CN112213681B - 一种电能表寿命预测方法及装置 - Google Patents
一种电能表寿命预测方法及装置 Download PDFInfo
- Publication number
- CN112213681B CN112213681B CN201910616820.6A CN201910616820A CN112213681B CN 112213681 B CN112213681 B CN 112213681B CN 201910616820 A CN201910616820 A CN 201910616820A CN 112213681 B CN112213681 B CN 112213681B
- Authority
- CN
- China
- Prior art keywords
- electric energy
- temperature
- failure rate
- predicted
- energy meters
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 6
- 235000006679 Mentha X verticillata Nutrition 0.000 description 4
- 235000002899 Mentha suaveolens Nutrition 0.000 description 4
- 235000001636 Mentha x rotundifolia Nutrition 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 239000013078 crystal Substances 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000002243 precursor Substances 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电能表寿命预测方法及装置。其中方法包括：对于待预测的一组电能表，获取其历史失效数据和预报温度数据，根据其历史失效数据得到威布尔分布模型，得到待预测的一组电能表的原始预测失效率；设定基准温度，定义基准温度对应一个基准调整系数，基准调整系数＝a；预报温度对应的调整系数为：结合电能表的原始预测失效率和预报温度对应的调整系数得到待预测的一组电能表的预测失效率，通过预测失效率预测电能表的寿命。本发明将温度对电能表的影响考虑到失效率中时是通过温度的倒数求解不同温度下对应的调整系数，进而对原始预测失效率进行调整，得到预测温度下的预测失效率，达到更加准确的预测电能表寿命的目的。
Description
技术领域
本发明涉及一种电能表寿命预测方法及装置，属于电力工程检测领域。
背景技术
电能表是用于发电公司与供电公司，以及供电公司与用电客户之间电能量贸易结算的重要计量器具。然而电能表正式在用电客户使用前，由于可靠性鉴定验收试验缺乏统一有效的试验标准，无法有效地拦截可能带有缺陷或总体失效率高的批次电能表。因此，如何在运行过程中发现、识别、预测可能出现高失效率的批次电能表，警示故障发生、为电能表提前轮换提供应对措施，成为目前行业内共同面临的问题。
目前，进行电能表寿命预测的方法是基于威布尔分布拟合的预测方法，威布尔分布是最为广泛使用的寿命分布，威布尔分布的优点在于它适用于小样本抽样以及它对各种类型试验数据极强的适应能力。通过威布尔分布对电能表的寿命预测时，是基于现场运行电能表的故障数据进行拟合预测的，但是只通过故障数据进行寿命预测，预测的准确度偏低，与实际电能表的寿命偏差较多，无法满足实际需要。
发明内容
本发明的目的是提供一种电能表寿命预测方法，用以解决目前电能表寿命预测方法预测准确度低的问题，同时还提供一种电能表寿命预测装置，用以解决目前电能表寿命预测装置预测准确度低的问题。
为实现上述目的，本发明提出一种电能表寿命预测方法，包括以下步骤：
对于待预测的一组电能表，获取其历史失效数据和预报温度数据，根据其历史失效数据得到威布尔分布模型，得到待预测的一组电能表的原始预测失效率；
设定基准温度，定义基准温度对应一个基准调整系数，基准调整系数＝a；
所述预报温度对应的调整系数为：其中，T0为基准温度，T为预报温度；
结合所述电能表的原始预测失效率和预报温度对应的调整系数得到待预测的一组电能表的预测失效率，通过所述预测失效率预测电能表的寿命。
有益效果是：由于温度与失效率是反相关的关系，因此本发明将温度对电能表的影响考虑到失效率中时是通过温度的倒数求解不同温度下对应的调整系数，进而对原始预测失效率进行调整，得到预测温度下的预测失效率，更加准确的掌握电能表的故障分布特征，达到更加准确的预测电能表寿命的目的。
