊子函数层所对应的隶属度函数的数量，与目标环境数据的维度相同。对于每一维度的目标环境数据所对应的隶属度函数，该隶属度函数即为用于计算该维度下的目标环境数据对电能表寿命影响程度高低的函数。
66.可选的，若目标环境数据仅为一个维度的目标环境数据，针对每一目标模糊子函数层，可以将目标环境数据直接输入到该目标模糊子函数层，由该目标模糊子函数层基于对应的隶属度函数的中心值和宽度值，对目标环境数据进行处理，输出目标模糊隶属度值，即得到该目标模糊子函数层输出的目标模糊隶属度值。
67.若目标环境数据为至少两个维度的目标环境数据，则可以通过以下步骤确定目标模糊子函数层输出的目标模糊隶属度值。
68.第一步骤，通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对各维度的目标环境数据进行处理，得到该目标模糊子函数层输出的各维度的目标环境数据对应的目标隶属度。
69.具体的，参考公式(1)，根据输入的各维度的目标环境数据，以及该目标模糊子函数层对应的隶属度函数的中心值和宽度值，分别计算出每一维度的目标环境数据的目标隶属度。
[0070][0071]
其中，目标环境数据为k个维度的目标环境数据i＝1,2,3,...,k，xi是输入的第i维度下的目标环境数据；寿命预测模型中包含n个目标模糊子函数层，j＝1,2,3,...,n，为第j个目标模糊子函数层对应的，第i维度下目标环境数据的隶属度函数的中心值；为第j个目标模糊子函数层对应的，第i维度下目标环境数据的隶属度函数的宽度值；为第j个目标模糊子函数层对应的，第i维度下目标环境数据的目标隶属度。
[0072]
第二步骤，将各维度的目标环境数据对应的目标隶属度的乘积，作为该目标模糊子函数层输出的目标模糊隶属度值。
[0073]
具体的，参考公式(2)，针对每一目标模糊子函数层，将各维度的目标环境数据对应的目标隶属度相乘，即可得到该目标模糊子函数层输出的目标模糊隶属度值。
[0074][0075]
其中，是第j个目标模糊子函数层对应的，第i维度下目标环境数据的目标隶属度；ωj是第j个目标模糊子函数层输出的目标模糊隶属度值。
[0076]
s402，根据目标环境数据和各目标模糊子函数层输出的目标模糊隶属度值，得到目标区域内电能表的预测寿命。
[0077]
可选的，在得到各目标模糊子函数层输出的目标模糊隶属度值后，可以采用以下步骤得到目标区域内电能表的预测寿命。
[0078]
第一步骤，根据各目标模糊子函数层输出的目标模糊隶属度值，确定总模糊隶属度值。
[0079]
具体的，将各目标模糊子函数层输出的目标模糊隶属度值相加，即可得到总模糊隶属度值。
[0080]
第二步骤，根据目标环境数据，各目标模糊子函数层输出的目标模糊隶属度值，以及各目标模糊子函数层对应的模糊系数，确定总模糊隶属函数值。
[0081]
具体的，参考公式(3)，针对每一目标模糊子函数层，可以将该目标模糊子函数层对应的模糊系数与对应的各维度下的目标环境数据分别相乘后相加，随后将加和与该目标模糊子函数层的目标模糊隶属度值相乘，即可得到该目标模糊子函数层的模糊隶属函数值；最后将所有目标模糊子函数层的模糊隶属函数值相加，即可得到总模糊隶属函数值。
[0082][0083]
其中，是第j个目标模糊子函数层对应的，第k维度下目标环境数据的模糊系数；s是总模糊隶属函数值。
[0084]
第三步骤，将总模糊隶属函数值与总模糊隶属度值之间的比值，作为目标区域内电能表的预测寿命。
[0085]
具体的，参考公式(4)，将总模糊隶属函数值与总模糊隶属度值相除，即可得到目标区域内电能表的预测寿命。其中，y是目标区域内电能表的预测寿命。
[0086][0087]
在本实施例中，通过引入多个目标模糊子函数层，采用目标模糊子函数层分别对目标环境数据进行处理，提高了电能表寿命预测的准确性。
[0088]
图5为另一个实施例中电能表寿命预测方法的流程示意图，在上述实施例的基础上，本实施例提供了一种电能表寿命预测方法的可选实例。结合图5，具体实现过程如下：
[0089]
s501，获取在当前时刻目标区域的目标环境数据。
[0090]
s502，从寿命预测模型中至少两个并行的模糊子函数层中选择目标模糊子函数层。
[0091]
其中，寿命预测模型是采用粒子群算法，根据在当前时刻之前参考区域的历史环境数据和参考区域内电能表的实际寿命，对模糊神经网络进行训练得到。
[0092]
具体的，将各维度的目标环境数据与对应的环境数据阈值进行比较，并根据比较结果，从至少两个并行的模糊子函数层中选择目标模糊子函数层。
[0093]
s503，针对每一目标模糊子函数层，通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对目标环境数据进行处理，得到该目标模糊子函数层输出的目标模糊隶属度值。
[0094]
具体的，通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对各维度的目标环境数据进行处理，得到该目标模糊子函数层输出的各维度的目标环境数据对应的目标隶属度；将各维度的目标环境数据对应的目标隶属度的乘积，作为该目标模糊子函数层输出的目标模糊隶属度值。
