一种智能电能表质量的异质性影响因素分析方法

摘要

本发明公开了一种智能电能表质量的异质性影响因素分析方法，包括如下步骤：选取智能电能表质量的影响因素指标，构建智能电能表的质量指标体系；对影响因素指标进行成分分析，得到若干个主成分指标；确定若干个主成分指标与智能电能表故障之间的关联度；构建智能电能表的质量影响模型，对影响智能电能表质量的异质性因素进行分析。通过综合考虑社会、经济、基础设施、地理特征等因素，建立了一套科学、实用的质量影响因素指标体系，并建立质量影响模型及异质性影响因素分析方法，使得异质性分析方法能够在行业内的不同地区进行广泛享用，服务于智能电能表质量的分析评价工作。

说明书

技术领域

本发明涉及智能电能表质量分析评价领域，特别涉及一种智能电能表质量的异质性影响因素分析方法。

背景技术

随着国民经济的发展和人民生活质量的提高，对电力的需求也不断增长，而智能电能表作为与用户的接口，其产品质量除了与智能电能表的软硬件有关外，还受到经济、社会、基础设施、地理特征等因素的影响。针对拆回的智能电能表中的数据进行分析，可以研究不同地区经济、社会、基础设施、地理特征等因素对于智能电能表质量的影响因素，构建智能电能表质量影响因素的指标体系，挖掘影响智能电能表质量的主要因素，分析不同区域电能表质量的异质性影响因素，确定各类因素对智能表故障成因的判别效果和关联程度，为针对不同区域实现智能电能表质量提升提供支撑。

发明内容

本发明实施例的目的是提供一种智能电能表质量的异质性影响因素分析方法，通过综合考虑社会、经济、基础设施、地理特征等因素，建立了一套科学、实用的质量影响因素指标体系，并建立质量影响模型及异质性影响因素分析方法，使得异质性分析方法能够在行业内的不同地区进行广泛享用，服务于智能电能表质量的分析评价工作。