进一步的，为了准确的得到待预测的一组电能表的预测失效率，所述待预测的一组电能表的预测失效率的计算公式为：
λ'＝Kλ，
其中，λ'为预报温度T时，待预测的一组电能表的预测失效率，λ为待预测的一组电能表的原始预测失效率，K为预报温度T对应的调整系数。
进一步的，通过往年的数据分析，所述基准温度为年平均温度，所述基准调整系数为1。
进一步的，为了保证温度数据为大于0的正数，方便计算，所述预报温度数据为开氏温度。
另外，本发明还提出一种电能表寿命预测装置，包括存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，所述处理器在执行所述计算机程序时实现如下步骤：
对于待预测的一组电能表，获取其历史失效数据和预报温度数据，根据其历史失效数据得到威布尔分布模型，得到待预测的一组电能表的原始预测失效率；
设定基准温度，定义基准温度对应一个基准调整系数，基准调整系数＝a；
所述预报温度对应的调整系数为：其中，T0为基准温度，T为预报温度；
结合所述电能表的原始预测失效率和预报温度对应的调整系数得到待预测的一组电能表的预测失效率，通过所述预测失效率预测电能表的寿命。
有益效果是：由于温度与失效率是反相关的关系，因此本发明将温度对电能表的影响考虑到失效率中时是通过温度的倒数求解不同温度下对应的调整系数，进而对原始预测失效率进行调整，得到预测温度下的预测失效率，更加准确的掌握电能表的故障分布特征，达到更加准确的预测电能表寿命的目的。
进一步的，为了准确的得到待预测的一组电能表的预测失效率，所述待预测的一组电能表的预测失效率的计算公式为：
λ'＝Kλ，
其中，λ'为预报温度T时，待预测的一组电能表的预测失效率，λ为待预测的一组电能表的原始预测失效率，K为预报温度T对应的调整系数。
进一步的，通过往年的数据分析，所述基准温度为年平均温度，所述基准调整系数为1。
进一步的，为了保证温度数据为大于0的正数，方便计算，所述预报温度数据为开氏温度。
附图说明
图1为本发明电能表寿命预测方法的流程图；
图2为本发明温度的倒数与失效数的对应关系图；
图3为本发明通过威布尔分布模型温度影响前后预测失效率的对比图。
具体实施方式
电能表寿命预测方法实施例：
本实施例提出的电能表寿命预测方法，如图1所示，包括以下步骤：
1)对于待预测的一组电能表，获取其历史失效数据和预报温度数据，根据其历史失效数据得到威布尔分布模型，得到待预测的一组电能表的原始预测失效率。
本实施例的电能表的历史失效数据为批次电能表使用一年(即2017年)内各月份的阶段数据，预报温度数据为待预测时间的预报温度数据(即2018年的预报温度数据)，预报温度数据在后续给出，这里不做介绍。当然，本发明对历史数据的多少以及批次并不限制。
电能表(即智能电能表)的历史失效数据至少包括阶段失效数/失效率，失效率可以通过失效数以及母体数(批次电能表使用的总数)进行计算的，具体的本实施例中获取的电能表的历史失效数据包括阶段失效数、阶段残存数、母体数、阶段失效率以及累计失效率。
在下列介绍中，失效率的计算是以时间段为单位进行的，以某地区为例，某地区智能电能表的2017年历史失效数据如表一，其中以一个月平均天数30天为时间段进行统计，因此表一中的时间列代表1-12个月的历史数据：
表一某批次2017年智能电能表故障数据
| 时间(t) | 阶段失效数 | 阶段残存数 | 母体数 | 阶段失效率 | 累计失效率F(t) |
| 30 | 159 | 388845 | 389004 | 0.000408733 | 0.000408736 |
| 60 | 206 | 388639 | 389004 | 0.00052977 | 0.000938294 |
| 90 | 272 | 388367 | 389004 | 0.000700159 | 0.001637515 |
| 120 | 277 | 388090 | 389004 | 0.000714201 | 0.00234959 |
| 150 | 311 | 387779 | 389004 | 0.000803759 | 0.003149068 |
| 180 | 368 | 387411 | 389004 | 0.000954092 | 0.004095074 |
| 210 | 431 | 386980 | 389004 | 0.001122063 | 0.005203031 |
| 240 | 391 | 386589 | 389004 | 0.001023319 | 0.006208162 |
| 270 | 343 | 386246 | 389004 | 0.000903404 | 0.007089901 |
| 300 | 286 | 385960 | 389004 | 0.000758788 | 0.007825112 |
