一种智能电能表批次运行状态评价方法技术

本发明专利技术涉及一种智能电能表批次运行状态评价方法，其特征在于：包括如下步骤：(1)提取数据以进行批次故障影响的特征分析；(2)对关键特征量的故障概率进行计算；(3)对批次电能表的运行状态进行评价；(4)对批次电能表运行状态的评价结果进行验证。本智能电能表批次运行状态评价方法，得到的结果与实际运行状态好坏相接近，具有较高的可信度，能够很好地判定在运的智能电能表批次实际运行状态，为智能电能表运维管理提供相应依据。

An evaluation method of batch operation state of intelligent watt hour meter

【技术实现步骤摘要】
一种智能电能表批次运行状态评价方法
本专利技术属于表计运行管理领域，涉及一种电能表运行状态评价方法，特别是一种智能电能表批次运行状态评价方法。
技术介绍
为监测和评估电能表运行失效风险，保障计量设备的安全、稳定运行，传统的工作方式是采用现场周期检验，或按批次随机抽取运行表计进行实验室检测的方式对其运行质量进行监测管理。DL/T448《电能计量装置技术管理规程》中规定：电能计量装置按照其所计电能量的多少和用户重要程度分为五类(Ⅰ至Ⅴ)进行管理，对不同类别的电能表按照相应周期抽取一定比例拆回实验室进行修调前检验，根据检验结果决定整批电能表是否能继续运行；其中，对于Ⅰ、Ⅱ、Ⅲ类电能计量装置配置的电能表，还需按照固定周期的现场检验方式对其运行误差进行监控。另外，国网公司企标Q/GDW1206《电能表抽样技术规范》和《国家电网公司电能表质量监督管理办法》中规定：运行中的智能电能表，从安装后满1年起，每间隔2年或1年应进行分批抽样，开展运行监督抽检，以判定整批表质量。而随着智能电能表的应用数量急速增长，电能表的现场检测、抽检和运维工作量日益剧增。相对于技术更加先进和质量稳定可靠的智能电能表，定期现场周检和随机抽取检测的工作方式存在信息化程度低、无效工作量大、故障发现及时性差等问题，造成大量的人力、物力浪费，并且对正常运行电能表的更换可能会导致一定的社会舆情风险。而另一方面，目前在用电信息采集系统、计量生产调度平台(MDS)和营销业务应用系统等信息系统中沉淀积累了大量数据信息，为大规模开展智能电能表风险监测、运行状态评价提供了必要条件。因此，亟需研究智能电能表运行风险与运行环境的关联关系，并深入挖掘现有信息系统中的海量数据价值，用于指导公司系统更加科学、有效、经济地开展智能电能表批次运行状态评价或判定等相关工作。通过对公开专利文献的检索，并未发现与本专利申请相同的公开专利文献。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提供一种信息化程度高、避免无效工作量、故障发现及时、省人省力、易于实现的智能电能表批次运行状态评价方法。本专利技术解决其技术问题是采取以下技术方案实现的：一种智能电能表批次运行状态评价方法，其特征在于：包括如下步骤：(1)提取数据以进行批次故障影响的特征分析：提取电能表状态评价数据，并对所提取的数据进行治理，然后综合考虑电能表的基础档案、检定环节、运行环节、拆回环节信息，通过SOM网络聚类分析、分类回归的机器学习算法，确定评价电能表批次运行状态的关键特征量；(2)对关键特征量的故障概率进行计算：利用归一算法对所确定的关键特征量进行量化处理，通过历史数据回归迭代，对电能表运行状态进行动态跟踪，运用熵权法训练各关键特征量的影响权重，计算电能表各个条件下故障概率；(3)对批次电能表的运行状态进行评价：利用计算得到的电能表不同条件下的故障概率，并综合考虑电能表的基础档案、检定环节、运行环节、拆回环节信息，利用TOPSIS算法、层次分析法建立以批次为对象的电能表运行状态评价模型，实现对批次电能表的整体评价，然后根据批次状态的评价结果进行风险评估，最后，再对运行状态进行发布，辅助实现状态更换；(4)对批次电能表运行状态的评价结果进行验证，包括对拆回表的统计结构进行验证以及对可靠性试验结果的验证，验证准确则输出结果，验证不准确，则重新返回步骤(1)进行完善。