電能表運行狀態評價方法應用概述

廣東電網有限責任公司汕頭供電局 李子菁

隨著現代化用電技術的迅猛發展，智能電能表成為電力企業研發創新技術、提升市場份額、強化精益管理的重要依托，其飛速增長的數量為計量點故障檢驗和運行設備輪換帶來不可忽視的難題，也使電能表運行狀態評價技術成為亟須研究解決的新課題。

國外一些發達國家對于電能表運行狀態評價的研究已經歷了數十年，目前較為普遍的做法是通過對同一批次投入使用的電能表按比例進行抽樣檢定，根據檢定結果來判斷電能表的運行質量和整體水平。國內電力行業技術力量對于電能表運行狀態評價的研究仍處于摸索期，鑒于近年來電能量數據監測系統的廣泛應用，對電能表運行狀態評價的研究逐漸趨向于依托海量電能量數據的挖掘分析，但評價結果仍存在數據項關聯性弱、問題指向性差等不足，因此必須建立電能表全生命周期狀態數據庫及質量評價體系，分析主要技術和算法的適用性和前沿成果，為電力企業開展智能電能表選用、質量監督和壽命評估提供客觀有效的決策依據。

1 電能表運行狀態評價的構成

電能表運行狀態評價圍繞電能表質量評價、異常類型判別和使用壽命預估三個方面展開，其方法可概述為根據電能表歷史運行情況、檢定結果數據及故障信息等判斷電能表的總體質量水平，運用分析算法及評價方法評估電能表的運行狀態指標、預測可能發生的異常情形，綜合電能表的質量水平和運行狀態評估電能表使用壽命。電能表運行狀態評價指標涵蓋了產品自身誤差穩定性、供應商產品運行可靠性、產品運行中的潛在隱患、產品運行所處環境的客觀要素這4個類目共計12個項目[1]，如圖1所示。

圖1 電能表運行狀態評價指標

以誤差穩定性指標為例，其由實驗室基本誤差、現場監測運行誤差和同批次誤差分散性構成，是評價電能表產品本身在線運行誤差的基本尺度。實驗室基本誤差是由在相同工作電壓、不同工作電流、不同功率因數條件下產生的誤差值，求和取其平均值得到。現場監測運行誤差為實際現場運行狀態下測得的誤差值，是由測量值減去實際值得到的誤差值，可由系統直接讀取得到。同批次誤差分散性是對同一批次電能表在額定負荷點、功率因數為1.0條件下的基本誤差求標準方差，其計算方法計入電能量數據監測系統后可直接讀取。

通過讀取電能表歷史運行情況記錄，結合實驗室電能表檢定數據，以及電能量數據監測系統遠程讀取電能表運行信息，形成電能表全生命周期狀態數據庫。按照不同的指標算法對數據進行分類賦權，計算得到對應的項目值，從而構建出電能表狀態評價體系。

2 電能表質量評價

電能表質量評價貫穿于電能表全生命周期，應具體針對全生命周期的每一階段就電能表質量進行系統性評估，提煉電能表與質量相關的數據信息，量化評價并形成質量數據庫，構建全生命周期質量評價體系模型[2]。基于目前的研究，質量評價尚缺乏完善的體系模型，普遍做法是按照質量目標、質量評價準則和質量特性將體系模型分為三個層級，如圖2所示。

圖2 電能表質量評價體系模型

質量目標是從單只表、批次、供應商三個層面對電能表的產品質量進行評價。質量評價準則對定量指標和定性指標實現分別處理并給出綜合評價。質量特性則是利用層次分析法，對電能表全生命周期各環節所包含的與質量相關的功能項分別提取特性指標并賦予權重，由各環節評價結果得到單只表、批次、供應商三個層面的綜合評價[3]。

單只電能表全生命周期質量評價采用實驗室抽樣檢定的方式進行，評價項目包括基本誤差變化趨勢、時鐘偏差變化趨勢、日計時誤差變化趨勢三個方面。批次質量評價是利用算法對某一供應商某一批次電能表，在全生命周期內各階段各項目數據按權重進行計分，并對該批次電能表的運行故障數據按問題項目權重進行計分，分別得出總分后得到該批次質量評價整體情況。供應商評價是針對某一供應商全部電能表在全生命周期內各階段各項目數據按權重進行計分，并對該供應商的全部電能表的運行故障數據按問題項目權重進行計分，分別得出總分后得到該批次質量評價整體情況。不同類型的電能表應區分統計，以確保統計數據的準確性及實用性。

從電能表全生命周期對產品質量進行綜合評價，評價環節由產品設計階段覆蓋至報廢鑒定，量化提煉與電能表質量相關的有效信息，并將到貨前后性能測試、抽樣驗收等可靠性試驗內容也納入質量評價，多角度、多層次展開質量評價后計算所得的分值，才能切實體現產品本身的質量優劣程度。

3 異常類型判別

對于運行中的電能表，引起異常的原因一般可分為兩類：一種是基于外部環境的不可控因素引發的，另一種是電能表本身原因引起的，例如軟硬件損壞、抄表模塊故障、時鐘異變、電池失效等。雖然電能表異常的種類諸多，但最終都會反映到電壓電流等數據項上，利用電能表數據監測系統對歷史數據進行分類讀取，統計分析電壓、電流、負荷曲線等關鍵電能量數據，可以有效定位到電能表的異常原因，并對同批次設備可能發生的故障類型及影響程度進行預判。目前，應用較為廣泛的電能表分析算法包括人工神經網絡算法、關聯規則算法和決策樹算法，經試驗檢測預測準確度高達80%以上。

