CN113642196A - 智能电表可靠性评估方法、装置、设备及存储介质 - Google Patents

智能电表可靠性评估方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113642196A
CN113642196A CN202111196511.1A CN202111196511A CN113642196A CN 113642196 A CN113642196 A CN 113642196A CN 202111196511 A CN202111196511 A CN 202111196511A CN 113642196 A CN113642196 A CN 113642196A
Authority
CN
China
Prior art keywords
reliability
data
reliability model
model parameters
electric meter
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111196511.1A
Other languages
English (en)
Other versions
CN113642196B (zh
Inventor
李若茜
肖霞
顾一钒
刘晨煜
李红斌
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202111196511.1A priority Critical patent/CN113642196B/zh
Publication of CN113642196A publication Critical patent/CN113642196A/zh
Application granted granted Critical
Publication of CN113642196B publication Critical patent/CN113642196B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)
  • Testing Electric Properties And Detecting Electric Faults (AREA)

Abstract

本发明提供了一种智能电表可靠性评估方法、装置、设备及存储介质，该方法包括：获取智能电表的试验数据和现场失效数据；将试验数据向实际运行环境进行等效处理，得到等效失效数据；对现场失效数据进行分析处理，获得智能电表可靠性模型参数的先验分布；基于等效失效数据以及智能电表可靠性模型参数的先验分布，通过数据融合方法计算可靠性模型参数的后验期望，采用所述后验期望作为可靠性模型参数估计值，实现对智能电表的可靠性评估。本发明可以兼顾试验数据覆盖全寿命周期、现场数据反映实际运行情况的优点，提高智能电表可靠性预计的准确度。

