[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

说明书

本发明涉及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，包括以下步骤：步骤1、计算关键元器件基本失效率；步骤2、计算智能电能表基本失效率；步骤3、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。本发明能够得出符合工作剖面的智能电能表失效率，为智能电能表的现场检测维修、前期可靠性设计等工作提供重要参考。

技术领域

本发明属于深度学习算法在智能电能表应用技术领域，涉及智能电能表失效率在线预计方法，尤其是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。

背景技术

随着智能电能表双向多种费率计量功能、用户端控制功能、多种数据传输模式的双向数据通信功能、防窃电功能等智能化功能实现的同时，其内部电子元器件种类和数量的增加以及电路结构的复杂化给智能电能表的可靠性带来了巨大的影响。所以提高智能电能表的可靠性分析能力，实现智能电能表失效率的准确预测，减少智能电能表故障给电力部门及用户造成的经济损失势在必行。

目前，针对电子设备的失效率预测方法主要分为两种：基于失效机理分析的物理模型法和基于可靠性预计手册的元器件应力法。前者从产品失效过程中物理、化学和机械等根本原因入手，分析出产品的主要失效机理，通过仿真或数学推导方式得出失效物理模型，进而预测产品的失效率。该方法无需大批量统计元器件的失效数据以及进行加速应力试验，从失效模型即可进行可靠性预测，但是一些失效机理对应的失效物理模型尚在研究当中，所以这种方法目前无法应用于所有产品的可靠性预测。后者元器件应力法是结合可靠性预计手册中数据和电子设备应用现场各种影响因子，并通过系统可靠性框图求出整个设备失效率的一种方法。当前对智能电能表失效率的预测大多采用基于可靠性预计手册的元器件应力法，但是此方法计算值往往与电能表实际现场应用中的失效率有较大偏差。因此以数据为基础，通过深度学习的方法对智能电能表的失效率进行准确预计具有重要意义。

经检索，未发现与本发明相同或相近似的现有技术的公开文献。

发明内容

本发明的目的在于克服现有技术的不足，提出一种设计合理、实用性强且预计结果准确的基于深度信念网络的智能电能表失效率在线预计方法。

本发明解决其现实问题是采取以下技术方案实现的：

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，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。

而且，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：