CN113589172A - 一种电网元器件的寿命预估方法 - Google Patents
一种电网元器件的寿命预估方法 Download PDFInfo
- Publication number
- CN113589172A CN113589172A CN202110922958.6A CN202110922958A CN113589172A CN 113589172 A CN113589172 A CN 113589172A CN 202110922958 A CN202110922958 A CN 202110922958A CN 113589172 A CN113589172 A CN 113589172A
- Authority
- CN
- China
- Prior art keywords
- life
- power grid
- steps
- following
- model
- 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 54
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000013461 design Methods 0.000 claims abstract description 25
- 238000009434 installation Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 5
- 230000014759 maintenance of location Effects 0.000 claims abstract description 4
- 238000010606 normalization Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000012423 maintenance Methods 0.000 claims description 13
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000009826 distribution Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 206010063385 Intellectualisation Diseases 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电网元器件的寿命预估方法，包括如下步骤：1)将电网元器件的所有数据标签进行收集，并将其分隔为若干子数据集；2)将元器件的“设计寿命”“安装日期”“损坏日期”标签融合为“生命历程”，3)将离散型文本标签的参数值依次数字化为整数0至n；4)分别对上述这八个标签对应的值进行归一化处理；5)运用留出法，将子数据集按照8:2的比例划分为两个互斥的集合，其中，训练集S占比80％，测试集T占比20％；6)将通过训练集S训练出模型，再用测试集T评估其测试误差，作为泛化误差的估计值；7)利用训练完成的算法得到元件的预测剩余寿命。本发明实现了小元器件寿命预测的智能化，提高了预测的精度和速度。
Description
技术领域
本发明涉及一种电网元器件的寿命预估方法，具体的说，是一种基于支持向量机的方法对电网元器件寿命进行预估的方法。
背景技术
随着电力技术的不断发展和电网建设步伐不断加快，电网企业对运行高效性、稳定性以及信息化技术有了更高的要求。目前，针对电网元器件故障预测的研究领域主要集中在变压器等大型元器件领域，对于小型元器件，如：CPU板、显示屏、DC220V电源等，大多采用专家经验来评估剩余寿命，暂时没有一种智能化的寿命预估方法，具有预测速度慢、预测精度低等缺陷。
发明内容
本发明公开一种电网元器件寿命预估方法，其无需对元器件运行进行监测便可实现预估，预测精度高。
本发明采用如下技术手段实现：一种电网元器件的寿命预估方法，包括如下步骤：
1)将电网元器件的所有数据标签进行收集，并将其分隔为若干子数据集；
2)将元器件的″设计寿命″″安装日期″″损坏日期″标签融合为″生命历程″，按照下面伪代码的方法计算已损坏的元器件的生命历程；
假设编号为i的元器件，其安装时间为Date_install_i，损坏时间为Date_broken_i，设计寿命为Planed_life_i(天)。则其全生命周期的设计生命历程和真实生命历程可以按以下伪代码进行计算：
其中DLP表示按设计寿命计算的生命历程、RLP表示实际经过的生命历程。
3)将″厂家″″设计寿命″″安装地点″″间隔″″温度″″湿度″″运维班组″六个离散型文本标签的参数值依次数字化为整数0至n，其中，(n+1)代表相应标签的参数个数；
