智能電能表狀態(tài)在線綜合評價方法

智能電能表狀態(tài)在線綜合評價方法摘要：隨著智能電能表和用電信息采集技術(shù)的推廣應(yīng)用，智能電能表運行監(jiān)測手段與機械表相比有了質(zhì)的飛越，遠程收集電能表運行信息已成為一種趨勢。與機械式電能表相比，智能電能表的計量誤差在檢定周期內(nèi)更加穩(wěn)定，電能計量以及電能表狀態(tài)數(shù)據(jù)采集更加方便。為此，在制定智能電能表周期性檢修計劃時，應(yīng)用智能電能表運行實時信息進行數(shù)據(jù)分析和狀態(tài)評價，使檢修活動更具有針對性，可提高智能電能表維護效率、避免人力資源浪費。

關(guān)鍵詞：智能電能表；運行狀態(tài)；綜合評價方法

1狀態(tài)評價方法的應(yīng)用要點

（1）狀態(tài)量構(gòu)成及權(quán)重

第一，狀態(tài)量：所謂狀態(tài)量是指評價指標，其大致包括運行數(shù)據(jù)、設(shè)備參數(shù)、外界環(huán)境三類。上述內(nèi)容細致劃分為環(huán)境顆粒物濃度、磁場水平、環(huán)境溫度以及濕度、電壓、電流、負載等。第二，狀態(tài)量權(quán)重：所謂權(quán)重，是指將各類因素按一定比例合理分配，以因素對運行狀態(tài)產(chǎn)生的影響程度為分配依據(jù)。目前，將影響程度分成四類，權(quán)重范圍1-4。第三，狀態(tài)量劣化程度：劣化背景下，狀態(tài)量針對電力系統(tǒng)的影響分成1-4級，分別扣除2分、4分、6分以及8分。第四，狀態(tài)量扣分值：根據(jù)劣化水平以及狀態(tài)量權(quán)重為評價依據(jù)，扣除相應(yīng)分值評價運行狀態(tài)，扣分值計算方式為基本扣分值與權(quán)重的乘積。

（2）運行狀態(tài)

目前，將計量裝置分成四類運行狀態(tài)，包括：正常、注意、異常以及嚴重。正常狀態(tài)是指所有因素保持在規(guī)定范圍內(nèi)，計量裝置順利運行。注意狀態(tài)是指單個或者部分狀態(tài)量略為產(chǎn)生偏差，但依然處于可控范圍內(nèi)。異常狀態(tài)是指存在狀態(tài)量超過或者無限接近臨界值，需要工作人員采取監(jiān)視并及時檢測。嚴重狀態(tài)是指存在狀態(tài)量超過臨界值，需要工作人員立即采取措施。

（3）狀態(tài)評價

目前，狀態(tài)評價包括部件與整體兩類。電能計量裝置整體狀態(tài)評價:如果所有部件呈現(xiàn)正常狀態(tài)，則整體狀態(tài)評價為正常，否則，為嚴重狀態(tài)。

（4）電能計量裝置檢驗策略

科學技術(shù)的進步促進設(shè)備質(zhì)量的提升，因而計量精確逐漸提高，但如果采取現(xiàn)有的評價標準進行現(xiàn)場勘查，存在一定安全隱患，造成經(jīng)濟損失。因此，我們希望針對性勘察，減少安全隱患并提高經(jīng)濟效益。

2智能電能表狀態(tài)檢修流程設(shè)計

圖1

依據(jù)智能電能表狀態(tài)評價方法，分不同批次、不同廠家和不同月份，獲得每塊智能電能表的狀態(tài)評分V。結(jié)合電能表的評分結(jié)果以及變化趨勢，以月為單位將每塊電能表月度總評分G按照分值的高低分為穩(wěn)定、正常和預警3種狀態(tài)。然后，設(shè)計了智能電能表狀態(tài)在線檢測的流程圖，如圖1所示。其中Gi表示當前月的電能表評分。依據(jù)圖1的流程，按照不同批次、不同廠家的原則獲知當前月的每一塊智能電能表的狀態(tài)，在原有DL/T448—2000規(guī)定的檢修計劃基礎(chǔ)上，依據(jù)不同廠家、不同運行環(huán)境對周期檢修進行相關(guān)的約束調(diào)整。即當檢測結(jié)果處于正常狀態(tài)時，按照原計劃進行檢修;當檢測結(jié)果為穩(wěn)定狀態(tài)時，可以暫緩執(zhí)行檢修計劃，從而節(jié)省檢修資源；當檢測結(jié)果為預警時，則需要在下一個月安排臨時檢修以排除故障隱患，大大提升檢修的針對性。

