摘要：通过基于“厂商＋批次”对电能表整体运行状态进行分析，不仅可以发现电能表的运行故障率呈现出明显的层次分布，同时还能发现家族性的问题或者缺陷，实现基于传统的人工经验诊断转变为基于机器学习智能分析预测。第一阶段：以厂商和生产批次为对象，通过对电能表状态的故障率、报废费和折旧率进行分析，将所有电能表的分析数据降维整合为“非健康度曲线”的一维数据，且利用散点图将分析对象非健康值展现。不仅能告诉我们每个批次电能表的现状，还能告诉我们哪些批次存在问题，根据不同的预警等级，确定电能表故障的严重性。第二阶段：通过对电能表工作状态和工作环境实时监测，借助机器学习中线性回归的算法，诊断、预测电能表的实际运行状态，预测电能表非健康度值变化趋势。基于上述二个阶段的分析，为电能表状态检修、备品备件等工作提供辅助决策依据。

原文链接:http://www.cqvip.com//QK/88715A/201607/670011220.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）