| 330 | 252 | 385708 | 389004 | 0.000674026 | 0.008472921 |
| 360 | 242 | 385466 | 389004 | 0.000653036 | 0.009095022 |
智能电能表失效表明寿命结束，一般以天为单位，失效前的使用时间为智能电能表的寿命。
统计阶段失效数和阶段残存数，以一个月(30天)为时间段，统计产品批次安装后每个月的各种故障类型的阶段失效数(当月失效数)和阶段残存数(本月末未失效的智能电能表的数量)。其中，第一个月阶段残存数等于智能电能表批次母体数减去第一个月内的各种类型故障的失效数量；第二个月的阶段残存数等于第一个的阶段残存数减去第二个月内的该类型故障失效数，依此类推；阶段失效率为本阶段的阶段失效数除以上一个阶段的阶段残存数。
根据电能表的历史失效数据求解威布尔分布模型，通过该模型得出该模型中的电能表的预测失效率(失效率与失效数可以通过换算相互得出，因此在本发明可以理解为失效率与失效数等同)。
基于电能表的历史失效数据，通过现有计算方法求解威布尔分布模型中的各个参数，进而求解出的该模型中的电能表的预测失效率。
首先按照先后阶段时间，对电能表的历史失效数据中的阶段失效数进行排列，依次计算参数X和Y，其中X＝ln(t)，Y＝ln(ln(1/(1-F(t))))，X和Y的计算结果如表二所示。而且威布尔分布模型符合直线方程数学表达式：Y＝aX+b，然后，利用最小二乘法，计算故障模式的威布尔分布的参数a，b，其中a和b分别为线性拟合公式的斜率与纵截距，n为样本数，此处n为12：
令得出的a和b的结果如表三所示；
套用威布尔函数公式，预测BJ2015批次(待预测的一组电能表)的寿命。
即：原始预测失效率其中t预测阶段结束时的累积时间、Δt为预测阶段的阶段时间。
表二X和Y的计算结果
| 时间(t) | lnF(t) | X＝ln(t) | Y＝ln(ln(1/(1-F(t)))) | X2 | XY |
| 30 | -7.802440703 | 3.401197382 | -7.8022363 | 11.56814363 | -26.53694568 |
| 60 | -6.971447552 | 4.094344562 | -6.970978221 | 16.76365739 | -28.54158677 |
| 90 | -6.41457525 | 4.49980967 | -6.413755933 | 20.24828707 | -28.86068097 |
| 120 | -6.053514334 | 4.787491743 | -6.052338387 | 22.92007719 | -28.97552005 |
| 150 | -5.760648782 | 5.010635294 | -5.759072179 | 25.10646605 | -28.85661032 |
| 180 | -5.497970595 | 5.192956851 | -5.495919556 | 26.96680086 | -28.54007311 |
| 210 | -5.258513875 | 5.347107531 | -5.255906702 | 28.59155895 | -28.10389831 |
| 240 | -5.081890339 | 5.480638923 | -5.078778199 | 30.03740301 | -27.83494948 |
| 270 | -4.949083847 | 5.598421959 | -4.945528379 | 31.34232843 | -27.68715468 |
| 300 | -4.850417186 | 5.703782475 | -4.846491813 | 32.53313452 | -27.64333507 |
| 330 | -4.770880014 | 5.799092654 | -4.766628521 | 33.62947562 | -27.64212044 |
| 360 | -4.700028031 | 5.886104031 | -4.695463192 | 34.64622067 | -27.63798482 |
表三a和b的计算结果
| 参数 | 数值 |
| a | -12.20644982 |
| b | 1.289346371 |
2)设定基准温度，定义基准温度对应一个基准调整系数，基准调整系数＝a。
根据对历史数据进行分析，设定基准温度以及基准温度调整系数，获取历史数据对应的历史温度数据，并结合威布尔模型进行分析表明，本实施例中，经过对某地区某型号的电能表历史数据进行分析得出，基准温度为年平均温度17℃，在年平均温度下，威布尔模型预测的失效率与实际失效率相同，因此基准调整系数为a＝1。当然分析结果不同，可能威布尔模型预测的失效率与实际失效率不相同，这时，无法将基准调整系数定为1，需要根据实际的情况进行设定，因此基准温度以及基准调整系数是变化的，根据实际需要进行设定。
