[发明专利]一种基于深度信念网络的智能电能表失效率在线预计方法

权利要求书

1.一种基于深度信念网络的智能电能表失效率在线预计方法，其特征在于：包括以下步骤：

步骤1、计算关键元器件基本失效率，并获取其余智能电能表用元器件基本失效率数值；

步骤2、计算智能电能表基本失效率；

步骤3、获取同一型号不同批次智能电能表现场故障数据，计算出智能电能表实际失效率；

步骤4、搭建深度信念网络模型，确定网络的输入为步骤2中的智能电能表基本失效率及现场环境温度和现场工作电应力水平、输出为步骤3中的智能电能表实际失效率；

步骤5、对步骤4所搭建深度信念网络模型进行训练，向网络中输入待预计电能表的基本失效率、实时的现场温度和实时的电应力水平，网络的输出即为预计的电能表失效率。

2.根据权利要求1所述的一种基于深度信念网络的智能电能表失效率在线预计方法，其特征在于：所述步骤1的元器件基本失效率计算方法为：

针对计量芯片、通信芯片、时钟芯片和电池对智能电能表可靠性有重要影响的关键元器件，通过高温工作寿命检测得到基本失效率；

根据JESD74A标准，上述关键元器件基本失效率模型公式为：

式中，χ²表示卡方分布函数，c为置信水平，d为自由度，自由度等于2倍的失效数量再加2，A为加速系数，N为参与测试的样本数量，t_A为加速测试时间；加速系数A可由如下模型求取：

温度应力的作用可由Arrhenius模型表示，温度加速系数A_t计算公式为：

式中，Ea是反应的活化能，k为玻尔兹曼常数，Tu是元器件正常状态下的绝对温度，Ta是元器件加速状态下的绝对温度。

电应力的作用可由Eyring模型表示，电应力加速系数A_v计算公式为：

A_v＝e^Z|Vu-Va| (3)

式中，Z为电压加速常数，Vu是元器件正常状态下的电压，Va是元器件加速状态下的电压。

最终的加速系数A就为上述加速系数的乘积，即：

A＝A_tA_v (4)

智能电能表中其余元器件的基本失效率通过查询GJB/Z 299C手册获取。

3.根据权利要求1所述的一种基于深度信念网络的智能电能表失效率在线预计方法，其特征在于：所述步骤2的具体方法为：

将智能电能表中所有元器件的基本失效率相加，定义此累加值为智能电能表的基本失效率，表达式为：

式中，λ_bm为智能电能表的基本失效率，λ_{b_i}为组成智能电能表的各元器件的基本失效率，n为智能电能表所含元器件的个数。

4.根据权利要求1所述的一种基于深度信念网络的智能电能表失效率在线预计方法，其特征在于：所述步骤3的具体方法为：

由智能电能表现场故障数据经预处理后计算得到的电能表失效率，定义此失效率为智能电能表实际失效率，其计算方法为：

智能电能表失效概率分布函数F(t)为：

式中，s为形状参数，t₀为尺度参数。

针对同批次电能表失效数据，采用下式来计算智能电能表失效概率分布函数，公式为：

式中，t_i为第i次检测时间，r_i为在t_i时间内电能表累计失效个数，N₀为该批次电能表的总数。

由公式(6)和公式(7)变换可得：

采用最小二乘法即可估计出s和t₀的参数值。

智能电能表的可靠寿命t_R计算表达式为：

智能电能表的实际失效率λ_c计算表达式为：