CN115640542A - 基于贝叶斯理论的智能电能表状态评估方法及评估装置 - Google Patents

Abstract

本发明涉及智能电能表技术领域，特别是涉及基于贝叶斯理论的智能电能表状态评估方法及评估装置。本发明基于贝叶斯理论，利用智能电能表退化试验的退化数据集x计算先验概率，利用智能电能表实际现场采样的采样数据集X计算似然函数，将基于两者参数计算后验概率，实现修正并构建出智能电能表的状态模型。本发明所需样本量小，数据处理负载低，可快速构建出状态模型，提供更为准确的失效概率、对智能电能表运维提供更为有效的参考。

Description

基于贝叶斯理论的智能电能表状态评估方法及评估装置

技术领域

本发明涉及智能电能表技术领域，特别是涉及基于贝叶斯理论的智能电能表状态评估方法及评估装置。

背景技术

近年来，随着智能电网的发展和社会用电量的迅速增加，智能电能表入网数量可观，其可靠稳定的运行对用户及电网公司的利益有重要影响，同时可靠性评估结果对智能电能表的运维工作有较强的指导意义，因此准确评估智能电能表的可靠性具有重要意义。

但现有技术中对于智能电能表状态评估一般是依据大批量历史数据进行统计分析并预测，这种方式的准确性依赖于数据基数，通常要采集多个智能电能表的历史数据。数据基数越大、其评估准确性越高，但数据基数大也意味着数据处理大、负载高。而历史数据时常并不能满足基数大的要求，导致该种方式处于尴尬的情况。

发明内容

基于此，有必要针对现有评估方法对于数据要求量大的问题，提供基于贝叶斯理论的智能电能表状态评估方法及评估装置。

本发明采用以下技术方案实现：

第一方面，

本发明提供了基于贝叶斯理论的智能电能表状态评估方法，包括以下步骤：

步骤一，获取至少一个智能电能表一在退化试验下的状态数据并组成退化数据集x，获取至少一个智能电能表一在实际现场采样的状态数据并组成采样数据集X；

步骤二，对退化数据集x进行处理得到先验概率参数；对采样数据集X进行处理、并结合先验概率参数得到边际似然函数参数及后验概率参数；依据后验概率参数构建基于贝叶斯推理的智能电能表状态模型；

步骤三，依据基于贝叶斯推理的智能电能表状态模型对智能电能表二状态进行评估；其中，所述智能电能表二与智能电能表一型号相同；基于贝叶斯推理的智能电能表状态模型为一个关于运行时长的函数，依据实际运行时长得到反映智能电能表状态的失效概率。

该基于贝叶斯理论的智能电能表状态评估方法实现根据本公开的实施例的方法或过程。

第二方面，

本发明提供了基于贝叶斯理论的智能电能表状态评估装置，包括数据获取模块、模型构建模块、状态评估模块。数据获取模块用于获取至少一个智能电能表一在退化试验下的状态数据并组成退化数据集x、获取至少一个智能电能表一在实际现场采样的状态数据并组成采样数据集X。模型构建模块用于对退化数据集x进行处理得到先验概率参数，对采样数据集X进行处理、并结合先验概率参数得到边际似然函数参数及后验概率参数，依据后验概率参数构建基于贝叶斯推理的智能电能表状态模型。状态评估模块用于模型构建模块构建的依据基于贝叶斯推理的智能电能表状态模型对智能电能表二状态进行评估；其中所述智能电能表二与智能电能表一型号相同。

该基于贝叶斯理论的智能电能表状态评估装置实现根据本公开的实施例的方法或过程。

与现有技术相比，本发明具备如下有益效果：

本发明基于贝叶斯理论，利用智能电能表退化试验的退化数据集x计算先验概率，利用智能电能表实际现场采样的采样数据集X计算似然函数，将基于两者参数计算后验概率，实现修正并构建出智能电能表的状态模型。本发明所需样本量小，数据处理负载低，可快速构建出状态模型，提供更为准确的失效概率、对智能电能表运维提供更为有效的参考。

附图说明

图1为本发明实施例1中基于贝叶斯理论的智能电能表状态评估方法的流程图；

图2为本发明实施例2中基于贝叶斯理论的智能电能表状态评估装置的结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

