一种电能表失效率的评估方法及装置制造方法及图纸

本发明专利技术公开了一种电能表失效率的评估方法，包括：获取电能表的失效数据；根据失效数据特性与模型复杂度，选取对应的B样条基函数阶数；根据电能表故障数据的分布选择对应的似然函数，将B样条函数嵌入贝叶斯模型中，建立层次贝叶斯B样条模型；将清理噪声点后的有效数据进行规一化处理后，作为所述模型的输入数据，对所述模型进行训练；根据电能表的失效数据，通过所述模型预估所述电能表的失效率，解决了现有的数据融合可靠性方法存在分析结果不完善，模型不确定，小样本下易欠拟合等问题，难以同时兼顾准确性与全面性的问题。

A Method and Device for Evaluating the Failure Rate of Electric Energy Meter

【技术实现步骤摘要】
一种电能表失效率的评估方法及装置
本申请涉及可靠性数据评估领域，具体涉及一种电能表失效率的评估方法，同时涉及一种电能表失效率的评估装置。
技术介绍
电能表作为智能电网终端中最重要计量仪器之一，其可靠性能不仅仅关系到电能计量的准确性，更关系到民众的切身利益。实际运行中的电能表失效数据更能反映电能表的真实可靠性，为发挥智能电网采集的各类数据作用，实现对投入运营中电能表的可靠性分析，补充检验标准下缺失的实际应用结果，对实际运行条件下的电能表进行失效率评估具有十分重要的意义。电能表失效率评估主要包括：失效率预测与可靠度计算。现有的设备可靠性分析方法有：故障树(FaultTree,FT)分析法,作为一种最重要的可靠性分析方法，已经用于仪器故障诊断长达40年，其灵活性高，可依据不同仪器结构进行可靠性分析，但进行FT分析时，复杂系统中部分故障因素易被遗漏，从而影响分析准确性。神经网络(NeuralNetworks，NN)算法，其优势在于能从原始失效数据中提取数据特征，并对样本数据进行充分的拟合与预估。但仍然存在诸多局限：NN无法给出设备故障、可靠性的置信区间；NN在对小样本数据进行分析时容易导致欠拟合。贝叶斯网络(BayesianNetwork，BN)，贝叶斯模型常用于数据融合与精确的预测。相比于一般方法，贝叶斯模型适用于对不同地区的信息融合与参数概率估计。特别地，多层贝叶斯提供了融合不同种类的信息得途径，克服了单层贝叶斯的局限性。近年来，贝叶斯备受重视，如已经授权的中国专利201710886532.3公开了“一种求解结构失效概率函数的贝叶斯再抽样方法”，该方法克服了失效概率函数求解的多次可靠性分析，并通过贝叶斯的一次抽样与再抽样技术，推断求解失效概率函数，减少计算代价，提高了结构失效概率函数求解的效率。但贝叶斯在对实际的融合过程中依然存在模型不确定的特点，难以实现最优化模型的分析。以上分析可知，现有的数据融合可靠性方法存在分析结果不完善，小样本下易欠拟合等问题，难以同时兼顾准确性与全面性。
技术实现思路
本申请提供一种电能表失效率的评估方法，解决了现有的数据融合可靠性方法存在分析结果不完善，模型不确定，小样本下易欠拟合等问题，难以同时兼顾准确性与全面性。本申请提供的一种电能表失效率的评估方法，其特征在于，包括：获取电能表的失效数据，采用标准差离群值法，对所述电能表的失效数据的噪声点进行清理；根据失效数据特性与模型复杂度，选取对应的B样条基函数阶数；根据电能表故障数据的分布选择对应的似然函数，将B样条函数嵌入贝叶斯模型中，建立层次贝叶斯B样条模型；将清理噪声点后的有效数据进行规一化处理后，作为层次贝叶斯B样条模型的输入数据，对所述模型进行训练；根据电能表的失效数据，通过所述层次贝叶斯B样条模型预估所述电能表的失效率。优选的，所述获取电能表的失效数据，采用标准差离群值法，对所述电能表的失效数据的噪声点进行清理：设置每次测量的失效数据标准偏差σ为式中，L为每次测量失效数据的长度，ui,i+2为三次测量失效数据的平均值，yi,i+2表示第i次到i+2次所有的测量失效数据；设定长度为3的窗对失效数据进行计算，窗由i，i+1，i+2三年数据组成，即每次对连续三次测量数据同时进行标准偏差计算；计算得到每个数据的标准偏差σ后，选取2倍于均值ui,i+2的阈值作为噪声判断标准，使用三次测量失效数据均值代替高于标准差的失效数据。