4)分别对″厂家″″设计寿命″″安装地点″″间隔″″温度″″湿度″″运维班组″这八个标签对应的值进行归一化处理；
5)运用留出法，将子数据集按照8∶2的比例划分为两个互斥的集合，其中，训练集S占比80％，测试集T占比20％；
6)将通过训练集S训练出模型，再用测试集T评估其测试误差，作为泛化误差的估计值
7)利用训练完成的算法得到元件的预测剩余寿命。
步骤5中利用分层抽样法令S与T内的样本各类别比例大抵一致。
步骤6中，在模型训练之前需要对权重向量W和偏差b进行初始化，具体步骤如下：
3-1)随机生成一个含8个元素的权重向量W和偏差b，W的每个元素分别代表厂家、设计寿命、安装地点、间隔、温度、湿度、运维班和设计生命历程这8个影响因子的权重大小。计算W的均值Wmean和标准差S，
3-2)对每个W中的元素Wi，按
进行标准化，得到服从标准正态分布的权重向量ω＝[ω1，ω2，...，ω8]，将ω与b构建超平面f(x)＝ωTφ(x)+b。
3-3)选择合适的核函数将数据投影到高维坐标系；
3-4)在(0，1)范围内选取一个合适的ε作为软间隔间距；
3-5)构建不敏感损失函数与损失函数；
3-6)通过拉格朗日乘数法得到令损失函数最小的ω和b，作为模型训练结果。
所述核函数κ(xi，xj)具体表示为
κ(xi，xj)＝(φ(xi)，φ(xj))＝φ(xi)Tφ(xj)
其中，(φ(xi)，φ(xj))表示φ(xi)与φ(xj)的内积。
所述超平面借助核函数求得，
所述软间隔间距构成一个构建一个宽度为2ε的间隔带以提高模型容错率及泛化效果，其目标函数为：
C＞0，l0/1为0/1损失函数，表示为：
对目标函数引入松弛变量ξi≥0，则目标函数为：
所述不敏感函数为
损失函数为
f(xi)表示使用当前模型训练参数预测出的第i组数据的生命历程，yi表示数据集中第i组数据的真实生命历程，m为该种设备的所有记录条数，对损失函数引入松弛变量ξi与
令
则损失函数为
所述拉格朗日函数为
将
对ω，b，ξi，
求偏导，得到
将上式带入原始支持向量机可以得到支持向量回归模型的解
进一步考虑核函数，可得
其中κ(x，xi)为核函数。
步骤6中对模型采用决定系数R2进行评估，
步骤7中预测剩余寿命的步骤如下：
7-1)将系统中正在运行的元件的″厂家″″设计寿命″″安装地点″″间隔″″温度″″湿度″″运维班组″″运行状态″等数据依次代入f(x)，通过上述方法计算各元件的预测生命历程(LP)。
7-2)将预测生命历程换算为预测剩余寿命(PRUL)，转换公式如下。
在公式中，Ttoday代表今天的日期，Tinstall代表元件的安装日期，两者相减的结果表示该元件运行的累计时间，将累计运行时间除以经过的生命历程即可得到根据现有条件预测该元件的总寿命，再减去已经运行的时间，就得到了该元件的预测剩余寿命。
本发明针对有限数据集，通过全生命周期模拟的方法增强数据集，可以在数据集有限的情况下得到良好的训练模型；且本发明利用已有消缺记录提取特征信息，基于支持向量机方法，在不需要实时监测元器件运行的电气信息的条件下确定元器件寿命的预估模型，实现了小元器件寿命预测的智能化，提高了预测的精度和速度。
附图说明
图1为本发明数据预处理流程示意图；
图2为本发明模型训练流程示意图；
图3为本发明模型评估流程示意图
图4为本发明总流程图。
具体实施方式
下面对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
步骤一：数据预处理
本发明所用到的数据集共有十一个字段，对应参数值如下表：
元器件的类型决定了元器件的寿命、特性以及对环境的敏感程度。因此，读入原始数据之后，按照元器件类型″CPU″″DC220V电源板″″显示屏″三类，将原始数据集拆分为三个子数据集，分别对其进行切分、训练和测试，将大大提高模型的针对性和准确度。由于对每个子数据集的操作相同，以下步骤仅以一个子数据集为例，阐述本发明的技术方案。
首先，将″厂家″″设计寿命″″安装地点″″间隔″″温度″″湿度″″运维班组″六个离散型文本标签的参数值依次数字化为整数0至n，其中，(n+1)代表相应标签的参数个数。
其次，引入新标签″生命历程″，其计算方法为：
假设编号为i的元器件，其安装时间为Date_install_i，损坏时间为Date_broken_i，设计寿命为Planed_life_i(天)。则其全生命周期的设计生命历程和真实生命历程可以按以下伪代码进行计算：
其中DLP表示按设计寿命计算的生命历程、RLP表示实际经过的生命历程。这样一方面可以对元件的全生命周期进行预测，同时可以增强数据集。
再次，根据公式
分别对″厂家″″设计寿命″″安装地点″″间隔″″温度″″湿度″″运维班组″这八个标签对应的值进行归一化处理，其中，Xscale表示归一化之后的数值，X表示原参数值，Xmean表示该标签下所有参数的平均值，S表示该标签下所有参数的标准差。