需要说明的是，当组件被称为“安装于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。当一个组件被认为是“固定于”另一个组件，它可以是直接固定在另一个组件上或者可能同时存在居中组件。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“或/及”包括一个或多个相关的所列项目的任意的和所有的组合。

实施例1

参看图1，图1为本发明中基于贝叶斯理论的智能电能表状态评估方法的流程图。本发明公开了基于贝叶斯理论的智能电能表状态评估方法，分别对退化试验数据以及实际现场采样数据进行处理分析，得到智能电能表状态评估参数估计值，从而建立状态模型。

本发明基于下述基本假定：智能电能表的退化为不可逆过程；在各加速应力水平下，产品的失效机理及失效模式不变；加速退化数据在不同应力水平下具有相同的分布形式。

本发明提及的贝叶斯理论，涉及参数设计、计算，具体介绍如下：

A：智能电能表在退化试验下的状态数据点，即退化数据。

θ：退化数据对应的分布的参数，即A～P(A|θ)。

α：参数分布的超参数，即θ～P(θ|α)。

B：智能电能表在实际现场的采样数据点，即采样数据。一般的，将其视作若干个采集数据点构成的集合。

C：智能电能表的状态数据点、其分布需要被预测，即预测数据。

基于贝叶斯理论，按照下面步骤进行推导：

1，计算先验概率P(θ|α)。先验概率是指参数在没有任何新数据被观测到的情况下的概率分布，也就是假设概率。P(θ|α)即θ在参数条件α下的概率。

2，确定采样分布P(B|θ)，即似然函数。似然函数是指B在其参数条件下的分布，即B在参数条件θ下的概率。而由于θ服从参数条件α下的概率分布，采样分布P(B|θ)也可以写为P(B|θ,α)。

3，计算边际似然函数P(B|α)。边际似然函数是通过将似然函数其中某些参数变量边缘化得到的，是观测数据后得到的边缘分布，即：

P(B|α)＝∫_θP(B|θ)P(B|α)dθ；

这里就是将参数条件α边缘化。

4，计算后验概率P(θ|B,α)。后验概率分布是指在考虑新观测的数据后的参数分布，它由贝叶斯规则决定、形成了贝叶斯推理的核心。也就是说，后验概率引入了新数据B，对仅依靠旧数据A得到的先验概率进行修正。

即，P(θ|B,α)表示θ在参数条件B下的概率，B与α符合边际似然函数。因此：

简而言之，后验概率等于似然函数乘以先验概率再除以边际似然函数。

这样，获得的后验概率可对C的概率分布进行较为准确的预测。

基于上述贝叶斯原理，本智能电能表状态评估方法，包括以下步骤：

步骤一，获取至少一个智能电能表一在退化试验下的状态数据并组成退化数据集x，获取至少一个智能电能表一在实际现场采样的状态数据并组成采样数据集X。

对于退化数据集x，可采用现有试验数据或对智能电能表一进行退化试验获取。后者中的退化试验为加速退化，即对至少一个智能电能表一进行不同加速应力作用，并采集智能电能表一的对应的状态数据。需要说明的是，前者虽采用现有试验数据，但对于数据量的要求较现有方式也更少。

对于退化数据集x、采样数据集X，状态数据包括但不限于智能电能表一的个数k、智能电能表一失效时对应施加的应力F、智能电能表一的失效时间点t、智能电能表一失效前的运行时长T、智能电能表一所处的环境温湿度E。状态数据可根据实际情况进行类别的增删。

步骤二，对退化数据集x进行处理得到先验概率参数；对采样数据集X进行处理、并结合先验概率参数得到边际似然函数参数及后验概率参数；依据后验概率参数构建基于贝叶斯推理的智能电能表状态模型。

基于上述假定，电子产品退化过程一般为高斯过程，符合正态分布。

本实施例中，将作为智能电能表一失效前的运行时长T作为θ。将智能电能表一的个数k、智能电能表一失效时对应施加的应力F、智能电能表一失效时间点t、智能电能表一所处的环境温湿度E作为α。