[0095]
s504，根据目标环境数据和各目标模糊子函数层输出的目标模糊隶属度值，得到目标区域内电能表的预测寿命。
[0096]
具体的，根据各目标模糊子函数层输出的目标模糊隶属度值，确定总模糊隶属度值；根据目标环境数据，各目标模糊子函数层输出的目标模糊隶属度值，以及各目标模糊子函数层对应的模糊系数，确定总模糊隶属函数值；将总模糊隶属函数值与总模糊隶属度值之间的比值，作为目标区域内电能表的预测寿命。
[0097]
上述s501-s504的具体过程可以参见上述方法实施例的描述，其实现原理和技术效果类似，在此不再赘述。
[0098]
应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
[0099]
基于同样的发明构思，本技术实施例还提供了一种用于实现上述所涉及的电能表寿命预测方法的电能表寿命预测装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个电能表寿命预测装置实施例中的具体限定可以参见上文中对于电能表寿命预测方法的限定，在此不再赘述。
[0100]
在一个实施例中，如图6所示，提供了一种电能表寿命预测装置1，包括：数据获取模块10和寿命预测模块20，其中：
[0101]
数据获取模块10，用于获取在当前时刻目标区域的目标环境数据；
[0102]
寿命预测模块20，用于基于寿命预测模型，对目标环境数据进行处理，得到目标区域内电能表的预测寿命；其中，寿命预测模型是采用粒子群算法，根据在当前时刻之前参考区域的历史环境数据和参考区域内电能表的实际寿命，对模糊神经网络进行训练得到。
[0103]
在一个实施例中，在寿命预测模型中包含至少两个并行的模糊子函数层的情况下，如图7所示，寿命预测模块20包括：
[0104]
函数层确定单元21，用于从至少两个并行的模糊子函数层中选择目标模糊子函数层；
[0105]
寿命预测单元22，用于基于目标模糊子函数层，对目标环境数据进行处理，得到目标区域内电能表的预测寿命。
[0106]
在一个实施例中，在目标模糊子函数层的数量为至少两个的情况下，寿命预测单元22包括：
[0107]
第一预测子单元，用于针对每一目标模糊子函数层，通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对目标环境数据进行处理，得到该目标模糊子函数层输出的目标模糊隶属度值；
[0108]
第二预测子单元，根据目标环境数据和各目标模糊子函数层输出的目标模糊隶属度值，得到目标区域内电能表的预测寿命。
[0109]
在一个实施例中，在目标环境数据为至少两个维度的目标环境数据的情况下，第一预测子单元具体用于：
[0110]
通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对各维度的目标环境数据进行处理，得到该目标模糊子函数层输出的各维度的目标环境数据对应的目标隶属度；将各维度的目标环境数据对应的目标隶属度的乘积，作为该目标模糊子函数层输出的目标模糊隶属度值。
[0111]
在一个实施例中，第二预测子单元具体用于：
[0112]
根据各目标模糊子函数层输出的目标模糊隶属度值，确定总模糊隶属度值；根据目标环境数据，各目标模糊子函数层输出的目标模糊隶属度值，以及各目标模糊子函数层对应的模糊系数，确定总模糊隶属函数值；将总模糊隶属函数值与总模糊隶属度值之间的比值，作为目标区域内电能表的预测寿命。
[0113]
在一个实施例中，函数层确定单元21具体用于：
[0114]
将各维度的目标环境数据与对应的环境数据阈值进行比较，并根据比较结果，从至少两个并行的模糊子函数层中选择目标模糊子函数层。
[0115]
上述电能表寿命预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0116]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(input/output，简称i/o)和通信接口。其中，处理器、存储器和输入/输出接口通过系统总线连接，通信接口通
过输入/输出接口连接到系统总线。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储目标环境数据等数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电能表寿命预测方法。
[0117]
本领域技术人员可以理解，图8中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0118]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
[0119]
获取在当前时刻目标区域的目标环境数据；
