基于贝叶斯与数据驱动的智能电表状态感知技术研究

为更准确地对智能电能表进行状态评估,文中将加速退化试验数据与现场检测状态数据相结合。文章基于加速退化试验(Accelerated Degradation Test,ADT)数据,成立了线性Wiener过程退化以及综合湿、温度加速模型,以贝叶斯理论对模型进行参数预测,利用外场检测状态数据修正退化模型中的参数,最终给出了智能电能表在运行状态下的状态评估结果。该方法同时解决了仅基于加速退化试验数据的在线运行状态评估和通过外场条件获得的状态数据预测模型的两类不准确性问题,对智能电能表数据融合方法的研究具有一定的参考价值。     

基于贝叶斯与数据驱动的智能电能表状态感知技术研究

为更准确地对智能电能表进行状态评估,文中将加速退化试验数据与现场检测状态数据相结合.文章基于加速退化试验(Accelerated Degradation Test,ADT)数据,成立了线性Wiener过程退化以及综合湿、温度加速模型,以贝叶斯理论对模型进行参数预测,利用外场检测状态数据修正退化模型中的参数,最终给出了智...     

新陈代谢灰色粒子滤波实现电池剩余寿命预测

电池剩余寿命(RUL)预测是电池管理系统的核心技术之一。为了以较少的数据量准确地在线预测电池RUL,提出新陈代谢灰色粒子滤波(MGM-PF)算法。首先利用一阶RC模型在线估算电池容量;然后基于估算的容量数据,利用新陈代谢灰色模型动态更新的灰色发展系数作为模型参数,构建表征电池容量退化的动态状态空间模型;并融合粒子滤波跟踪电池容量退化,实现电池RUL预测并给出预测结果的不确定性表达。实验结果表明,所提出的基于在线容量估算的MGM-PF算法能准确预测电池RUL。     

电动汽车供电系统锂电池剩余寿命预测

电动汽车的锂电池受工况、环境等因素影响,具有很强的时变非线性,对其进行剩余寿命预测具有挑战性。针对现有算法未同时考虑不确定表达、预测精度以及不同电池的适应能力对剩余寿命的影响,提出了一种正则化粒子滤波和自回归滑动平均模型相融合的锂电池剩余寿命预测算法。以锂电池的经验退化模型作为融合算法的状态方程,自回归滑动平均模型的预测输出值替代观测值,构建状态空间模型,迭代更新电池容量,实现锂电池的剩余寿命预测。基于NASA锂电池数据集进行仿真验证,并与标准粒子滤波和正则化粒子滤波算法相比较,实验结果表明,在中期、后期预测过程中融合算法的预测误差在5%以下,该方法具有较好的锂电池剩余寿命预测精度。     

基于加速退化试验的智能电能表服役抽检试验和乘余寿命预测方法

智能电能表服役一段时间后,需要定期进行抽检,决定该批次电表能否在线服役以及还能服役多少年。本文针对到达一定期限的智能电能表进行剩余寿命预测研究。首先根据到期智能电能表的抽检结果,选择部分样本进行恒定应力加速退化试验,试验过程中对输出性能参数基本误差进行监测。根据建立的幂函数退化模型和温湿综合加速模型,利用步进应力加速试验数据处理思想,推导得到高应力下产品的伪寿命分布,从而计算得出产品在给定可靠度为0.9时产品的剩余寿命。     

基于加速退化试验数据的智能电能表早期失效分析

基于加速退化试验进行智能电能表的寿命预测,是当前解决智能电能表的可靠性评估的一种有效手段。智能电能表在设计、制造过程中不可避免的引入早期失效的问题,若在开展加速退化试验工作时,不对检测得到的智能电能表性能数据进行早期失效分析,将存在早期失效的智能电能表的伪寿命数据引入寿命评估,会导致错误的寿命评估结果及不必要的后期维修更换成本、风险。针对智能电能表的加速退化试验数据处理问题,提出了一种基于加速退化试验数据的早期失效分析方法,并以某单相智能电能表为例,进行了分析验证,本文的研究进一步提升了智能电能表寿命评估的准确性。     

