电能表的拆退管理是计量资产全生命周期管理的重要环节。2013年以来，国家电网天津电力有限公司一直在探索和研究电能表拆解回收的方法和技术，开发建设了全国首个拆解回收电能表自动分拣处理系统，实现了电能表的集中处理和分拣分拣全自动化。通过智能电表自动分拣信息管理平台，自动收集和汇总被拆电表的分拣结果，建立被拆电表的故障信息库。随着电改、能源全面战略转型等环境变化，智能电能表也在不断更新。有效预测电能表的寿命对于提高资产质量具有重要意义。 　　

　　现有的对电能表评估和寿命预测的研究大多基于可靠性，而对故障数据分析的研究很少，未能充分利用海量故障数据中的有效信息。 　　

　　问题拆分 　　

　　包括以下步骤：步骤1，采集电能表故障数据，筛选并清洗；步骤二，对筛选清洗后的电能表故障数据建立电能表故障故障树，对故障类型进行分类，并根据故障发生的频率确定电能表故障数据所属设备模块的权重；步骤3，建立支持向量回归机模型，用粒子群算法优化模型参数，回归每个故障类型的器件模块的故障概率密度函数，并对器件模块的权重进行加权，得到电能表的整体故障概率密度函数；步骤四，根据电能表整体失效概率密度函数，计算电能表的平均寿命。本发明充分利用了海量故障数据中的有效信息，提高了电能表寿命预测的准确性。 　　

　　问题解决 　　

　　1.一种基于故障数据的电能表寿命预测方法，其特征在于，包括以下步骤： 　　

　　步骤一，采集电能表故障数据，筛选并清洗； 　　

　　步骤二，对筛选清洗后的电能表故障数据建立电能表故障故障树，对故障类型进行分类，并根据故障发生的频率确定电能表故障数据所属设备模块的权重； 　　

　　步骤3，建立支持向量回归机模型，用粒子群算法优化模型参数，回归每个故障类型的器件模块的故障概率密度函数，并对器件模块的权重进行加权，得到电能表的整体故障概率密度函数； 　　

　　第四步：根据电能表的总体故障概率密度函数计算电能表的平均寿命，比较不同供应商和版本的电能表的可靠性。 　　

　　2.根据权利要求1所述的基于故障数据的电能表寿命预测方法，其特征在于，电能表故障包括时钟电池电压低、时钟故障、黑屏、白屏、花屏故障、液晶泄漏、液晶显示故障、控制回路错误和ESAM错误引起的表内继电器故障。 　　

　　3.根据权利要求1所述的基于故障数据的电能表寿命预测方法，其特征在于：电能表故障树包括顶事件、中事件和底事件，电能表故障被选为顶事件，各器件模块故障为中事件，故障名称为底事件。利用故障树分析法对电能表故障进行分类，得出时钟电池电压低，时钟故障属于电池器件模块故障；黑屏、白屏、花屏故障、液晶泄漏、液晶显示故障属于显示设备模块故障；控制回路错误引起的表内继电器故障和ESAM故障属于电路器件模块故障。 　　

　　4.根据权利要求1所述的基于故障数据的电能表寿命预测方法，其特征在于，所述电能表故障数据所属模块的权重根据故障频率占总故障频率的比例来确定 　　

　　失效器件模块K的失效概率密度的回归函数由公式(2)表示： 　　

　　其中是拉格朗日乘子，选择径向基作为支持向量回归机模型的核函数。假设粒子群位于S维搜索空间，粒子I的位置表示为Xi=t，速度表示为VI=t 　　

　　6.根据权利要求1所述的基于故障数据的电能表寿命预测方法，其特征在于，采用粒子群优化算法优化模型参数的步骤如下： 　　

　　1)初始化粒子群和大小为P的粒子群包含的参数，生成初始位置和速度； 　　

　　2)分别利用每个粒子包含的参数训练支持向量回归机，将得到的曲线与实际曲线的均方根误差作为粒子的适应度，将适应度最好的粒子的个体极值作为群体极值； 　　

　　3)根据公式(3)和(4)更新粒子速度vis和位置Xis: 　　

　　其中为惯性权重，s=1，2，…，s，I=1，2，…，p，t为当前迭代次数，h1和h2为加速因子，r1和r2为0-1之间的随机数，Pis为粒子的个体极值，Pgs为种群的全局极值； 　　

　　4)重复更新极值，直到满足终止条件，输出全局最优参数，得到电能表的整体故障概率密度函数： 　　

　　其中k是它所属的设备模块K的重量。 　　

　　7.根据权利要求6所述的基于故障数据的电能表寿命预测方法，其特征在于，所述粒子群包含的参数不限于迭代次数和学习因子中的至少一种。 　　

　　8.根据权利要求1所述的基于故障数据的电能表寿命预测方法，其特征在于，电能表平均寿命的计算公式为：