CN112667957A - 一种基于深度神经网络的智能电能表失效率预测方法 - Google Patents
一种基于深度神经网络的智能电能表失效率预测方法 Download PDFInfo
- Publication number
- CN112667957A CN112667957A CN202011392905.XA CN202011392905A CN112667957A CN 112667957 A CN112667957 A CN 112667957A CN 202011392905 A CN202011392905 A CN 202011392905A CN 112667957 A CN112667957 A CN 112667957A
- Authority
- CN
- China
- Prior art keywords
- failure rate
- electric energy
- energy meter
- intelligent electric
- neural network
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 17
- 238000003062 neural network model Methods 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 13
- 230000006353 environmental stress Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 4
- 238000005315 distribution function Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012886 linear function Methods 0.000 description 2
- 150000003071 polychlorinated biphenyls Chemical class 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于深度神经网络的智能电能表失效率预测方法，包括如下步骤：步骤一：选取元器件可靠性预计手册；步骤二：计算得到元器件的工作失效率；步骤三：求取各元器件的工作失效率之和，继而得到各模块工作失效率；步骤四：由智能电能表应用现场的故障数据，结合公式计算得出电表的现场失效率；步骤五：通过求取的各模块工作失效率与电表现场失效率建立深度神经网络模型，并预测尚未故障的智能电能表失效率。本发明能够提高智能电能表的故障分析能力，实现智能电能表失效率的准确预测，分析得出提高电能表可靠性的相应措施，从而进一步提升智能电能表的整机质量，延长使用寿命。
Description
技术领域
本发明属于人工智能算法在电力计量设备应用的技术领域，涉及一种基于深度神经网络的智能电能表失效率预测方法。
背景技术
我国智能电网的建设日益加快，智能电能表作为智能电网的计量终端设备，其可靠性直接影响着电网的安全稳定经济运行，也直接关系到千家万户的供电可靠性和安全性。
近年来，得益于大数据的发展及计算性能的提升，深度学习被广泛应用于各行各业。相较于传统的机器学习算法，深度学习具有更强的特征学习能力、更复杂的网络表征能力，同时深度学习更加依赖于海量数据，数据量越大，其表现能力越好。深度学习有几种典型的网络模型，卷积神经网络(CNN)适用于图像处理领域，在人脸识别、定位检测等技术上表现良好；循环神经网络(RNN)更适合处理时间序列问题，如语音识别、视频标记等。
上述模型通常为无监督学习且用来处理分类问题，对于电能表失效率预测来说，是一种有监督的回归问题，且原始训练数据量庞大。因此，设计一种针对不同厂家、不同型号、不同批次的智能电能表现场运行的海量数据，建立模块与整表之间的深度神经网络模型，进而预测智能电能表失效率的方法是十分有必要的。
发明内容
本发明的目的在于解决现有技术的不足，提供一种基于深度神经网络的智能电能表失效率预测方法。
本发明解决其技术问题是通过以下技术方案实现的：
一种基于深度神经网络的智能电能表失效率预测方法，其特征在于：包括如下步骤：
步骤一：选取元器件可靠性预计手册；
步骤二：结合应用现场中工作剖面的影响因子，通过元器件可靠性预计手册计算得到元器件的工作失效率；
步骤三：根据智能电能表原理图中各功能模块的元器件组成，求取各元器件的工作失效率之和，继而得到各模块工作失效率；
步骤四：由智能电能表应用现场的故障数据，结合公式计算得出电表的现场失效率；
步骤五：通过求取的各模块工作失效率与电表现场失效率建立深度神经网络模型，并预测尚未故障的智能电能表失效率。
而且，所述结合应用现场中工作剖面的影响因子，通过元器件可靠性预计手册计算得到元器件的工作失效率的模型为：
式中，λpc为元器件的工作失效率，λbc为元器件的基本失效率，πj为各种影响因子的调整系数的乘积，影响因子有元器件本身的质量等级、性能参数、实际工作中的环境应力，n为影响因子个数。
而且，所述得到各模块工作失效率的公式为：
式中，λpm为模块的工作失效率，λpc_i为第i个元器件的工作失效率，N为模块所含元器件的个数。
而且，所述得出电能表的现场失效率的公式为：
式中，λs为电能表现场失效率，β为形状参数，α为尺度参数，二者均是与时间无关的常数，t为电能表的可靠寿命。
而且，所述各模块失效率与电表现场失效率之间的深度神经网络模型为：
式中，α取值(0,1)，x为自变量。
本发明的优点和有益效果为：