首先，对退化数据集x进行处理得到先验概率参数(期望μ_x、方差σ_x)：

因此将x归为高斯正态分布，即x表示为{x₁、x₂、...、x_n}，n为退化数据集x数据的总数量。其中，x_i(i＝1～n)表征退化数据集x内θ在条件α下的分布。

计算其期望μ_x：

计算其方差σ_x：

其次，对采样数据集X进行处理、并结合先验概率参数(期望μ_x、方差σ_x)得到边际似然函数参数(期望μ_o、方差σ_o)及后验概率参数(模型期望μ_f、模型方差σ_f)。

将X归为高斯正态分布，X为{X₁、X₂、...、X_m}，m为采样数据集X数据的总数量。与上面的类似的，X_i(i＝1～n)表征采样数据集X内θ在条件α下的分布。

计算其期望μ_X：

计算其方差σ_X：

根据退化数据集x的期望μ_x、采样数据集X的期望μ_X计算边际似然函数期望μ_o：

μ_o＝∑μ_xμ_X；

根据退化数据集x的方差σ_x、采样数据集X的方差σ_X计算边际似然函数方差σ_o：

根据退化数据集x的期望μ_x、采样数据集X的期望μ_X、边际似然函数期望μ_o计算模型期望μ_f：

根据退化数据集x的方差σ_x、采样数据集X的方差σ_X、边际似然函数方差σ_o计算模型方差σ_f：

依据模型期望μ_f、模型方差σ_f构建基于贝叶斯推理的智能电能表状态模型，模型表示为函数式F(θ)：

步骤三，依据基于贝叶斯推理的智能电能表状态模型对智能电能表二状态进行评估；其中，所述智能电能表二与智能电能表一型号相同。

该智能电能表状态模型为一个关于运行时长的函数，表征智能电能表状态与运行时长的关系，呈负相关。虽然公知的，运行时长越大，智能电能表状态越差、失效概率越高，但本实施例提供的智能电能表状态模型可依据实际运行时长给出该种智能电能表更为准确的失效概率，对电网运维提供更为有效的参考。

需要说明的是，相较于采用大量历史数据进行分析预测，本案基于少量试验数据，并采用实际采样数据进行修正，数据量少，处理负载低，即可得到反映智能电能表一通用的状态评估的模型。

实施例2

参看图2，为本发明中基于贝叶斯理论的智能电能表状态评估装置的结构图。本实施例公开了基于贝叶斯理论的智能电能表状态评估装置，包括数据获取模块、模型构建模块、状态评估模块。

数据获取模块用于获取至少一个智能电能表一在退化试验下的状态数据并组成退化数据集x、获取至少一个智能电能表一在实际现场采样的状态数据并组成采样数据集X。模型构建模块用于对退化数据集x进行处理得到先验概率参数，对采样数据集X进行处理、并结合先验概率参数得到边际似然函数参数及后验概率参数，依据后验概率参数构建基于贝叶斯推理的智能电能表状态模型。状态评估模块，其用于依据模型构建模块构建的基于贝叶斯推理的智能电能表状态模型对智能电能表二状态进行评估；其中所述智能电能表二与智能电能表一型号相同。

其中，模型构建模块对数据处理的过程参看实施例1的步骤二，此处不再重复。状态评估模块配置有数据输入及结果输出，这样使用本装置进行状态评估时，只需输入某智能电能表二已运行时长T1，即得到该智能电能表二的状态值F(T1)，该F(T1)值表示该智能电能表二失效概率。若该失效概率超过预设阈值(例如80％～90％)，需要及时对该智能电能表二进行检修或更换。

当然，为了便于使用者操作使用，本基于贝叶斯理论的智能电能表状态评估装置还设置了显示模块。显示模块用于显示输入值、输出值。输入值为某智能电能表二已运行时长T1，输出值为该智能电能表二的状态值F(T1)。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.基于贝叶斯理论的智能电能表状态评估方法，其特征在于，包括以下步骤：

