论文部分内容阅读
智能电能表是智能电网的神经末梢,其可靠性影响着千家万户的用电安全。实际运行过程中,智能电能表分布地域极为广阔、运行环境千差万别。自然运行情况下,同种型号智能电能表由于环境因素的差异,其可靠性情况有显著区别。本文以此为研究背景,分析严酷环境下智能电能表可靠性数据分布与环境应力的关系,靶向选择新疆、黑龙江与福建等典型省份多时空下智能电能表运行数据。针对传统可靠性算法对样本量需求大、无法充分利用先验信息且对噪声点敏感等问题,通过深入研究可靠性相关理论,本文建立智能电能表层次贝叶斯零膨胀负二项(Zero-inflated Negative Binomial,ZINB)广义线性回归模型(Generalized Linear Model,GLM)。基于智能电能表层次贝叶斯ZINB-GLM可靠性分析模型,定量研究环境因素对可靠性的影响程度,预估智能电能表的短期运行状态,为研究智能电能表可靠性工作展示了一种新的解决方案。本文首先阐述智能电能表可靠性研究的重要意义,介绍传统可靠性研究方法,总结国内外可靠性的研究现状,引出贝叶斯理论在可靠性中的重要应用;其次,揭示智能电能表失效机理,并从单元级层面分析与环境因素的关系,实现从典型环境地区抽出样本数据,介绍可靠性分析的常规步骤;然后,研究智能电能表小样本故障数据对象离群点的检测方法。针对离群值检测(Local Outliers Factor,LOF)算法对小样本数据离群点判别失效的问题,通过引入平均窗和格拉布斯测试双重标准,提高故障数据中离群点判断的准确性,将LOF因子通过联接函数融入模型,深入挖掘出小样本离群点的潜藏信息;然后,研究在贝叶斯模型框架下先验分布的选择方法和评价标准,介绍广义线性回归模型的组成和评价标准,以及环境因子的定义和折算方案。通过建立贝叶斯层次威布尔模型,在没有融合环境因子的前提下,对某地区智能电能表可靠度进行短期预估;此外,针对智能电能表故障数据出现的零膨胀特征,首次引入零膨胀分析过程,针对故障数据中零值过多和离散化问题,通过环境因子折合算法,构造广义层次回归结构,充分融合环境应力特征,得出环境因素对故障率的影响程度,准确预估出智能电能表可靠性。最后通过对实际故障数据分析表明,相比泊松分布、高斯分布、极大似然估计,贝叶斯ZINB回归模型更加能够针对严酷环境下的智能电能表的变化特征。