3)预报温度对应的调整系数为：其中，T0为基准温度，T为预报温度。
调整系数计算所依据的原理在于，失效率与温度为反相关的关系，以下验证失效率与温度的关系，以及计算预报温度对应的调整系数。
通过获取待预测的一组电能表的历史失效数据所对应的历史温度数据对失效率与温度的关系进行验证，历史温度数据为批次电能表使用一年内各月份的温度数据，本实施例为某批次2017年智能电能表所在地区的历史温度，如表四所示：
表四某地区的历史温度数据
| 时间(t) | minT | maxT | minTK | maxTK | averT | averTK |
| 30 | 1.27 | 8.19 | 274.27 | 281.19 | 4.73 | 277.73 |
| 60 | 2.74 | 9.82 | 275.74 | 282.82 | 6.28 | 279.28 |
| 90 | 6.48 | 14.34 | 279.48 | 287.34 | 10.41 | 283.41 |
| 120 | 12.07 | 20.76 | 285.07 | 293.76 | 16.415 | 289.415 |
| 150 | 17.16 | 25.62 | 290.16 | 298.62 | 21.39 | 294.39 |
| 180 | 21.28 | 28.81 | 294.28 | 301.81 | 25.045 | 298.045 |
| 210 | 25.22 | 33.55 | 298.22 | 306.55 | 29.385 | 302.385 |
| 240 | 24.8 | 32.78 | 297.8 | 305.78 | 28.79 | 301.79 |
| 270 | 20.66 | 27.9 | 293.66 | 300.9 | 24.28 | 297.28 |
| 300 | 14.76 | 22.89 | 287.76 | 295.89 | 18.825 | 291.825 |
| 330 | 8.99 | 17.14 | 281.99 | 290.14 | 13.065 | 286.065 |
| 360 | 3.3 | 11 | 276.3 | 284 | 7.15 | 280.15 |
表四中，minT为某地区某月份的最小摄氏度温度，maxT为某地区某月份的最大摄氏度温度，minTK为某地区某月份的最小开氏温度，maxTK为某地区某月份的最大开氏温度，averT为某地区某月份的平均摄氏度温度，averTK为某地区某月份的平均开氏温度。温度数据时通过查阅气象数据得到的。为了计算的可靠性与准确性，在后续计算过程中都采用开氏温度进行计算。
根据电能表的历史失效数据以及对应的历史温度数据得到温度的倒数与历史阶段失效率λ0(t)的对数的线性对应关系，其计算结果如表五所示。
基于步骤1)中电能表的历史失效数据，对阶段失效数与月平均开氏温度的倒数进行拟合，得出阶段失效数与月平均开氏温度的倒数的线性对应关系，拟合该关系的前提是：通过研究电能表在温度影响下的机理退化特征，发现影响电能表时钟模块(电能表的核心模块)的核心元器件为时钟晶振，其高温退化机理大致过程如下：在初始t＝t0时刻，时钟晶振以频率f0进行工作，但随着温度的作用，逐渐开始出现频率漂移，导致时钟模块的计时误差开始出现增大，当晶振频率漂移至达到计时失效的频率f1时，系统检测出计时异常故障。至此，经历的时间为t1，也就是电能表的寿命。经典Arrhenius模型表明，寿命特征的对数是温度倒数的线性函数，即使用环境温度越高，其使用寿命越短。寿命是对电能表寿命的一个度量，可以是一批电能表的平均寿命，也可以是一个电能表的寿命；可以通过以下公式描述：寿命＝A(e)E/kT，其中，A为一个常数，通过对元器件的试验确定；e为自然对数的底；E为激活能，单位为电子伏，与失效机理有关；k为Bolzman常数(玻尔兹曼常数)，8.62×10-5eV/K；T为Kelvin温度(开氏温度)。
表五温度的倒数与历史阶段失效率的对数的结果
| 阶段失效率 | 阶段失效数 | Lnλ0(t) | averTK | 1/TK |
| 0.000408736 | 159 | -7.80244 | 277.73 | 0.003600619 |
| 0.000529774 | 206 | -7.54306 | 279.28 | 0.003580636 |
| 0.000700165 | 272 | -7.26419 | 283.41 | 0.003528457 |
| 0.000714207 | 277 | -7.24434 | 289.42 | 0.003455246 |