最后，运用留出法，将子数据集按照8：2的比例划分为两个互斥的集合，其中，训练集S占比80％，测试集T占比20％，此后将通过训练集S训练出模型，再用测试集T评估其测试误差，作为泛化误差的估计值。
为了使划分的训练集与测试集数据分布尽可能保持一致性，减少因数据划分过程引入额外的偏差而对最终结果产生的影响，因此，本发明采用分层抽样法，使得S与T内的样本各个类别的比例大抵一致。
考虑到在实际生产中″温度″″湿度″″运维班组″三个环境与人为因素对于不同元器件具有不同的影响权重，故采用加权数据结合计算重心降维的方法使这三维数据各有侧重，同时简化运算时间。
首先构建合适密度函数ρ(x，y，z)，其中x，y，z分别代表″温度″″湿度″″运维班组″。该密度函数应具有以下性质：
接着，通过主成分分析等方法，确定″温度″″湿度″″运维班组″的相对权重，假设权重分别为a％，b％，c％，依次将每组x，y，z变换为a％x，b％y，c％z，得到带有权重的三组坐标点。
然后，考虑由该三组坐标点与构成的空间立体，通过下列公式求得该空间立体的重心坐标：
最后根据以下公式
求出该三维数据加权降维后的结果r，用计算所得的r替代原有的″温度″″湿度″″运维班组″三个因素，可以使模型更加贴近现实应用环境，且缩短训练所需的时间和资源。
步骤二：模型训练
在训练模型前，需要初始化训练模型所需要的参数权重向量W和偏差b。具体方法如下：
首先，随机生成一个含8个元素的权重向量W和偏差b，W的每个元素分别代表厂家、设计寿命、安装地点、间隔、温度、湿度、运维班组和运行状态这8个影响因子的权重大小。计算W的均值Wmean和标准差S，对每个W中的元素Wi，按
进行标准化，得到服从标准正态分布的权重向量ω＝[ω1，ω2，...，ω8]，以加快训练速度。
为得到合理划分几类样本的超平面，针对数据特点，提出核函数和软间隔的方法。
核函数方法主要针对线性不可分的样本空间，将其映射到更高一维的特征空间，使其实现线性可分。在此情况下，划分的超平面可以表示为
f(x)＝ωTφ(x)+b (8)
公式中φ(x)表示将x映射后的特征向量，ω为通过公式(2)计算得到的服从正态分布的权重向量，ωT表示ω的转置矩阵，b为初始化模型时生成的偏差。
由于直接计算φ(xi)Tφ(xj)十分困难，给出设想函数κ(xi，xj)，它表示在原始样本空间中通过设想函数来计算，以此代替两者在特征空间中的内积运算，具体表示为
κ(xi，xj)＝(φ(xi)，φ(xj))＝φ(xi)Tφ(xj) (9)
其中，(φ(xi)，φ(xj))表示φ(xi)与φ(xj)的内积。
所以超平面可以借助核函数求得，
核函数类型多种多样，具体核函数的选择将根据对训练后模型的评估情况具体选择，以实现向量机性能最优化。
软间隔的方法具体表示如下。在(0，1)内选取一个合适的数值ε作为软间隔间距，构建一个宽度为2ε的间隔带，不计算落入间隔带中的样本，允许一部分样本预测出错，以提高模型容错率与泛化效果。
与硬间隔方法不同的是，软间隔允许一部分样本不满足约束，但它应该尽可能少，于是目标函数写为
其中C＞0是一个常数，为惩罚项系数。如果C值较大，算法能够更好地分类所有训练点的决策边界，不过模型的训练时间也会更长。如果C值较小，决策功能会更简单，但代价是训练的准确度，C值一般取为1，但需要根据训练情况进行合理选择。而l0/1是″0/1损失函数″，表示为
在此基础上，引入松弛变量ξi≥0，于是可以得到软间隔支持向量机表达式，
考虑建立回归模型来计算超平面，建立与软间隔带对应的不敏感函数
以及损失函数
在公式中，f(xi)表示使用当前模型训练参数预测出的第i组数据的生命历程，yi表示数据集中第i组数据的真实生命历程，m为该种设备的所有记录条数。
对公式(15)引入松弛变量ξi和
使得
则上式(15)可化为
为了达到最佳预测效果，需要尽可能降低损失函数值，故需要求损失函数L的最小值。因此，引入拉格朗日乘子μi≥0，
αi≥0，
得到拉格朗日函数
将公式(17)即
对ω，b，ξi，
求偏导，得到
将上式带入原始支持向量机可以得到支持向量回归模型的解
更进一步，将公式(9)带入得
其中κ(x，xi)为核函数。
步骤三：模型评估
在正式将模型投入使用前，需要对模型进行评估，以确定模型的好坏。这里，我们采用回归算法中常用的模型评估系数——决定系数(R2)。该系数反映的是因变量的全部变异能通过回归关系被自变量解释的比例。决定系数R2越大，表示可以被解释的程度越高，拟合效果越好。具体的计算公式为：
公式中的
表示通过模型预测的生命历程值，yi表示真实生命历程值。
计算决定系数(R2)的值，如果该系数在预期范围之内，则认为当前训练得到的模型符合要求，可以投入使用，否则，需要继续调整参数(如：核函数、软间隔间距)直至模型符合预期要求。