步骤一，获取至少一个智能电能表一在退化试验下的状态数据并组成退化数据集x，获取至少一个智能电能表一在实际现场采样的状态数据并组成采样数据集X；

步骤二，对退化数据集x进行处理得到先验概率参数；对采样数据集X进行处理、并结合先验概率参数得到边际似然函数参数及后验概率参数；依据后验概率参数构建基于贝叶斯推理的智能电能表状态模型；

步骤三，依据基于贝叶斯推理的智能电能表状态模型对智能电能表二状态进行评估；其中，所述智能电能表二与智能电能表一型号相同；基于贝叶斯推理的智能电能表状态模型为一个关于运行时长的函数，依据实际运行时长得到反映智能电能表状态的失效概率。

2.根据权利要求1所述的基于贝叶斯理论的智能电能表状态评估方法，其特征在于，在步骤一之前，对至少一个智能电能表一进行退化试验。

3.根据权利要求1所述的基于贝叶斯理论的智能电能表状态评估方法，其特征在于，所述状态数据包括：

智能电能表一的个数、智能电能表一失效时对应施加的应力、智能电能表一的失效时间点、智能电能表一失效前的运行时长、智能电能表一所处的环境温湿度。

4.根据权利要求3所述的基于贝叶斯理论的智能电能表状态评估方法，其特征在于，步骤二中对退化数据集x进行处理得到先验概率参数的方法包括：

将退化数据集x归为高斯正态分布，其中，x为{x₁、x₂、...、x_n}，n为退化数据集x数据的总数量；

计算其期望μ_x：

计算其方差σ_x：

5.根据权利要求4所述的基于贝叶斯理论的智能电能表状态评估方法，其特征在于，步骤二中对采样数据集X进行处理的方法包括：

将采样数据集X归为高斯正态分布，其中，X为{X₁、X₂、...、X_m}，m为采样数据集X数据的总数量；

计算其期望μ_X：

计算其方差σ_X：

6.根据权利要求5所述的基于贝叶斯理论的智能电能表状态评估方法，其特征在于，步骤二中结合先验概率参数得到边际似然函数参数的方法包括：

所述边际似然函数参数包括边际似然函数期望μ_o、边际似然函数方差σ_o；

根据退化数据集x的期望μ_x、采样数据集X的期望μ_X计算边际似然函数期望μ_o：

μ_o＝∑μ_xμ_X；

根据退化数据集x的方差σ_x、采样数据集X的方差σ_X计算边际似然函数方差σ_o：

7.根据权利要求6所述的基于贝叶斯理论的智能电能表状态评估方法，其特征在于，步骤二中得到后验概率参数的方法包括：

所述后验概率参数包括模型期望μ_f、模型方差σ_f；

根据退化数据集x的期望μ_x、采样数据集X的期望μ_X、边际似然函数期望μ_o计算模型期望μ_f：

根据退化数据集x的方差σ_x、采样数据集X的方差σ_X、边际似然函数方差σ_o计算模型方差σ_f：

8.根据权利要求7所述的基于贝叶斯理论的智能电能表状态评估方法，其特征在于，步骤二中依据后验概率参数构建基于贝叶斯推理的智能电能表状态模型的方法包括：

依据模型期望μ_f、模型方差σ_f构建基于贝叶斯推理的智能电能表状态模型，模型表示为函数式F(T)：

其中，T为智能电能表运行时长。

9.基于贝叶斯理论的智能电能表状态评估装置，其特征在于，包括：

数据获取模块，其用于获取至少一个智能电能表一在退化试验下的状态数据并组成退化数据集x、获取至少一个智能电能表一在实际现场采样的状态数据并组成采样数据集X；

模型构建模块，其用于对退化数据集x进行处理得到先验概率参数，对采样数据集X进行处理、并结合先验概率参数得到边际似然函数参数及后验概率参数，依据后验概率参数构建基于贝叶斯推理的智能电能表状态模型；

状态评估模块，其用于模型构建模块构建的基于贝叶斯推理的智能电能表状态模型对智能电能表二状态进行评估；其中所述智能电能表二与智能电能表一型号相同。

10.根据权利要求9所述的基于贝叶斯理论的智能电能表状态评估装置，其特征在于，所述基于贝叶斯理论的智能电能表状态评估装置还包括显示模块，其用于显示输入值、输出值。

Images