而且，所述步骤(1)中提取的数据分别来自计量生产调度平台、拆回表分拣系统、用电信息采集系统以及营销业务应用；所述来自计量生产调度平台的数据包括批次档案信息、检定任务信息、检定误差信息以及运行时长；所述来自拆回表分拣系统的数据包括拆回表分拣结果以及拆回表故障信息；所述来自用电信息采集系统的数据包括居民表日冻结电量信息、台区总表日冻结电量信息、在线监测异常信息以及采集闭环异常工单信息；所述来自营销业务应用的数据包括用户档案信息以及电能表表底信息。而且，所述提取数据的治理方法包括数据缺失治理以及噪声数据治理，在缺失值治理方面，如果数据实在不可用就直接删除，如果可以填补后使用就根据数据缺失情况和数据描述特征采用相应的填补方法；在噪声数据治理方面，先采用认为观察或者聚类回归等人工智能手段识别噪声源，再根据实际情况采用分箱法或者人工智能方法去平滑噪声数据。而且，所述步骤(1)中的关键特征量分为计量性能特征量、采集功能特征量以及运行风险特征量三类，其中计量性能特征量包括误差稳定性、首检合格率以及误差分散性，采集功能特征量包括采集成功率及采集异常率，运行风险特征量包括批次故障率、运行异常率、运行时间以及年平均走字数。而且，所述步骤(2)中批次电能表故障概率的计算包括计量性能评价模型、采集功能评价模型及运行风险评价模型的建立，计量性能评价模型用于对计量性能进行评分，是考察本批次电能表抽检拆回分拣结果与初检结果的变化趋势情况，评分介于100～0之间，100对应于误差稳定性好；采集功能评价模型用于对采集功能进行评价，考察本批次电能表通信模块功能的状态，评分介于100～0之间，100对应于采集功能可靠性好；运行风险评价模型用于对运行风险进行评价，考察本批次电能表运行期间的质量风险情况，评分介于100～0之间，数值越大风险越小。而且，所述的计量性能评价模型为：计量性能评价M＝误差稳定性M1×25+首检合格率M2％×16+误差分散性M3×59％式中，表示本批次抽检表数量，S1表示基本误差；S2表示抽检误差，当Si<0时，取Si＝0；式中，M2S表示首检合格率最低考核要求，M2i＝S3，S3表示首检合格率；式中，S4表示误差分散性，N表示本批次电能表总数；xi表示第i只电能表误差值；表示批次电能表误差平均值。而且，所述的采集功能评价模型为：式中，S5表示月采集成功率，N表示本批次电能表总数；G1S表示采集成功率最低考核要求；式中，G2i＝1-S6，S6表示采集异常工单率，G2S表示采集异常率最低考核要求。而且，所述的运行风险评价模型为：运行风险评价(R)＝批次故障率(R1)×25％+批次运行异常率(R2)×55％+运行时长(R3)×0％+批次年平均走字数(R4)×20％，式中，R1＝(1-s7)×100，S7表示批次故障率，式中，R2＝(1-s8)×100，S8表示运行异常率，式中，S9表示电能表运行时间，如果R3<0则R3＝0，式中，S9表示电能表运行时间，S10表示累计走字数，N表示本批次电能表总数，如果R4<0则R4＝0。而且，所述步骤(2)中各关键特征量影响权重的权重值确定方法包括一级特征量权重确定以及二级特征量权重确定，所述一级特征量权重确定采用层次分析法，即采用主、客观相结合的方法对特征量的重要性加以量化；二级特征量权重确定采用熵权法，即按照信息论基本原理，如果特征量的信息熵越小，该特征量提供的信息量越大，在评分本文档来自技高网...

