CN102707257A - 智能电表多应力极限的确定方法 - Google Patents

Abstract

本发明公开了一种智能电表多应力极限的确定方法，包括：通过故障机理与影响分析FMEA确定智能电表的敏感应力，分别设置温度和电应力的步进强化应力测试，测试智能电表的输出特性，处理所述测试结果，确定所述智能电表的机理一致性条件。本发明是一种专门针对智能电表的机理一致性确定方法，目前市场上并没有针对智能电表专门研发与之相匹配的方法，本发明填补了这方面的空白。智能电表现有的强化测试数据较少，传统的数据处理方法难以对其进行较为准确的分析，本发明灰色理论的方法可以在小样本贫信息的情况下使用，弥补了传统方法在处理强化试验数据时的缺陷。

Description

智能电表多应力极限的确定方法

技术领域

本发明涉及智能电表技术，特别是一种智能电表多应力极限的确定方法。

背景技术

智能电表是以微处理器应用和网络通信技术为核心的智能化仪表，具有自动计量/测量、数据处理、双向通信和功能扩展等能力，能够实现双向计量、远程/本地通信、实时数据交互、多种电价计费、远程断供电、电能质量监测、水气热表抄读、与用户互动等功能，承担着原始电能数据采集、计量和传输的任务，是实现信息集成、分析优化和信息展现的基础。由于智能电表在国内还处于推广阶段，在使用期间出现暴露了很多可靠性问题，而这方面的研究还十分薄弱。

研究智能电表可靠性问题，一个有效的方法是对其进行加速试验。加速试验的一个前提是要确定产品的敏感应力，并确定产品在敏感应力下的机理一致性条件。机理一致性是指产品在高应力下的机理和低应力下的机理一致，只有确定了一致性条件才能正确的制定加速试验条件。目前在此领域，没有一套方案能够确定智能电表的敏感应力，并进一步确定智能电表在敏感应力下的机理一致性条件。

发明内容

有鉴于此，本发明的目的在于提供一种智能电表多应力极限的确定方法，用于确定智能电表的敏感应力，智能电表在敏感应力下的工作极限，以及确定智能电表在敏感应力下的机理一致性条件。

本发明提供了一种智能电表多应力极限的确定方法，包括：

通过故障机理与影响分析FMEA确定智能电表的敏感应力，分别设置温度和电应力的步进强化应力测试，测试智能电表的输出特性，处理所述测试结果，确定所述智能电表的机理一致性条件。

本发明是一种专门针对智能电表的机理一致性确定方法，目前市场上并没有针对智能电表专门研发与之相匹配的方法，本发明填补了这方面的空白。智能电表现有的强化测试数据较少，传统的数据处理方法难以对其进行较为准确的分析，本发明灰色理论的方法可以在小样本贫信息的情况下使用，弥补了传统方法在处理强化试验数据时的缺陷。

附图说明

图1为本发明实施例提供的智能电表多应力极限的确定方法流程图；

图2为本发明实施例提供的对智能电表进行FMEA分析的方法流程图；

图3为本发明实施例中智能电能表功能模块的结构图；

图4为本发明实施例中步进高温测试剖面的示意图；

图5为本发明实施例中针对10A（40A）电能表的步进电应力试验剖面图；

图6为本发明实施例中针对10A（60A）电能表的步进电应力试验剖面图；

图7为本发明实施例提供的确定智能电表机理一致性条件的方法流程图；

图8为本发明实施例中电表1的高温强化试验数据处理后残差值变化的示意图；

图9为本发明实施例中电表2的高温强化试验数据处理后残差值变化的示意图；

图10为本发明实施例中电表3的高温强化试验数据处理后残差值变化的示意图；

图11为本发明实施例中10（40）组电表4的电应力强化试验数据处理后残差值变化的示意图；

图12为本发明实施例中10（40）组电表5的电应力强化试验数据处理后残差值变化的示意图；

图13为本发明实施例中10（40）组电表6的电应力强化试验数据处理后残差值变化的示意图；

图14为本发明实施例中10（60）组电表7的电应力强化试验数据处理后残差值变化的示意图；

图15为本发明实施例中10（60）组电表8的电应力强化试验数据处理后残差值变化的示意图；

图16为本发明实施例中10（60）组电表9的电应力强化试验数据处理后残差值变化的示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面结合附图对本发明作进一步的详细描述。