Description

智能电表可靠性评估方法、装置、设备及存储介质
技术领域
本发明涉及电力仪器检测领域，尤其涉及一种智能电表可靠性评估方法、装置、设备及存储介质。
背景技术
智能电表的可靠运行关系到用户电费计量，其可靠性评估结果对于指导智能电表的检修、轮换工作有重要意义，因此提高评估的准确性是智能电表可靠性评估的核心问题。
传统对智能电表可靠性评估的方法中，其中一类方法是基于可靠性预计手册对智能电表进行可靠性评估，这类方法由于依赖更新较慢的预计手册，评估结果是实际存在偏差。另一类方法是结合各种智能优化算法对加速寿命试验数据或现场收集数据进行分析处理来评估智能电表的可靠性，这类方法尽管一定程度上提高了评估结果的准确性，但由于加速寿命试验应力与实际情况存在差异且样本有限、现场失效数据截尾程度深而无法涵盖全生命周期，这种基于单一数据源的评估结果仍存在一定问题。
现阶段融合多源数据进行智能电表可靠性评估的研究有限，主要对加速退化试验数据和现场检测状态数据融合以及加速寿命试验失效数据与性能退化数据融合，且先验分布通常采用基于等同无知原则的贝叶斯假设，未考虑该原则在高可靠***中的不适用性。
发明内容
本发明实施例提供了一种智能电表可靠性评估方法、装置、设备及存储介质，用以兼顾加速寿命试验数据覆盖全寿命周期、现场失效数据贴近实际情况的优点，提高智能电表可靠性评估的准确性。
第一方面，本发明实施例提供一种智能电表可靠性评估方法，包括：
S1，获取智能电表的试验数据和现场失效数据；
S2，将所述试验数据向实际运行环境进行等效处理，得到等效失效数据；
S3，对所述现场失效数据进行分析处理，获得智能电表可靠性模型参数的先验分布；
S4，基于所述等效失效数据以及智能电表可靠性模型参数的先验分布，通过数据融合方法计算可靠性模型参数的后验期望，采用所述后验期望作为可靠性模型参数估计值。
可选的，步骤S1中所述获取智能电表试验数据，包括：
开展高温高湿加速寿命试验，记录智能电表试验数据；其中，智能电表试验数据包括但不限于试验样本总数、失效前时间、故障类型、试验截尾时间和试验施加温湿度。
可选的，步骤S1中所述获取现场失效数据，包括：
对拆回电表的分拣历史信息进行分析，根据记录的设备类型、设备类别、型号和到货批次号，选择与试验数据同类型、类别和型号的同一批次拆回电表记录，由该批次拆回电表的投运时间、拆回时间计算各拆回电表的失效时间，得到现场失效数据。
可选的，步骤S2中，将所述试验数据向实际运行环境进行等效处理，包括：
基于所述试验施加温湿度以及实际运行环境的温湿度，采用Peck模型计算得到加速因子；将试验记录的失效前时间乘以加速因子得到与实际运行环境等效的等效失效数据；
其中，采用Peck模型通过以下计算式计算得到对应的加速因子：
Figure 763165DEST_PATH_IMAGE001
其中，
Figure 585365DEST_PATH_IMAGE002
、
Figure 240468DEST_PATH_IMAGE003
分别为实际运行环境的相对湿度和试验施加的相对湿度，
Figure 74826DEST_PATH_IMAGE004
、
Figure 764564DEST_PATH_IMAGE005
分别为实际运行环境的温度和试验施加的温度，n为常数取经验值3，
Figure 321447DEST_PATH_IMAGE006
为激活能取经 验值0.9eV，kB为玻尔兹曼常数。
可选的，步骤S3中，对所述现场失效数据进行分析处理，获得智能电表可靠性模型参数的先验分布，包括：
采用最小二乘法对所述现场失效数据进行线性拟合，获得智能电表可靠性模型的参数估计值；
基于可靠性模型的参数估计值，采用Bootstrap方法得到智能表可靠性模型参数的先验分布。
可选的，所述基于智能电表可靠性模型的参数估计值，采用Bootstrap方法得到智能表可靠性模型参数的先验分布，具体包括：
从所述可靠性模型中重复抽取容量与所述现场失效数据的拆回电表总数相同的样本，得到多组Bootstrap子样，对各组Bootstrap子样进行参数估计，得到智能电表可靠性模型参数的先验分布。
可选的，步骤S4中，基于所述等效失效数据以及智能电表可靠性模型参数的先验分布，通过数据融合方法计算可靠性模型参数的后验期望，包括：
根据等效失效数据和智能电表可靠性模型建立似然函数：