| 0.000803765 | 311 | -7.1262 | 294.39 | 0.003396855 |
| 0.0009541 | 368 | -6.95474 | 298.05 | 0.003355198 |
| 0.001122071 | 431 | -6.79258 | 302.39 | 0.003307042 |
| 0.001023327 | 391 | -6.8847 | 301.79 | 0.003313562 |
| 0.000903411 | 343 | -7.00933 | 297.28 | 0.003363832 |
| 0.000758794 | 286 | -7.18378 | 291.83 | 0.003426711 |
| 0.000674031 | 252 | -7.30223 | 286.07 | 0.003495709 |
| 0.000653041 | 242 | -7.33387 | 280.15 | 0.003569516 |
从表五可以看出，温度的倒数和历史阶段失效率的对数lnλ0(t)成线性关系，该线性关系直接通过数据拟合得出，依据表五可以绘制出图2的关系图，图2中横坐标为温度的倒数，纵坐标为lnλ0(t)，因此可以得出温度的倒数与阶段失效数(即阶段失效率)的线性对应关系，同时得出温度的倒数与失效数是成比例的。
基于上述温度与阶段失效率的反相关关系，通过计算历史温度预报温度下的调整系数：
不同历史温度对应的调整系数如表六所示，2017年的年平均气温为17℃，换算成开氏温度为290K。
表六 不同历史温度对应的调整系数
| 温度(℃) | TK | 1/TK | 阶段失效率 | 调整系数 |
| 0 | 273 | 0.003663 | 0.000433222 | 0.580553209 |
| 10 | 283 | 0.003534 | 0.000601261 | 0.805739359 |
| 17 | 290 | 0.003448 | 0.000746223 | 1 |
| 20 | 293 | 0.003413 | 0.000816016 | 1.093528813 |
| 30 | 303 | 0.0033 | 0.001085375 | 1.454491051 |
| 40 | 313 | 0.003195 | 0.001417571 | 1.899661272 |
4)结合所述电能表的原始预测失效率和预报温度对应的调整系数得到待预测的一组电能表的预测失效率，通过所述预测失效率预测电能表的寿命。
获取的预报温度数据，这里是2018年中各月份的平均温度数据，进而得到各月份预报平均温度数据的调整系数，待预测的一组电能表的预测失效率的计算公式为：
λ'＝Kλ，
其中，λ'为预报温度T时，待预测的一组电能表的预测失效率，λ为待预测的一组电能表的原始预测失效率，K为预报温度T对应的调整系数，这里的预测失效率以及原始预测失效率都为某个阶段的阶段失效率。
预测2018年的失效率(即阶段失效率)以及调整系数的具体数据如表七所示，其中时间(t)代表月平均天数(d)，此处代表2018年1-12月：
表七2018年的预测失效率以及调整系数的具体数据
调整前的预测失效率为原始预测失效率λ，调整后的预测失效率为λ'，依据2018年实际阶段失效数，计算出的某批次2018年1-12月份的实际阶段失效率，由于使用的是时间段统计法，因此该处的时间列使用的是月均天数，如表八所示：
表八 某批次2018年智能电能表实际故障数据
| 时间(t) | 阶段失效数 | 阶段残存数 | 母体数 | 实际阶段失效率 | 累计失效率F(t) |
| 30 | 276 | 385190 | 389004 | 0.000716016 | 0.009804526 |
| 60 | 285 | 384905 | 389004 | 0.000739895 | 0.010537167 |
| 90 | 392 | 384513 | 389004 | 0.001018433 | 0.011544868 |
| 120 | 397 | 384116 | 389004 | 0.001032475 | 0.012565423 |
| 150 | 411 | 383705 | 389004 | 0.001069989 | 0.013621968 |
| 180 | 482 | 383223 | 389004 | 0.001256173 | 0.01486103 |
| 210 | 543 | 382680 | 389004 | 0.00141693 | 0.016256902 |
| 240 | 567 | 382113 | 389004 | 0.001481656 | 0.017714471 |
| 270 | 524 | 381589 | 389004 | 0.001371322 | 0.019061501 |