[0120]
基于寿命预测模型，对目标环境数据进行处理，得到目标区域内电能表的预测寿命；其中，寿命预测模型是采用粒子群算法，根据在当前时刻之前参考区域的历史环境数据和参考区域内电能表的实际寿命，对模糊神经网络进行训练得到。
[0121]
在一个实施例中，寿命预测模型中包含至少两个并行的模糊子函数层；处理器执行计算机程序中基于寿命预测模型，对目标环境数据进行处理，得到目标区域内电能表的预测寿命的逻辑时，具体实现以下步骤：
[0122]
从至少两个并行的模糊子函数层中选择目标模糊子函数层；基于目标模糊子函数层，对目标环境数据进行处理，得到目标区域内电能表的预测寿命。
[0123]
在一个实施例中，目标模糊子函数层的数量为至少两个；处理器执行计算机程序中基于目标模糊子函数层，对目标环境数据进行处理，得到目标区域内电能表的预测寿命的逻辑时，具体实现以下步骤：
[0124]
针对每一目标模糊子函数层，通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对目标环境数据进行处理，得到该目标模糊子函数层输出的目标模糊隶属度值；根据目标环境数据和各目标模糊子函数层输出的目标模糊隶属度值，得到目标区域内电能表的预测寿命。
[0125]
在一个实施例中，目标环境数据为至少两个维度的目标环境数据；处理器执行计算机程序中通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对目标环境数据进行处理，得到该目标模糊子函数层输出的目标模糊隶属度值的逻辑时，具体实现以下步骤：
[0126]
通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对各维度的目标环境数据进行处理，得到该目标模糊子函数层输出的各维度的目标环境数据对应的目标隶属度；将各维度的目标环境数据对应的目标隶属度的乘积，作为该目标模糊子函数层输出的目标模糊隶属度值。
[0127]
在一个实施例中，处理器执行计算机程序中根据目标环境数据和各目标模糊子函数层输出的目标模糊隶属度值，得到目标区域内电能表的预测寿命的逻辑时，具体实现以下步骤：
[0128]
根据各目标模糊子函数层输出的目标模糊隶属度值，确定总模糊隶属度值；根据目标环境数据，各目标模糊子函数层输出的目标模糊隶属度值，以及各目标模糊子函数层对应的模糊系数，确定总模糊隶属函数值；将总模糊隶属函数值与总模糊隶属度值之间的比值，作为目标区域内电能表的预测寿命。
[0129]
在一个实施例中，处理器执行计算机程序中从至少两个并行的模糊子函数层中选择目标模糊子函数层的逻辑时，具体实现以下步骤：
[0130]
将各维度的目标环境数据与对应的环境数据阈值进行比较，并根据比较结果，从至少两个并行的模糊子函数层中选择目标模糊子函数层。
[0131]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
[0132]
获取在当前时刻目标区域的目标环境数据；
[0133]
基于寿命预测模型，对目标环境数据进行处理，得到目标区域内电能表的预测寿命；其中，寿命预测模型是采用粒子群算法，根据在当前时刻之前参考区域的历史环境数据和参考区域内电能表的实际寿命，对模糊神经网络进行训练得到。
[0134]
在一个实施例中，寿命预测模型中包含至少两个并行的模糊子函数层；计算机程序中基于寿命预测模型，对目标环境数据进行处理，得到目标区域内电能表的预测寿命的这一代码逻辑被处理器执行时，具体实现以下步骤：
[0135]
从至少两个并行的模糊子函数层中选择目标模糊子函数层；基于目标模糊子函数层，对目标环境数据进行处理，得到目标区域内电能表的预测寿命。
[0136]
在一个实施例中，目标模糊子函数层的数量为至少两个；计算机程序中基于目标模糊子函数层，对目标环境数据进行处理，得到目标区域内电能表的预测寿命的这一代码逻辑被处理器执行时，具体实现以下步骤：
[0137]
针对每一目标模糊子函数层，通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对目标环境数据进行处理，得到该目标模糊子函数层输出的目标模糊隶属度值；根据目标环境数据和各目标模糊子函数层输出的目标模糊隶属度值，得到目标区域内电能表的预测寿命。
[0138]
在一个实施例中，目标环境数据为至少两个维度的目标环境数据；计算机程序中通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对目标环境数据进行处理，得到该目标模糊子函数层输出的目标模糊隶属度值的这一代码逻辑被处理器执行时，具体实现以下步骤：
[0139]
通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对各维度的目标环境数据进行处理，得到该目标模糊子函数层输出的各维度的目标环境数据对应的目标隶属度；将各维度的目标环境数据对应的目标隶属度的乘积，作为该目标模糊子函数层输出的目标模糊隶属度值。