为解决上述技术问题，本发明实施例的第一方面提供了一种智能电能表质量的异质性影响因素分析方法，包括如下步骤：

选取智能电能表质量的影响因素指标，构建所述智能电能表的质量指标体系；

对所述影响因素指标进行成分分析，得到若干个主成分指标；

确定所述若干个主成分指标与所述智能电能表故障之间的关联度；

构建所述智能电能表的质量影响模型，对影响所述智能电能表质量的异质性因素进行分析。

进一步地，所述选取智能电能表质量指标的影响因素，包括：

选取所述影响因素指标，所述影响因素指标包括：经济发展因素指标、社会发展因素指标、生活质量因素指标、基础设施因素指标及地理特征因素指标；

确定对地区区分能力最强的影响因素指标，选取具有典型代表性的影响因素指标；

对影响因素指标进行区分度显著性检验；

将数据缺失严重的所述影响因素指标删除；

将数据缺失不严重的所述影响因素指标的数据填充为所述地区相应数据的平均值。

进一步地，所述对影响因素指标进行区分度显著性检验，包括：

对服从正态分布的影响因素指标用独立样本T检验进行区分度显著性检验；

并对不服从正态分布的影响因素指标用Mann-Whitney方法进行区分度显著性检验。

进一步地，所述对所述影响因素进行成分分析并得到若干个主成分指标，包括：

依据进行成分分析的所述影响因素指标的变量数量，获取所述影响因素指标的变量的公因子方差，删除所述公因子方差小于预设数值的所述质量指标变量；

针对所述影响因素指标的数据中存在的特异值，对其进行归一化处理与标准化处理；

计算出全部所述影响因素指标的相关系数矩阵，并求出所述相关系数矩阵的特征值与对应的特征向量；

将所述特征向量按照特征值从大到小排列选取降维基，将所述降维基与所述影响因素指标的原始数据相乘，得到降维后的数据；

通过指标降维，把多个所述影响因素指标简化为若干个主成分指标。

进一步地，所述获取所述质量指标变量的公因子方差之前，还包括：

对所述影响因素指标的数据进行KMO检验和Bartlett球形检验；

依据检验结果，判断所述数据是否合适进行成分分析。

进一步地，所述确定所述若干个主成分指标与所述智能电能表故障之间的关联度，包括：

对所述主成分指标进行初值化处理；

将所述智能电能表的故障率作为参考列，并将所述主成分指标作为比较列；

计算所述主成分指标与所述智能电能表质量之间的关联度：

其中，p为分辨系数，p越小，分辨力越大；

根据灰色关联度分析方法对所述智能电能表故障的所述主成分指标进行筛选，得到精简后的若干个所述主成分指标。

进一步地，构建所述智能电能表的质量影响模型并对影响所述智能电能表质量的异质性因素进行分析，包括：

依据精简后的所述若干个主成分指标，构建多元线性回归模型，获取所述主成分指标与所述智能电能表表龄损害量的关联关系；

验证所述多元线性回归模型的有效性；

获取若干个所述主成分指标对所述智能电能表故障成因的概率值；

分析智能电能表故障成因的个体异质性特征，并进行对比。

进一步地，所述验证所述多元线性回归模型的有效性，包括：

计算所述多元线性回归模型的统计直方图和正态P-P图；

检验所述多元线性回归模型的随机误差是否服从正态分布；

检验数据是否符合指定的分布。

相应地，本发明实施例的第二方面提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器连接的存储器；其中，所述存储器存储有可被所述一个处理器执行的指令，所述指令被所述一个处理器执行，以使所述至少一个处理器执行上述任一所述的智能电能表质量的异质性影响因素分析方法。

相应地，本发明实施例的第三方面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存储有计算机可执行的至少一个程序，所述至少一个程序被所述计算机执行时使所述计算机执行上述任一所述的智能电能表质量的异质性影响因素分析方法。

本发明实施例的上述技术方案具有如下有益的技术效果：

通过综合考虑社会、经济、基础设施、地理特征等因素，建立了一套科学、实用的质量影响因素指标体系，并建立质量影响模型及异质性影响因素分析方法，使得异质性分析方法能够在行业内的不同地区进行广泛享用，服务于智能电能表质量的分析评价工作。

附图说明

图1是本发明实施例提供的智能电能表质量的异质性影响因素分析方法流程图；

图2是本发明实施例提供的智能电能表质量指标体系示意图；

图3是本发明实施例提供的多元线性回归模型的直方图；

图4是本发明实施例提供的多元线性回归模型正态P-P图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

图1是本发明实施例提供的智能电能表质量的异质性影响因素分析方法流程图。

请参照图1，本发明实施例的第一方面提供了一种智能电能表质量的异质性影响因素分析方法，包括如下步骤：

S100，选取智能电能表质量的影响因素指标，构建智能电能表的质量指标体系。

S200，对影响因素指标进行成分分析，得到若干个主成分指标。

S300，确定若干个主成分指标与智能电能表故障之间的关联度。

S400，构建智能电能表的质量影响模型，对影响智能电能表质量的异质性因素进行分析。

上述方法通过综合考虑社会、经济、基础设施、地理特征等因素，建立了一套科学、实用的质量影响因素指标体系，并建立质量影响模型及异质性影响因素分析方法，使得异质性分析方法能够在行业内的不同地区进行广泛享用，服务于智能电能表质量的分析评价工作。

图2是本发明实施例提供的智能电能表质量指标体系示意图。

具体的，步骤S100中，选取智能电能表质量指标的影响因素，包括：

S110，选取影响因素指标，请参照图2，影响因素指标包括：经济发展因素指标、社会发展因素指标、生活质量因素指标、基础设施因素指标及地理特征因素指标。

S120，确定对地区区分能力最强的影响因素指标，选取具有典型代表性的影响因素指标。

确定对地区区分能力最强的指标以及剔除过多指标带来的多重共线性问题，选取最具有代表性的指标。目标层为智能电能表质量的影响模型，主要用来反映经济、社会、基础设施、地理特征等因素影响下的智能电能表的质量情况；准则层为不同地区的经济、社会、基础设施、地理特征等指标，分别用来反映典型因素对智能电能表质量的影响。具体如表1所示。