Figure 900065DEST_PATH_IMAGE007
其中，
Figure 239911DEST_PATH_IMAGE008
为似然函数，
Figure 439948DEST_PATH_IMAGE009
、
Figure 75722DEST_PATH_IMAGE010
分别为可靠性模型的形状参数和尺度参数的 估计值，其中i和j表示重复抽样次数；
Figure 439838DEST_PATH_IMAGE011
为第k个样本的失效前时间，
Figure 550751DEST_PATH_IMAGE012
为试验截尾时间，r 为失效样本数量。
根据智能电表可靠性模型参数的先验分布和似然函数，计算可靠性模型参数的后验分布：
Figure 887186DEST_PATH_IMAGE013
其中，
Figure 379347DEST_PATH_IMAGE014
为可靠性模型参数的后验分布，
Figure 947206DEST_PATH_IMAGE015
为可靠性模型参数的 先验分布。
根据可靠性模型参数的后验分布计算可靠性模型参数的后验期望：
Figure 550225DEST_PATH_IMAGE016
其中，
Figure 6746DEST_PATH_IMAGE017
、
Figure 404229DEST_PATH_IMAGE018
分别为智能电表可靠性模型形状参数和尺度参数的后验期望。
第二方面，本发明实施例还提供一种智能电表可靠性评估装置，包括：
数据获取模块，用于获取智能电表的试验数据和现场失效数据；
等效模块，用于将所述试验数据向实际运行环境进行等效处理，得到等效失效数据；
分析处理模块，用于对所述现场失效数据进行分析处理，获得智能电表可靠性模型参数的先验分布；
数据融合模块，用于基于所述等效失效数据以及智能电表可靠性模型参数的先验分布，通过数据融合方法计算可靠性模型参数的后验期望，采用所述后验期望作为可靠性模型参数估计值。
第三方面，本发明实施例提供了一种电子设备，包括处理器、存储器、通信接口和总线；其中，所述处理器、存储器、通信接口通过所述总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面实施例提供的智能电表可靠性评估方法。
第四方面，本发明实施例提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机程序，该计算机程序被处理器执行时实现以执行第一方面实施例提供的智能电表可靠性评估方法。
本发明实施例提供的智能电表可靠性评估方法、装置、设备及存储介质，与现有技术相比，具有以下有益效果：
本发明采用Bootstrap方法依据贴近实际情况的现场失效数据获取准确的可靠性模型参数先验信息，解决了贝叶斯假设不适用于高可靠设备的问题。对现场失效数据处理获取可靠性模型参数时采用最小二乘法，解决了现场失效数据样本总数大、截尾程度深而无法采用极大似然估计求解的问题。在此基础上，结合先验分布与等效失效数据，采用数据融合方法计算智能电表可靠性模型参数后验值，得到融合两种数据源的可靠性模型参数估计值，评估结果贴近现场实际情况、在无现场数据支撑的部分以试验数据作为支撑，提高了智能电表可靠性评估的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的智能电表可靠性评估方法流程示意图；
图2为本发明实施例提供的智能电表可靠性评估装置的结构框图；
图3为本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
针对背景技术中指出的现有技术的缺陷，本发明实施例提供了一种智能电表可靠性评估方法、装置、设备及存储介质，兼顾加速寿命试验数据覆盖全寿命周期、现场失效数据贴近实际情况的优点，提高智能电表可靠性评估的准确性。以下将结合附图通过多个实施例进行展开说明和介绍。
图1为本发明实施例提供的智能电表可靠性评估方法流程示意图，如图1所示，本发明实施例提供的智能电表可靠性评估方法包括但不限于以下步骤：
步骤S1，获取智能电表的试验数据和现场失效数据。
在一个实施方式中，获取智能电表的试验数据的方法为：确定并记录高温高湿加速寿命试验样本数量、试验施加温湿度和试验截尾时间，依据《GB/T 17215.9311-2017电测量设备可信性第311部分：温度和湿度加速可靠性试验》开展高温高湿加速寿命试验，记录智能电表试验数据；其中，智能电表试验数据包括但不限于试验样本总数、失效前时间、故障类型、试验截尾时间和试验施加温湿度。
