用于在役电能表管理的批次剩余寿命预测方法、装置、设备及介质与流程
本发明涉及计算机,特别涉及用于在役电能表管理的批次剩余寿命预测方法、装置、设备及介质。
背景技术:
1、随着运行年限的增长,电能表因元器件老化、环境侵蚀等因素导致的精度失准和功能故障问题日益突出。如何准确、高效的预测在役批次电能表的剩余使用寿命,对于主管部门制定科学延期使用政策、电网企业制定精准的轮换策略、优化资产全生命周期管理以及保障电力系统的安全稳定运行具有至关重要的意义。
2、然而,现有相关方案在进行电能表剩余寿命预测时,存在以下缺陷:1)对于仅依赖现场运行数据的预测,因故障样本稀疏、删失数据占比高、不同失效模式相互干扰,导致预测模型不稳定且预测偏差较大,未得到普遍行业认可;2)对于仅依赖实验室加速寿命试验的预测,因采用单一应力或简单应力加载方式,无法等效现场温度、湿度、电应力等多应力耦合作用,导致试验寿命向现场寿命转换失真;3)对于多模型融合的预测,因融合权重固定、模型不迭代,无法适配新投运、在役设备的全生命周期预测需求,难以满足科学延期使用政策、批量运维轮换策略的制定及资产全生命周期精益化管理。
技术实现思路
1、有鉴于此,本发明的目的在于提供用于在役电能表管理的批次剩余寿命预测方法、装置、设备及介质,能够解决现有相关方案中存在的问题,实现了对不同运行年限、不同使用环境的在役电能表批次剩余寿命的科学、精细化、精准预测,进而能实现对不同运行年限电能表全生命周期管理。其具体方案如下:
2、第一方面,本技术提供了一种用于在役电能表管理的批次剩余寿命预测方法,包括:
3、基于电能表失效机理和与若干电能表批次的现场运行数据对应的第一样本集进行样本分组建模,并利用相应的分组建模结果,基于全局删失样本数据修正在役电能表运行寿命分布参数,构建第一寿命预测模型;其中,所述第一样本集包括失效样本和右删失样本;
4、基于与所述若干电能表批次的实验室数据对应的第二样本集进行多应力耦合加速模型建模,并利用相应的建模结果进行等效可靠性使用寿命换算,构建第二寿命预测模型;所述实验室数据为在实验室获取的可靠性加速寿命试验数据;所述第二样本集包括不同应力水平的试验失效样本和试验删失样本;
5、利用预设模型权重动态迭代寻优机制、所述第一寿命预测模型、所述第二寿命预测模型,构建目标融合寿命预测模型;
6、利用所述目标融合寿命预测模型以及目标电能表批次对应的目标现场运行数据和目标实验室数据进行预测,并根据相应的目标预测结果对在役电能表进行科学管理;所述目标预测结果包括平均剩余寿命预测值、可靠度预测值以及风险等级预测值。
7、可选的,所述基于电能表失效机理和与若干电能表批次的现场运行数据对应的第一样本集进行样本分组建模,包括:
8、基于待处理的电能表批次进行现场运行数据统计,以确定现场数据统计结果;其中,所述现场运行数据为厂家相同、电能表批次相同且已挂网运行若干年的在运电能表的历史现场运行数据;
9、对所述现场数据统计结果进行划分,以确定第一样本集;所述第一样本集中的失效样本为失效时间已知的电能表现场运行数据,右删失样本为截至当前数据统计时间仍未失效的电能表现场运行数据;
10、基于电能表失效机理对所述第一样本集进行分组,以确定分组结果;所述分组结果包括各所述电能表批次对应的多个样本组;所述电能表失效机理包括多种预设故障类型,所述预设故障类型包括计量故障、电源故障以及通信故障;
11、针对所述电能表批次对应的各所述样本组,利用极大似然估计法分别进行威布尔分布的形状参数求解,并根据相应的各参数求解结果进行矩阵构建,以确定当前电能表批次的故障参数矩阵。
12、可选的,所述利用相应的分组建模结果,基于全局删失样本数据修正在役电能表运行寿命分布参数,构建第一寿命预测模型,包括:
13、基于所述分组结果进行各所述预设故障类型的故障样本数量统计,并利用相应的各故障样本占比构建故障权重向量;
14、利用所述故障权重向量、所述故障参数矩阵以及各所述预设故障类型对应的失效概率密度函数进行加权融合,以确定目标分布函数;