| 300 | 488 | 381101 | 389004 | 0.001278863 | 0.020315986 |
| 330 | 449 | 380652 | 389004 | 0.001178165 | 0.021470216 |
| 360 | 424 | 380228 | 389004 | 0.001113878 | 0.022560179 |
依据2018年的实际阶段失效率、调整前后的预测失效率的对比如图3所示，图3的横坐标为月份，纵坐标为失效率(即阶段失效率)，横坐标的1-12月为2017年1-12月的历史时间，横坐标的13-24表示预测的2018年1-12月份的预测时间。可以看出，在调整之前，预测失效率近似为一条直线，而调整过后，预测失效率与实际失效率波动趋势符合，更加符合实际。
本实施例中，在求解预报温度对应的调整系数时是先基于历史温度数据的调整系数得出的，作为其他实施方式，也可以通过基准温度、基准调整系数直接得到预报温度对应的调整系数，本发明对此不做限制。
对于电能表寿命的预测，相同批次的电能表失效率是相同的，因此可以对小范围的电能表进行预测，进而得到整批次电能表的失效率，对整批次的电能表寿命进行预测。
电能表寿命预测装置实施例：
本实施例提出的电能表寿命预测装置，包括存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，处理器在执行所述计算机程序时实现电能表寿命预测方法。
电能表寿命预测方法的具体实施过程在上述电能表寿命预测方法实施例中已经介绍，这里不做赘述。
Claims (6)
1.一种电能表寿命预测方法，其特征在于，包括以下步骤：
对于待预测的一组电能表，获取其历史失效数据和预报温度数据，根据其历史失效数据得到威布尔分布模型，得到待预测的一组电能表的原始预测失效率；
设定基准温度，定义基准温度对应一个基准调整系数，基准调整系数＝a；
所述预报温度对应的调整系数为：其中，T0为基准温度，T为预报温度；结合所述电能表的原始预测失效率和预报温度对应的调整系数得到待预测的一组电能表的预测失效率，通过所述预测失效率预测电能表的寿命，所述待预测的一组电能表的预测失效率的计算公式为：
λ'＝Kλ，
其中，λ'为预报温度T时，待预测的一组电能表的预测失效率，λ为待预测的一组电能表的原始预测失效率，K为预报温度T对应的调整系数。
2.根据权利要求1所述的电能表寿命预测方法，其特征在于，所述基准温度为年平均温度，所述基准调整系数为1。
3.根据权利要求1所述的电能表寿命预测方法，其特征在于，所述预报温度数据为开氏温度。
4.一种电能表寿命预测装置，包括存储器、处理器以及存储在所述存储器中并可在处理器上运行的计算机程序，其特征在于，所述处理器在执行所述计算机程序时实现如下步骤：
对于待预测的一组电能表，获取其历史失效数据和预报温度数据，根据其历史失效数据得到威布尔分布模型，得到待预测的一组电能表的原始预测失效率；
设定基准温度，定义基准温度对应一个基准调整系数，基准调整系数＝a；
所述预报温度对应的调整系数为：其中，T0为基准温度，T为预报温度；
结合所述电能表的原始预测失效率和预报温度对应的调整系数得到待预测的一组电能表的预测失效率，通过所述预测失效率预测电能表的寿命，所述待预测的一组电能表的预测失效率的计算公式为：
λ'＝Kλ，
其中，λ'为预报温度T时，待预测的一组电能表的预测失效率，λ为待预测的一组电能表的原始预测失效率，K为预报温度T对应的调整系数。
5.根据权利要求4所述的电能表寿命预测装置，其特征在于，所述基准温度为年平均温度，所述基准调整系数为1。
6.根据权利要求4所述的电能表寿命预测装置，其特征在于，所述预报温度数据为开氏温度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910616820.6A CN112213681B (zh) | 2019-07-09 | 2019-07-09 | 一种电能表寿命预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910616820.6A CN112213681B (zh) | 2019-07-09 | 2019-07-09 | 一种电能表寿命预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112213681A CN112213681A (zh) | 2021-01-12 |
| CN112213681B true CN112213681B (zh) | 2023-11-07 |
Family
ID=74048684