在一个实施方式中，获取现场失效数据的方法为：对拆回电表的分拣历史信息进行分析，根据记录的设备类型、设备类别、型号和到货批次号，选择与试验数据同类型、类别和型号的同一批次拆回电表记录，由该批次拆回电表的投运时间、拆回时间计算各拆回电表的失效时间，得到现场失效数据。
步骤S2，将所述试验数据向实际运行环境进行等效处理，得到等效失效数据。
在一个实施方式中，将所述试验数据向实际运行环境进行等效处理，得到等效失效数据，具体包括：
基于所述试验施加温湿度以及实际运行环境的温湿度，采用Peck模型计算得到加速因子；将试验记录的失效前时间乘以加速因子得到与实际运行环境等效的等效失效数据；
其中，采用Peck模型通过以下计算式计算得到对应的加速因子：
Figure 320101DEST_PATH_IMAGE001
其中，
Figure 306905DEST_PATH_IMAGE002
、
Figure 70462DEST_PATH_IMAGE003
分别为实际运行环境的相对湿度和试验施加的相对湿度，
Figure 655158DEST_PATH_IMAGE004
、
Figure 668113DEST_PATH_IMAGE005
分别为实际运行环境的温度和试验施加的温度，n为常数取经验值3，
Figure 658941DEST_PATH_IMAGE006
为激活能取经 验值0.9eV，kB为玻尔兹曼常数。
步骤S3，对所述现场失效数据进行分析处理，获得智能电表可靠性模型参数的先验分布。
在一个实施方式中，步骤S3具体包括以下步骤：
首先，将现场失效数据升序排列并记录相应序号，根据该批次数量采用近似中位秩计算失效样本的经验故障概率：
Figure 277004DEST_PATH_IMAGE019
其中，F(t k )为排序后第k个数据的经验故障概率，k为序号，N为该批次数量。
然后，采用最小二乘法对所述现场失效数据进行线性拟合，得到回归方程的系数； 其中，智能电表可靠性模型为Weibull分布，将线性化处理后的智能电表可靠性模型与回归 方程系数求解的计算式结合，获得智能电表可靠性模型的形状参数
Figure 298181DEST_PATH_IMAGE020
和尺度参数
Figure 798432DEST_PATH_IMAGE021
。
Figure 861459DEST_PATH_IMAGE022
；
Figure 678237DEST_PATH_IMAGE023
其中，
Figure 103271DEST_PATH_IMAGE024
、
Figure 356398DEST_PATH_IMAGE025
为可靠性模型的形状参数、尺度参数。且：
Figure 393755DEST_PATH_IMAGE026
最后，基于可靠性模型的参数估计值，采用Bootstrap方法得到智能表可靠性模型参数的先验分布。具体的，从智能电表可靠性模型中重复抽取容量与所述现场失效数据的拆回电表总数相同的样本，得到多组Bootstrap子样，采用前述最小二乘法求出该抽样样本的可靠性模型参数估计值。重复以上过程10次得到10组智能电表可靠性模型参数取值及其先验分布。
步骤S4，基于所述等效失效数据以及智能电表可靠性模型参数的先验分布，通过数据融合方法计算可靠性模型参数的后验期望，采用所述后验期望作为可靠性模型参数估计值。
在一个实施方式中，步骤S4具体包括以下步骤：
根据等效失效数据和智能电表可靠性模型建立似然函数；其中，等效失效数据即是指根据试验数据转换得到的与实际运行环境等效的失效数据。建立的似然函数为：
Figure 517569DEST_PATH_IMAGE007
其中，
Figure 116434DEST_PATH_IMAGE008
为似然函数，
Figure 591277DEST_PATH_IMAGE009
、
Figure 432326DEST_PATH_IMAGE010
分别为可靠性模型的形状参数和尺度参数的 估计值，其中i和j表示重复抽样次数；
Figure 676225DEST_PATH_IMAGE011
为第k个样本的失效前时间，
Figure 974220DEST_PATH_IMAGE012
