智能电能表状态在线综合评价方法

智能电能表状态在线综合评价方法

摘要：随着智能电能表和用电信息采集技术的推广应用，智能电能表运行监测

手段与机械表相比有了质的飞越，远程收集电能表运行信息已成为一种趋势。与

机械式电能表相比，智能电能表的计量误差在检定周期内更加稳定，电能计量以

及电能表状态数据采集更加方便。为此，在制定智能电能表周期性检修计划时，

应用智能电能表运行实时信息进行数据分析和状态评价，使检修活动更具有针对性，可提高智能电能表维护效率、避免人力资源浪费。

关键词：智能电能表；运行状态；综合评价方法

1状态评价方法的应用要点

（1）状态量构成及权重

第一，状态量：所谓状态量是指评价指标，其大致包括运行数据、设备参数、外界环境三类。上述内容细致划分为环境颗粒物浓度、磁场水平、环境温度以及

湿度、电压、电流、负载等。第二，状态量权重：所谓权重，是指将各类因素按

一定比例合理分配，以因素对运行状态产生的影响程度为分配依据。目前，将影

响程度分成四类，权重范围1-4。第三，状态量劣化程度：劣化背景下，状态量

针对电力系统的影响分成1-4级，分别扣除2分、4分、6分以及8分。第四，状态量扣分值：根据劣化水平以及状态量权重为评价依据，扣除相应分值评价运行

状态，扣分值计算方式为基本扣分值与权重的乘积。

（2）运行状态

目前，将计量装置分成四类运行状态，包括：正常、注意、异常以及严重。

正常状态是指所有因素保持在规定范围内，计量装置顺利运行。注意状态是指单

个或者部分状态量略为产生偏差，但依然处于可控范围内。异常状态是指存在状

态量超过或者无限接近临界值，需要工作人员采取监视并及时检测。严重状态是

指存在状态量超过临界值，需要工作人员立即采取措施。

（3）状态评价

目前，状态评价包括部件与整体两类。电能计量装置整体状态评价:如果所有

部件呈现正常状态，则整体状态评价为正常，否则，为严重状态。

（4）电能计量装置检验策略

科学技术的进步促进设备质量的提升，因而计量精确逐渐提高，但如果采取

现有的评价标准进行现场勘查，存在一定安全隐患，造成经济损失。因此，我们

希望针对性勘察，减少安全隐患并提高经济效益。

2智能电能表状态检修流程设计

图1

依据智能电能表状态评价方法，分不同批次、不同厂家和不同月份，获得每

块智能电能表的状态评分V。结合电能表的评分结果以及变化趋势，以月为单位

将每块电能表月度总评分G按照分值的高低分为稳定、正常和预警3种状态。然后，设计了智能电能表状态在线检测的流程图，如图1所示。其中Gi表示当前月的电能表评分。依据图1的流程，按照不同批次、不同厂家的原则获知当前月的

每一块智能电能表的状态，在原有DL/T448—2000规定的检修计划基础上，依据

不同厂家、不同运行环境对周期检修进行相关的约束调整。即当检测结果处于正

常状态时，按照原计划进行检修;当检测结果为稳定状态时，可以暂缓执行检修计划，从而节省检修资源；当检测结果为预警时，则需要在下一个月安排临时检修

以排除故障隐患，大大提升检修的针对性。

3基于最大间隔贝叶斯网分类器的智能电能表状态评价

3.1基于最大间隔贝叶斯网分类器智能电能表运行状态评价方法

3.1.1数据预处理

本文将数据中的有功准确度等级，额定负载点，检定误差等数据看作属性，

由于这些属性值大多是连续的，所以先用离散化的方法对其进行预处理。在对连

续数据进行预处理时，通常选用简单的“等宽”或“等频”的无监督离散方法。连续

属性离散化的主要思想是：为即将离散化的连续属性选定离散区间数目，每一个

区间对应一个离散值，在划分区间时通过离散算法找到合适的划分点，这样就完

成了将连续属性变为离散值的目的。本文采用基于熵的离散方法实现。根据属性

信息熵的特点，对连续属性变量进行划分，使信息熵的损失和划分区间数之间达

到平衡并且最小，得到的离散值为最优。基于熵的离散方法的主要思想是，首先

用每个区间对应一个不重复的值的方法将连续属性划分为多个区间，然后选择合

并相邻的区间，并保证合并前后的熵之差最小，若出现两组或两组以上相邻区间

合并前后熵差最小的情况，则随机选择一组。由于熵是一个凹函数，熵和区间数

是单调递增的关系，设熵取最大值的点为V1，熵的函数起点为V2，V1、V2连成

的直线与熵的函数曲线间最远的点，则是熵损失和最佳区间数的平衡点。

3.1.2数据特征提取

离散后的数据仍有较多的特征，需要进行特征选择操作，本文将遗传算法特

征选择方法、reliefF特征选择方法和GradientBoosting特征选择方法进行比较实验。实验结果表明，遗传算法所选出的特征与专家经验更为相符，所以本文采用

遗传算法作为特征选择算法。将智能电能表的全部特征用0和1组成的二进制串

表示，1、选择操作：用选择算子进行选择操作，随机从种群中挑选一定数目的

个体，将其中适应度最好的个体替代适应度差的个体作为父体，重复进行这个操

作直到完成所有个体的选择。2、交叉操作：交叉操作具有随机性，设两个父个

体均为1的基因位为优势基因位，只有一个父体个体为1的为非优势基因位，对

优势基因位，子个体将全部保留，对非优势基因位，子个体将随机选择保留1的

基因。3、变异操作：变异运算是指改变个体编二进制串中的某些基因值，从而

形成新的个体。变异运算辅助产生新个体，决定了遗传算法的局部搜索能力，保

持种群多样性。变异操作通常采用基因位变异，即原来基因值为1，变异后变为0，原来基因位为0，变异后变为1。

3.2基于选择性集成的智能电能表状态评价方法

近10年来在研究选择性集成算法时，主要对其评测算法M进行探索，并取

得较大进展。评测算法主要包括以下几种：聚类算法、选择算法、优化算法和其

他方法。在实验过程中，本文采用了聚类方法。选择性集成算法的核心框架如下：（1）选定分类算法A，确定需要训练的基分类器的个数N，评测方法M，训练集和测试集；（2）在给定训练集的基础上，通过某算法（Bagging，Boosting）得到

新的训练集；（3）用新的训练集通过分类算法A得到N个基分类器；（4）使用

测试集对N个基分类器进行测试，得到输出结果O；（5）利用M进行评测，选

出所要的基分类器。本章选用聚类的方法进行选择性集成，主要过程如下：（1）选定分类算法A，确定需要训练的基分类器的个数N和聚类算法M，准备训练集

和测试集；（2）用测试集(包含T个实例)对基分类器进行测试，得到输出结果O，其中，Oij表示第i个基分类器对第j个实例的测试结果，输出结果O为TN矩阵；（3）将聚类算法M应用于O(矩阵O的每一行为一个基分类器的测试结果)，找