Wiener过程性能退化电子产品的剩余寿命预测方法

针对Wiener过程性能退化电子产品剩余寿命预测中存在先验信息获取困难、预测不能有效体现个体差异性的问题,研究一种基于自助法的电子产品剩余寿命预测方法。首先,基于Wiener过程建立性能退化模型;其次,利用自助法获取先验数据,并以此数据确定退化模型参数的先验分布;最后,由贝叶斯方法融合退化数据确定退化模型参数的后验估计,进而由剩余寿命分布确定产品的剩余寿命。该方法能够得到具有个体差异性的预测结果,适合于单个电子产品的在线剩余寿命预测,并通过对GaAs激光器的实例分析验证了该方法的有效性。     

基于小波包能量熵的电池剩余寿命预测

电池剩余寿命(RUL)预测对电池健康管理至关重要。该文针对传统电池RUL预测过于依赖电池容量而容量数据难以直接获取的问题,提出对可直接在线测量的电池放电电压进行小波包能量熵(WPEE)提取替代容量表征电池退化。此外,利用提取的WPEE建立分数阶灰色退化模型(FGM)融合改进无迹粒子滤波(AUPF),构建FGM-AUPF算法框架,最终实现电池RUL预测。实验结果表明,该文构建的FGM-AUPF算法框架分别利用电池放电电压WPEE和容量作为退化表征量,均能准确地预测电池RUL,且用电池放电电压WPEE预测得到的结果相对误差不大于5.96%。     

基于改进粒子滤波的锂离子电池剩余寿命预测

针对锂离子电池剩余寿命预测精度低、泛化能力差等问题,提出基于改进粒子滤波的预测方案。首先,提出双高斯模型作为退化经验模型,拟合锂离子电池的容量退化过程。然后,通过先验知识设置退化模型的初始参数,并利用粒子滤波方法进行参数更新。针对预测过程中出现的粒子退化问题,提出高斯混合方法进行粒子重采样,拟合重采样过程中粒子复杂的非线性分布和长尾分布,保证预测结果的概率密度分布状况均匀且集中。最后在不同的数据集上进行了实验验证,结果表明所提出的改进粒子滤波方案具有较高的精度和较强的鲁棒性。     

基于TRNN和FA-PF融合的锂离子电池RUL预测

预测锂电池剩余使用寿命RUL（remaining useful life）可以提高电池供电系统的稳定性和安全性,从而明确故障的发生并及时做出响应。在预测过程中粒子滤波PF（particle filter）常用于在线辨识模型参数,但当PF在线辨识参数时易出现粒子贫化问题,需要大量粒子才能完成状态估计,这将会导致预测结果不准确。为了提高RUL预测的准确性,提出一种基于时间递归神经网络TRNN（time recurrent neural network）和萤火虫算法FA（firefly algorithm）优化PF融合的锂电池RUL预测方法。首先,由于TRNN的泛化能力优于经验模型,并且易于捕捉容量退化的长距离依赖问题,因此选用其模拟各种条件下的电池退化模型;其次,基于FA优化的PF技术对TRNN模型参数进行递归更新,使粒子群移动到高似然区域,从而减少PF的贫化;最后,选择不同条件下不同电池的实验数据进行验证和比较。结果表明,与传统方法相比,该方法具有更高的RUL预测精度。     

基于加性分位数GB算法的智能电能表数据不确定性预测

与传统电力数据相比,智能电能表数据波动性更大,可预测性更低。能源行业需对智能电能表数据进行概率预测,以量化未来电力需求的不确定性,以便对发电和配电进行合理规划。文章提出了一种用梯度提升算法估计智能电能表数据未来分布的加性分位数回归模型。所提方法提出了电能表数据概率预测的分位数回归及分位数修正算法。基于分位数算法给出了综合考虑外部影响因素的加性分位数的GB算法,并研究了该基于梯度提升算法的智能电能表数据概率预测加性分位数模型的关键性能参数选择,从而建立起了高性能的智能电能表数据概率预测模型;通过算例分析证明了该方法在综合和单个用户智能电能表数据概率预测中的准确性和有效性,尤其是在单个用户电能表数据概率预测方面具有远超其他算法的优越性能。     

考虑模型病态性的智能电表运行误差分析方法

基于数据分析的低压台区电能表误差分析方法仅仅依赖于计量系统中台区计量数据,具有覆盖率高、快速便捷的优点,但受制于模型病态性而无法保证计算所得电表误差的精度。针对由病态性而导致的模型求解困难问题,文章从数据和求解算法两方面着手提高求解精度。通过设计基于贪心策略的数据优选算法,快速选取有利模型求解的数据;通过改进经典吉洪诺夫正则化算法,抑制解的波动,从而有效解决智能电表运行误差检定算法模型病态。以天津电网实际低压台区用电数据为算例,验证了所提方法能够有效提升智能电表运行误差检定算法的计算准确度,为实际的电能表检定维护工作提供科学参考。     