为试验截尾时间，r 为失效样本数量。
根据智能电表可靠性模型参数的先验分布和似然函数，计算可靠性模型参数的后验分布：
Figure 749409DEST_PATH_IMAGE013
其中，
Figure 680632DEST_PATH_IMAGE014
为可靠性模型参数的后验分布，
Figure 388825DEST_PATH_IMAGE015
为可靠性模型参数的先 验分布。
根据可靠性模型参数的后验分布计算可靠性模型参数的后验期望：
Figure 326563DEST_PATH_IMAGE027
其中，
Figure 244840DEST_PATH_IMAGE017
、
Figure 162112DEST_PATH_IMAGE018
分别为智能电表可靠性模型形状参数和尺度参数的后验期望。
采用可靠性模型参数的后验期望作为可靠性模型参数估计值，实现对智能电表的可靠性评估。
本发明采用Bootstrap方法依据贴近实际情况的现场失效数据获取准确的可靠性模型参数先验信息，解决贝叶斯假设不适用于高可靠设备的问题。对现场失效数据处理获取可靠性模型参数时采用最小二乘法，解决现场失效数据样本总数大、截尾程度深而无法采用极大似然估计求解的问题。在此基础上，结合先验分布与等效失效数据，采用数据融合方法计算智能电表可靠性模型参数后验值，得到融合两种数据源的可靠性模型参数估计值，评估结果贴近现场实际情况、在无现场数据支撑的部分以试验数据作为支撑，提高了智能电表可靠性评估的准确性。
图2为本发明实施例提供的智能电表可靠性评估装置的结构框图，本发明实施例提供的智能电表可靠性评估装置用于执行前述各实施例中的智能电表可靠性评估方法。参照图2，该装置包括：
数据获取模块201，用于获取智能电表的试验数据和现场失效数据；
等效模块202，用于将所述试验数据向实际运行环境进行等效处理，得到等效失效数据；
分析处理模块203，用于对所述现场失效数据进行分析处理，获得智能电表可靠性模型参数的先验分布；
数据融合模块204，用于基于所述等效失效数据以及智能电表可靠性模型参数的先验分布，通过数据融合方法计算可靠性模型参数的后验期望，采用所述后验期望作为可靠性模型参数估计值。
可以理解的是，本发明提供的智能电表可靠性评估装置与前述实施例提供的智能电表可靠性评估方法相对应，智能电表可靠性评估***的相关技术特征可参考智能电表可靠性评估方法的相关技术特征，本发明实施例在此不再赘述。
在一个实施例中，本发明实施例提供了一种电子设备，如图3所示，该电子设备可以包括：处理器(processor)301、通信接口(Communications Interface)302、存储器(memory)303和通信总线304，其中，处理器301，通信接口302，存储器303通过通信总线304完成相互间的通信。处理器301可以调用存储器303中的逻辑指令，以执行上述各实施例提供的智能电表可靠性评估方法的步骤，例如包括：S1，获取智能电表的试验数据和现场失效数据；S2，将所述试验数据向实际运行环境进行等效处理，得到等效失效数据；S3，对所述现场失效数据进行分析处理，获得智能电表可靠性模型参数的先验分布；S4，基于所述等效失效数据以及智能电表可靠性模型参数的先验分布，通过数据融合方法计算可靠性模型参数的后验期望，采用所述后验期望作为可靠性模型参数估计值。
在一个实施例中，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的智能电表可靠性评估方法的步骤，例如包括：S1，获取智能电表的试验数据和现场失效数据；S2，将所述试验数据向实际运行环境进行等效处理，得到等效失效数据；S3，对所述现场失效数据进行分析处理，获得智能电表可靠性模型参数的先验分布；S4，基于所述等效失效数据以及智能电表可靠性模型参数的先验分布，通过数据融合方法计算可靠性模型参数的后验期望，采用所述后验期望作为可靠性模型参数估计值。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、装置、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备（装置）、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (10)