步骤四：模型应用
首先，将系统中正在运行的元件的″厂家″″设计寿命″″安装地点″″间隔″″温度″″湿度″″运维班组″″运行状态″等数据依次代入f(x)，通过上述方法计算各元件的预测生命历程(LP)。
接着，将预测生命历程换算为预测剩余寿命(PRUL)，转换公式如下。
在公式中，Ttoday代表今天的日期，Tinstall代表元件的安装日期，两者相减的结果表示该元件运行的累计时间(单位：天)。将累计运行时间除以经过的生命历程即可得到根据现有条件预测该元件的总寿命，再减去已经运行的时间，就得到了该元件的预测剩余寿命(单位：天)。
Claims (9)
1.一种电网元器件的寿命预估方法，其特征在于：包括如下步骤：
1)将电网元器件的所有数据标签进行收集，并将其分隔为若干子数据集；
2)将元器件的“设计寿命”“安装日期”“损坏日期”标签融合为“生命历程”，按照下面伪代码的方法计算已损坏的元器件的生命历程；
假设编号为i的元器件，其安装时间为Date_install_i，损坏时间为Date_broken_i，设计寿命为Planed_life_i(天)。则其全生命周期的设计生命历程和真实生命历程可以按以下伪代码进行计算：
其中DLP表示按设计寿命计算的生命历程、RLP表示实际经过的生命历程。
3)将“厂家”“设计寿命”“安装地点”“间隔”“温度”“湿度”“运维班组”六个离散型文本标签的参数值依次数字化为整数0至n，其中，(n+1)代表相应标签的参数个数；
4)分别对“厂家”“设计寿命”“安装地点”“间隔”“温度”“湿度”“运维班组”这八个标签对应的值进行归一化处理；
5)运用留出法，将子数据集按照8:2的比例划分为两个互斥的集合，其中，训练集S占比80％，测试集T占比20％；
6)将通过训练集S训练出模型，再用测试集T评估其测试误差，作为泛化误差的估计值
7)利用训练完成的算法得到元件的预测剩余寿命。
2.根据权利要求1所述的一种电网元器件的寿命预估方法，其特征在于：步骤5中利用分层抽样法令S与T内的样本各类别比例大抵一致。
3.根据权利要求1所述的一种电网元器件的寿命预估方法，其特征在于：步骤6中，在模型训练之前需要对重向量W和偏差b进行初始化，具体步骤如下：
3-1)随机生成一个含8个元素的权重向量W和偏差b，W的每个元素分别代表厂家、设计寿命、安装地点、间隔、温度、湿度、运维班组和运行状态这8个影响因子的权重大小。计算W的均值Wmean和标准差S，
3-2)对每个W中的元素Wi，按
进行标准化，得到服从标准正态分布的权重向量ω＝[ω1，ω2，...，ω8]，将ω与b构建超平面f(x)＝ωTφ(x)+b。
3-3)选择合适的核函数将数据投影到高维坐标系；
3-4)在(0，1)范围内选取一个合适的ε作为软间隔间距；
3-5)构建不敏感损失函数与损失函数；
3-6)通过拉格朗日乘数法得到令损失函数最小的ω和b，作为模型训练结果。
4.根据权利要求3所述的一种电网元器件的寿命预估方法，其特征在于：所述核函数κ(xi，xj)具体表示为
κ(xi，xj)＝(φ(xi)，φ(xj))＝φ(xi)Tφ(xj)
其中，(φ(xi)，φ(xj))表示φ(xi)与φ(xj)的内积。
所述超平面借助核函数求得，
5.根据权利要求3所述的一种电网元器件的寿命预估方法，其特征在于：所述软间隔间距构成一个构建一个宽度为2ε的间隔带以提高模型容错率及泛化效果，其目标函数为：
C＞0，l0/1为0/1损失函数，表示为：
对目标函数引入松弛变量ξi≥0，则目标函数为：
6.根据权利要求3所述的一种电网元器件的寿命预估方法，其特征在于：所述不敏感函数为
损失函数为
f(xi)表示使用当前模型训练参数预测出的第i组数据的生命历程，yi表示数据集中第i组数据的真实生命历程，m为该种设备的所有记录条数，对损失函数引入松弛变量ξi与
令
则损失函数为
7.根据权利要求3所述的一种电网元器件的寿命预估方法，其特征在于：所述拉格朗日函数为
将
对ω，b，ξi，
求偏导，得到
将上式带入原始支持向量机可以得到支持向量回归模型的解
进一步考虑核函数可得
其中κ(x，xi)为核函数。
8.根据权利要求2所述的一种电网元器件的寿命预估方法，其特征在于：步骤6中对模型采用决定系数R2进行评估，
9.根据权利要求1所述的一种电网元器件的寿命预估方法，其特征在于：步骤7中预测剩余寿命的步骤如下：
7-1)将系统中正在运行的元件的“厂家”“设计寿命”“安装地点”“间隔”“温度”“湿度”“运维班组”“运行状态”等数据依次代入f(x)，通过上述方法计算各元件的预测生命历程(LP)。
7-2)将预测生命历程换算为预测剩余寿命(PRUL)，转换公式如下。
在公式中，Ttoday代表今天的日期，Tinstall代表元件的安装日期，两者相减的结果表示该元件运行的累计时间，将累计运行时间除以经过的生命历程即可得到根据现有条件预测该元件的总寿命，再减去已经运行的时间，就得到了该元件的预测剩余寿命。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110922958.6A CN113589172A (zh) | 2021-08-12 | 2021-08-12 | 一种电网元器件的寿命预估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110922958.6A CN113589172A (zh) | 2021-08-12 | 2021-08-12 | 一种电网元器件的寿命预估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113589172A true CN113589172A (zh) | 2021-11-02 |
Family
ID=78257388
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110922958.6A Pending CN113589172A (zh) | 2021-08-12 | 2021-08-12 | 一种电网元器件的寿命预估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113589172A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610308A (zh) * | 2021-08-12 | 2021-11-05 | 国网江苏省电力有限公司常州供电分公司 | 基于剩余寿命预测的安全库存预测方法 |
| CN115291028A (zh) * | 2022-10-08 | 2022-11-04 | 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）） | 提高铝电解电容器外场寿命预测精度的方法和装置 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446940A (zh) * | 2016-09-13 | 2017-02-22 | 大连理工大学 | 一种基于支持向量机的超级电容器电容值退化趋势的预测方法 |
| CN108923413A (zh) * | 2018-05-23 | 2018-11-30 | 国网福建省电力有限公司莆田供电公司 | 基于支持向量机的电压质量预测方法 |
| CN109284543A (zh) * | 2018-09-04 | 2019-01-29 | 河北工业大学 | 基于最优尺度高斯过程模型的igbt剩余寿命预测方法 |
| CN109766930A (zh) * | 2018-12-24 | 2019-05-17 | 太原理工大学 | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 |
| CN111274737A (zh) * | 2020-02-25 | 2020-06-12 | 山东大学 | 一种机械设备剩余使用寿命预测方法及系统 |
| CN111639467A (zh) * | 2020-06-08 | 2020-09-08 | 长安大学 | 一种基于长短期记忆网络的航空发动机寿命预测方法 |
| CN111652310A (zh) * | 2020-06-02 | 2020-09-11 | 江苏科技大学 | 基于Bagging框架SVM继电器贮存寿命预测方法 |
| CN111914891A (zh) * | 2020-06-23 | 2020-11-10 | 国网天津市电力公司电力科学研究院 | 一种基于故障数据的电能表寿命预测方法 |
| CN112036084A (zh) * | 2020-08-28 | 2020-12-04 | 北京航空航天大学 | 一种相似产品寿命迁移筛选方法和系统 |
| CN112213660A (zh) * | 2020-08-25 | 2021-01-12 | 广西电网有限责任公司南宁供电局 | 一种预测ups系统中电力电子器件剩余寿命的方法 |
| CN112288191A (zh) * | 2020-11-19 | 2021-01-29 | 国家海洋信息中心 | 一种基于多类机器学习方法的海洋浮标寿命预测方法 |
| CN112685937A (zh) * | 2020-12-25 | 2021-04-20 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于光纤光栅传感器的飞机结构健康监控方法 |