基于系统寿命分布的智能电能表时钟电池欠压预测研究

电池欠压故障在智能电能表现场运行过程中具有普遍性,由于电池欠压诱发原因,可靠性数据来源具有多样性,使得在现场运行上开展电池欠压量化评价困难,尚缺少适用的时钟电池欠压的评估与预测方法。文中方法从时钟电池回路层面梳理各组成单元可靠性逻辑关系,针对电池欠压故障模式构建时钟电池回路系统可靠性模型,创新性地提出时变权重构建系统寿命分布模型,提出基于系统可靠性综合理论的时钟电池欠压预测方法,实现综合利用单元性能退化数据、寿命数据以及寿命分布信息以预测时钟电池欠压事件触发时间,解决组成单元可靠性信息多样性条件下电能表时钟电池欠压量化评价困难的问题,最后以现场运行表计时钟欠压故障案例验证文中方法的有效性。     

Smart electricity meter reliability prediction based on accelerated degradation testing and modeling

The smart electricity meter (SEM) is one of the most critical elements of smart grids. The billing function of SEM is one of its most important functions to its operators and end-users. Because the SEM devices need to be highly reliable, in this study we conduct accelerated degradation tests (ADTs) for the prediction of SEM reliability with respect to the billing function. For designing the ADTs, we have identified five key modules and their components, two performance indicators, and three possible degradation stressors. Six ADTs are conducted under different configurations of the stressors. The test data are then used to fit degradation paths by linear regression models. Extrapolation to the failure threshold allows the prediction of the Time-to-Failure of SEM. Finally, the reliable lifetime of the SEM is predicted by an accelerated degradation function which is obtained by fitting a Weibull failure time distribution.     

基于威布尔分布的电能表可靠度评价

电能表的可靠度评价是电能表质量的重要评判标准。针对当前国网信息系统中电能表可靠度评价模式比较简单、不够准确的问题,文章基于威尔布分布,结合电能表的可靠度理论,实现对实际运行电能表的批次可靠度评价。利用实际运行中电能表的批次运行数据,计算电能表不可靠度,采用最小二乘法回归计算中间参数,并确定威布尔分布的尺度参数和形状参数,实现对整个批次电能表可靠度的预测。该方法在电能表可靠度计算理论的基础上成功实现了威布尔分布理论在电能表评价中的实际应用,突破了传统方法采用实验室加速试验数据的局限性,并实现了模型的动态修正,在电能表轮换工作中具备较高的应用价值。     

基于MATLAB/SIMULINK的智能电表寿命预测仿真模型

智能电表是智能电网建设中一个重要的电气测量设备,其运行可靠性将直接影响电网的安全与稳定。但由于电网中智能电网数量众多,很难对其逐个进行寿命预测实验。因此,建立能够准确预测正在运行智能电表的寿命预测模型,对于开展智能电表寿命预测方法的研究具有重要实际意义。为此,文章在分析了智能电表的工作原理基础上,采用Matlab/Simulink软件,对其内部电压采样模块、电流采样模块、功率计量模块进行了建模。在此基础上,采用Peck加速模型,对其智能电表建立寿命预测模型。对采用的智能电表设计了寿命加速实验,验证了仿真模型的正确性。研究成果为我国电力系统中如何对正在运行的智能电表进行合理的寿命预测提供重要技术支持。     

基于复合核 SVM 的智能电表基本误差预测方法

智能电表作为电网的终端设备,其退化情况与工作环境、运行时间等因素密切相关.针对复杂变量条件下智能电表退化情况难以预测的问题,提出一种基于复合核支持向量机(support vector machine,SVM)的智能电表基本误差预测方法.首先对智能电表退化数据进行分析,采用皮尔逊相关性分析找出与智能电表基本误差相关性极强的环境变量.然后,为进一步提取数据退化特征,采用模糊C均值聚类算法对智能电表退化数据进行聚类,确定退化特征向量.最后,基于高斯径向基核函数与多项式核函数构造一种新的复合核SVM模型用以预测智能电表基本误差.结合新疆地区智能电表退化数据对复合核SVM模型性能进行验证,实验结果表明,复合核SVM模型可以准确预测复杂环境下智能电表的基本误差,其预测准确率高于贝叶斯方法、神经网络方法以及经典SVM方法.