1.一种智能电表可靠性评估方法，其特征在于，包括：
S1，获取智能电表的试验数据和现场失效数据；
S2，将所述试验数据向实际运行环境进行等效处理，得到等效失效数据；
S3，对所述现场失效数据进行分析处理，获得智能电表可靠性模型参数的先验分布；
S4，基于所述等效失效数据以及智能电表可靠性模型参数的先验分布，通过数据融合方法计算可靠性模型参数的后验期望，采用所述后验期望作为可靠性模型参数估计值。
2.根据权利要求1所述的智能电表可靠性评估方法，其特征在于，步骤S1中所述获取智能电表试验数据，包括：
开展高温高湿加速寿命试验，记录智能电表试验数据；其中，智能电表试验数据包括但不限于试验样本总数、失效前时间、故障类型、试验截尾时间和试验施加温湿度。
3.根据权利要求2所述的智能电表可靠性评估方法，其特征在于，步骤S1中所述获取现场失效数据，包括：
对拆回电表的分拣历史信息进行分析，根据记录的设备类型、设备类别、型号和到货批次号，选择与试验数据同类型、类别和型号的同一批次拆回电表记录，由该批次拆回电表的投运时间、拆回时间计算各拆回电表的失效时间，得到现场失效数据。
4.根据权利要求2所述的智能电表可靠性评估方法，其特征在于，步骤S2中，将所述试验数据向实际运行环境进行等效处理，包括：
基于所述试验施加温湿度以及实际运行环境的温湿度，采用Peck模型计算得到加速因子；将试验记录的失效前时间乘以加速因子得到与实际运行环境等效的等效失效数据；
其中，采用Peck模型通过以下计算式计算得到对应的加速因子：
Figure 748293DEST_PATH_IMAGE001
其中，
Figure 726613DEST_PATH_IMAGE002
、
Figure 244182DEST_PATH_IMAGE003
分别为实际运行环境的相对湿度和试验施加的相对湿度，
Figure 707787DEST_PATH_IMAGE004
、
Figure 70635DEST_PATH_IMAGE005
分 别为实际运行环境的温度和试验施加的温度，n为常数取经验值3，
Figure 169041DEST_PATH_IMAGE006
为激活能取经验值 0.9eV，kB为玻尔兹曼常数。
5.根据权利要求2所述的智能电表可靠性评估方法，其特征在于，步骤S3中，对所述现场失效数据进行分析处理，获得智能电表可靠性模型参数的先验分布，包括：
采用最小二乘法对所述现场失效数据进行线性拟合，获得智能电表可靠性模型的参数估计值；
基于可靠性模型的参数估计值，采用Bootstrap方法得到智能表可靠性模型参数的先验分布。
6.根据权利要求5所述的智能电表可靠性评估方法，其特征在于，所述基于智能电表可靠性模型的参数估计值，采用Bootstrap方法得到智能表可靠性模型参数的先验分布，具体包括：
从所述可靠性模型中重复抽取容量与所述现场失效数据的拆回电表总数相同的样本，得到多组Bootstrap子样，对各组Bootstrap子样进行参数估计，得到智能电表可靠性模型参数的先验分布。
7.根据权利要求5所述的智能电表可靠性评估方法，其特征在于，步骤S4中，基于所述等效失效数据以及智能电表可靠性模型参数的先验分布，通过数据融合方法计算可靠性模型参数的后验期望，包括：
根据等效失效数据和智能电表可靠性模型建立似然函数：
Figure 591932DEST_PATH_IMAGE007
其中，
Figure 775789DEST_PATH_IMAGE008
为似然函数，
Figure 443793DEST_PATH_IMAGE009
、
Figure 396706DEST_PATH_IMAGE010
分别为可靠性模型的形状参数和尺度参数的估计 值，其中i和j表示重复抽样次数；
Figure 990498DEST_PATH_IMAGE011
为第k个样本的失效前时间，
Figure 661651DEST_PATH_IMAGE012
为试验截尾时间，r为失 效样本数量；
根据智能电表可靠性模型参数的先验分布和似然函数，计算可靠性模型参数的后验分布：
Figure 631881DEST_PATH_IMAGE013
其中，
Figure 940765DEST_PATH_IMAGE014
为可靠性模型参数的后验分布，
Figure 971038DEST_PATH_IMAGE015
为可靠性模型参数的先验 分布；
根据可靠性模型参数的后验分布计算可靠性模型参数的后验期望：
Figure 863907DEST_PATH_IMAGE016
其中，
Figure 930171DEST_PATH_IMAGE017
、
Figure 123255DEST_PATH_IMAGE018
分别为智能电表可靠性模型形状参数和尺度参数的后验期望。
8.一种智能电表可靠性评估装置，其特征在于，包括：
数据获取模块，用于获取智能电表的试验数据和现场失效数据；
等效模块，用于将所述试验数据向实际运行环境进行等效处理，得到等效失效数据；
分析处理模块，用于对所述现场失效数据进行分析处理，获得智能电表可靠性模型参数的先验分布；
数据融合模块，用于基于所述等效失效数据以及智能电表可靠性模型参数的先验分布，通过数据融合方法计算可靠性模型参数的后验期望，采用所述后验期望作为可靠性模型参数估计值。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述智能电表可靠性评估方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述智能电表可靠性评估方法的步骤。
CN202111196511.1A 2021-10-14 2021-10-14 智能电表可靠性评估方法、装置、设备及存储介质 Active CN113642196B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111196511.1A CN113642196B (zh) 2021-10-14 2021-10-14 智能电表可靠性评估方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111196511.1A CN113642196B (zh) 2021-10-14 2021-10-14 智能电表可靠性评估方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113642196A true CN113642196A (zh) 2021-11-12
CN113642196B CN113642196B (zh) 2022-03-18

