CN109783945A - 基于伽马-广义逆威布尔分布的非精确失效模型构建方法 - Google Patents
基于伽马-广义逆威布尔分布的非精确失效模型构建方法 Download PDFInfo
- Publication number
- CN109783945A CN109783945A CN201910053232.6A CN201910053232A CN109783945A CN 109783945 A CN109783945 A CN 109783945A CN 201910053232 A CN201910053232 A CN 201910053232A CN 109783945 A CN109783945 A CN 109783945A
- Authority
- CN
- China
- Prior art keywords
- gamma
- power system
- service life
- parameter
- system component
- 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
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Complex Calculations (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于伽马‑广义逆威布尔分布的非精确失效模型构建方法，其包括获取元件寿命的样本数据，建立各分布函数族和期望的非精确模型，构建各分布函数族和期望的区间值上下界的计算模型，计算各分布函数族和期望的区间值上下界。本发明根据在电气应力作用下元件寿命X服从参数为a,b,C的广义逆威布尔分布，转变参数C的先验分布服从参数为α,β的伽马分布，利用贝叶斯公式对元件寿命的各分布函数族和期望进行非精确推断，用非精确结果代替精确结果，有效地避免了由精确概率带来的误差而导致预测规划的偏差，为电力系统非精确可靠性评估和预测提供了依据。
Description
技术领域
本发明属于电力系统和可靠性工程领域，具体涉及一种在电气应力作用下电力系统元件非精确失效模型构建方法。
背景技术
目前广泛采用的失效分布有指数分布、正态分布、对数正态分布以及威布尔分布等。除上述分布外，逆威布尔分布(IW)在可靠性领域也有着广泛地应用，其可用于模拟各种失效特征，如使用寿命和损耗周期；也可用于确定以可靠性为中心的维修活动的成本效益和维护周期。三参数广义逆威布尔分布(GIW)是逆威布尔分布的推广形式，广泛地用于生存数据建模、可靠性问题和疲劳寿命的研究。在许多可靠性工程问题中，如果风险函数为非单调函数时，威布尔分布作为寿命分布将不再合适；当风险函数为单峰函数时，那么广义逆威布尔分布可能是一个合适的模型。相对于指数分布和威布尔分布而言，广义逆威布尔分布在描述具有退化趋势的机械部件故障问题时具有更好的拟合效果。同时，在机械或电气元件寿命试验中，广义逆威布尔分布也适用于建模。总之，广义逆威布尔分布模型包含了电气绝缘应力强度的各种特性，可以让IDHR(先上升后下降的故障率)的特性和ALT(寿命加速试验法)所得的数据更为合理。
关于广义逆威布尔分布的参数估计，目前有相当多基于精确概率的方法，如最大似然估计等。但这些估计方法大多建立在大量样本数据的基础上，而电力系统的某些元件是长寿命的昂贵器件，进行一次寿命试验要花费大量的人力、物力，从而很难获得足够多的样本数据。由于样本数据的缺乏导致参数估计的非精确性，如果再利用传统的精确概率理论去描述研究对象的概率信息可能会产生较大的误差。
发明内容
本发明的发明目的是：为了解决现有技术中在样本数据缺乏情况下无法精确估计分布参数等问题，本发明提出了一种在电气应力作用下基于伽马-广义逆威布尔分布的非精确失效模型构建方法。
本发明的技术方案是：一种基于伽马-广义逆威布尔分布的非精确失效模型构建方法，包括以下步骤：
A、在电气应力作用下电力系统元件寿命X服从参数为a,b,C的广义逆威布尔分布GIW(a,b,C)，其中a为尺度参数，b为形状参数，转变参数C的先验分布服从参数为α,β的伽马分布Γ(c；α,β)，获取电气应力作用下电力系统元件寿命的样本数据；
B、对电气应力作用下电力系统元件寿命的累积分布函数、可靠度函数以及期望进行非精确推断，得到元件寿命在样本数据条件下的累积分布函数族、可靠度函数族和期望的非精确模型；
C、利用参数s构造矩形区域，先验参数α和β在区间[0,s]取值，构建电力系统元件寿命的累积分布函数族、可靠度函数族和期望区间值上下界的计算模型；
D、根据样本数据设定区间宽度ε，确定参数s的值，并结合样本容量N和的值分别计算电力系统元件寿命的累积分布函数族、可靠度函数族和期望的区间值上下界。
进一步地，所述步骤B中得到元件寿命在样本数据条件下的累积分布函数族的非精确模型，具体表示为：
其中，xi为样本数据，N为样本容量。
进一步地，所述步骤B中得到元件寿命在样本数据条件下的可靠度函数族的非精确模型，具体表示为：
进一步地，所述步骤B中得到元件寿命在样本数据条件下的期望的非精确模型，具体表示为：
其中，Γ(·)为伽马函数。
进一步地，所述步骤C中构建电力系统元件寿命的累积分布函数族区间值上下界的计算模型，表示为
进一步地，所述步骤C中构建电力系统元件寿命的可靠度函数族区间值上下界的计算模型，表示为
进一步地，所述步骤C中构建电力系统元件寿命的期望区间值上下界的计算模型，表示为
进一步地，所述步骤D根据样本数据设定区间宽度ε，确定参数s的值，并结合样本容量N和的值分别计算电力系统元件寿命的累积分布函数族、可靠度函数族和期望的区间值上下界，具体包括以下分步骤：
D1、根据步骤A中样本数据xi、以及尺度参数a、形状参数b，计算
D2、根据样本数据设定区间宽度ε，根据步骤C中构建的电力系统元件寿命的累积分布函数族、可靠度函数族或期望的区间值上下界之差计算模型计算参数s；
D3、将样本容量N、参数s及分别代入步骤C中构建的电力系统元件寿命的累积分布函数族、可靠度函数族和期望的区间值上下界的计算模型中，计算电力系统元件寿命的累积分布函数族、可靠度函数族和期望的区间值上下界。
本发明的有益效果是：本发明根据在电气应力作用下元件寿命服从广义逆威布尔分布，转变参数的先验分布服从伽马分布，利用贝叶斯公式对元件寿命的各分布函数族和期望进行非精确推断，用非精确结果代替精确结果，有效地避免了由精确概率带来的误差而导致预测规划的偏差，为电力系统非精确可靠性评估和预测提供了依据。
附图说明
图1为本发明的基于伽马-广义逆威布尔分布的非精确失效模型构建方法流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
如图1所示，为本发明的基于伽马-广义逆威布尔分布的非精确失效模型构建方法流程示意图，包括以下步骤：
A、在电气应力作用下电力系统元件寿命X服从参数为a,b,C的广义逆威布尔分布GIW(a,b,C)，其中a为尺度参数，b为形状参数，转变参数C的先验分布服从参数为α,β的伽马分布Γ(c；α,β)，获取电气应力作用下电力系统元件寿命的样本数据；
B、对电气应力作用下电力系统元件寿命的累积分布函数、可靠度函数以及期望进行非精确推断，得到元件寿命在样本数据条件下的累积分布函数族、可靠度函数族和期望的非精确模型；
C、利用参数s构造矩形区域，先验参数α和β在区间[0,s]取值，构建电力系统元件寿命的累积分布函数族、可靠度函数族和期望区间值上下界的计算模型；
D、根据样本数据设定区间宽度ε，确定参数s的值，并结合样本容量N和的值分别计算电力系统元件寿命的累积分布函数族、可靠度函数族和期望的区间值上下界。
在本发明的一个可选实施例中，上述步骤A采集电气应力作用下电力系统元件寿命的样本数据xi(i＝1,2...,N)，统计数据的样本容量为N，其中，xi表示第i个样本数据。
在本发明的一个可选实施例中，上述步骤B在电气应力作用下元件寿命的概率密度函数f(x|C)和累积分布函数F(x|C)分别表示为
其中，x为元件寿命X的取值，x,a,b,C＞0；
相应地，元件寿命的可靠度函数表示为
其中，转变参数C的先验分布服从参数为α和β的伽马分布Γ(c；α,β)，即转变参数C的概率密度函数表示为
元件寿命X的样本值为x＝(x1,x2,…,xN)，由于样本x1,x2,…,xN之间相互独立，根据贝叶斯公式，可以得到转变参数C的后验分布的概率密度函数，表示为
将元件寿命的概率密度函数f(x|C)和转变参数C的概率密度函数fC(c)代入转变参数C的后验分布的概率密度函数fC(c|x)的计算公式中，得到转变参数C的后验分布的概率密度函数，表示为
根据元件寿命的累积密度函数F(x|C)和转变参数C的后验分布的概率密度函数fC(c|x)，得到元件寿命X在已知样本数据x＝(x1,x2,…,xN)条件下的累积分布函数族的非精确模型，表示为
由于元件寿命在已知样本x＝(x1,x2,…,xN)条件下可靠度函数可表示为R(x|x)＝1-F(x|x)
则根据元件寿命在样本数据条件下的累积分布函数族的非精确模型和可靠度函数公式，得到元件寿命X在已知样本数据x＝(x1,x2,…,xN)条件下的可靠度函数族的非精确模型，表示为
同理，由全概率公式可知，元件寿命X在已知样本x＝(x1,x2,…,xN)条件下的期望表示为
其中，元件寿命X在转变参数C取值为c的条件下的期望表示为
根据元件寿命X在样本数据条件下的期望计算公式，结合元件寿命X在转变参数C取值为c的条件下的期望公式以及转变参数C的后验分布的概率密度函数fC(c|x)，得到元件寿命X在已知样本数据x＝(x1,x2,…,xN)条件下的期望的非精确模型，表示为
在本发明的一个可选实施例中，上述步骤C利用参数s构造矩形区域，先验参数α和β在区间[0,s]取值，构建电力系统元件寿命的累积分布函数族、可靠度函数族和期望区间值上下界计算模型，具体为令α,β∈(0,s)s＞0，由于F(x|x)关于α单调递减，关于β单调递增，从而构建电力系统元件寿命的累积分布函数族F(x|x)区间值上下界的计算模型，表示为
其中，为累积分布函数族F(x|x)区间值上界的计算模型，F(x|x)为累积分布函数族F(x|x)区间值下界的计算模型。
根据电力系统元件寿命的累积分布函数族F(x|x)区间值上下界的计算模型，可以构建电力系统元件寿命的可靠度函数族R(x|x)区间值上下界的计算模型，表示为
其中，为可靠度函数族R(x|x)区间值上界的计算模型，R(x|x)为可靠度函数族R(x|x)区间值下界的计算模型。
令α,β∈(0,s)s＞0，由于E(X|x)关于α单调递增，关于β单调递减，从而构建电力系统元件寿命的期望E(X|x)区间值上下界的计算模型，表示为
其中，为期望E(X|x)区间值上界的计算模型，E(X|x)为期望E(X|x)区间值下界的计算模型。
在本发明的一个可选实施例中，上述步骤D根据样本数据设定区间宽度ε，确定参数s的值，并结合样本容量N和的值分别计算电力系统元件寿命的累积分布函数族、可靠度函数族和期望的区间值上下界，具体包括以下分步骤：
D1、根据步骤A中样本数据xi、以及尺度参数a、形状参数b，计算
D2、根据样本数据设定区间宽度ε，根据步骤C中构建的电力系统元件寿命的累积分布函数族、可靠度函数族或期望区间值上下界之差计算模型计算参数s；
理论上参数s可以取任意大于零的值，但在实际操作中如果参数s取值不恰当，会导致区间宽度过宽或实际函数不包含在函数族内部。因此本发明根据现有样本数据预先设定区间宽度ε，取分布函数族或是期望的区间宽度区间宽度ΔW可以为累积分布函数族区间宽度也可以是可靠度函数族区间宽度还可以是期望区间宽度再根据步骤C中构建的电力系统元件寿命的累积分布函数族、可靠度函数族和期望的区间值上下界的计算模型计算出参数s的值。
D3、将样本容量N、参数s及分别代入步骤C中构建的电力系统元件寿命的累积分布函数族、可靠度函数族和期望的区间值上下界计算模型中，计算电力系统元件寿命的累积分布函数族、可靠度函数族和期望的区间值上下界。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (8)
1.一种基于伽马-广义逆威布尔分布的非精确失效模型构建方法，其特征在于，包括以下步骤：
A、在电气应力作用下电力系统元件寿命X服从参数为a,b,C的广义逆威布尔分布GIW(a,b,C)，其中a为尺度参数，b为形状参数，转变参数C的先验分布服从参数为α,β的伽马分布Γ(c；α,β)，获取电气应力作用下电力系统元件寿命的样本数据；
B、对电气应力作用下电力系统元件寿命的累积分布函数、可靠度函数以及期望进行非精确推断，得到元件寿命在样本数据条件下的累积分布函数族、可靠度函数族和期望的非精确模型；
C、利用参数s构造矩形区域，先验参数α和β在区间[0,s]取值，构建电力系统元件寿命的累积分布函数族、可靠度函数族和期望区间值上下界的计算模型；
D、根据样本数据设定区间宽度ε，确定参数s的值，并结合样本容量N和的值分别计算电力系统元件寿命的累积分布函数族、可靠度函数族和期望的区间值上下界。
2.如权利要求1所述的基于伽马-广义逆威布尔分布的非精确失效模型构建方法，其特征在于，所述步骤B中得到元件寿命在样本数据条件下的累积分布函数族的非精确模型，具体表示为：
其中，xi为样本数据，N为样本容量。
3.如权利要求2所述的基于伽马-广义逆威布尔分布的非精确失效模型构建方法，其特征在于，所述步骤B中得到元件寿命在样本数据条件下的可靠度函数族的非精确模型，具体表示为：
4.如权利要求3所述的基于伽马-广义逆威布尔分布的非精确失效模型构建方法，其特征在于，所述步骤B中得到元件寿命在样本数据条件下的期望的非精确模型，具体表示为：
其中，Γ(·)为伽马函数。
5.如权利要求4所述的基于伽马-广义逆威布尔分布的非精确失效模型构建方法，其特征在于，所述步骤C中构建电力系统元件寿命的累积分布函数族区间值上下界的计算模型，表示为
6.如权利要求5所述的基于伽马-广义逆威布尔分布的非精确失效模型构建方法，其特征在于，所述步骤C中构建电力系统元件寿命的可靠度函数族区间值上下界的计算模型，表示为
7.如权利要求6所述的基于伽马-广义逆威布尔分布的非精确失效模型构建方法，其特征在于，所述步骤C中构建电力系统元件寿命的期望区间值上下界的计算模型，表示为
8.如权利要求7所述的基于伽马-广义逆威布尔分布的非精确失效模型构建方法，其特征在于，所述步骤D根据样本数据设定区间宽度ε，确定参数s的值，并结合样本容量N和的值分别计算电力系统元件寿命的累积分布函数族、可靠度函数族和期望的区间值上下界，具体包括以下分步骤：
D1、根据步骤A中样本数据xi、以及尺度参数a、形状参数b，计算
D2、根据样本数据设定区间宽度ε，根据步骤C中构建的电力系统元件寿命的累积分布函数族、可靠度函数族或期望的区间值上下界之差计算模型计算参数s；
D3、将样本容量N、参数s及分别代入步骤C中构建的电力系统元件寿命的累积分布函数族、可靠度函数族和期望的区间值上下界的计算模型中，计算电力系统元件寿命的累积分布函数族、可靠度函数族和期望的区间值上下界。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910053232.6A CN109783945B (zh) | 2019-01-21 | 2019-01-21 | 基于伽马-广义逆威布尔分布的非精确失效模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910053232.6A CN109783945B (zh) | 2019-01-21 | 2019-01-21 | 基于伽马-广义逆威布尔分布的非精确失效模型构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109783945A true CN109783945A (zh) | 2019-05-21 |
| CN109783945B CN109783945B (zh) | 2021-02-02 |
Family
ID=66500958
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910053232.6A Active CN109783945B (zh) | 2019-01-21 | 2019-01-21 | 基于伽马-广义逆威布尔分布的非精确失效模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109783945B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464490A (zh) * | 2020-12-10 | 2021-03-09 | 北京航空航天大学 | 增材钛合金的dfr确定方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103617364A (zh) * | 2013-12-04 | 2014-03-05 | 南京工业大学 | 基于小样本的大型回转支承剩余使用寿命预测方法 |
| CN103971024A (zh) * | 2014-05-26 | 2014-08-06 | 华北电力大学（保定） | 小样本失效数据下继电保护系统可靠性评估方法 |
| CN106447530A (zh) * | 2016-09-07 | 2017-02-22 | 山东大学 | 一种电力设备停运概率的非精确条件估计方法 |
| CN107633271A (zh) * | 2017-09-30 | 2018-01-26 | 电子科技大学 | 电力系统稳态可用度非精确概率计算方法 |
| CN107766300A (zh) * | 2017-10-26 | 2018-03-06 | 电子科技大学 | 基于威布尔‑伽马模型的电力系统可靠性非精确分析方法 |
-
2019
- 2019-01-21 CN CN201910053232.6A patent/CN109783945B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103617364A (zh) * | 2013-12-04 | 2014-03-05 | 南京工业大学 | 基于小样本的大型回转支承剩余使用寿命预测方法 |
| CN103971024A (zh) * | 2014-05-26 | 2014-08-06 | 华北电力大学（保定） | 小样本失效数据下继电保护系统可靠性评估方法 |
| CN106447530A (zh) * | 2016-09-07 | 2017-02-22 | 山东大学 | 一种电力设备停运概率的非精确条件估计方法 |
| CN107633271A (zh) * | 2017-09-30 | 2018-01-26 | 电子科技大学 | 电力系统稳态可用度非精确概率计算方法 |
| CN107766300A (zh) * | 2017-10-26 | 2018-03-06 | 电子科技大学 | 基于威布尔‑伽马模型的电力系统可靠性非精确分析方法 |
Non-Patent Citations (2)
| Title |
|---|
| ASLAM, M 等: "Bayesian estimation of the mixture of exponentiated inverted Weibull distribution using noninformative and informative priors", 《JOURNAL OF THE NATIONAL SCIENCE FOUNDATION OF SRI LANKA》 * |
| 仲崇刚: "逆威布尔分布参数的Bayes估计及其在可靠性研究中的应用", 《中国优秀硕士学位论文全文数据库基础科学辑（月刊）》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112464490A (zh) * | 2020-12-10 | 2021-03-09 | 北京航空航天大学 | 增材钛合金的dfr确定方法 |
| CN112464490B (zh) * | 2020-12-10 | 2022-11-25 | 北京航空航天大学 | 增材钛合金的dfr确定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109783945B (zh) | 2021-02-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104595170B (zh) | 一种自适应核高斯混合模型的空压机监控诊断系统及方法 | |
| CN112068003B (zh) | 基于线性维纳过程的镉镍蓄电池寿命预测方法和装置 | |
| CN114818345B (zh) | 一种光伏组件剩余寿命预测方法及预测系统 | |
| CN111024484B (zh) | 纤维增强复合材料随机力学性能预测方法 | |
| US20040059694A1 (en) | Method and apparatus for providing a virtual age estimation for remaining lifetime prediction of a system using neural networks | |
| CN112381282A (zh) | 基于宽度学习系统的光伏发电功率预测方法 | |
| CN109783945A (zh) | 基于伽马-广义逆威布尔分布的非精确失效模型构建方法 | |
| Lopez et al. | Quickflex: a fast algorithm for flexible region construction for the tso-dso coordination | |
| KR102656115B1 (ko) | 연료전지 시스템의 잔여 수명 예측 방법 및 이를 수행하는 디지털 트윈 장치 | |
| Rout et al. | Dynamic matrix completion based state estimation in distribution grids | |
| Ramesh et al. | Spatio-Temporal Deep Learning-Assisted Reduced Security-Constrained Unit Commitment | |
| Wan et al. | EAST discharge prediction without integrating simulation results | |
| CN116565861B (zh) | 一种配电网可靠性评估方法、系统、设备和介质 | |
| CN117455048A (zh) | 数据驱动的非参数贝叶斯分布鲁棒机组组合优化方法 | |
| Morse et al. | Manufacturing cost and reliability‐based shape optimization of plate structures | |
| CN115204362A (zh) | 一种机械设备剩余寿命区间预测方法 | |
| CN114859231A (zh) | 基于维纳过程和极限学习机的电池剩余寿命预测方法 | |
| Pelikan et al. | Computational complexity and simulation of rare events of Ising spin glasses | |
| CN111784032A (zh) | 一种基于多重离群点平滑转换自回归模型的风电预测方法 | |
| CN111626494A (zh) | 电力负荷预测方法、装置、计算机设备和存储介质 | |
| Yarramsetty et al. | Composite Power System Reliability Evaluation Using Artificial Neural Networks | |
| Yuan et al. | Enhancement in reliability‐constrained unit commitment considering state‐transition‐process and uncertain resources | |
| CN114036820A (zh) | 一种设备异常组串损失电量计算方法、系统及计算机设备 | |
| Lu et al. | Lithium-ion battery prognostics with fusion model of uncertainty integration based on Bayesian Model Averaging | |
| US20230342644A1 (en) | Method for enhanced sampling from a probability distribution |
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 |