| CN112834927A (zh) * | 2021-01-06 | 2021-05-25 | 合肥工业大学 | 锂电池剩余寿命预测方法、系统、设备及介质 |
| CN113205233A (zh) * | 2021-06-10 | 2021-08-03 | 湖北东湖实验室 | 基于灰狼算法和多核支持向量回归的锂电池寿命预测方法 |
-
2021
- 2021-08-12 CN CN202110922958.6A patent/CN113589172A/zh active Pending
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106446940A (zh) * | 2016-09-13 | 2017-02-22 | 大连理工大学 | 一种基于支持向量机的超级电容器电容值退化趋势的预测方法 |
| CN108923413A (zh) * | 2018-05-23 | 2018-11-30 | 国网福建省电力有限公司莆田供电公司 | 基于支持向量机的电压质量预测方法 |
| CN109284543A (zh) * | 2018-09-04 | 2019-01-29 | 河北工业大学 | 基于最优尺度高斯过程模型的igbt剩余寿命预测方法 |
| CN109766930A (zh) * | 2018-12-24 | 2019-05-17 | 太原理工大学 | 一种基于dcnn模型的矿井机械设备的剩余寿命预测方法 |
| CN111274737A (zh) * | 2020-02-25 | 2020-06-12 | 山东大学 | 一种机械设备剩余使用寿命预测方法及系统 |
| CN111652310A (zh) * | 2020-06-02 | 2020-09-11 | 江苏科技大学 | 基于Bagging框架SVM继电器贮存寿命预测方法 |
| CN111639467A (zh) * | 2020-06-08 | 2020-09-08 | 长安大学 | 一种基于长短期记忆网络的航空发动机寿命预测方法 |
| CN111914891A (zh) * | 2020-06-23 | 2020-11-10 | 国网天津市电力公司电力科学研究院 | 一种基于故障数据的电能表寿命预测方法 |
| CN112213660A (zh) * | 2020-08-25 | 2021-01-12 | 广西电网有限责任公司南宁供电局 | 一种预测ups系统中电力电子器件剩余寿命的方法 |
| CN112036084A (zh) * | 2020-08-28 | 2020-12-04 | 北京航空航天大学 | 一种相似产品寿命迁移筛选方法和系统 |
| CN112288191A (zh) * | 2020-11-19 | 2021-01-29 | 国家海洋信息中心 | 一种基于多类机器学习方法的海洋浮标寿命预测方法 |
| CN112685937A (zh) * | 2020-12-25 | 2021-04-20 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种基于光纤光栅传感器的飞机结构健康监控方法 |
| CN112834927A (zh) * | 2021-01-06 | 2021-05-25 | 合肥工业大学 | 锂电池剩余寿命预测方法、系统、设备及介质 |
| CN113205233A (zh) * | 2021-06-10 | 2021-08-03 | 湖北东湖实验室 | 基于灰狼算法和多核支持向量回归的锂电池寿命预测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113610308A (zh) * | 2021-08-12 | 2021-11-05 | 国网江苏省电力有限公司常州供电分公司 | 基于剩余寿命预测的安全库存预测方法 |
| CN113610308B (zh) * | 2021-08-12 | 2024-08-20 | 国网江苏省电力有限公司常州供电分公司 | 基于剩余寿命预测的安全库存预测方法 |
| CN115291028A (zh) * | 2022-10-08 | 2022-11-04 | 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）） | 提高铝电解电容器外场寿命预测精度的方法和装置 |
