(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202210842783.2 (22)申请日 2022.07.18 (65)同一申请的已公布的文献号 申请公布号 CN 114925938 A (43)申请公布日 2022.08.19 (73)专利权人 武汉格蓝若智能技 术有限公司 地址 430000 湖北省武汉市东湖新 技术开 发区光谷大道303号光谷 ·芯中心2- 07栋1803-1805室 (72)发明人 陈应林　杨文锋　代洁　陈勉舟　 张荣霞　周阳　 (74)专利代理 机构 武汉蓝宝石专利代理事务所 (特殊普通 合伙) 42242 专利代理师 李明 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) G06N 3/00(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06N 20/00(2019.01)(56)对比文件 CN 113011530 A,2021.0 6.22 CN 110348615 A,2019.10.18 CN 110929918 A,2020.0 3.27 US 2020342346 A1,2020.10.2 9 US 2003033194 A1,20 03.02.13 CN 111751650 A,2020.10.09 崔宇.基于深度学习的变 压器故障诊断与预 测. 《中国优秀硕士论文库 工程科技 Ⅱ辑》 .2022,全文. Hongling xu等.Two-stage predicti on of machinery fault trend based o n deep learning for time series analysis. 《Digital Signal Proces sing》 .2021,全 文. Jinwoong Park等.“A two-stage multistep-Ahead Electricity L oad Forecasti ng Scheme Based o n LightGBM and Attention-BiLSTM”. 《Sensors》 .2021,全 文. 杜京义.基 于核算法的故障智能诊断理论及 方法研究. 《中国优秀博士论文 工程科技 II辑》 .2008,全文. (续) 审查员 汪见晗 (54)发明名称 一种基于自适应SVM模型的电能表运行状态 预测方法、 装置 (57)摘要 本发明涉及一种基于自适应SVM模 型的电能 表运行状态预测方法及装置， 其方法包括： 获取 多个电能表的运维数据， 并从其中构建与智能电 表故障相关的设备特征、 统计特征和时序特征； 基于训练完成的神经网络， 根据时序特征计算不 同周期下电能表的第一类异常概率； 基于群体智 能优化算法优化后的机器学习分类器， 计算不同 统计特征和设备特征下电能表的第二类异常概 率； 根据所述第一类异常概率和所述第二类异常 概率， 训练自适应SVM模型； 利用训练完成的自适应SVM模型对待评估的电能表进行状态预测。 本 发明从多个维度提取电能表的故障特征， 并利用 训练完成的多个SVM模型自适应地预测电能表的 状态， 提高了预测的准确性和自适应性。 [转续页] 权利要求书2页 说明书10页 附图4页 CN 114925938 B 2022.10.04 CN 114925938 B (56)对比文件 Xianghao z han等.An elect ric power forecasti ng method based o n dual time series at tention mechanism neural netw ork structure. 《2021 IE EE 21st I nternati onal conference o n software qual iry, reliability and security compan ion》 .2022, 全文.2/2 页 2[接上页] CN 114925938 B1.一种基于自适应SVM模型的电能表运行状态预测方法， 其特 征在于， 包括： 获取多个电能表 的运维数据， 并从其中构建与智能电表故障相关的设备特征、 统计特 征和时序特 征； 基于训练完成的神经网络， 根据时序特征计算不同周期下电能表的第一类异常概率； 基于群体智能优化算法优化后的机器学习分类器， 计算不同统计特征和设备特征下电能表 的第二类异常概 率； 根据所述第 一类异常概率和所述第二类异常概率， 训练自适应SVM模型； 利用训练完成 的自适应SVM模型对待评估的电能表进行状态预测。 2.根据权利要求1所述的基于自适应SVM模型的电能表运行状态预测方法， 其特征在 于， 所述神经网络为基于 CNN和LSTM融合的神经网络； 所述基于群体智能优化算法优化后的机器学习分类器为基于被囊群算法优化的 LightGBM模型。 3.根据权利要求2所述的基于自适应SVM模型的电能表运行状态预测方法， 其特征在 于， 所述基于群体智能优化算法优化后的机器学习分类器， 计算不同统计特征和设备特征 下电能表的第二类异常概 率包括： 将LightGBM模型中树的棵数、 树的最大深度和学习率作为被囊群算法的优化目标， 求 解同时满足三个优化目标 预设条件的最优解； 利用所述最优解训练Li ghtGBM模型， 并根据训练完成的LightGBM模型计算不同统计特 征和设备 特征下的第二类异常概 率。 4.根据权利要求2所述的基于自适应SVM模型的电能表运行状态预测方法， 其特征在 于， 所述被囊群算法通过如下 方法进行动态反向学习优化： ， 其中， ， ， i=1,2，…W； 为第t次被囊群算法迭代时种群 第i个个体位置； 为 对应的反向解， at和bt分别为当前搜索区间上的最小值和最大 值；U表示反向学习的步长， W 为种群大小， t为迭代次数， T为最大迭代次数。 5.根据权利要求1所述的基于自适应SVM模型的电能表运行状态预测方法， 其特征在 于， 所述根据所述第一类异常概 率和所述第二类异常概 率， 训练自适应SVM模型包括： 根据所述第一类异常概 率和所述第二类异常概 率构建特 征向量； 基于所述特 征向量和多个核函数， 训练多个SVM模型； 根据每个SVM模型的准确率确定自适应参数， 并根据所述自适应参数确定SVM模型。 6.根据权利要求1至5任一项所述的基于自适应SVM模型的电能表运行状态预测方法， 其特征在于， 所述获取多个电能表的运维数据， 并从其中构建与智能电表故障相关的设备 特征、 统计特 征和时序特 征包括： 获取多个电能表在运行过程中的气象、 运行及设备数据， 并将其进行数据清洗和相关 度关联， 并构建与智能电表故障相关的设备 特征、 统计特 征和时序特 征。权　利　要　求　书 1/2 页 2 CN 114925938 B 3