电能表运行状态评价方法应用概述

广东电网有限责任公司汕头供电局 李子菁

随着现代化用电技术的迅猛发展，智能电能表成为电力企业研发创新技术、提升市场份额、强化精益管理的重要依托，其飞速增长的数量为计量点故障检验和运行设备轮换带来不可忽视的难题，也使电能表运行状态评价技术成为亟须研究解决的新课题。

国外一些发达国家对于电能表运行状态评价的研究已经历了数十年，目前较为普遍的做法是通过对同一批次投入使用的电能表按比例进行抽样检定，根据检定结果来判断电能表的运行质量和整体水平。国内电力行业技术力量对于电能表运行状态评价的研究仍处于摸索期，鉴于近年来电能量数据监测系统的广泛应用，对电能表运行状态评价的研究逐渐趋向于依托海量电能量数据的挖掘分析，但评价结果仍存在数据项关联性弱、问题指向性差等不足，因此必须建立电能表全生命周期状态数据库及质量评价体系，分析主要技术和算法的适用性和前沿成果，为电力企业开展智能电能表选用、质量监督和寿命评估提供客观有效的决策依据。

1 电能表运行状态评价的构成

电能表运行状态评价围绕电能表质量评价、异常类型判别和使用寿命预估三个方面展开，其方法可概述为根据电能表历史运行情况、检定结果数据及故障信息等判断电能表的总体质量水平，运用分析算法及评价方法评估电能表的运行状态指标、预测可能发生的异常情形，综合电能表的质量水平和运行状态评估电能表使用寿命。电能表运行状态评价指标涵盖了产品自身误差稳定性、供应商产品运行可靠性、产品运行中的潜在隐患、产品运行所处环境的客观要素这4个类目共计12个项目[1]，如图1所示。

图1 电能表运行状态评价指标

以误差稳定性指标为例，其由实验室基本误差、现场监测运行误差和同批次误差分散性构成，是评价电能表产品本身在线运行误差的基本尺度。实验室基本误差是由在相同工作电压、不同工作电流、不同功率因数条件下产生的误差值，求和取其平均值得到。现场监测运行误差为实际现场运行状态下测得的误差值，是由测量值减去实际值得到的误差值，可由系统直接读取得到。同批次误差分散性是对同一批次电能表在额定负荷点、功率因数为1.0条件下的基本误差求标准方差，其计算方法计入电能量数据监测系统后可直接读取。

通过读取电能表历史运行情况记录，结合实验室电能表检定数据，以及电能量数据监测系统远程读取电能表运行信息，形成电能表全生命周期状态数据库。按照不同的指标算法对数据进行分类赋权，计算得到对应的项目值，从而构建出电能表状态评价体系。

2 电能表质量评价

电能表质量评价贯穿于电能表全生命周期，应具体针对全生命周期的每一阶段就电能表质量进行系统性评估，提炼电能表与质量相关的数据信息，量化评价并形成质量数据库，构建全生命周期质量评价体系模型[2]。基于目前的研究，质量评价尚缺乏完善的体系模型，普遍做法是按照质量目标、质量评价准则和质量特性将体系模型分为三个层级，如图2所示。

图2 电能表质量评价体系模型

质量目标是从单只表、批次、供应商三个层面对电能表的产品质量进行评价。质量评价准则对定量指标和定性指标实现分别处理并给出综合评价。质量特性则是利用层次分析法，对电能表全生命周期各环节所包含的与质量相关的功能项分别提取特性指标并赋予权重，由各环节评价结果得到单只表、批次、供应商三个层面的综合评价[3]。

单只电能表全生命周期质量评价采用实验室抽样检定的方式进行，评价项目包括基本误差变化趋势、时钟偏差变化趋势、日计时误差变化趋势三个方面。批次质量评价是利用算法对某一供应商某一批次电能表，在全生命周期内各阶段各项目数据按权重进行计分，并对该批次电能表的运行故障数据按问题项目权重进行计分，分别得出总分后得到该批次质量评价整体情况。供应商评价是针对某一供应商全部电能表在全生命周期内各阶段各项目数据按权重进行计分，并对该供应商的全部电能表的运行故障数据按问题项目权重进行计分，分别得出总分后得到该批次质量评价整体情况。不同类型的电能表应区分统计，以确保统计数据的准确性及实用性。

从电能表全生命周期对产品质量进行综合评价，评价环节由产品设计阶段覆盖至报废鉴定，量化提炼与电能表质量相关的有效信息，并将到货前后性能测试、抽样验收等可靠性试验内容也纳入质量评价，多角度、多层次展开质量评价后计算所得的分值，才能切实体现产品本身的质量优劣程度。

3 异常类型判别

对于运行中的电能表，引起异常的原因一般可分为两类：一种是基于外部环境的不可控因素引发的，另一种是电能表本身原因引起的，例如软硬件损坏、抄表模块故障、时钟异变、电池失效等。虽然电能表异常的种类诸多，但最终都会反映到电压电流等数据项上，利用电能表数据监测系统对历史数据进行分类读取，统计分析电压、电流、负荷曲线等关键电能量数据，可以有效定位到电能表的异常原因，并对同批次设备可能发生的故障类型及影响程度进行预判。目前，应用较为广泛的电能表分析算法包括人工神经网络算法、关联规则算法和决策树算法，经试验检测预测准确度高达80%以上。