优选的，所述根据失效数据特性与模型复杂度，选取对应的B样条基函数阶数，包括：将多项式的次数p与非递减的节点序列t1,…,tq，阶数为0的B样条包含一组分段的常函数式中，Bi,0表示阶数为0时的i次项B样条。高阶B样条基函数定义为Bi,k(x)＝wi,kBi,k-1(x)+(1-wi+1,k)Bi+1,k-1(x)其中，式中，wi,k为样条基函数的系数，值域为(0,1)，当给定数据点x时，定义的B样条基函数表明B样条基函数Bi,k(x)是Bi,p-1(x)和Bi+1,p-1(x)的线性组合；为让阶数为p的B样条包含所有的节点，可将节点序列[t1,tq)扩展为扩展节点：将样条基函数的系数的递归公式定义于扩展节点公式的扩展节点上；为达到失效数据拟合效果，防止高阶过拟合，通常取p＝3，即三次B样条。此时三次B样条的曲线段方程可表示为上式中，αs,j表示在位于s区域的j个B样条系数。优选的，所述根据电能表故障数据的分布选择对应的似然函数，包括：根据电能表的故障数据，选择威布尔函数作为似然函数，对分布进行描述，具体的步骤为，定义两参数的威布尔概率密度函数为Pw(ys,t＝m)＝βρ(m)ρ-1exp(-βmρ)上式中，ρ>0为威布尔分布的形状参数，β>0的威布尔尺度参数，m>0为故障率。优选的，所述将B样条函数嵌入贝叶斯模型中，建立层次贝叶斯B样条模型，包括：为描述电能表故障率，结合三次B样条的曲线段方程，尺度参数β用log函数形式可表示为式中，log函数保证了β取值范围为正值，εx,s为log函数模型的误差项，s依据区域数目而定；针对电能表失效率随时间变化的这一模型，通过可取模型B样条系数αs,j服从高斯随机游走先验分布，即αs,j～N(αs,j-1,σα)式中，σα为高斯分布方差，为实现平稳的拟合，可将上式改进为式中，τs为B样条系数αs，j的平滑因子；将两参数的威布尔概率密度函数中的误差项εx,s相互独立且服从具有零均值的高斯分布εx,s～N(0,σε2)式中，σε为误差项的方差，且σε无任何先验信息，故可取σε为正值域的均匀分布σε～Uniform(0.01,3)。优选的，所述将清理噪声点后的失效数据进行规一化处理，包括：使用的规一化公式为对清理噪声点后的失效数据进行规一化处理，其中，ys,t*为位于s地区，年限为t时的电能表故障率大小，ys,t为经过归一化处理后的失效数据。优选的，在对所述模型进行训练的步骤之后，还包括对所述模型的准确性进行验证，具体的，包括：根据贝叶斯原理，模型参数先验分布通过观测数据来更新，此时模型的联合后验分布表达式可表示为式中，Y为电能表故障率观测数据，L(Y|αs,j,εx,s)为模型似然函数，p(Y)为边缘密度函数；将模型的联合后验分布表达式中的参数可通过积分来确定每个参数的后验分布。优选的，所述根据电能表的失效数据，通过所述层次贝叶斯B样条模型预估所述电能表的失效率，包括：使用已知的信息与参数后验分布，设在s区域新的观测数据zs，有p(zs|Y)＝∫f(zs|θ)p(θ|Y)dθ式中，p(θ|Y)为上式的联合后验分布，θ代表参数αs,j-1,τs,εx,s,α1,s，f(zs|θ)为已知参数θ时的似然函数。优选的，还包括；对于基于威布尔的层次贝叶斯B样条电能表失效率模型，在计算出模型所有参数的后验分布后，电能表随时间变化的可靠度为式中，0<＝R(t|Y)<＝1，第二个指数项代表电能表故障率曲线，可靠度的置信区间可通过对应的后验样本分析得出。优选的，所述电能表随时间变化的可靠度，是评佑电能表可靠性的主要指标，用于评价在指定时间内完成功能的能力。本申请同时提供一种电能表失效率的评估装置，其特征在于，包括：数据获取单元，用于获取电能表的失效数据，采本文档来自技高网...