| CN115291028B (zh) * | 2022-10-08 | 2023-11-07 | 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）） | 提高铝电解电容器外场寿命预测精度的方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Multi-sensor data-driven remaining useful life prediction of semi-observable systems | |
| CN108052528A (zh) | 一种存储设备时序分类预警方法 | |
| Aremu et al. | Structuring data for intelligent predictive maintenance in asset management | |
| CN112633339A (zh) | 轴承故障智能诊断方法、诊断系统、计算机设备及介质 | |
| CN113589172A (zh) | 一种电网元器件的寿命预估方法 | |
| CN116340796B (zh) | 时序数据分析方法、装置、设备及存储介质 | |
| Qiu et al. | Probability analysis for failure assessment of electric energy metering equipment under multiple extreme stresses | |
| CN114678962B (zh) | 基于电力物联网的分布式阵列测温异常数据传输监控系统 | |
| CN117113852A (zh) | 基于电气、化学、结构、振动参量的gis寿命预测方法 | |
| CN109598052A (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
| Ma et al. | Measurement error assessment for smart electricity meters under extreme natural environmental stresses | |
| CN115239971A (zh) | Gis局部放电类型识别模型训练方法、识别方法及系统 | |
| Qu et al. | A multi-sensor data fusion method for intelligent aging condition identification of viscoelastic sandwich structure | |
| Liang et al. | Remaining useful life prediction for rolling bearings using correlation coefficient and Kullback–Leibler divergence feature selection | |
| CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
| KR101867222B1 (ko) | 복합 센서의 기기상태 영향도 기반 비접촉 가전기기 식별방법 및 장치 | |
| CN114184211B (zh) | 一种惯导可靠性试验中性能变化机理一致性判定方法 | |
| Coble et al. | Identifying suitable degradation parameters for individual-based prognostics | |
| Wang et al. | Health indicator forecasting for improving remaining useful life estimation | |
| Chen et al. | A multimode anomaly detection method based on oc-elm for aircraft engine system | |
| CN118504990B (zh) | 基于态势感知的电网风险评估方法及系统 | |
| CN117834455B (zh) | 一种电力物联网数据传输仿真方法和系统 | |
| Yang et al. | Research on Long Life Product Prognostics Technology Based on Deep Learning and Statistical Information Fusion | |
| CN118170976B (zh) | 基于电力企业用户画像的智能推荐方法及系统 | |
| CN114070650B (zh) | 网络资产评估方法、装置、电子设备及可读储存介质 |
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 |