本基于深度神经网络的智能电能表失效率预测方法，智能电能表是国家电网高级计量体系中的核心设备，智能电能表的可靠性直接影响着电网的安全、稳定、经济运行，也直接关系到千家万户的供电可靠性和安全性。提高智能电能表的故障分析能力，实现智能电能表失效率的准确预测，分析得出提高电能表可靠性的相应措施，从而进一步提升智能电能表的整机质量，延长使用寿命。
附图说明
图1智能电能表失效率预测流程图；
图2深度神经网络模型结构。
具体实施方式
下面通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
本发明的一种基于深度神经网络的智能电能表失效率预测方法，其深度神经网络预测方法具体内容为：
(1)元器件工作失效率模型
根据IEC-TR-62380《电子组件，PCBs和设备的可靠性预计通用模型》，搭建元器件工作失效率与基本失效率之间的应力模型，计算公式为
式中λpc为元器件的工作失效率，λbc为元器件的基本失效率，πj为各种影响因子的调整系数的乘积，影响因子有元器件本身的质量等级、性能参数、实际工作中的环境应力等，n为影响因子个数。
(2)模块工作失效率模型
除有冗余备份的元器件外，功能模块中任意一个元器件的失效都会导致对应模块的失效。具体计算时，根据电能表的电路原理图列出各功能模块的非冗余备份的元器件组成，模块工作失效率等于这些元器件工作失效率的和，公式为
式中，λpm为模块的工作失效率，λpc_i为第i个元器件的工作失效率，N为模块所含元器件的个数。
(3)智能电能表现场失效率模型
用威布尔分布函数拟合智能电能表现场故障数据，以计算出智能电能表现场失效率，因此有下列公式：
分布函数F(t)为
可靠度函数R(t)为
失效密度函数f(t)为
失效率函数λ(t)为
式中，β为形状参数，α为尺度参数，二者均是与时间无关的常数，t为电能表的可靠寿命。
用解析法直接求解威布尔分布函数中的参数比较困难，故对威布尔分布函数进行如下变换。
由式(3)可得
两边同时取两次对数，得
令
x＝ln t，B＝-βlnα，得
y＝βx+B (9)
经过上述变换，得到了关于变量x，y的线性函数，采用最小二乘法即可估计出m和B的参数值，公式如下：
其中
根据公式(4)可得电能表的可靠寿命t为：
再将t代入公式(6)，可得电能表现场失效率λs为：
(4)深度神经网络预测模型
建立深度神经网络时，电能表各模块的工作失效率λpm作为网络的输入层，电能表的现场失效率λs作为网络的输出层，同一厂家、型号、批次的电能表作为一组对应数据。
迭代过程中优化算法采用Nesterov加速的自适应矩估计(Nesterov-acceleratedadaptive moment estimation，Nadam)，Nadam优化算法是将Nesterov思想加入到Adam中，进一步加快算法收敛速度。Adam优化算法的参数θ更新规则如下式：
mt＝β1mt-1+(1-β1)gt (13)
式中η为学习率，t代表迭代次数，gt为梯度向量，mt和vt分别为梯度的一阶、二阶矩估计值，ε、β1和β2为修正参数。
将式(17)展开得：
由式(14)可知，上式中
项可由
代替，得：
基于Nesterov动量添加思想，用当前步的动量向量偏置校正估计值
替换上一步的动量向量偏置校正估计
就得到了Nadam的更新规则：
损失函数采用最小平方误差函数，表达式为：
式中
是通过网络计算得到的输出值，yi是原始输出值。
为解决反向传播过程中可能产生的梯度消失现象，隐含层的激活函数使用LeakyReLU函数，表达式为：
α取值(0,1)。因为Leaky ReLU是线性函数，不会造成梯度消失，并且有较快的收敛速度。在选择输出层激活函数时，由于输出值为标量值，故选择Purelin函数。
为改善DNN可能出现的过拟合现象，采用Dropout方式进行正则化。即先将训练数据分成n批，针对每一批数据，按照预先设定的节点保留概率随机保留DNN隐含层中的一些神经元，将其余神经元点删掉，然后对剩余的网络结构进行参数的更新，最后恢复删除神经元，输入下一批数据重复此过程。
本发明的一种基于深度神经网络的智能电能表失效率预测方法具体实施过程步骤如下：
步骤一：选取元器件可靠性预计手册IEC-TR-62380《电子组件，PCBs和设备的可靠性预计通用模型》。
步骤二：结合应用现场中工作剖面的影响因子，采用公式(1)的元器件应力法计算得到元器件的工作失效率。
步骤三：根据智能电能表原理图中各功能模块的元器件组成，根据公式(2)求和得到各模块工作失效率。
步骤四：由智能电能表应用现场的故障数据，结合公式(12)计算得出电表的现场失效率。
步骤五：通过公式(22)，建立各模块失效率与整表失效率之间的深度神经网络模型，并预测尚未故障的智能电能表失效率。
训练网络时，选择数据的60％作为训练数据，数据的20％作为验证数据，剩余的20％作为测试数据。在不能得到电能表现场故障数据的情况下，可以根据电能表的元器件组成及其运行环境计算出DNN的输入，进而预测电表的现场失效率λs_pre。
图2为所建立的深度神经网络模型结构，其中电能表各模块的工作失效率λpm作为网络的输入层，电能表的现场失效率λs作为网络的输出层，同一厂家、型号、批次的电能表作为一组对应数据。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (5)
1.一种基于深度神经网络的智能电能表失效率预测方法，其特征在于：包括如下步骤：
步骤一：选取元器件可靠性预计手册；
步骤二：结合应用现场中工作剖面的影响因子，通过元器件可靠性预计手册计算得到元器件的工作失效率；