3基于最大間隔貝葉斯網(wǎng)分類器的智能電能表狀態(tài)評價

3.1基于最大間隔貝葉斯網(wǎng)分類器智能電能表運行狀態(tài)評價方法

3.1.1數(shù)據(jù)預處理

本文將數(shù)據(jù)中的有功準確度等級，額定負載點，檢定誤差等數(shù)據(jù)看作屬性，由于這些屬性值大多是連續(xù)的，所以先用離散化的方法對其進行預處理。在對連續(xù)數(shù)據(jù)進行預處理時，通常選用簡單的“等寬”或“等頻”的無監(jiān)督離散方法。連續(xù)屬性離散化的主要思想是：為即將離散化的連續(xù)屬性選定離散區(qū)間數(shù)目，每一個區(qū)間對應(yīng)一個離散值，在劃分區(qū)間時通過離散算法找到合適的劃分點，這樣就完成了將連續(xù)屬性變?yōu)殡x散值的目的。本文采用基于熵的離散方法實現(xiàn)。根據(jù)屬性信息熵的特點，對連續(xù)屬性變量進行劃分，使信息熵的損失和劃分區(qū)間數(shù)之間達到平衡并且最小，得到的離散值為最優(yōu)?；陟氐碾x散方法的主要思想是，首先用每個區(qū)間對應(yīng)一個不重復的值的方法將連續(xù)屬性劃分為多個區(qū)間，然后選擇合并相鄰的區(qū)間，并保證合并前后的熵之差最小，若出現(xiàn)兩組或兩組以上相鄰區(qū)間合并前后熵差最小的情況，則隨機選擇一組。由于熵是一個凹函數(shù)，熵和區(qū)間數(shù)是單調(diào)遞增的關(guān)系，設(shè)熵取最大值的點為V1，熵的函數(shù)起點為V2，V1、V2連成的直線與熵的函數(shù)曲線間最遠的點，則是熵損失和最佳區(qū)間數(shù)的平衡點。

3.1.2數(shù)據(jù)特征提取

離散后的數(shù)據(jù)仍有較多的特征，需要進行特征選擇操作，本文將遺傳算法特征選擇方法、reliefF特征選擇方法和GradientBoosting特征選擇方法進行比較實驗。實驗結(jié)果表明，遺傳算法所選出的特征與專家經(jīng)驗更為相符，所以本文采用遺傳算法作為特征選擇算法。將智能電能表的全部特征用0和1組成的二進制串表示，1、選擇操作：用選擇算子進行選擇操作，隨機從種群中挑選一定數(shù)目的個體，將其中適應(yīng)度最好的個體替代適應(yīng)度差的個體作為父體，重復進行這個操作直到完成所有個體的選擇。2、交叉操作：交叉操作具有隨機性，設(shè)兩個父個體均為1的基因位為優(yōu)勢基因位，只有一個父體個體為1的為非優(yōu)勢基因位，對優(yōu)勢基因位，子個體將全部保留，對非優(yōu)勢基因位，子個體將隨機選擇保留1的基因。3、變異操作：變異運算是指改變個體編二進制串中的某些基因值，從而形成新的個體。變異運算輔助產(chǎn)生新個體，決定了遺傳算法的局部搜索能力，保持種群多樣性。變異操作通常采用基因位變異，即原來基因值為1，變異后變?yōu)?，原來基因位為0，變異后變?yōu)?。

3.2基于選擇性集成的智能電能表狀態(tài)評價方法

近10年來在研究選擇性集成算法時，主要對其評測算法M進行探索，并取得較大進展。評測算法主要包括以下幾種：聚類算法、選擇算法、優(yōu)化算法和其他方法。在實驗過程中，本文采用了聚類方法。選擇性集成算法的核心框架如下：（1）選定分類算法A，確定需要訓練的基分類器的個數(shù)N，評測方法M，訓練集和測試集；（2）在給定訓練集的基礎(chǔ)上，通過某算法（Bagging，Boosting）得到新的訓練集；（3）用新的訓練集通過分類算法A得到N個基分類器；（4）使用測試集對N個基分類器進行測試，得到輸出結(jié)果O；（5）利用M進行評測，選出所要的基分類器。本章選用聚類的方法進行選擇性集成，主要過程如下：（1）選定分類算法A，確定需要訓練的基分類器的個數(shù)N和聚類算法M，準備訓練集和測試集；（2）用測試集(包含T個實例)對基分類器進行測試，得到輸出結(jié)果O，其中，Oij表示第i個基分類器對第j個實例的測試結(jié)果，輸出結(jié)果O為TN矩陣；（3）將聚類算法M應(yīng)用于O(矩陣O的每一行為一個基分類器的測試結(jié)果)，找出具有相似預測結(jié)果的基分類器(形成一個子集)；（4）對每個子集進行修剪，選擇最能代表該子集的基分類器，形成最終的選擇結(jié)果。上述過程要解決的核心問題有三個：選用何種聚類算法？如何確定兩個基分類器間的相似性？用何種方法確定欲集成基分類器的個數(shù)？針對第一個問題本文選用的聚類算法為K-means聚類算法，傳統(tǒng)的K-means建立在使聚類性能指標最小化的原則基礎(chǔ)上。通常，聚類準則函數(shù)定義為聚類子集中每個對象到類中心的最小誤差平方和。K-means的核心思想是將N個觀測對象劃分為k個子集，稱每個子集為一個簇，先隨機選擇k個對象作為簇的中心，剩余對象根據(jù)與每個簇中心的距離判斷它屬于哪一個簇，然后用每個簇的平均值作為簇的中心，直到再次更新簇的中心不變?yōu)橹埂?/p>

參考文獻

[1]羅群,劉春雨,張家安,張健,王首堃,葛磊蛟.智能電能表狀態(tài)檢驗評價指標體系及在線平臺開發(fā)[J].電測與儀表,2017,