表1

在本发明实施例第一个具体实施方式中，根据实际社会情况，适当删减了部分数据的采集，同时增加了部分指标数据，构建某地区的经济、社会、环境特征因素指标，如表2所示：

表2

S130，对影响因素指标进行区分度显著性检验。

S140，将数据缺失严重的影响因素指标删除。

S150，将数据缺失不严重的影响因素指标的数据填充为地区相应数据的平均值。

进一步地，步骤S130，对影响因素指标进行区分度显著性检验，包括：

S131，对服从正态分布的影响因素指标用独立样本T检验进行区分度显著性检验。

S132，并对不服从正态分布的影响因素指标用Mann-Whitney方法进行区分度显著性检验。

进一步地，步骤S200中，对影响因素进行成分分析并得到若干个主成分指标，包括：

S220，依据进行成分分析的影响因素指标的变量数量，获取影响因素指标的变量的公因子方差，删除公因子方差小于预设数值的质量指标变量。

S230，针对影响因素指标的数据中存在的特异值，对其进行归一化处理与标准化处理。

其中，归一化公式：

标准化公式：

其中，μ为某列指标的均值，σ为某列指标的标准差。

S240，计算出全部影响因素指标的相关系数矩阵，并求出相关系数矩阵的特征值与对应的特征向量。

S250，将特征向量按照特征值从大到小排列选取降维基，将降维基与影响因素指标的原始数据相乘，得到降维后的数据。

S260，通过指标降维，把多个影响因素指标简化为若干个主成分指标。

由表3可知，计算主成分指标的特征值，提取了七个主成分指标，累计方差贡献率为75.497％。

表3

利用利用主成分分析算法计算出全部指标的相关系数矩阵，求出矩阵的特征值与对应的特征向量。将成分矩阵旋转，根据旋转后的成分矩阵得出各个主成分主要因子，见表4。

表5

进一步地，根据矩阵可以计算出成分得分矩阵，见表5，计算每个指标在每个主成分中的系数大小。

表5

根据各个主成分计算公式，计算得到所选的七个主成分，代表降维前的15个指标。

此外，获取质量指标变量的公因子方差之前，还包括：

S211，对影响因素指标的数据进行KMO检验和Bartlett球形检验。

如表6所示，对对数据进行KMO检验和Bartlett球形检验，以判断是否合适进行主成分分析。

表5

S212，依据检验结果，判断数据是否合适进行成分分析。

进一步地，步骤S300中，确定若干个主成分指标与智能电能表故障之间的关联度，包括：

S320，对主成分指标进行初值化处理。

S330，将智能电能表的故障率作为参考列，并将主成分指标作为比较列。

S340，计算主成分指标与智能电能表质量之间的关联度：

其中，p为分辨系数，p越小，分辨力越大。

S350，根据灰色关联度分析方法对智能电能表故障的主成分指标进行筛选，得到精简后的若干个主成分指标。

计算主成分与智能电能表故障量之间的灰色关联度得分，以一年内智能电能表故障量作为参考列，并对得分进行降序排序，见表7。

表7

由表7可以看出，所得的各主成分与表龄损坏量的灰色关联得分均>0.5，其中，第一主成分F1(主要所含指标为工业总产值、金融机构存款余额、固定资产投资额、出口总额，即经济层面的指标)与表龄损坏量关联得分最高，说明这两个因素变化的趋势具有一致性，即同步变化程度较高。