步骤三：根据智能电能表原理图中各功能模块的元器件组成，求取各元器件的工作失效率之和，继而得到各模块工作失效率；
步骤四：由智能电能表应用现场的故障数据，结合公式计算得出电表的现场失效率；
步骤五：通过求取的各模块工作失效率与电表现场失效率建立深度神经网络模型，并预测尚未故障的智能电能表失效率。
2.根据权利要求1所述的一种基于深度神经网络的智能电能表失效率预测方法，其特征在于：所述结合应用现场中工作剖面的影响因子，通过元器件可靠性预计手册计算得到元器件的工作失效率的模型为：
式中，λpc为元器件的工作失效率，λbc为元器件的基本失效率，πj为各种影响因子的调整系数的乘积，影响因子有元器件本身的质量等级、性能参数、实际工作中的环境应力，n为影响因子个数。
3.根据权利要求1所述的一种基于深度神经网络的智能电能表失效率预测方法，其特征在于：所述得到各模块工作失效率的公式为：
式中，λpm为模块的工作失效率，λpc_i为第i个元器件的工作失效率，N为模块所含元器件的个数。
4.根据权利要求1所述的一种基于深度神经网络的智能电能表失效率预测方法，其特征在于：所述得出电能表的现场失效率的公式为：
式中，λs为电能表现场失效率，β为形状参数，α为尺度参数，二者均是与时间无关的常数，t为电能表的可靠寿命。
5.根据权利要求1所述的一种基于深度神经网络的智能电能表失效率预测方法，其特征在于：所述各模块失效率与电表现场失效率之间的深度神经网络模型为：
式中，α取值(0,1)，x为自变量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011392905.XA CN112667957A (zh) | 2020-12-03 | 2020-12-03 | 一种基于深度神经网络的智能电能表失效率预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011392905.XA CN112667957A (zh) | 2020-12-03 | 2020-12-03 | 一种基于深度神经网络的智能电能表失效率预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112667957A true CN112667957A (zh) | 2021-04-16 |
Family
ID=75400939
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011392905.XA Pending CN112667957A (zh) | 2020-12-03 | 2020-12-03 | 一种基于深度神经网络的智能电能表失效率预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112667957A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113378453A (zh) * | 2021-05-11 | 2021-09-10 | 天津大学 | 一种基于深度信念网络的智能电能表失效率在线预计方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103383445A (zh) * | 2013-07-16 | 2013-11-06 | 湖北省电力公司电力科学研究院 | 一种智能电表寿命和可靠性预测系统及其方法 |
| CN106054105A (zh) * | 2016-05-20 | 2016-10-26 | 国网新疆电力公司电力科学研究院 | 一种智能电表的可靠性预计修正模型建立方法 |
| CN108680890A (zh) * | 2018-08-23 | 2018-10-19 | 重庆市计量质量检测研究院 | 智能电能表寿命特征检测方法 |
| CN109522517A (zh) * | 2018-10-11 | 2019-03-26 | 中国电力科学研究院有限公司 | 一种电表失效率计算方法和系统 |
| CN109709507A (zh) * | 2018-12-24 | 2019-05-03 | 博众精工科技股份有限公司 | 基于失效率等级的智能电能表可靠性预计方法 |
| CN110544031A (zh) * | 2019-08-28 | 2019-12-06 | 广州供电局有限公司 | 电能表可靠度预计方法、装置、计算机设备和存储介质 |
| CN111259338A (zh) * | 2020-01-16 | 2020-06-09 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 元器件失效率修正方法、装置、计算机设备及存储介质 |
| CN111472410A (zh) * | 2020-05-13 | 2020-07-31 | 雷沃工程机械集团有限公司 | 一种挖掘机电气元件故障预报警方法及系统 |
-
2020
- 2020-12-03 CN CN202011392905.XA patent/CN112667957A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103383445A (zh) * | 2013-07-16 | 2013-11-06 | 湖北省电力公司电力科学研究院 | 一种智能电表寿命和可靠性预测系统及其方法 |
| CN106054105A (zh) * | 2016-05-20 | 2016-10-26 | 国网新疆电力公司电力科学研究院 | 一种智能电表的可靠性预计修正模型建立方法 |
