CN112904266B - 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
- CN112904266B CN112904266B CN201911137429.4A CN201911137429A CN112904266B CN 112904266 B CN112904266 B CN 112904266B CN 201911137429 A CN201911137429 A CN 201911137429A CN 112904266 B CN112904266 B CN 112904266B
- Authority
- CN
- China
- Prior art keywords
- influence
- fault mode
- distribution model
- weibull distribution
- failure
- 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
Images
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (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:确定各故障模式对应的影响因子;获取其每种故障模式的历史失效数据,以及每种故障模式下各影响因子对应的历史失效数据;根据该故障模式的历史失效数据得到该故障模式的威布尔分布模型;根据该故障模式下各影响因子对应的历史失效数据分别得到该故障模式下各影响因子的威布尔分布模型;进而得到各影响因子的影响系数;根据各影响因子的影响系数对该故障模式的威布尔分布模型进行修正,进而修正预测失效率,通过预测失效率预测电能表的批量寿命。本发明真实的反映影响因子对故障分布的影响,进而得到更加准确的每种故障模式的威布尔分布模型,从而更加准确的预测电能表的批量寿命。
Description
技术领域
本发明涉及一种电能表寿命预测方法及装置,属于电能表可靠性评估技术领域。
背景技术
智能电能表在现场运行过程中的外场可靠性数据反映了产品在真实使用条件下的可靠性水平,是产品可靠性统计、分析工作的基础,也是基于大数据对智能电能表运维管理、寿命预测等关键技术之一。随着网络和信息化技术的发展,智能电能表的外场使用可靠性数据的记录已逐步实现软件化与系统化,使得开展智能电能表的使用可靠性信息分析与评估工作更加方便。为了更加准确的获取批量电能表的使用寿命,为运维管理决策提供依据,在线对智能电能表的使用寿命进行预测,成为必然。
利用现场可靠性数据对智能电能表进行寿命预测,通常有两种方法:一是基于电能表整体威布尔分布模型的预测方法,另一种是基于多种故障模式的威布尔分布模型的预测方法。
第一种方法是利用电能表整体威布尔分布拟合的方法对故障电能表的可靠性数据进行处理,可以发掘出智能电能表批量寿命,但这种方法往往是对整个电能表批而言的,并不考虑具体故障的类型之间的差异,因而,预测结果的准确性往往有偏差,且对于后续的故障机理分析的支撑作用不大。
第二种方法是以每种故障模式分别作为统计分析对象,建立各个故障模式的威布尔分布模型,预计各种故障模式单独的阶段失效率和累积失效率,将各种故障模式的阶段失效率和累积失效率进行累加,进而获得整体的预测寿命。这种方法为常用的预测寿命的方法,然而每种故障模式由于其失效机理及诱发应力不同,其分布特征并不一致,因此,按照统一的故障模式的威布尔分布模型进行整体评估并不准确。
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:
确定各故障模式对应的影响因子;
对于待预测的一组电能表,获取其每种故障模式的历史失效数据,以及每种故障模式下各影响因子对应的历史失效数据;
对于一种故障模式,根据该故障模式的历史失效数据得到该故障模式的威布尔分布模型;根据该故障模式下各影响因子对应的历史失效数据分别得到该故障模式下各影响因子的威布尔分布模型;
根据该故障模式下各影响因子的威布尔分布模型和该故障模式的威布尔分布模型得到各影响因子的影响系数;
根据各影响因子的影响系数对该故障模式的威布尔分布模型进行修正,根据修正后的该故障模式的威布尔分布模型得到预测失效率,通过所述预测失效率预测待预测的一组电能表的批量寿命。
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上述电能表寿命预测方法。
有益效果是:本发明通过对每种故障模式下的影响因子进行威布尔分布拟合,进而得到各影响因子的影响系数,并且通过拟合系数对故障模式的威布尔分布模型进行修正,更加真实的反映影响因子对故障分布的影响,进而得到更加准确的每种故障模式的威布尔分布模型,从而更加准确的预测电能表的批量寿命。
进一步的,上述电能表寿命预测方法及装置中,为了更加直接的修正每种故障模式的威布尔分布模型,影响因子的影响系数包括斜率影响系数和/或截距影响系数。
进一步的,上述电能表寿命预测方法及装置中,为了提高修正的准确性,对该故障模式的威布尔分布模型进行修正的过程包括:将各影响因子的斜率影响系数相乘得到综合斜率影响系数,将各影响因子的截距影响系数相乘得到综合截距影响系数;根据综合斜率影响系数和/或综合截距影响系数修正该故障模式的威布尔分布模型中的斜率和/或截距。
进一步的,上述电能表寿命预测方法及装置中,修正后的第i个故障模式的威布尔分布模型中的斜率和截距为:
其中,Kij为第j个影响因子对第i个故障模式的斜率影响系数;Eij为第j个影响因子对第i个故障模式的截距影响系数,ai′为修正后的第i个故障模式的威布尔分布模型中的斜率,bi′为修正后的第i个故障模式的威布尔分布模型中的截距,bi为第i个故障模式的威布尔分布模型中的截距,ai为第i个故障模式的威布尔分布模型中的斜率,N为第i个故障模式对应的影响因子的数量,为综合斜率影响系数,为综合截距影响系数。
进一步的,上述电能表寿命预测方法及装置中,所述预测失效率包括阶段失效率和累积失效率,所述阶段失效率和累积失效率为:
其中,λi(t)为第i个故障模式时间段t内的阶段失效率,Fi(t)为第i个故障模式时间段t以前的累积失效率。
进一步的,上述电能表寿命预测方法及装置中,为了得到更加准确的影响系数,所述斜率影响系数和截距影响系数的计算过程为:
其中,aij为第i个故障模式下第j个影响因子的威布尔分布模型中的斜率;ai为第i个故障模式的威布尔分布模型的斜率;Kij为第j个影响因子对第i个故障模式的斜率影响系数;bij为第i个故障模式下第j个影响因子的威布尔分布模型中的截距;bi为第i个故障模式的威布尔分布模型的截距;Eij为第j个影响因子对第i个故障模式的截距影响系数。
附图说明
图1为本发明电能表寿命预测方法的流程图。
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)确定各故障模式对应的影响因子。
一般来说,现场导致智能电能表不同故障模式的失效机理不同,各影响因素(即影响因子)对不同故障模式的影响程度也存在差异。这些影响因素是指各种来自外界的影响电能表产品可靠性的因素,如温度、湿度、生产质量等级等。
2)对于待预测的一组电能表,获取其每种故障模式的历史失效数据,以及每种故障模式下各影响因子对应的历史失效数据。
3)对于某种故障模式,根据该故障模式的历史失效数据得到该故障模式的威布尔分布模型;根据该故障模式下各影响因子对应的历史失效数据分别得到该故障模式下各影响因子的威布尔分布模型。
针对某种故障模式,统计其历史失效率λ'i(t)和历史累积失效率F'i(t),并计算正交坐标(即X,Y)内的各个点,得到的结果如表二所示:
同理,某种故障模式的温度影响因子也利用同样的方法统计其历史失效率和历史累积失效率,并计算正交坐标(即X,Y)内的各个点,具体数据这里不做列举。
对某种故障模式的各个点利用线性拟合函数进行拟合,得到某种故障模式的威布尔拟合直线公式Y=aiX+bi,i为第i个故障模式,对第i个故障模式的第j个影响因子的各个点利用线性拟合函数进行拟合,得到第i个故障模式的第j个影响因子的威布尔拟合直线公式Y=aijX+bij,上述两个直线公式中,a为斜率,b为截距,在威布尔分布模型中,形状参数m=a,尺度参数η=exp(b/a)。
4)根据该故障模式下各影响因子的威布尔分布模型和该故障模式的威布尔分布模型得到各影响因子的影响系数。
本实施例中,为了使得寿命预测更加准确,影响因子的影响系数包括斜率影响系数和截距影响系数。作为其他实施方式,也可以只包括斜率影响系数或只包括截距影响系数。
本实施例中,斜率影响系数和截距影响系数的计算过程为:
其中,aij为第i个故障模式下第j个影响因子的威布尔分布模型中的斜率;ai为第i个故障模式的威布尔分布模型的斜率;Kij为第j个影响因子对第i个故障模式的斜率影响系数;bij为第i个故障模式下第j个影响因子的威布尔分布模型中的截距;bi为第i个故障模式的威布尔分布模型的截距;Eij为第j个影响因子对第i个故障模式的截距影响系数。
作为其他实施方式,计算斜率影响系数和截距影响系数的方式并不局限于上述公式,可以根据需要进行调整,本发明并不做限制。
5)根据各影响因子的影响系数对该故障模式的威布尔分布模型进行修正,根据修正后的该故障模式的威布尔分布模型得到预测失效率,通过预测失效率预测待预测的一组电能表的寿命。
本实施例中,对该故障模式的威布尔分布模型进行修正的过程包括:将各影响因子的斜率影响系数相乘得到综合斜率影响系数,将各影响因子的截距影响系数相乘得到综合截距影响系数;根据综合斜率影响系数和综合截距影响系数修正该故障模式的威布尔分布模型中的斜率和截距。作为其他实施方式,若影响系数只包括斜率影响系数或只包括截距影响系数的情况下,只需计算综合斜率影响系数或综合截距影响系数进行修正即可,而且综合斜率影响系数和综合截距影响系数计算并不局限于各影响系数相乘,具体的计算方式可以根据实际的需求进行调整。
修正后的第i个故障模式的威布尔分布模型中的斜率和截距为:
其中,Kij为第j个影响因子对第i个故障模式的斜率影响系数;Eij为第j个影响因子对第i个故障模式的截距影响系数,a′i为修正后的第i个故障模式的威布尔分布模型中的斜率,b′i为修正后的第i个故障模式的威布尔分布模型中的截距,bi为第i个故障模式的威布尔分布模型中的截距,ai为第i个故障模式的威布尔分布模型中的斜率,N为第i个故障模式对应的影响因子的数量,为综合斜率影响系数,为综合截距影响系数。
进而修正第i个故障模式的威布尔分布模型中的形状参数和尺度参数:
进而得到修正后的预测失效率包括阶段失效率λi(t)和累积失效率Fi(t),阶段失效率和累积失效率为:
其中,λi(t)为第i个故障模式时间段t内的阶段失效率,Fi(t)为第i个故障模式时间段t以前的累积失效率。
以下以某一种故障模式、且该故障模式的主要影响因子为温度为例对本发明的寿命预测方法进行说明。
待预测的一组电能表的批次为某厂家2016年投入运行的一批电能表,目前在运行过程中已经出现一定数量的失效,借此信息来预测该批次电能表近期寿命的变化情况。本实施例中,以某种故障模式为例对本发明的寿命预测方法进行说明,该故障模式的主要影响因子为温度。
以t=30天为时间单位,统计某厂家该批次各时段电能表某种故障模式的阶段故障数和累积故障数(即历史失效数据),结果如表一所示:
表一某批次电能表运行660天某种故障模式的阶段故障数和累积故障数
时间(天) | 30 | 60 | 90 | 120 | 150 | 180 | 210 | 240 | 270 | 300 | 330 |
阶段故障数 | 14 | 12 | 11 | 9 | 8 | 8 | 6 | 4 | 4 | 3 | 4 |
累积故障数 | 14 | 26 | 37 | 46 | 54 | 62 | 68 | 72 | 76 | 79 | 83 |
时间(天) | 360 | 390 | 420 | 450 | 480 | 510 | 540 | 570 | 600 | 630 | 660 |
阶段故障数 | 1 | 5 | 1 | 2 | 3 | 1 | 3 | 2 | 0 | 0 | 0 |
累积故障数 | 84 | 89 | 90 | 92 | 95 | 96 | 99 | 101 | 101 | 101 | 101 |
由于该种故障模式的主要影响因子为温度,因此只讨论温度影响对电能表的影响,关于某种故障模式下温度影响因子对应的历史失效数据在此不做列举。
对于该故障模式,统计的历史阶段失效率、历史累积失效率、计算正交坐标(即X,Y)内的各个点,得到的结果如表二所示:
表二某种故障模式的统计结果
同理,该故障模式的温度影响因子也利用同样的方法统计其历史失效率和历史累积失效率,并计算正交坐标(即X,Y)内的各个点,具体数据这里不做列举。
根据表二中的数据对该故障模式的各个点利用线性拟合函数进行拟合,得到每个时间段该故障模式的威布尔拟合直线公式Y=a1X+b1,同理,对该故障模式的温度影响因子的各个点利用线性拟合函数进行拟合,得到每个时间段该故障模式的温度影响因子的威布尔拟合直线公式Y=a11X+b11,进而
修正后的形状参数m1=a′1=a1×K11;
修正后的尺度参数η1=exp(b′1/a′1)=exp[(b1×E11)/(a1×K11)]。
所得到的结果如表三所示:
表三每个时间段对应的各种参数
时间t(天) | a<sub>11</sub> | b<sub>11</sub> | a<sub>1</sub> | b<sub>1</sub> | K<sub>11</sub> | E<sub>11</sub> | m<sub>1</sub> | η<sub>1</sub> |
60 | 1.022314 | -6.97604 | 1.04417 | -7.37248 | 0.979068 | 0.946228 | 1.022314 | 919.4544 |
90 | 1.003894 | -6.90995 | 1.095334 | -7.55606 | 0.916518 | 0.914492 | 1.003894 | 975.6962 |
120 | 1.000353 | -6.89672 | 1.052471 | -7.39585 | 0.95048 | 0.932512 | 1.000353 | 986.6203 |
150 | 0.978332 | -6.81165 | 1.004321 | -7.20984 | 0.974122 | 0.944771 | 0.978332 | 1056.286 |
180 | 0.959894 | -6.73843 | 0.96275 | -7.04474 | 0.997034 | 0.956518 | 0.959894 | 1118.748 |
210 | 0.938502 | -6.65142 | 0.934421 | -6.92953 | 1.004368 | 0.959867 | 0.938502 | 1196.645 |
240 | 0.912895 | -6.54509 | 0.913468 | -6.84252 | 0.999373 | 0.956532 | 0.912895 | 1299.322 |
270 | 0.888331 | -6.44118 | 0.887692 | -6.73349 | 1.000719 | 0.956589 | 0.888331 | 1409.348 |
300 | 0.864081 | -6.33688 | 0.864652 | -6.63439 | 0.99934 | 0.955157 | 0.864081 | 1530.979 |
330 | 0.84359 | -6.2474 | 0.844611 | -6.54688 | 0.998791 | 0.954257 | 0.84359 | 1645.386 |
360 | 0.82122 | -6.14836 | 0.823759 | -6.45455 | 0.996918 | 0.952561 | 0.82122 | 1784.429 |
390 | 0.804774 | -6.0746 | 0.805909 | -6.3745 | 0.998592 | 0.952953 | 0.804774 | 1897.343 |
420 | 0.787328 | -5.99543 | 0.787773 | -6.2922 | 0.999435 | 0.952835 | 0.787328 | 2028.222 |
450 | 0.770989 | -5.92047 | 0.770527 | -6.21307 | 1.0006 | 0.952905 | 0.770989 | 2162.575 |
480 | 0.756967 | -5.85546 | 0.75387 | -6.13586 | 1.004107 | 0.954302 | 0.756967 | 2287.995 |
510 | 0.742889 | -5.78956 | 0.737565 | -6.05953 | 1.007218 | 0.955447 | 0.742889 | 2424.339 |
540 | 0.730928 | -5.73306 | 0.722634 | -5.989 | 1.011477 | 0.957265 | 0.730928 | 2549.215 |
570 | 0.719895 | -5.68049 | 0.708603 | -5.92214 | 1.015936 | 0.959196 | 0.719895 | 2672.375 |
600 | 0.708153 | -5.62408 | 0.694412 | -5.85397 | 1.019787 | 0.960729 | 0.708153 | 2812.71 |
630 | 0.696026 | -5.56537 | 0.680277 | -5.78553 | 1.02315 | 0.961945 | 0.696026 | 2968.826 |
660 | 0.68374 | -5.50544 | 0.666652 | -5.71908 | 1.025633 | 0.962646 | 0.68374 | 3139.911 |
进而修正预测的阶段失效率λ1(t)和累积失效率F1(t),通过上述公式可得如表四的结果。
表四修正前后的阶段失效率和累积失效率
从表四可以看出,当在t=660天时,该批次电能表预期的累积失效率达到29.1236%,而修正前的预累积失效率将达到18.5%。通过与电网运行实际监测结果对比,修正后的预测结果更加准确。30天为第一阶段,不可预测,故而不予体现在表三、表四中。
本发明通过统计各故障模式以及各故障模式在不同影响因子下的历史阶段失效数和历史累计失效数,利用威布尔拟合方法,获得基于不同故障模式和不同故障模式下的不同影响因子的矩阵式的分布模型,建立起各影响因子与不同故障模式各时段aij和ai、bij和bi的关联关系,这样就建立起基于故障模式和外界影响因子的矩阵式威布尔分布模型,使得预测更加准确。
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 (5)
1.一种电能表寿命预测方法,其特征在于,包括以下步骤:
确定各故障模式对应的影响因子;
对于待预测的一组电能表,获取其每种故障模式的历史失效数据,以及每种故障模式下各影响因子对应的历史失效数据;
对于一种故障模式,根据该故障模式的历史失效数据得到该故障模式的威布尔分布模型;根据该故障模式下各影响因子对应的历史失效数据分别得到该故障模式下各影响因子的威布尔分布模型;
根据该故障模式下各影响因子的威布尔分布模型和该故障模式的威布尔分布模型得到各影响因子的影响系数;影响因子的影响系数包括斜率影响系数和/或截距影响系数;所述斜率影响系数和截距影响系数的计算过程为:
其中,aij为第i个故障模式下第j个影响因子的威布尔分布模型中的斜率;ai为第i个故障模式的威布尔分布模型的斜率;Kij为第j个影响因子对第i个故障模式的斜率影响系数;bij为第i个故障模式下第j个影响因子的威布尔分布模型中的截距;bi为第i个故障模式的威布尔分布模型的截距;Eij为第j个影响因子对第i个故障模式的截距影响系数;
根据各影响因子的影响系数对该故障模式的威布尔分布模型进行修正,根据修正后的该故障模式的威布尔分布模型得到预测失效率,通过所述预测失效率预测待预测的一组电能表的批量寿命。
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,对该故障模式的威布尔分布模型进行修正的过程包括:将各影响因子的斜率影响系数相乘得到综合斜率影响系数,将各影响因子的截距影响系数相乘得到综合截距影响系数;根据综合斜率影响系数和/或综合截距影响系数修正该故障模式的威布尔分布模型中的斜率和/或截距。
5.一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权利要求1-4中任一项所述的电能表寿命预测方法。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911137429.4A CN112904266B (zh) | 2019-11-19 | 2019-11-19 | 一种电能表寿命预测方法及装置 |
PCT/CN2020/102505 WO2021098246A1 (zh) | 2019-11-19 | 2020-07-16 | 一种电能表寿命预测方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911137429.4A CN112904266B (zh) | 2019-11-19 | 2019-11-19 | 一种电能表寿命预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112904266A CN112904266A (zh) | 2021-06-04 |
CN112904266B true CN112904266B (zh) | 2022-03-11 |
Family
ID=75980240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911137429.4A Active CN112904266B (zh) | 2019-11-19 | 2019-11-19 | 一种电能表寿命预测方法及装置 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112904266B (zh) |
WO (1) | WO2021098246A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113962095B (zh) * | 2021-10-26 | 2024-08-27 | 中车大同电力机车有限公司 | 自卸车故障预测方法、系统、设备及存储介质 |
CN114089257B (zh) * | 2021-10-27 | 2023-08-18 | 国网湖南省电力有限公司 | 一种电能表烧表在线监测方法、系统及介质 |
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 |
CN115291157B (zh) * | 2022-07-14 | 2023-09-22 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于时钟偏差的电能表剩余寿命预测方法及系统 |
CN115936166B (zh) * | 2022-09-28 | 2024-06-04 | 海南电网有限责任公司 | 一种电能表检定误差分析预测方法 |
CN116307563A (zh) * | 2023-03-01 | 2023-06-23 | 中国石油大学(北京) | 用于确定压缩机最佳维修周期的方法、装置及处理器 |
CN116644590B (zh) * | 2023-05-31 | 2024-03-19 | 中国人民解放军国防科技大学 | 通信测试设备可靠性预计方法、装置、设备和存储介质 |
CN117890850A (zh) * | 2024-02-29 | 2024-04-16 | 国网湖南省电力有限公司供电服务中心(计量中心) | 一种基于智能电能表的批次质量监测系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101311738A (zh) * | 2007-05-21 | 2008-11-26 | 中芯国际集成电路制造(上海)有限公司 | 可靠性测试分析方法及其参数估计方法 |
JP4750185B2 (ja) * | 2007-12-06 | 2011-08-17 | 日本電気計器検定所 | 電子化計量装置の寿命推定方法および装置 |
CN103426030A (zh) * | 2013-04-24 | 2013-12-04 | 华北电力大学 | 计及老化因素的电力设备故障率预测方法 |
CN106291437A (zh) * | 2015-05-21 | 2017-01-04 | 中国电力科学研究院 | 一种智能电能表的可靠性评价方法 |
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 |
CN110146840A (zh) * | 2019-05-23 | 2019-08-20 | 国网浙江省电力有限公司电力科学研究院 | 一种基于多应力影响的批次电能表近期寿命预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102708306A (zh) * | 2012-06-19 | 2012-10-03 | 华北电网有限公司计量中心 | 一种智能电表可靠寿命的预测方法 |
CN105022019B (zh) * | 2015-06-23 | 2017-12-08 | 国家电网公司 | 单相智能电能表可靠性综合评价的方法 |
CN106054105B (zh) * | 2016-05-20 | 2019-01-15 | 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 |
CN109697525A (zh) * | 2018-12-06 | 2019-04-30 | 国网浙江省电力有限公司电力科学研究院 | 一种批次电能表多故障模式近期寿命预测方法 |
-
2019
- 2019-11-19 CN CN201911137429.4A patent/CN112904266B/zh active Active
-
2020
- 2020-07-16 WO PCT/CN2020/102505 patent/WO2021098246A1/zh active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101311738A (zh) * | 2007-05-21 | 2008-11-26 | 中芯国际集成电路制造(上海)有限公司 | 可靠性测试分析方法及其参数估计方法 |
JP4750185B2 (ja) * | 2007-12-06 | 2011-08-17 | 日本電気計器検定所 | 電子化計量装置の寿命推定方法および装置 |
CN103426030A (zh) * | 2013-04-24 | 2013-12-04 | 华北电力大学 | 计及老化因素的电力设备故障率预测方法 |
CN106291437A (zh) * | 2015-05-21 | 2017-01-04 | 中国电力科学研究院 | 一种智能电能表的可靠性评价方法 |
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 |
CN110146840A (zh) * | 2019-05-23 | 2019-08-20 | 国网浙江省电力有限公司电力科学研究院 | 一种基于多应力影响的批次电能表近期寿命预测方法 |
Non-Patent Citations (1)
Title |
---|
基于现场可靠性数据和组合应力寿命模型的电能表寿命预判;章江铭;《浙江电力》;20190731;第38卷(第7期);第81-85页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112904266A (zh) | 2021-06-04 |
WO2021098246A1 (zh) | 2021-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112904266B (zh) | 一种电能表寿命预测方法及装置 | |
CN102763048B (zh) | 在虚拟量测中使用适应性预测算法及决定何时使用适应性预测算法的方法及设备 | |
CN108197725B (zh) | 基于需水量先验信息的供水管网节点需水量校核方法 | |
CN105205570A (zh) | 一种基于季节时序分析的电网售电量预测方法 | |
CN108388962A (zh) | 一种风电功率预测系统及方法 | |
TW200849345A (en) | Dual-phase virtual metrology method | |
CN103971175B (zh) | 一种多级变电站的短期负荷预测方法 | |
CN107832881B (zh) | 考虑负荷水平和风速分段的风电功率预测误差评价方法 | |
JP7053152B2 (ja) | 推奨点検間隔を最適化するシステム及び方法 | |
CN105427005A (zh) | 一种风电场运行风险评估方法 | |
CN111680398B (zh) | 一种基于Holt-Winters模型的单机性能退化预测方法 | |
CN111008727A (zh) | 一种配电台区负荷预测方法及装置 | |
CN113406558A (zh) | 基于线性回归的电表失准检测方法、装置及电子设备 | |
CN110097205A (zh) | 一种建筑负荷预测用气象预报数据预处理方法 | |
CN114547452A (zh) | 一种基于多维画像评估的网格管理优化方法及系统 | |
CN113610266B (zh) | 汽车零件的故障预测方法、装置、计算机设备和存储介质 | |
CN113849943A (zh) | 一种耦合压力先验信息的供水管网节点需水量校核方法 | |
CN112213681B (zh) | 一种电能表寿命预测方法及装置 | |
CN110175740B (zh) | 一种基于Kriging代理模型的场景分析实现方法 | |
CN112365053A (zh) | 负荷区域内分布式光伏发电总功率的预测方法、系统与计算机可读介质 | |
CN109376957B (zh) | 一种火电厂负荷的预测方法 | |
CN114118633B (zh) | 一种基于先行关系的指标自优化预测方法及装置 | |
CN116360339A (zh) | 一种基于元动作单元数字孪生模型的数控机床可靠性优化方法 | |
KR20210137435A (ko) | 산업 환경에서 에너지 소비를 평가하기 위한 방법, 시스템, 및 컴퓨터 프로그램 제품 | |
CN114417549B (zh) | 一种基于超级计算机的数字孪生目标场数据处理系统 |
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 |