15、基于所述分组结果进行右删失样本统计,并基于相应的样本统计结果和所述目标分布函数进行修正,以确定适配现场整体运行工况的目标现场模型参数;
16、基于所述目标现场模型参数构建初始现场数据预测模型;
17、利用所述现场数据统计结果对应的现场验证数据集对所述初始现场数据预测模型进行评估,以确定第一评估结果;
18、若所述第一评估结果表明满足第一预设训练终止条件,则将所述初始现场数据预测模型确定为第一寿命预测模型;所述第一寿命预测模型包括现场整体可靠度函数、现场整体概率密度函数以及现场整体平均寿命函数。
19、可选的,所述基于与所述若干电能表批次的实验室数据对应的第二样本集进行多应力耦合加速模型的建模,包括:
20、对所述若干电能表批次的实验室数据进行划分,以得到数据划分结果;所述数据划分结果包括基础数据集和实验验证数据集;
21、基于所述基础数据集进行不同应力水平的样本组合,以确定第二样本集;
22、基于极大似然估计法对所述第二样本集中的各组合分别进行威布尔分布的形状参数求解,以确定各所述组合对应的求解结果;
23、利用各所述组合对应的所述求解结果和样本数进行加权,以确定第一实验模型参数;
24、通过预设温度-湿度加速模型与逆幂律电应力模型的乘积耦合形式对各所述组合进行建模处理,以确定耦合加速模型;其中,所述逆幂律电应力模型为加速寿命试验中描述元器件寿命与电应力呈幂反比关系的可靠性预测模型;
25、对所述耦合加速模型进行多元线性回归形式的转化,并根据相应的转换后模型进行求解,以确定目标求解结果;所述目标求解结果包括湿度指数、电应力系数、活化能以及目标实验模型参数。
26、可选的,所述利用相应的建模结果进行等效可靠性使用寿命换算,构建第二寿命预测模型,包括:
27、通过将现场实际工作环境参数代入所述耦合加速模型,并利用所述目标求解结果和所述第一实验模型参数进行等效现场寿命换算,以确定第二实验模型参数;
28、基于所述第一实验模型参数、所述第二实验模型参数以及所述目标求解结果构建初始实验室数据预测模型;
29、利用所述实验验证数据集对所述初始实验室数据预测模型进行评估,以确定第二评估结果;
30、若所述第二评估结果表明满足第二预设训练终止条件,则将所述初始实验室数据预测模型确定为第二寿命预测模型;所述第二寿命预测模型包括实验室可靠度函数、实验室概率密度函数以及实验室平均寿命函数。
31、可选的,所述利用预设模型权重动态迭代寻优机制、所述第一寿命预测模型、所述第二寿命预测模型,构建目标融合寿命预测模型,包括:
32、基于所述第一寿命预测模型以及所述第二寿命预测模型构建初始融合寿命预测模型;
33、在基于预设电能表数据对所述融合寿命预测模型进行训练的过程中,基于误差倒数加权法确定初始融合权重;其中,所述初始融合权重包括与所述第一寿命预测模型的预测值对应的第一权重以及与所述第二寿命预测模型的预测值对应的第二权重;
34、以融合模型预测误差最小化为目标,采用梯度下降法或黄金分割法对所述初始融合权重进行迭代寻优,直至收敛得到目标融合权重;所述模型预测误差包括所述第一寿命预测模型以及所述第二寿命预测模型对应的预测误差数据;
35、基于所述目标融合权重和所述初始融合寿命预测模型进行融合,以确定所述预设电能表数据对应的融合预测结果;
36、通过对比所述预设电能表数据对应的所述融合预测结果和实际数据,并利用相应的对比结果判定是否满足预设权重迭代终止条件,以得到条件判断结果;
37、若所述条件判断结果为否,则重新跳转至所述以融合模型预测误差最小化为目标,采用梯度下降法或黄金分割法对所述初始融合权重进行迭代寻优的步骤;
38、若所述条件判断结果为是,则确定训练好的目标融合寿命预测模型。
39、可选的,所述利用所述目标融合寿命预测模型以及目标电能表批次对应的目标现场运行数据和目标实验室数据进行预测,并根据相应的目标预测结果对在役电能表进行科学管理,包括:
40、将目标电能表批次对应的目标现场运行数据和目标实验室数据输入至所述目标融合寿命预测模型分别进行现场和实验室的预测,以确定现场预测结果和实验室预测结果;
41、基于所述目标融合寿命预测模型、所述现场预测结果以及所述实验室预测结果进行权重迭代寻优,以确定融合后的目标预测结果;
42、根据所述目标预测结果确定所述目标电能表批次对应的管理策略,以根据所述管理策略进行电能表管理;所述管理策略包括电能表轮换建议以及电能表采购选型建议。
43、第二方面,本技术提供了一种用于在役电能表管理的批次剩余寿命预测装置,包括:
44、第一模型构建模块,用于基于电能表失效机理和与若干电能表批次的现场运行数据对应的第一样本集进行样本分组建模,并利用相应的分组建模结果,基于全局删失样本数据修正在役电能表运行寿命分布参数,构建第一寿命预测模型;其中,所述第一样本集包括失效样本和右删失样本;
45、第二模型构建模块,用于基于与所述若干电能表批次的实验室数据对应的第二样本集进行多应力耦合加速模型建模,并利用相应的建模结果进行等效可靠性使用寿命换算,构建第二寿命预测模型;所述实验室数据为在实验室获取的可靠性加速寿命试验数据;所述第二样本集包括不同应力水平的试验失效样本和试验删失样本;
46、融合模型构建模块,用于利用预设模型权重动态迭代寻优机制、所述第一寿命预测模型、所述第二寿命预测模型,构建目标融合寿命预测模型;
47、融合预测模块,用于利用所述目标融合寿命预测模型以及目标电能表批次对应的目标现场运行数据和目标实验室数据进行预测,并根据相应的目标预测结果对在役电能表进行科学管理;所述目标预测结果包括平均剩余寿命预测值、可靠度预测值以及风险等级预测值。
48、第三方面,本技术提供了一种电子设备,包括:
49、存储器,用于保存计算机程序;
50、处理器,用于执行所述计算机程序,以实现前述的用于在役电能表管理的批次剩余寿命预测方法的步骤。
51、第四方面,本技术提供了一种计算机可读存储介质,用于保存计算机程序,所述计算机程序被处理器执行时实现前述的用于在役电能表管理的批次剩余寿命预测方法的步骤。
52、可见,本技术中,基于电能表失效机理和与若干电能表批次的现场运行数据对应的第一样本集进行样本分组建模,并利用相应的分组建模结果,基于全局删失样本数据修正在役电能表运行寿命分布参数,构建第一寿命预测模型;其中,所述第一样本集包括失效样本和右删失样本;基于与所述若干电能表批次的实验室数据对应的第二样本集进行多应力耦合加速模型建模,并利用相应的建模结果进行等效可靠性使用寿命换算,构建第二寿命预测模型;所述实验室数据为在实验室获取的可靠性加速寿命试验数据;所述第二样本集包括不同应力水平的试验失效样本和试验删失样本;利用预设模型权重动态迭代寻优机制、所述第一寿命预测模型、所述第二寿命预测模型,构建目标融合寿命预测模型;利用所述目标融合寿命预测模型以及目标电能表批次对应的目标现场运行数据和目标实验室数据进行预测,并根据相应的目标预测结果对在役电能表进行科学管理;所述目标预测结果包括平均剩余寿命预测值、可靠度预测值以及风险等级预测值。也就是说,本技术先基于电能表失效机理和与若干电能表批次的现场运行数据对应的第一样本集进行样本分组建模,利用分组建模结果进行基于全局删失样本的寿命修正,以完成第一模型训练,得到第一寿命预测模型;然后,利用与若干电能表批次的实验室数据对应的第二样本集进行多应力耦合加速模型建模,基于建模结果进行等效现场寿命换算,以完成第二模型训练,得到第二寿命预测模型;之后,利用预设模型权重动态迭代寻优机制、第一寿命预测模型以及第二寿命预测模型构建目标融合寿命预测模型;之后,将目标电能表批次的目标现场运行数据和目标实验室数据输入目标融合寿命预测模型进行预测,并根据目标预测结果进行电能表管理。也就是说,本技术能够解决现有相关方案中存在的问题,实现了对不同运行年限、不同使用环境的在役电能表批次剩余寿命的科学、精细化、精准预测,进而能实现对不同运行年限电能表全生命周期管理。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com