【技术保护点】
1.一种电能表失效率的评估方法，其特征在于，包括：获取电能表的失效数据，采用标准差离群值法，对所述电能表的失效数据的噪声点进行清理；根据失效数据特性与模型复杂度，选取对应的B样条基函数阶数；根据电能表故障数据的分布选择对应的似然函数，将B样条函数嵌入贝叶斯模型中，建立层次贝叶斯B样条模型；将清理噪声点后的有效数据进行规一化处理后，作为层次贝叶斯B样条模型的输入数据，对所述模型进行训练；根据电能表的失效数据，通过所述层次贝叶斯B样条模型预估所述电能表的失效率。

【技术特征摘要】
1.一种电能表失效率的评估方法，其特征在于，包括：获取电能表的失效数据，采用标准差离群值法，对所述电能表的失效数据的噪声点进行清理；根据失效数据特性与模型复杂度，选取对应的B样条基函数阶数；根据电能表故障数据的分布选择对应的似然函数，将B样条函数嵌入贝叶斯模型中，建立层次贝叶斯B样条模型；将清理噪声点后的有效数据进行规一化处理后，作为层次贝叶斯B样条模型的输入数据，对所述模型进行训练；根据电能表的失效数据，通过所述层次贝叶斯B样条模型预估所述电能表的失效率。2.根据权利要求1所述的方法，其特征在于，所述获取电能表的失效数据，采用标准差离群值法，对所述电能表的失效数据的噪声点进行清理：设置每次测量的失效数据标准偏差σ为式中，L为每次测量失效数据的长度，ui,i+2为三次测量失效数据的平均值，yi,i+2表示第i次到i+2次所有的测量失效数据；设定长度为3的窗对失效数据进行计算，窗由i，i+1，i+2三年数据组成，即每次对连续三次测量数据同时进行标准偏差计算；计算得到每个数据的标准偏差σ后，选取2倍于均值ui,i+2的阈值作为噪声判断标准，使用三次测量失效数据均值代替高于标准差的失效数据。3.根据权利要求1所述的方法，其特征在于，所述根据失效数据特性与模型复杂度，选取对应的B样条基函数阶数，包括：将多项式的次数p与非递减的节点序列t1,…,tq，阶数为0的B样条包含一组分段的常函数式中，Bi,0表示阶数为0时的i次项B样条。高阶B样条基函数定义为Bi,k(x)＝wi,kBi,k-1(x)+(1-wi+1,k)Bi+1,k-1(x)其中，式中，wi,k为样条基函数的系数，值域为(0,1)，当给定数据点x时，定义的B样条基函数表明B样条基函数Bi,k(x)是Bi,p-1(x)和Bi+1,p-1(x)的线性组合；为让阶数为p的B样条包含所有的节点，可将节点序列[t1,tq)扩展为扩展节点：将样条基函数的系数的递归公式定义于扩展节点公式的扩展节点上；为达到失效数据拟合效果，防止高阶过拟合，通常取p＝3，即三次B样条。此时三次B样条的曲线段方程可表示为上式中，αs,j表示在位于s区域的j个B样条系数。4.根据权利要求1所述的方法，其特征在于，所述根据电能表故障数据的分布选择对应的似然函数，包括：根据电能表的故障数据，选择威布尔函数作为似然函数，对分布进行描述，具体的步骤为，定义两参数的威布尔概率密度函数为Pw(ys,t＝m)＝βρ(m)ρ-1exp(-βmρ)上式中，ρ>0为威布尔分布的形状参数，β>0的威布尔尺度参数，m>0为故障率。5.根据权利要求1所述的方法，其特征在于，所述将B样条函数嵌入贝叶斯模型中，建立层次贝叶斯B样条模型，包括：为描述电能表故障率，结合三次B样条的曲线段方程，尺度参数β用log函数形式可表示为式中，log函数保证了β取值范围为正值，εx,s为l...

【专利技术属性】
技术研发人员：成达，张蓬鹤，徐英辉，袁翔宇，张宝亮，李求洋，杨巍，赵越，
申请(专利权)人：中国电力科学研究院有限公司，国家电网有限公司，国网黑龙江省电力有限公司，
类型：发明
国别省市：北京,11