[0140]
在一个实施例中，计算机程序中根据目标环境数据和各目标模糊子函数层输出的目标模糊隶属度值，得到目标区域内电能表的预测寿命的这一代码逻辑被处理器执行时，具体实现以下步骤：
[0141]
根据各目标模糊子函数层输出的目标模糊隶属度值，确定总模糊隶属度值；根据目标环境数据，各目标模糊子函数层输出的目标模糊隶属度值，以及各目标模糊子函数层
对应的模糊系数，确定总模糊隶属函数值；将总模糊隶属函数值与总模糊隶属度值之间的比值，作为目标区域内电能表的预测寿命。
[0142]
在一个实施例中，计算机程序中从至少两个并行的模糊子函数层中选择目标模糊子函数层的这一代码逻辑被处理器执行时，具体实现以下步骤：
[0143]
将各维度的目标环境数据与对应的环境数据阈值进行比较，并根据比较结果，从至少两个并行的模糊子函数层中选择目标模糊子函数层。
[0144]
在一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：
[0145]
获取在当前时刻目标区域的目标环境数据；
[0146]
基于寿命预测模型，对目标环境数据进行处理，得到目标区域内电能表的预测寿命；其中，寿命预测模型是采用粒子群算法，根据在当前时刻之前参考区域的历史环境数据和参考区域内电能表的实际寿命，对模糊神经网络进行训练得到。
[0147]
在一个实施例中，寿命预测模型中包含至少两个并行的模糊子函数层；计算机程序被处理器执行基于寿命预测模型，对目标环境数据进行处理，得到目标区域内电能表的预测寿命的操作时，具体实现以下步骤：
[0148]
从至少两个并行的模糊子函数层中选择目标模糊子函数层；基于目标模糊子函数层，对目标环境数据进行处理，得到目标区域内电能表的预测寿命。
[0149]
在一个实施例中，目标模糊子函数层的数量为至少两个；计算机程序被处理器执行基于目标模糊子函数层，对目标环境数据进行处理，得到目标区域内电能表的预测寿命的操作时，具体实现以下步骤：
[0150]
针对每一目标模糊子函数层，通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对目标环境数据进行处理，得到该目标模糊子函数层输出的目标模糊隶属度值；根据目标环境数据和各目标模糊子函数层输出的目标模糊隶属度值，得到目标区域内电能表的预测寿命。
[0151]
在一个实施例中，目标环境数据为至少两个维度的目标环境数据；计算机程序被处理器执行通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对目标环境数据进行处理，得到该目标模糊子函数层输出的目标模糊隶属度值的操作时，具体实现以下步骤：
[0152]
通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对各维度的目标环境数据进行处理，得到该目标模糊子函数层输出的各维度的目标环境数据对应的目标隶属度；将各维度的目标环境数据对应的目标隶属度的乘积，作为该目标模糊子函数层输出的目标模糊隶属度值。
[0153]
在一个实施例中，计算机程序被处理器执行根据目标环境数据和各目标模糊子函数层输出的目标模糊隶属度值，得到目标区域内电能表的预测寿命的操作时，具体实现以下步骤：
[0154]
根据各目标模糊子函数层输出的目标模糊隶属度值，确定总模糊隶属度值；根据目标环境数据，各目标模糊子函数层输出的目标模糊隶属度值，以及各目标模糊子函数层对应的模糊系数，确定总模糊隶属函数值；将总模糊隶属函数值与总模糊隶属度值之间的比值，作为目标区域内电能表的预测寿命。
[0155]
在一个实施例中，计算机程序被处理器执行从至少两个并行的模糊子函数层中选择目标模糊子函数层的操作时，具体实现以下步骤：
[0156]
将各维度的目标环境数据与对应的环境数据阈值进行比较，并根据比较结果，从至少两个并行的模糊子函数层中选择目标模糊子函数层。
[0157]
需要说明的是，本技术所涉及的数据(包括但不限于历史环境数据，以及目标环境数据等)，均为经过各方充分授权的数据，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
[0158]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(reram)、磁变存储器(magnetoresistive random access memory，mram)、铁电存储器(ferroelectric random access memory，fram)、相变存储器(phase change memory，pcm)、石墨烯存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器等。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。本技术所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本技术所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。
[0159]
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0160]
以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本技术专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术的保护范围应以所附权利要求为准。

技术特征：
1.一种电能表寿命预测方法，其特征在于，所述方法包括：获取在当前时刻目标区域的目标环境数据；基于寿命预测模型，对所述目标环境数据进行处理，得到所述目标区域内电能表的预测寿命；其中，所述寿命预测模型是采用粒子群算法，根据在所述当前时刻之前参考区域的历史环境数据和所述参考区域内电能表的实际寿命，对模糊神经网络进行训练得到。2.根据权利要求1所述的方法，其特征在于，所述寿命预测模型中包含至少两个并行的模糊子函数层；所述基于寿命预测模型，对所述目标环境数据进行处理，得到所述目标区域内电能表的预测寿命，包括：从所述至少两个并行的模糊子函数层中选择目标模糊子函数层；基于所述目标模糊子函数层，对所述目标环境数据进行处理，得到所述目标区域内电能表的预测寿命。3.根据权利要求2所述的方法，其特征在于，所述目标模糊子函数层的数量为至少两个；所述基于所述目标模糊子函数层，对所述目标环境数据进行处理，得到所述目标区域内电能表的预测寿命，包括：针对每一目标模糊子函数层，通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对所述目标环境数据进行处理，得到该目标模糊子函数层输出的目标模糊隶属度值；根据所述目标环境数据和各目标模糊子函数层输出的目标模糊隶属度值，得到所述目标区域内电能表的预测寿命。4.根据权利要求3所述的方法，其特征在于，所述目标环境数据为至少两个维度的目标环境数据；所述通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对所述目标环境数据进行处理，得到该目标模糊子函数层输出的目标模糊隶属度值，包括：通过该目标模糊子函数层对应的隶属度函数的中心值和宽度值，对各维度的目标环境数据进行处理，得到该目标模糊子函数层输出的各维度的目标环境数据对应的目标隶属度；将各维度的目标环境数据对应的目标隶属度的乘积，作为该目标模糊子函数层输出的目标模糊隶属度值。5.根据权利要求3所述的方法，其特征在于，所述根据所述目标环境数据和各目标模糊子函数层输出的目标模糊隶属度值，得到所述目标区域内电能表的预测寿命，包括：根据各目标模糊子函数层输出的目标模糊隶属度值，确定总模糊隶属度值；根据目标环境数据，各目标模糊子函数层输出的目标模糊隶属度值，以及各目标模糊子函数层对应的模糊系数，确定总模糊隶属函数值；将所述总模糊隶属函数值与所述总模糊隶属度值之间的比值，作为所述目标区域内电能表的预测寿命。6.根据权利要求2所述的方法，其特征在于，所述从所述至少两个并行的模糊子函数层中选择目标模糊子函数层，包括：将各维度的目标环境数据与对应的环境数据阈值进行比较，并根据比较结果，从所述至少两个并行的模糊子函数层中选择目标模糊子函数层。7.一种电能表寿命预测装置，其特征在于，所述装置包括：
数据获取模块，用于获取在当前时刻目标区域的目标环境数据；寿命预测模块，用于基于寿命预测模型，对所述目标环境数据进行处理，得到所述目标区域内电能表的预测寿命；其中，所述寿命预测模型是采用粒子群算法，根据在所述当前时刻之前参考区域的历史环境数据和所述参考区域内电能表的实际寿命，对模糊神经网络进行训练得到。8.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述的方法的步骤。9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。10.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。

技术总结
本申请涉及一种电能表寿命预测方法、装置、计算机设备和存储介质，涉及人工智能技术领域。所述方法包括：获取在当前时刻目标区域的目标环境数据，基于寿命预测模型，对目标环境数据进行处理，得到目标区域内电能表的预测寿命，其中，寿命预测模型是采用粒子群算法，根据在当前时刻之前参考区域的历史环境数据和参考区域内电能表的实际寿命，对模糊神经网络进行训练得到。采用本方法能够精准预测电能表的寿命。的寿命。的寿命。


技术研发人员：李丹 潘广泽 陈勃琛 王远航 孙立军
受保护的技术使用者：中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室））
技术研发日：2023.04.10
技术公布日：2023/7/25