此外，步骤S320中，对主成分指标进行初值化处理之前，还包括：

S310，解决各指标不同量纲无法进行直接汇总的问题，消除量纲影响，对所选影响因素进行处理。

进一步地，步骤S400中，构建智能电能表的质量影响模型并对影响智能电能表质量的异质性因素进行分析，包括：

S410，依据精简后的若干个主成分指标，构建多元线性回归模型，获取主成分指标与智能电能表表龄损害量的关联关系。

S420，验证多元线性回归模型的有效性。

S430，获取若干个主成分指标对智能电能表故障成因的概率值。

S440，分析智能电能表故障成因的个体异质性特征，并进行对比。

具体的，将主成分与气候类型作为自变量，因变量为一年表龄故障量进行多元线性回归，模型系数见表8。

表8

其中，建立智能电能表质量表达式为：

Y＝39.609F0+78.725F1+3.491F2-74.121F3-53.843F4-27.726F5+54.039F6+56.813F7+321.494。

图3是本发明实施例提供的多元线性回归模型的直方图。

图4是本发明实施例提供的多元线性回归模型正态P-P图。

进一步地，请参照图3和图4，步骤S420中，验证多元线性回归模型的有效性，包括：

S421，计算多元线性回归模型的统计直方图和正态P-P图。

S422，检验多元线性回归模型的随机误差是否服从正态分布。

S423，检验数据是否符合指定的分布。

具体的，验证模型的有效性，见表9。

表9

在本发明实施例的一个具体方式中，以一年表龄故障情况分析为例，计算智能电能表质量模型预测分类结果，见表10。

表10

根据各个主成分得分对每一个变量进行分类，将分类数值作为新因子来构建并分析电表故障共性模型。

如表11所示，其为一年表龄参数估算值，其中Exp(B)表示某因素(自变量)内该类别是其相应参考类别具有某种倾向性的倍数，此处第三级(即经济发达城市)为参考类别。由Exp(B)值可以看出：在经济质量分类中，经济质量分类为1级的与3级的进行对照，其电表损害量等级为1级(损害量较少)的概率是其4.419倍；经济质量分类为2级的与3级的进行对照，其电表损害量等级为1级(损害量较少)的概率是其1.023倍。

表11

有上述实施例内容可知，分析不同经济地区的智能电能表异质性影响因素，选取各经济地区灰色关联度得分排名最靠前的主成分作为该经济地区的主要影响因子：

1级经济地区异质性影响因素有：F7(GDP率)

2级经济地区异质性影响因素有：F5(人口自然率，实际失业率)

3级经济地区异质性影响因素有：F1(工业总产值，金融机构存款余额，固定资产投资额，出口总额)。

相应地，本发明实施例的第二方面提供了一种电子设备，包括：至少一个处理器；以及与至少一个处理器连接的存储器；其中，存储器存储有可被一个处理器执行的指令，指令被一个处理器执行，以使至少一个处理器执行上述任一的智能电能表质量的异质性影响因素分析方法。

相应地，本发明实施例的第三方面提供了一种计算机可读存储介质，计算机可读存储介质存储有计算机可执行的至少一个程序，至少一个程序被计算机执行时使计算机执行上述任一的智能电能表质量的异质性影响因素分析方法。

本发明实施例旨在保护一种智能电能表质量的异质性影响因素分析方法，包括如下步骤：选取智能电能表质量的影响因素指标，构建智能电能表的质量指标体系；对影响因素指标进行成分分析，得到若干个主成分指标；确定若干个主成分指标与智能电能表故障之间的关联度；构建智能电能表的质量影响模型，对影响智能电能表质量的异质性因素进行分析。上述技术方案具备如下效果：

通过综合考虑社会、经济、基础设施、地理特征等因素，建立了一套科学、实用的质量影响因素指标体系，并建立质量影响模型及异质性影响因素分析方法，使得异质性分析方法能够在行业内的不同地区进行广泛享用，服务于智能电能表质量的分析评价工作。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。