人工神經網絡是模擬人思維的一種方式，可以按照誤差逆向傳播進行網絡訓練的多層前饋型神經網絡，具有強大的故障分類和識別能力[4]。該算法依托于電能表全生命周期狀態數據庫與數據挖掘技術，輸入層由每種電能表故障相關聯的因素或特征數據集合組成，在隱含層進行網絡訓練，建立故障種類矩陣及相對應的特征數據矩陣，在輸出層根據數據表現出來的故障特征將電能表的故障進行有效分類。人工神經網絡算法具有非線性的適應性特點，特別適合應用于負荷預測、異常定位和安全預警等方面。

關聯規則算法應用于電能表運行監測，能夠有效發現設備異常現象與影響因素之間的關聯性，特別適用于從海量電能量數據中挖掘提取出具有潛在隱含價值的信息。關聯規則算法的關鍵在于分析得到各結果之間存在因果關聯、時序關聯、比對關聯等關系，通過量化分析電能表故障信息與診斷結果之間的關聯性構建關聯模型，利用電能量數據監測系統對數據進行提取、清洗和邏輯化處理，提取規則并按置信度從高到低進行順序排位給出監測結果，最后結合實際消缺結果進行規則檢驗和調整，并生成新的規則。

決策樹算法是常用的監督式機器學習算法，該算法是通過一個給定結果的訓練集數據來建立模型，使用已建立的模型進行新數據的分類及預測。決策樹算法包含決策結點和終端結點，是一種類似流程圖的樹狀決策機制，由決策結點表示屬性分類，由終端結點表示分類結果，經實際工程驗證具有較好的分類效果。使用決策樹算法可以有效判斷定位異常，對故障處理的及時性和準確性具有較大提升。

4 使用壽命預測

由于早期智能電能表缺乏壽命預測方面的研究，致使當前運行的大部分電能表的維護和更換出現相當程度的困難，對電能表的使用壽命進行有效預測，不僅能指導編制輪換計劃、減少人力物力等資源浪費，更重要的是能夠預防設備故障引發的大規模停電事故，對穩定國民經濟起到至關重要的作用。

傳統的電子元件壽命預測方法是貝葉斯法，這是利用數學統計分析方法，通過對大規模數據進行分析統計而得到電能表壽命預測值，由于實際應用中可獲得試驗的數據有限，導致預測結果的準確率備受局限。

電能表全生命周期覆蓋了從設計試驗、制造檢驗、到貨檢定、安裝使用、運行抽檢、報廢鑒定等階段，如圖3所示，每個階段都要根據不同的數據指標研究建立壽命預測模型。目前，使用較為廣泛的電能表壽命預測算法是基于多應力退化模型的可靠性預估，即通過分析環境應力與Weibull分布模型參數的關系，建立基于對數線性回歸模型的多應力退化模型，并使用參數矯正方法實現正常應力水平下壽命分布模型，獲得電能表可靠性及使用壽命預測結果。

圖3 電能表全生命周期覆蓋面

這種融合機器學習的算法將電能表各項運行指標整合為數據曲線，包括故障率、折舊率、報廢率等，通過對電能表進行實時在線監測，借助線性回歸算法等對模型進行改進，從而獲得更準確的壽命評估。基于多應力退化模型的壽命預測算法針對加速退化的實驗數據進行研究，能夠有效確定電能表的壽命分布規律，對于選定電能表性能敏感參數及閾值、預測電能表壽命具有很高的準確率。

文獻[5]提出一種基于改進神經網絡電子元件壽命預測的方法，通過將改進算法與BP神經網絡進行結合建立電子元件壽命預測模型，實現對相同應力條件的電子元件進行壽命預測，甚至在對應力加速條件下實現壽命預測。在多應力條件下，預測模型的輸入值是加速應力水平及可靠度，輸出值是電子元件的壽命模型，在參數尋優過程中以改進算法獲得神經網絡的最優連接權值和閾值，并代入神經網絡預測模型進行壽命預測。這種改進模型較之傳統的神經網絡模型在降低局部收斂方面有更明顯的效果，具有更強的非線性擬合能力，對電能表壽命預測的準確程度也更高，目前已經在工程項目中得到應用。

5 結語

從電能表質量評價、異常類型判別和使用壽命預估三個方面論述了當前電能表運行狀態評價所使用的主流技術及其相關算法，分析數據統計方法和模型構造。由于目前國內對電能表運行狀態評價的研究仍不夠深入，相關技術指標缺乏定性管理，致使電能表生產商的出品良莠不齊，也使電力企業在電能表入網選型、運行故障維護、數據價值挖掘等方面面臨重重考驗。因此，有必要對電能表運行狀態評價開展深度細致剖析，研究評價各方面技術和模型算法的前沿發展形勢，研究多算法融合優化技術，提高預測性能的有效程度，為優化電能表提供技術支撐和決策支持，推動電能表運行狀態評價技術快速發展。