| CN108680890A (zh) * | 2018-08-23 | 2018-10-19 | 重庆市计量质量检测研究院 | 智能电能表寿命特征检测方法 |
| CN109522517A (zh) * | 2018-10-11 | 2019-03-26 | 中国电力科学研究院有限公司 | 一种电表失效率计算方法和系统 |
| CN109709507A (zh) * | 2018-12-24 | 2019-05-03 | 博众精工科技股份有限公司 | 基于失效率等级的智能电能表可靠性预计方法 |
| CN110544031A (zh) * | 2019-08-28 | 2019-12-06 | 广州供电局有限公司 | 电能表可靠度预计方法、装置、计算机设备和存储介质 |
| CN111259338A (zh) * | 2020-01-16 | 2020-06-09 | 中国电子产品可靠性与环境试验研究所（（工业和信息化部电子第五研究所）（中国赛宝实验室）） | 元器件失效率修正方法、装置、计算机设备及存储介质 |
| CN111472410A (zh) * | 2020-05-13 | 2020-07-31 | 雷沃工程机械集团有限公司 | 一种挖掘机电气元件故障预报警方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| MING LIU 等: "Deep Learning Detection of Inaccurate Smart Electricity Meters: A Case Study", 《RESEARCHGATE》 * |
| 孙谊媊 等: "智能电表可靠性预计的优化模型", 《电力科学与技术学报》 * |
| 张文俊等: "国外最新可靠性预计方法综述", 《电子产品可靠性与环境试验》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113378453A (zh) * | 2021-05-11 | 2021-09-10 | 天津大学 | 一种基于深度信念网络的智能电能表失效率在线预计方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109214708B (zh) | 基于交叉熵理论优化支持向量机的电力系统风险评估方法 | |
| EP3938854A1 (en) | Method of performing a process and optimizing control signals used in the process | |
| CN112287605B (zh) | 一种基于图卷积网络加速的潮流校核方法 | |
| CN111967183A (zh) | 一种配电网台区线损的计算方法和系统 | |
| CN111625399A (zh) | 一种计量数据恢复方法及系统 | |
| CN116306798A (zh) | 一种超短时风速预测方法及系统 | |
| CN114943372A (zh) | 基于贝叶斯循环神经网络的质子交换膜寿命预测方法及装置 | |
| CN113553768A (zh) | 模型数据混合驱动的电网可靠性快速计算方法及装置 | |
| CN114707712A (zh) | 一种发电机组备件需求的预测方法 | |
| CN116822363A (zh) | 一种基于半马尔可夫过程的核电系统可靠性评价方法 | |
| Chen et al. | Satellite on-orbit anomaly detection method based on a dynamic threshold and causality pruning | |
| CN117335414B (zh) | 一种电力系统交流最优潮流决策方法、装置、设备及介质 | |
| CN112667957A (zh) | 一种基于深度神经网络的智能电能表失效率预测方法 | |
| CN110991741A (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
| CN117909864A (zh) | 一种电力故障预测系统及方法 | |
| CN117313552A (zh) | 半导体器件建模方法、系统及电子设备 | |
| CN113328467A (zh) | 一种概率电压稳定性评估方法、系统、终端设备及介质 | |
| CN112862211A (zh) | 通信管理系统动环缺陷派单方法及装置 | |
| CN117013533A (zh) | 一种配电网状态估计方法、系统、存储介质及设备 | |
| CN116522785A (zh) | 一种基于量子计算的电磁暂态仿真方程组求解方法和装置 | |
| CN116307773A (zh) | 一种变电站二次设备可靠性估计方法 | |
| CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
| CN115965149A (zh) | 一种基于lstm算法模型的水质指标预测方法 | |
| CN112967154B (zh) | 一种电力系统Well-being的评估方法及装置 | |
| CN115759455A (zh) | 一种基于时序高斯混合密度网络的负荷概率密度预测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |