[发明专利]一种利用威布尔分布与ARMA结合的设备故障率预测方法

说明书

本发明属于电力系统的设备故障率预测技术领域，尤其涉及一种利用威布尔分布与ARMA结合的设备故障率预测方法，将获取的设备故障率数据按照时间序列的顺序进行排列，得到设备故障率的时间序列数据。根据设备故障率的发展趋势，对设备所在的故障期进行判断，基于故障期的判断结果选取不同阶段的威布尔分布函数对故障率数据进行建模，确定故障率时间序列数据的趋势项。将故障率时间序列数据与其趋势项作差，得到故障率随机项的时间序列数据，并基于时间序列分析的方法对随机项建立时间序列ARMA模型。将趋势项预测结果与随机项的预测结果相加，得到设备故障率的预测结果。该方法将威布尔分布函数与时间序列分析模型相结合，实现了设备故障率的精确预测。

技术领域

本发明属于电力系统的设备故障率预测技术领域，尤其涉及一种利用威布尔分布与ARMA结合的设备故障率预测方法。

背景技术

电力设备的故障率是一组随时间推移而形成的随机序列，一般是通过长期对设备实际运行状况进行记录，对所得数据进行统计分析而得到的。一方面，由于电力设备在地域分布上的复杂性、运行状态的随机多样性，使得电力设备的故障率具有时变性、随机性等特点，另一方面其又有自身变化规律。设备故障率是对设备进行可靠性评估的基础，因此研究设备故障率预测方法对提高设备可靠性评估的可信度和确定设备可靠性指标有着重要影响。

目前，国内外多已开展了设备故障率预测方法的相关研究，由于设备故障率的影响因素多且复杂，故障率数据的非等间隔、样本数据量少等因素，导致设备故障率的预测难度增大、预测精度差等问题，主要体现在以下几个方面：

(1)设备故障率的影响因素众多且影响原理复杂，难以建立设备故障率与全部影响因子的预测模型，同时，建立设备故障率与主要影响因子的预测模型又不能充分全面的描述影响因子对设备故障率的影响，从而导致预测难度增大。

(2)设备故障率数据的采集，并非严格的等时间间隔，因此将其作为等时间间隔的数据进行建模分析，忽略采样间隔对设备故障率的影响，导致预测精度差。

(3)受电力设备可靠性统计资料的限制，使得可使用的统计样本数量少，很难找到合适的拟合函数进行建模拟合，导致设备故障率数据拟合精度差。

发明内容

本发明的目的是提供一种将威布尔分布函数与时间序列分析模型相结合，对设备故障率进行精确预测的方法。

为实现上述目的，本发明采用的技术方案是:一种利用威布尔分布与ARMA结合的设备故障率预测方法，包括以下步骤：

步骤1、将获取的设备故障率数据按照时间序列的顺序进行排列，得到设备故障率的时间序列数据；其形式为(t₁，λ₁)，(t₂，λ₂)···(t_n，λ_n)，时间t为自变量，故障率λ_i，i＝1，2，···n为因变量，n为数据个数；

步骤2、根据设备故障率时间序列数据的发展趋势，对设备故障期进行判断，并基于设备故障期的判断结果，选取不同阶段的威布尔分布函数对设备故障率数据进行建模，确定设备故障率时间序列数据的趋势项；

步骤3、将设备故障率时间序列数据与其趋势项作差，得到设备故障率随机项的时间序列数据，并基于时间序列分析的方法对设备故障率随机项建立时间序列ARMA模型；

步骤4、将设备故障率时间序列数据的趋势项预测结果与设备故障率随机项的预测结果相加，得到设备故障率的预测结果。

在上述的利用威布尔分布与ARMA结合的设备故障率预测方法中，步骤1的实现包括：

步骤1.1、通过分析按时间序列的顺序进行排列的设备故障率数据，判断设备故障率数据的时间间隔；