本发明实施例是一种专门针对智能电表的机理一致性确定方法，目前市场上并没有针对智能电表专门研发与之相匹配的方法，本发明实施例填补了这方面的空白。智能电表现有的强化测试数据较少，传统的数据处理方法难以对其进行较为准确的分析，本发明实施例中灰色理论的方法可以在小样本贫信息的情况下使用，弥补了传统方法在处理强化试验数据时的缺陷。

如图1所示，为本发明实施例提供的智能电表多应力极限的确定方法流程图，具体包括以下步骤：

步骤101、通过FMEA（故障机理与影响分析）确定智能电表敏感应力。对智能电表进行FMEA分析，确定产品的主要失效模式及其产生原因，从而找到敏感应力。如图2所示，具体包括：

步骤1011、确定智能电表的功能模块及功能要求。

单相智能电能表由电流采样互感器（锰铜分流器）、电压采样网络、计量集成电路组成电能计量单元；由微控制器、数据内卡、掉电检测、日历时钟组成数据处理单元；由变压器、线性稳压源、电池组成供电系统；由液晶组件、校验表输出口、按钮、外卡插口、辅助端子组成输入输出系统。

根据功能，电能表可以分为如图3所示模块：

通信模块：是电能表与外界设备进行数据交换的场所。RS485通信模块实现了单片机与上位机的通信，红外通信模块实现了单片机与抄表器之间的数据交换。

计量模块：主要完成对电能量的计量。电能采样部分是将电能表硬件系统与主电网进行隔离，使强电和弱电分开。

显示模块：可以将用电信息，时段信息，实时日期等清楚地显示在液晶屏上，供用户和抄表人员参考。

电源模块：为整个电能表硬件系统正常工作供电。在掉电情况下，还有专用的电池供电。

控制模块：通过烧制在其中的各种程序，控制着其他硬件模块的工作状态。

IC+加密模块：实现人机交互及数据加密功能。

费控模块：在电能表内进行电费实时计算，发出提醒、拒绝等信号。

步骤1012、进行失效设置。失效是指模块、分模块乃至元器件不能完成预定的功能。以定量化形式给出的产品失效定义就是故障判据。如果输入激励不正确或智能电表本身的硬件发生了故障，将导致智能电表的输出不正常，智能电表的失效定义或故障判据，需要从不同的层次进行定量，如元器件、分模块级、模块级。

本实施例提供的智能电表故障失效定义或故障判据为：智能电表若不能满足或超出其技术指标的要求则可判为智能电表发生故障。下面举例列出电表的部分技术要求，凡超出电表技术要求范围的都判为电表故障：

智能电表是否故障主要表现为对对精度的要求：在正常使用条件下，测量误差为±1%；日记时误差不应超过0.5s/d；误差变差要求：对同一被试样品相同的测试点，在负荷电流为Ib、功率因素为1.0和0.5L的负载点进行重复测试，相邻测试结果间的最大误差变化的绝对值不应超过0.2%；负载电流升降变差：智能电表基本误差按照负载电流从小到大，然后从大到小的顺序进行两次测试，记录负载点误差；在功率因数1.0、负荷电流0.01Ib~Imax变化范围内，同一只被试样品在相同负载点处的误差变化的绝对值不应超过0.25%。

步骤1013、进行严酷度设置。严酷度是指故障所产生后果的严重程度。根据每个故障模式对智能电表的最坏的潜在后果，确定严酷度类别。

严酷度类别的划分应依据故障对初始约定层次（而不是任何其他中间约定层次）的影响程度。在GJB1391中将严酷度分为四类，从最严重的Ⅰ类至最轻的Ⅳ类。在本实施例中，针对智能电表的严酷度分类见表1：

表1

步骤1014、确定约定层次。初始约定层次为智能电表本身；根据某型智能电表的特点，确定第二约定层次为组件级，第三约定层次为分组件级；最低约定层次为元器件级。

综上，本实施例完成了对智能电表七个分组件进行FMEA的分析，获取智能电表的主要故障模式及故障原因，判定智能电表的敏感应力为温度和电应力。

步骤102、分别设置温度和电应力的步进强化应力测试，测试智能电表的各种输出特性等。

强化测试需要测试的项目包括：

基本计量误差：智能电表的计量误差表述为，在智能电表的某个负载点下参考表的计量脉冲减去被测表的计量脉冲，再与参考表的计量脉冲相比。

如下式：

$E_m=\frac{P_{\mathrm{ref}}-P_{\mathrm{test}}}{P_{\mathrm{ref}}}\×100\%$

其中P_ref代表参考表的脉冲个数，P_test代表被测试表的脉冲个数，E_m代表计量误差。

测试设备包括：湿热箱（湿度范围0~100%，误差+2%～-3%）、计量和通讯测试设备及耐高温导线。

强化测试方案如下：

在步进高温测试中各个温度保持过程中的测试称为在线测试，回到固定温度点（23℃）等待Ib误差稳定后的测试称为离线测试；试验前测试、试验中测试（在线测试和离线测试）和试验后测试项目和测试时机如下表所示，测试项目共39项，试验前27项试验，在线测试7项，离线测试12项，试验后测试39项，如下表所示：

表2

强化测试情况如下表：

表3

步进高温强化测试的起始温度点40℃，结束温度点120℃；在关键温度点70℃附近以5℃一个台阶变化，在其它温度点以10℃一个台阶变化。在每个温度台阶对智能电表进行在线测试，而后将温度调节至固定温湿点（23℃，45%，）条件下进行离线测试。

步进高温测试剖面如图4所示：

（1）该剖面的各台阶试验温度点为40℃、50℃、60℃、65℃、70℃、75℃、80℃、90℃、100℃、110℃和120℃，在70℃与60℃和80℃之间各以5℃加一个温度台阶，在其它温度点均以10℃一个台阶；试验过程的升温速率和降温速率均为2.5℃/min；

（2）试验表在常温（23℃）条件下预热2小时后进行试验前预测试，测试项目如表2中的离线项目；

（3）各个试验温度点保温3小时，在0.5小时开始进行在线测试，测试项目和测试优先级如表2所示，在线测试过程中记录每项测试项目的开始时间；

（4）每个温度台阶保温完成后回到常温点（23℃）后，等待Ib误差稳定后对电能表进行连续离线测试。

电应力强化测试采用电流应力强化，试验分成两组，一组是针对基本电流10A，最大电流40A的电能表，另一组是基本电流10A，最大电流60A的电流表。电流应力强化测试剖面如图5、图6所示。由图5、图6可以看出，在10(40)剖面中没有离线测试，而在10(60)剖面中有离线测试项。在10(40)剖面中在每个在线测试过程中均等间隔测试3次，间隔时间为20分钟；在10(60)剖面中在在线测试后有部分离线测试，但时间间隔不清晰。在10(40)电应力强化试验中共选3块智能电表；在10(60)电应力强化试验中共选用了3块智能电表。

（1）两组试验表在常温常湿（23℃，45%）条件下通电Ib(10A)预热2小时后开始进行试验预测试；

（2）两组不同指标的电能表10A（40A）和10A（60A），分别如下图设置试验电应力水平为60A、70A、80A和100A，以及72A、75A、78A、80A、85A、95A和100A：在前一电应力组中在每个应力保持1小时，其中每间隔20分钟进行一次在线测试；在后一电应力组中在每个应力保持1小时，其中也每间隔20分钟进行一次在线测试，同时在每1小时的应力保持以后进行一次离线测试；

（3）若在离线测试过程中出现了超差则停止试验；

两组强化试验测试指标情况如下表：

表4

步骤103、处理试验结果，确定智能电表的机理一致性条件。强化测试结束后要对强化试验数据进行处理。两种强化试验的数据都可以用灰色预测的方法进行处理。在一种应力条件下，确定每块电表的机理一致性条件，取该应力下所有样本工作极限的平均值，作为电表该应力的机理一致性条件。

如图7所示，包括：

步骤1031、令等维新息模型维数为4，对强化测试数据建立模型。

步骤1032、用GM（1,1）模型（灰色关联模型）对等维新息模型中的每一段数据进行预测，得到一个预测值。

步骤1033、将预测值与对应的真实值进行比较，计算残差。

步骤1034、观察残差是否发生显著的变化，若有，找出第一个显著变化点，则认为该点对应的地方智能电表机理发生了变化；若没有显著变化，则认为智能电表在强化试验中机理没有变化。

其中，等维新息模型是指在建模时，去掉最老的数据，保持数列等维，依次建模，这样建立的模型称为等维新息模型。基于GM(1,1)模型的灰色预测方法如下：对原始数据序列作一次累加生成(Accumulated GeneratingOperation，简记AGO)，使生成序列呈一定规律。设序列x^(0）为：

x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n))

其中n为样本数。

对x^(0）进行一阶累加生成，即1-AGO，得：

$x^{\left(1\right)}\left(k\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{x}^{\left(0\right)}\left(i\right)k=\mathrm{1,2},...,n,$

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n))

设Z⁽¹⁾为x^(1）的紧邻均值序列，即：

Z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1)    k=2，3，...,n，

Z⁽¹⁾＝(Z⁽¹⁾(2),Z⁽¹⁾(3),...,Z⁽¹⁾(n))

则GM（1，1）的灰微分方程模型为：

x⁽⁰⁾(k)+aZ⁽¹⁾(k)＝b

其中a为发展系数，b为灰色作用量。

记参数列：

用最小二乘法估计

令

$B=[{-Z}^{\left(1\right)},E]=\left[\begin{array}{cc}-0.5(x^{\left(1\right)}\left(2\right)+x^{\left(1\right)}\left(1\right))& 1\\ -0.5(x^{\left(1\right)}\left(3\right)+x^{\left(1\right)}\left(2\right))& 1\\ .& .\\ .& .\\ .& .\\ -0.5(x^{\left(1\right)}\left(k\right)+x^{\left(1\right)}(k-1))& 1\end{array}\right]$

$Y=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ .\\ .\\ .\\ x^{\left(0\right)}\left(n\right)\end{array}\right]$

则 $\hat{a}={[a,b]}^T={\left(B^{T}B\right)}^{-1}{B}^{T}Y$

为GM（1，1）模型的白化方程，通过a，b可以求出白化方程的时间响应函数（白化方程的解）为：

${\hat{x}}^{\left(1\right)}(k+1)=(x^{\left(0\right)}\left(1\right)-\frac{b}{a})e^{-\mathrm{ak}}+\frac{b}{a}$

通过累减还原可得x^(0）的预测序列：

${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right)=(1-e^a)(x^{\left(0\right)}\left(1\right)-\frac{b}{a})e^{-\mathrm{ak}}$

上式即为GM(1，1)模型的预测公式。

用上述方法对智能电表温度和电应力强化测试数据进行处理。对三块表的高温强化试验数据进行处理，处理结果如图8-10所示，从图中可知三块表均在第7个点发生显著突变，第7个点对应的温度是75℃，因此可以认为智能电表温度的机理变化温度是75℃。对10（40）组的三块表的电应力强化试验数据进行处理，结果如图11-13所示，从图中可知三块表均在第6个点发生显著突变，第6个点对应的电流是70A，因此可以认为10（40）组的智能电表电应力的机理变化电流是70A。对10（60）组的三块表的电应力强化试验数据进行处理，结果如图14-16所示，从图中可知三块表均在第7个点发生显著突变，第7个点对应的电流是75A，因此可以认为10（60）组的智能电表电应力的机理变化电流是75A。

总之，以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (8)

1.一种智能电表多应力极限的确定方法，其特征在于，包括：

通过故障机理与影响分析FMEA确定智能电表的敏感应力，分别设置温度和电应力的步进强化应力测试，测试智能电表的输出特性，处理所述测试结果，确定所述智能电表的机理一致性条件。

2.根据权利要求1所述的智能电表多应力极限的确定方法，其特征在于，所述确定智能电表的敏感应力的步骤具体包括：

确定智能电表的功能模块及功能要求，进行失效设置和严酷度设置，确定约定层次。

3.根据权利要求2所述的智能电表多应力极限的确定方法，其特征在于，所述失效设置具体包括：

在正常使用条件下，测量误差为±1%；

日记时误差不超过0.5s/d；

误差变差要求：对同一被试样品相同的测试点，在负荷电流为Ib、功率因素为1.0和0.5L的负载点进行重复测试，相邻测试结果间的最大误差变化的绝对值不超过0.2%；

负载电流升降变差：智能电表基本误差按照负载电流从小到大，然后从大到小的顺序进行两次测试，记录负载点误差；在功率因数1.0、负荷电流0.01Ib~Imax变化范围内，同一只被试样品在相同负载点处的误差变化的绝对值不超过0.25%。

4.根据权利要求3所述的智能电表多应力极限的确定方法，其特征在于，所述约定层次具体包括：

初始约定层次为智能电表本身；第二约定层次为组件级；第三约定层次为分组件级；最低约定层次为元器件级。

5.根据权利要求3或4所述的智能电表多应力极限的确定方法，其特征在于，所述设置温度步进强化应力测试的步骤具体包括：

剖面的各台阶试验温度点为40℃、50℃、60℃、65℃、70℃、75℃、80℃、90℃、100℃、110℃和120℃；试验过程的升温速率和降温速率均为2.5℃/min；