【技术保护点】
1.一种智能电能表批次运行状态评价方法，其特征在于：包括如下步骤：/n(1)提取数据以进行批次故障影响的特征分析：提取电能表状态评价数据，并对所提取的数据进行治理，然后综合考虑电能表的基础档案、检定环节、运行环节、拆回环节信息，确定评价电能表批次运行状态的关键特征量；/n(2)对关键特征量的故障概率进行计算：利用归一算法对所确定的关键特征量进行量化处理，通过历史数据回归迭代，对电能表运行状态进行动态跟踪，运用熵权法训练各关键特征量的影响权重，计算电能表各个条件下故障概率；/n(3)对批次电能表的运行状态进行评价：利用计算得到的电能表不同条件下的故障概率，并综合考虑电能表的基础档案、检定环节、运行环节、拆回环节信息，建立以批次为对象的电能表运行状态评价模型，实现对批次电能表的整体评价，然后根据批次状态的评价结果进行风险评估，最后，再对运行状态进行发布，辅助实现状态更换；/n(4)对批次电能表运行状态的评价结果进行验证，包括对拆回表的统计结构进行验证以及对可靠性试验结果的验证，验证准确则输出结果，验证不准确，则重新返回步骤(1)进行完善。/n

【技术特征摘要】
1.一种智能电能表批次运行状态评价方法，其特征在于：包括如下步骤：
(1)提取数据以进行批次故障影响的特征分析：提取电能表状态评价数据，并对所提取的数据进行治理，然后综合考虑电能表的基础档案、检定环节、运行环节、拆回环节信息，确定评价电能表批次运行状态的关键特征量；
(2)对关键特征量的故障概率进行计算：利用归一算法对所确定的关键特征量进行量化处理，通过历史数据回归迭代，对电能表运行状态进行动态跟踪，运用熵权法训练各关键特征量的影响权重，计算电能表各个条件下故障概率；
(3)对批次电能表的运行状态进行评价：利用计算得到的电能表不同条件下的故障概率，并综合考虑电能表的基础档案、检定环节、运行环节、拆回环节信息，建立以批次为对象的电能表运行状态评价模型，实现对批次电能表的整体评价，然后根据批次状态的评价结果进行风险评估，最后，再对运行状态进行发布，辅助实现状态更换；
(4)对批次电能表运行状态的评价结果进行验证，包括对拆回表的统计结构进行验证以及对可靠性试验结果的验证，验证准确则输出结果，验证不准确，则重新返回步骤(1)进行完善。


2.根据权利要求1所述的一种智能电能表批次运行状态评价方法，其特征在于：所述步骤(1)中提取的数据分别来自计量生产调度平台、拆回表分拣系统、用电信息采集系统以及营销业务应用；所述来自计量生产调度平台的数据包括批次档案信息、检定任务信息、检定误差信息以及运行时长；所述来自拆回表分拣系统的数据包括拆回表分拣结果以及拆回表故障信息；所述来自用电信息采集系统的数据包括居民表日冻结电量信息、台区总表日冻结电量信息、在线监测异常信息以及采集闭环异常工单信息；所述来自营销业务应用的数据包括用户档案信息以及电能表表底信息。


3.根据权利要求2所述的一种智能电能表批次运行状态评价方法，其特征在于：所述提取数据的治理方法包括数据缺失治理以及噪声数据治理，在缺失值治理方面，如果数据实在不可用就直接删除，如果可以填补后使用就根据数据缺失情况和数据描述特征采用相应的填补方法；在噪声数据治理方面，先采用认为观察或者聚类回归等人工智能手段识别噪声源，再根据实际情况采用分箱法或者人工智能方法去平滑噪声数据。


4.根据权利要求1所述的一种智能电能表批次运行状态评价方法，其特征在于：所述步骤(1)中的关键特征量分为计量性能特征量、采集功能特征量以及运行风险特征量三类，其中计量性能特征量包括误差稳定性、首检合格率以及误差分散性，采集功能特征量包括采集成功率及采集异常率，运行风险特征量包括批次故障率、运行异常率、运行时间以及年平均走字数。


5.根据权利要求1所述的一种智能电能表批次运行状态评价方法，其特征在于：所述步骤(2)中批次电能表故障概率的计算包括计量性能评价模型、采集功能评价模型及运行风险评价模型的建立，计量性能评价模型用于对计量性能进行评分，是考察本批次电能表抽检拆回分拣结果与初检结果的变化趋势情况，评分介于100～0之间，100对应于误差稳定性好；采集功能评价模型用于对采集功能进行评价，考察本批次电能表通信模块功能的状态，评分介于100～0之间，100对应于采集功能可靠性好；运行风险评价模型用于对运行风险进行评价，考察本批次电能表运行期间的质量风险情况，评分介于100～0之间，数值越大风险越小。


6.根据权利要求5所述的一种智能电能表批次运行状态评价方法，其特征在于：所述的计量性能评价模型为：
计量性能评价M＝误差稳定性M1×25+首检合格率M2％×16+误差分散性M3×59％式中，
n表示本批次抽检表数量，

S1表示基本误差；S2表示抽检误差，当Si<0时，取Si＝0；
式中，
M2S表示首...

【专利技术属性】
技术研发人员：罗群，刘春雨，葛磊蛟，顾强，杨光，何泽浩，王月明，王首堃，戴睿，葛春萌，张志龙，王维光，张文婷，王子南，
申请(专利权)人：国网天津市电力公司电力科学研究院，国网天津市电力公司，国家电网有限公司，
类型：发明
国别省市：天津;12