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910616820.6A Active CN112213681B (zh) | 2019-07-09 | 2019-07-09 | 一种电能表寿命预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112213681B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113064112A (zh) * | 2021-03-23 | 2021-07-02 | 广东电网有限责任公司计量中心 | 一种智能电能表使用寿命评估方法及系统 |
| CN114252794B (zh) * | 2021-11-24 | 2024-04-09 | 国电南瑞科技股份有限公司 | 一种拆回智能电能表剩余寿命预测方法及装置 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101915893A (zh) * | 2010-07-15 | 2010-12-15 | 桂林电子科技大学 | 基于电子散斑技术预测集成电路工作寿命的方法 |
| TW201118400A (en) * | 2009-11-25 | 2011-06-01 | Inventec Corp | Method for predicting fan life-span |
| CN102385046A (zh) * | 2011-03-09 | 2012-03-21 | 北京市电力公司 | 基于威布尔分布的智能电表加速寿命最小试验时间确定方法 |
| KR20150057553A (ko) * | 2013-11-20 | 2015-05-28 | 국립대학법인 울산과학기술대학교 산학협력단 | 피로수명 예측방법 |
| CN106326618A (zh) * | 2015-07-01 | 2017-01-11 | 华北电力大学（保定） | 一种基于内部温度的继电保护装置时变失效率估算方法 |
| CN106855605A (zh) * | 2015-12-04 | 2017-06-16 | 核动力运行研究所 | 用于电缆整体老化寿命评估的频域测试分析系统及方法 |
| CN108333208A (zh) * | 2018-01-22 | 2018-07-27 | 航天科工防御技术研究试验中心 | 一种整机级产品贮存寿命加速试验方法 |
| CN108388694A (zh) * | 2018-01-26 | 2018-08-10 | 北京航空航天大学 | 一种塑封光电耦合器贮存寿命预测方法 |
| CN109375143A (zh) * | 2018-08-30 | 2019-02-22 | 中国电力科学研究院有限公司 | 一种确定智能电能表剩余寿命的方法 |
| CN109598353A (zh) * | 2018-12-06 | 2019-04-09 | 国网浙江省电力有限公司电力科学研究院 | 一种批次电能表近期寿命预测方法 |
| CN109933924A (zh) * | 2019-03-19 | 2019-06-25 | 云南电网有限责任公司玉溪供电局 | 一种基于lm法参数估计的继电保护装置寿命预测方法 |
-
2019
- 2019-07-09 CN CN201910616820.6A patent/CN112213681B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201118400A (en) * | 2009-11-25 | 2011-06-01 | Inventec Corp | Method for predicting fan life-span |
| CN101915893A (zh) * | 2010-07-15 | 2010-12-15 | 桂林电子科技大学 | 基于电子散斑技术预测集成电路工作寿命的方法 |
| CN102385046A (zh) * | 2011-03-09 | 2012-03-21 | 北京市电力公司 | 基于威布尔分布的智能电表加速寿命最小试验时间确定方法 |
| KR20150057553A (ko) * | 2013-11-20 | 2015-05-28 | 국립대학법인 울산과학기술대학교 산학협력단 | 피로수명 예측방법 |
| CN106326618A (zh) * | 2015-07-01 | 2017-01-11 | 华北电力大学（保定） | 一种基于内部温度的继电保护装置时变失效率估算方法 |
| CN106855605A (zh) * | 2015-12-04 | 2017-06-16 | 核动力运行研究所 | 用于电缆整体老化寿命评估的频域测试分析系统及方法 |