Family

ID=78426865

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111196511.1A Active CN113642196B (zh) 2021-10-14 2021-10-14 智能电表可靠性评估方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113642196B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU708732B2 (en) * 1992-07-24 1999-08-12 Schlumberger Electricity, Inc. Apparatus and method for sensing tampering of utility meter
CN105022019A (zh) * 2015-06-23 2015-11-04 国家电网公司 单相智能电能表可靠性综合评价的方法
CN108120949A (zh) * 2018-01-02 2018-06-05 国网上海市电力公司 一种智能电能表加速退化试验方法
CN108664690A (zh) * 2018-03-24 2018-10-16 北京工业大学 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法
CN108680890A (zh) * 2018-08-23 2018-10-19 重庆市计量质量检测研究院 智能电能表寿命特征检测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU708732B2 (en) * 1992-07-24 1999-08-12 Schlumberger Electricity, Inc. Apparatus and method for sensing tampering of utility meter
CN105022019A (zh) * 2015-06-23 2015-11-04 国家电网公司 单相智能电能表可靠性综合评价的方法
CN108120949A (zh) * 2018-01-02 2018-06-05 国网上海市电力公司 一种智能电能表加速退化试验方法
CN108664690A (zh) * 2018-03-24 2018-10-16 北京工业大学 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法
CN108680890A (zh) * 2018-08-23 2018-10-19 重庆市计量质量检测研究院 智能电能表寿命特征检测方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
卿柏元等: "基于元器件应力法的电子式电能表可靠性预测技术", 《广西电力》 *
张乐平: ""智能电能表可靠性研究综述"", 《电测与仪表》 *
王锐等: "基于威布尔分布和极大似然法的智能电能表寿命预测方法研究", 《计量学报》 *
田正其等: "基于贝叶斯的智能电能表可靠性评估方法", 《计算机测量与控制》 *
肖勇等: "智能电表通信模块可靠性评估", 《南方电网技术》 *
蒋水华等: "先验概率分布及似然函数模型的选择对边坡可靠度评价影响的定量评估", 《岩土力学》 *
谢鑫等: "智能电表可靠性预计标准对比研究", 《计量学报》 *

Also Published As

Publication number Publication date
CN113642196B (zh) 2022-03-18

Similar Documents

Publication Publication Date Title
CN113792825B (zh) 一种用电信息采集设备故障分类模型训练方法及装置
CN111612650B (zh) 一种基于dtw距离的电力用户分群方法及***
CN109100655B (zh) 一种动力电池的数据处理方法和装置
CN107885928B (zh) 考虑测量误差的步进应力加速性能退化可靠性分析方法
CN111178587B (zh) 一种基于spark框架的短期电力负荷快速预测方法
CN103310051A (zh) 一种全寿命周期内的车载信息终端故障率预测方法
CN111343147B (zh) 一种基于深度学习的网络攻击检测装置及方法
CN111737249A (zh) 基于Lasso算法的异常数据检测方法及装置
CN110968703B (zh) 基于lstm端到端抽取算法的异常计量点知识库构建方法及***
CN115184674A (zh) 一种绝缘测试方法、装置、电子终端及存储介质
CN111612149A (zh) 一种基于决策树的主网线路状态检测方法、***及介质
CN114265001A (zh) 一种智能电表计量误差评估方法
CN117434429B (zh) 芯片的稳定性测试方法及相关装置
CN113642196B (zh) 智能电表可靠性评估方法、装置、设备及存储介质
CN112446601A (zh) 不可算台区数据诊断方法及***
CN116910655A (zh) 一种基于装置量测数据的智能电能表故障预测方法
CN115994742A (zh) 湿拌砂浆塑化剂的全生命周期管理方法及装置
CN110968518A (zh) 自动化测试日志文件的分析方法及装置
CN115600143A (zh) 储能锂电池故障诊断方法及装置
CN113889274B (zh) 一种孤独症谱系障碍的风险预测模型构建方法及装置
CN113032998B (zh) 医疗器械寿命评估方法和装置
CN115586321A (zh) 油中溶解气在线监测数据识别方法、***、存储器及设备
CN115291113A (zh) 一种统一的锂离子电池soc、soh和rul的联合估计方法及***
CN114330859A (zh) 一种实时质量控制的优化方法、***和设备
CN113033414A (zh) 用电数据异常检测方法、装置、计算机设备和存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant