资产管理在通过协调规划、监控、维护和资源分配等关键活动来优化网络系统的生产力、效率和可靠性方面发挥着至关重要的作用。在商业企业中，它作为一种战略工具，通过降低成本和降低风险来提高盈利能力（Mirzaei, Amirioun, Kazemi, & Dashti, 2020）。在电力分配公司和市政基础设施等自然垄断行业中，资产故障可能会产生深远的社会后果，因此其重要性更加突出（Miaofen, Youmin, Tianyang, Fulei, & Zhike, 2023）。在这些领域，资产管理不善不仅会降低服务质量，还会给政府带来负担（Wang, 2024）。这类网络中的一个紧迫问题是基础设施的老化问题，许多资产的使用寿命远超过设计寿命，从而增加了维护需求和可靠性风险（Koppinen and Rosqvist, 2010, Rowland and Bahadoorsingh, 2008）。
为应对这些挑战，需要制定强大的资产管理策略，以确保系统的持续性能和韧性（Hang, Qiu, Hao, & Ding, 2024）。为此，经常使用配电系统发展指数作为评估资产治理框架有效性的关键指标（Shaghaghi, Taghitahooneh, Yahyaeifar, & Dashti, 2024），这进一步强调了系统管理的必要性（He, Hang, Ding, Sun, & Hua, 2024）。一般来说，资产管理涵盖三个关键类别：管理（规划、实施和系统智能）；资产（主要设备、控制设备和保护设备）；以及生产力（在最小化浪费的同时最大化效用）（Shaghaghi, Tahooneh, Rezaei, Dashti, & Zahedi, 2025）。作为能源供应链的最后一个环节，电力分配公司管理着众多分散的资产，需要精确的规划和维护策略（Maheshwari, 2006）。为了实现这些目标，必须全面分析资产行为，以了解故障模式并提高系统可靠性（Wang, Han, Chu, & Feng, 2016）。
有几个相互关联的因素会影响故障率（Zhao, Wang, & Chu, 2019）。首先，预算和财务资源至关重要，因为适当的分配可以确保必要的调整以改善网络性能（Hedayati, Taghitahooneh, Shaghaghi, & Dashti, 2024）。其次，资产寿命和维护对于减少故障至关重要，相关策略侧重于生命周期成本、故障消除和历史停电数据（Geldenhais, 2005, Zhang and Gockenbach, 2007, Zickler et al., 2005）。此外，网络可靠性评估通过考虑设备故障成本和运营约束来评估风险（Anguelov and Stoilov, 2016, Kisuule et al., 2021）。外部约束，如老化资产和紧张的预算，对维护网络可靠性构成了重大挑战（Ghorbani, Ghaderi, Estelaji, Naseri, & Zahedi, 2024），需要采取综合方法来考虑相互依赖性（Clements & Mancarella, 2018）。此外，自然灾害和高影响事件会通过加速资产老化和运营风险显著影响可靠性，从而影响长期的资产管理策略（Najafi Ravadanegh et al., 2018, Yahyaeifar et al., 2024）。
由于地理因素、安装冲突和城市规划限制，估计故障率本身就具有挑战性（Taghi Tahooneh & Dashti, 2022）。历史上的投资不足导致资产加速恶化，进一步增加了确定准确故障率的复杂性（Shamaee, Yousefi, & Zahedi, 2025），而投资决策往往受到监管基准的影响，从而产生了不确定性（Shaghaghi, Taghitahooneh, Dashti, & Zahedi, 2024）。从统计上看，平均故障率的局限性阻碍了人口层面和单个资产故障率之间的区分（Jürgensen, Nordstrom, & Hilber, 2016）。此外，许多规划模型将这些比率视为确定性的，从而在可靠性评估中引入了显著的不确定性（De La Barra, Gil, Angulo, & Navarro-Espinosa, 2020）。为了解决这个问题，现代风险评估框架强调区分内在的物理随机性（偶然不确定性）和知识缺陷（认知不确定性）的必要性，以确保决策的稳健性（Yazdi, Kabir, & Walker, 2019）。在数据可能不完美的复杂社会技术系统中，专家判断是管理这些认知差距的重要机制（Zarei, Yazdi, Moradi, & BahooToroody, 2024）。
许多研究通过不同的方法论视角解决了这些复杂性（Shaghaghi et al., 2024, Tayefeh et al., 2023, Tian et al., 2024, Wang et al., 2022, Wang, 2022）。决策和优先级排序已经使用多标准方法（Wan, 2025）和风险价值约束进行资产分配（Dashti, Afsharnia, & Ghasemi, 2010）进行了探讨，而其他研究则关注维修和维护之间的相互作用（Taghitahooneh, Shaghaghi, Dashti, & Ahmadi, 2024）。更广泛的系统因素，如制度政策（Park, Park, & Lee, 2016）、商业驱动因素（Shaghaghi, Taghitahooneh, & Dashti, 2024）和监管框架（Lima & Costa, 2019），也对可靠性策略至关重要（Lu, 2025）。从数据角度来看，研究关注数据质量（Koziel, Hilber, Westerlund, & Shayesteh, 2021）、资产重要性（Martínez-Galán et al., 2019）以及将数据作为资产进行管理（Wang, Li, Song, & Li, 2018）。具体的运营改进包括以可靠性为中心的维护（RCM）（Adoghe, Awosope, & Ekeh, 2013）、分布式资产的维护策略（Manco, Rinaldi, Caterino, Fera, & Macchiaroli, 2022）、基于生命周期的电池储能系统（BESS）的成本降低（Liu, Zheng, Büyüktahtak?n, Zhou, & Wang, 2021）以及基于过程的可靠性评估的依赖性建模（Taghi Tahooneh & Dashti, 2022）。此外，最近的分析方法利用了大规模分析（Hedayati et al., 2024）、概率故障分析（Benammar & Tee, 2020）和时变故障率（TFR）估计（Chu, Moon, Lee, & Kim, 2010），以及实际应用，如结合环境温度的变压器寿命预测（Ariannik, Razi-Kazemi, & Lehtonen, 2020）、集成学习（Marcello, Davide, Marco, Leonardo, & Luca, 2020）；和服务中断的统计分析（Clavijo-Blanco & Rosendo-Macías, 2020）。
谭等人（Tan et al., 2025）创新性地提出了一种适用于非完美检测信息下的多组分连续退化系统的易处理CBM模型，该模型适用于异构系统结构和任意的层次化维护动作。马等人（Ma et al., 2025）建立了针对异构退化系统的常规维护和任务终止决策的协作自适应优化问题。吴等人（Wu et al., 2025）专注于具有有限运行寿命的系统，并且创新相关修改的精确时机不确定的情况。沙加吉等人（Shaghaghi et al., 2026）提出了一个双优化框架，旨在将电动汽车（EV）充电站集成到配电网络中，以在提高网络性能的同时实现经济效益最大化。
尽管像以可靠性为中心的维护（RCM）和时变故障率（TFR）模型这样的方法在资产管理方面取得了显著进展，但当应用于网络级故障率预测时，它们仍存在明显的局限性（Meng, 2023, Xu et al., 2025）。例如，RCM方法（Wan, Du, AL-Bukhaiti, & Chen, 2025）主要关注优化维护策略和单个组件的停电数据的统计评估，通常使用历史数据而未充分考虑由于连续资产更换周期导致的未来故障率的时变（Zhi et al., 2025）。同样，TFR模型（Zhao, Zhao, Cao, & Shi, 2025）有效地捕捉了特定设备类别的老化效应和区域故障模式，但通常将资产视为孤立实体或静态群体（Xue, 2024）。这些现有模型没有考虑大规模网络的“群体动态”，即资产的同步老化、故障和更换会产生一个振荡的故障率曲线，最终收敛到一个与单个资产预期寿命不同的稳定值（Xue, 2024）。所提出的时间序列可靠性模型通过整合这些更换动态解决了这一特定缺陷，表明网络级故障率通常比仅从单个资产寿命得出的估计值高出10-15%（Yang et al., 2024）。
尽管做出了这些努力，但一个显著的局限性仍然存在：大多数研究仍然关注单个资产的行为。虽然参考文献（Shaghaghi, 2023）和参考文献（Li, Wang, Li, Zhang, & Zhang, 2020）评估了生命周期预测和成本分析，但它们仍然侧重于单个设备而非网络级动态。同样，参考文献（Ikonen et al., 2020）使用统计寿命分析讨论了选择性维护，但没有捕捉到资产网络中故障行为的演变和相互关联性（Yang, Yuan, Gao, Ma, & Chen, 2025）。这一差距突显了需要新的模型来考虑现代电力分配系统中的时间、空间和结构依赖性。
本研究通过开发一个能够捕捉资产交互动态及其对网络级故障率影响的故障率模型，填补了现有研究的空白。该模型纳入了关键因素，如资产寿命的可变性和更换动态。本文的主要贡献总结如下：
•网络级故障率建模：与假设资产故障独立的现有模型不同，本研究开发了一个基于网络的模型，考虑了资产老化、更换和基础设施更新对网络级故障率的影响。
•标准化故障率分析：我们证明，网络级故障率通常比单个资产高10-15%，这挑战了故障率恒定的假设，并突显了管理分布式资产的复杂性。
•预测建模用于资源优化：所提出的模型提供了准确的故障率预测，这对于优化维护成本、有效分配资源和制定资产更换策略至关重要，为运营规划提供了宝贵的见解。
本文的其余部分结构如下：第2节介绍了故障率估计模型，包括时间序列和正态分布方法。第3节介绍了安迪谢赫（Andisheh）电力分配网络的案例研究，包括结果和分析。第4节总结了主要发现和对未来研究的建议。