| CN108333208A (zh) * | 2018-01-22 | 2018-07-27 | 航天科工防御技术研究试验中心 | 一种整机级产品贮存寿命加速试验方法 |
| CN108388694A (zh) * | 2018-01-26 | 2018-08-10 | 北京航空航天大学 | 一种塑封光电耦合器贮存寿命预测方法 |
| CN109375143A (zh) * | 2018-08-30 | 2019-02-22 | 中国电力科学研究院有限公司 | 一种确定智能电能表剩余寿命的方法 |
| CN109598353A (zh) * | 2018-12-06 | 2019-04-09 | 国网浙江省电力有限公司电力科学研究院 | 一种批次电能表近期寿命预测方法 |
| CN109933924A (zh) * | 2019-03-19 | 2019-06-25 | 云南电网有限责任公司玉溪供电局 | 一种基于lm法参数估计的继电保护装置寿命预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112213681A (zh) | 2021-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110375787B (zh) | 一种计量仪表运行状态在线评价方法 | |
| CN112904266B (zh) | 一种电能表寿命预测方法及装置 | |
| CN112213681B (zh) | 一种电能表寿命预测方法及装置 | |
| JP7053152B2 (ja) | 推奨点検間隔を最適化するシステム及び方法 | |
| JP2017151980A5 (zh) | ||
| CN109872084A (zh) | 风电机组的故障率统计方法及系统 | |
| CN106950507A (zh) | 一种智能时钟电池用高可靠性寿命评估方法 | |
| Liu et al. | A methodology to analyze conservation voltage reduction performance using field test data | |
| CN115809805A (zh) | 基于边缘计算的电网多源数据处理方法 | |
| CN117590268A (zh) | 电池储能系统状态评估方法 | |
| CN107506331B (zh) | 基于时间关联性及元件运行时间的微电网可靠性计算方法 | |
| CN113746425B (zh) | 光伏逆变器参数异常分析方法、系统 | |
| CN102023636B (zh) | 一种机床数控系统的加速寿命试验方法 | |
| CN117723878A (zh) | 一种配电网干式变压器故障预警装置及方法 | |
| CN116577720A (zh) | 一种电能表检定流水线的性能分析方法、终端及电子设备 | |
| CN109191330B (zh) | 线损电量计算方法、装置、计算机设备和存储介质 | |
| CN115374646A (zh) | 在运电表寿命预测方法及在运电表寿命预测装置 | |
| Ye et al. | Method for solving electric energy meter error of low-voltage station based on big data | |
| CN114693083A (zh) | 基于正态分布的误差超差电表定位分析方法及装置 | |
| CN112906237B (zh) | 一种发动机部件故障分析方法及系统 | |
| Pang et al. | Reliability assessment of permanent magnet brake based on accelerated bivariate Wiener degradation process | |
| Wang | Research on accelerated degradation test and reliability evaluation method of electromechanical products | |
| ZHANG et al. | Life prediction and verification of energy meter based on multi-stress influence weibull distribution model | |
| CN118297580B (zh) | 基于大数据的石油设备维护管理方法、系统及存储介质 | |
| CN118378156B (zh) | 基于历史数据分析的厂站关口计量数据缺失拟合优化方法、系统、电子设备及存储介质 |
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 |