智能电表在常温条件下预热2小时后进行试验前预测试，测试项目为离线项目；

各个试验温度点保温3小时，在0.5小时开始进行在线测试，在线测试过程中记录每项测试项目的开始时间；

每个温度台阶保温完成后回到常温点后，等待基本电流Ib误差稳定后对电能表进行连续离线测试。

6.根据权利要求5所述的智能电表多应力极限的确定方法，其特征在于，所述设置电应力步进强化应力测试的步骤具体包括：

采用电流应力强化，测试分成两组，一组是针对基本电流10A，最大电流40A的电能表，另一组是基本电流10A，最大电流60A的电流表；

两组试验表在常温常湿条件下通电Ib10A预热2小时后开始进行试验预测试；

两组不同指标的电能表10A（40A）和10A（60A），分别设置测试电应力水平为60A、70A、80A和100A，以及72A、75A、78A、80A、85A、95A和100A：在前一电应力组中在每个应力保持1小时，其中每间隔20分钟进行一次在线测试；在后一电应力组中在每个应力保持1小时，其中也每间隔20分钟进行一次在线测试，同时在每1小时的应力保持以后进行一次离线测试；

若在离线测试过程中出现了超差则停止测试。

7.根据权利要求6所述的智能电表多应力极限的确定方法，其特征在于，所述确定机理一致性条件的步骤具体包括：

令等维新息模型维数为4，对强化测试数据建立模型；

用灰色关联模型GM（1,1）模型对所述等维新息模型中的每一段数据进行预测，得到一个预测值；

将所述预测值与对应的真实值进行比较，计算残差；

观察所述残差是否发生显著的变化，若有，找出第一个显著变化点，则认为该点对应的地方智能电表机理发生了变化；若没有显著变化，则认为智能电表在强化测试中机理没有变化。

8.根据权利要求7所述的智能电表多应力极限的确定方法，其特征在于，所述基于GM(1,1)模型的预测方法具体包括：

对原始数据序列作一次累加生成，使生成序列呈一定规律，设序列x^(0）为：

x⁽⁰⁾＝(x⁽⁰⁾(1),x⁽⁰⁾(2),...,x⁽⁰⁾(n))，其中n为样本数；

对x^(0）进行一阶累加生成，得：

$x^{\left(1\right)}\left(k\right)=\underset{i=1}{\overset{k}{\mathrm{\Σ}}}{x}^{\left(0\right)}\left(i\right)k=\mathrm{1,2},...,n,$

x⁽¹⁾＝(x⁽¹⁾(1),x⁽¹⁾(2),...,x⁽¹⁾(n))；

设Z^(1）为x^(1）的紧邻均值序列，则：

Z⁽¹⁾(k)＝0.5x⁽¹⁾(k)+0.5x⁽¹⁾(k-1)k=2，3，...,n，

Z⁽¹⁾＝(Z⁽¹⁾(2),Z⁽¹⁾(3),...,Z⁽¹⁾(n))；

则GM（1，1）的灰微分方程模型为：

x⁽⁰⁾(k)+aZ⁽¹⁾(k)＝b，

其中a为发展系数，b为灰色作用量；

记参数列：

用最小二乘法估计

令

$B=[{-Z}^{\left(1\right)},E]=\left[\begin{array}{cc}-0.5(x^{\left(1\right)}\left(2\right)+x^{\left(1\right)}\left(1\right))& 1\\ -0.5(x^{\left(1\right)}\left(3\right)+x^{\left(1\right)}\left(2\right))& 1\\ .& .\\ .& .\\ .& .\\ -0.5(x^{\left(1\right)}\left(k\right)+x^{\left(1\right)}(k-1))& 1\end{array}\right]$

$Y=\left[\begin{array}{c}{x}^{\left(0\right)}\left(2\right)\\ x^{\left(0\right)}\left(3\right)\\ .\\ .\\ .\\ x^{\left(0\right)}\left(n\right)\end{array}\right]$

则 $\hat{a}={[a,b]}^T={\left(B^{T}B\right)}^{-1}{B}^{T}Y,$

为GM（1，1）模型的白化方程，通过a，b求出白化方程的时间响应函数为：

${\hat{x}}^{\left(1\right)}(k+1)=(x^{\left(0\right)}\left(1\right)-\frac{b}{a})e^{-\mathrm{ak}}+\frac{b}{a};$

通过累减还原得x^(0）的预测序列：

${\hat{x}}^{\left(0\right)}(k+1)={\hat{x}}^{\left(1\right)}(k+1)-{\hat{x}}^{\left(1\right)}\left(k\right)=(1-e^a)(x^{\left(0\right)}\left(1\right)-\frac{b}{a})e^{-\mathrm{ak}}$

为GM(1,1)模型的预测公式。

Images