一种电能表寿命预测方法及装置

摘要

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。

权利要求

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。

3.根据权利要求2所述的电能表寿命预测方法，其特征在于，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。

4.根据权利要求3所述的电能表寿命预测方法，其特征在于，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。

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。

说明书

一种电能表寿命预测方法及装置

技术领域

[0001] 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

[0002] 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。

[0003] 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。

[0004] 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。

[0005] 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

[0006] 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。

[0007] 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：

[0008] 确定各故障模式对应的影响因子；

[0009] 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；

[0010] 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；

[0011] 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；

[0012] 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。

[0013] 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。

[0014] 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。

[0015] 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。

[0016] 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。

[0017] 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：

[0018]

[0019] 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。

[0020] 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：

[0021]

[0022] 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。

[0023] 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：

[0024]

[0025] 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

[0026] 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

[0027] 电能表寿命预测方法实施例：

[0028] 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：

[0029] 1)确定各故障模式对应的影响因子。

[0030] 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。

[0031] 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。

[0032] 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。

[0033] 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：

[0034] 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。

[0035] 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)。

[0036] 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。

[0037] 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。

[0038] 本实施例中，斜率影响系数和截距影响系数的计算过程为：

[0039]

[0040] 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。

[0041] 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。

[0042] 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。

[0043] 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。

[0044] 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：

[0045]

[0046] 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。

[0047] 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：

[0048] 修正后的形状参数： 修正后的尺度参数：

[0049]

[0050] 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：

[0051]

[0052]

[0053] 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。

[0054] 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。

[0055] 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。

[0056] 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：

[0057] 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

[0058]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

[0059] 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。

[0060] 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：

[0061] 表二某种故障模式的统计结果

[0062]

[0063] 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。

[0064] 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

[0065] 修正后的形状参数m1＝a′1＝a1×K11；

[0066] 修正后的尺度参数η1＝exp(b′1/a′1)＝exp[(b1×E11)/(a1×K11)]。

[0067] 所得到的结果如表三所示：

[0068] 表三每个时间段对应的各种参数

[0069] 时间t(天) a11 b11 a1 b1 K11 E11 m1 η160 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

[0070] 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。

[0071] 表四修正前后的阶段失效率和累积失效率

[0072]

[0073]

[0074] 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。

[0075] 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。

[0076] 电能表寿命预测装置实施例：

[0077] 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。

[0078] 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。