人工神经网络是模拟人思维的一种方式，可以按照误差逆向传播进行网络训练的多层前馈型神经网络，具有强大的故障分类和识别能力[4]。该算法依托于电能表全生命周期状态数据库与数据挖掘技术，输入层由每种电能表故障相关联的因素或特征数据集合组成，在隐含层进行网络训练，建立故障种类矩阵及相对应的特征数据矩阵，在输出层根据数据表现出来的故障特征将电能表的故障进行有效分类。人工神经网络算法具有非线性的适应性特点，特别适合应用于负荷预测、异常定位和安全预警等方面。

关联规则算法应用于电能表运行监测，能够有效发现设备异常现象与影响因素之间的关联性，特别适用于从海量电能量数据中挖掘提取出具有潜在隐含价值的信息。关联规则算法的关键在于分析得到各结果之间存在因果关联、时序关联、比对关联等关系，通过量化分析电能表故障信息与诊断结果之间的关联性构建关联模型，利用电能量数据监测系统对数据进行提取、清洗和逻辑化处理，提取规则并按置信度从高到低进行顺序排位给出监测结果，最后结合实际消缺结果进行规则检验和调整，并生成新的规则。

决策树算法是常用的监督式机器学习算法，该算法是通过一个给定结果的训练集数据来建立模型，使用已建立的模型进行新数据的分类及预测。决策树算法包含决策结点和终端结点，是一种类似流程图的树状决策机制，由决策结点表示属性分类，由终端结点表示分类结果，经实际工程验证具有较好的分类效果。使用决策树算法可以有效判断定位异常，对故障处理的及时性和准确性具有较大提升。

4 使用寿命预测

由于早期智能电能表缺乏寿命预测方面的研究，致使当前运行的大部分电能表的维护和更换出现相当程度的困难，对电能表的使用寿命进行有效预测，不仅能指导编制轮换计划、减少人力物力等资源浪费，更重要的是能够预防设备故障引发的大规模停电事故，对稳定国民经济起到至关重要的作用。

传统的电子元件寿命预测方法是贝叶斯法，这是利用数学统计分析方法，通过对大规模数据进行分析统计而得到电能表寿命预测值，由于实际应用中可获得试验的数据有限，导致预测结果的准确率备受局限。

电能表全生命周期覆盖了从设计试验、制造检验、到货检定、安装使用、运行抽检、报废鉴定等阶段，如图3所示，每个阶段都要根据不同的数据指标研究建立寿命预测模型。目前，使用较为广泛的电能表寿命预测算法是基于多应力退化模型的可靠性预估，即通过分析环境应力与Weibull分布模型参数的关系，建立基于对数线性回归模型的多应力退化模型，并使用参数矫正方法实现正常应力水平下寿命分布模型，获得电能表可靠性及使用寿命预测结果。

图3 电能表全生命周期覆盖面

这种融合机器学习的算法将电能表各项运行指标整合为数据曲线，包括故障率、折旧率、报废率等，通过对电能表进行实时在线监测，借助线性回归算法等对模型进行改进，从而获得更准确的寿命评估。基于多应力退化模型的寿命预测算法针对加速退化的实验数据进行研究，能够有效确定电能表的寿命分布规律，对于选定电能表性能敏感参数及阈值、预测电能表寿命具有很高的准确率。

文献[5]提出一种基于改进神经网络电子元件寿命预测的方法，通过将改进算法与BP神经网络进行结合建立电子元件寿命预测模型，实现对相同应力条件的电子元件进行寿命预测，甚至在对应力加速条件下实现寿命预测。在多应力条件下，预测模型的输入值是加速应力水平及可靠度，输出值是电子元件的寿命模型，在参数寻优过程中以改进算法获得神经网络的最优连接权值和阈值，并代入神经网络预测模型进行寿命预测。这种改进模型较之传统的神经网络模型在降低局部收敛方面有更明显的效果，具有更强的非线性拟合能力，对电能表寿命预测的准确程度也更高，目前已经在工程项目中得到应用。

5 结语

从电能表质量评价、异常类型判别和使用寿命预估三个方面论述了当前电能表运行状态评价所使用的主流技术及其相关算法，分析数据统计方法和模型构造。由于目前国内对电能表运行状态评价的研究仍不够深入，相关技术指标缺乏定性管理，致使电能表生产商的出品良莠不齐，也使电力企业在电能表入网选型、运行故障维护、数据价值挖掘等方面面临重重考验。因此，有必要对电能表运行状态评价开展深度细致剖析，研究评价各方面技术和模型算法的前沿发展形势，研究多算法融合优化技术，提高预测性能的有效程度，为优化电能表提供技术支撑和决策支持，推动电能表运行状态评价技术快速发展。