CN105117602A - 一种计量装置运行状态预警方法 - Google Patents

Abstract

本发明公开的是一种计量装置运行状态预警方法，包括以下步骤：1)从电能计量装置的4个组成部分的离线录入信息和在线监测信息中选取能反映各部分运行状态的指标信息；2)数据预处理，对原始数据进行异常数据剔除与补充；3)分别建立评价体系并运用AHP综合评价模型对其运行状态进行评分；4)对各部分评价体系进行数据挖掘，选取对运行状态评价影响较大的评价指标；5)结合在线监测信息，通过云自适应PSO-BPNN预测模型对各组成部分未来运行状态评分值进行预测；6)将预测出的运行状态评分值和评估标准比较，确定4个组成部分的运行状态，适时给出预警信号。本发明提供的方法可以有效地对计量装置运行状态进行预警，进而提高电能计量装置检验的针对性、合理性和科学性。

Description

一种计量装置运行状态预警方法

技术领域

本发明涉及一种计量装置运行状态预警方法，对电能计量装置未来运行状态进行预警，属于电力计量技术领域。

背景技术

电能计量装置是计量供电部门销售和用户使用电能多少的设备，是双方贸易结算的法律依据，其运行的好坏不仅体现管理水平，更关系到双方贸易结算是否公平公正合理。为了及时掌握电能计量装置运行数据，国家电网公司启动用电信息采集系统建设，以2105年4月底的客户数为基数计算，公司系统的智能电能表覆盖率为69.2％，采集覆盖率为70.6％，累计实现用电信息采集2.85亿户。

随着如此大规模用电信息采集系统的建设，如何对电能计量装置未来的运行状态进行准确预警，做到防患于未然，为周期检验策略以及轮换周期等提出参考意见，从而变革电能计量装置传统的基于周期检查校验、日常巡视现场管理手段，降低计量与用电检查等专业部门人员的工作量，提升工作效率，是各省电力公司非常迫切的需求。

目前，国外研究侧重于电能计量装置在智能电网中的应用，将数据和信息通过远程计量装置传回中心进行分析；国内对于电能计量装置状态检验主要是采用周期现场检验的方式，还没有针对电能计量装置未来运行状态的预警技术的应用。这种周期现场检验的方式存在很大的不足，一方面，现场检测受外界因素影响较大，不能据此对计量装置常态运行状况进行评估，每次往返现场工作造成巨大人力、物力资源浪费，现场工作的安全风险较大；另一方面，由于缺少实时监测系统，不能及时发现、处理电能计量装置故障问题，降低了计量可靠性。

发明内容

为克服现有技术上的不足，本发明目的是提供一种计量装置运行状态预警方法，结合了现场检验数据，选取多项评价指标，通过云自适应PSO-BPNN预测模型对运行状态值进行预测，对电能计量装置未来运行状态进行预警，提高电能计量装置检验的针对性、合理性和科学性，预防和降低故障的发生几率，延长设备寿命。

为了实现计量装置运行状态的预警，本发明采取以下的技术方案，包括以下步骤：

(1)获取计量装置运行状态预警所需的基本数据：从电能计量装置的电能表、电压互感器、电流互感器和二次回路等4个组成部分的离线录入信息和在线监测信息中选取能反映各部分运行状态的指标信息；

(2)数据预处理，对原始数据进行异常数据剔除与补充，力求数据的准确性；

(3)针对电能计量装置4个组成部分，分别建立评价体系，并运用AHP(层次分析法)综合评价模型对其运行状态进行评分；

(4)对电能计量装置4部分评价体系进行数据挖掘，选取对运行状态评价影响较大的评价指标；

(5)根据各组成部分的状态评价模块给出的历史运行状态评分序列，并结合在线监测信息，通过云自适应PSO-BPNN(粒子群算法优化BP神经网络)预测模型对其未来运行状态评分值进行预测；

(6)将预测出的运行状态评分值和评估标准比较，确定4个组成部分的运行状态，并根据预警策略，适时给出预警信号。

有益效果：本发明选取电能计量装置各组成部分运行状态评价指标，通过AHP综合评价模型对其运行状态综合评分，采用CAPSO-BPNN对其各部分未来运行状态分值进行预测，并根据预警策略，适时给出预警信号。运行人员可以依据给出的预警信号，通过全面评价，对电能计量装置未来的周期检验策略以及轮换周期等给出参考意见。进而可以做到：1)提高电能计量装置检验的针对性、合理性和科学性；2)预防和降低故障的发生几率，延长设备寿命；3)采用合理的检修策略降低检修费用，改善设备运行性能，提高经济效益。

附图说明

图1为电能计量装置运行状态预警技术流程图；

图2(a)为电能表子评价指标树状拓扑图；

图2(b)为电压互感器子评价指标树状拓扑图；

图2(c)为电流互感器子评价指标树状拓扑图；

图2(d)为电能表子评价指标树状拓扑图；

图3为三层前向BP神经网络结构示意图；

图4为CAPSO算法的加速因子收敛曲线图；

图5为云自适应PSO-BPNN训练算法流程图；

具体实施方式

下面结合附图对本发明作进一步详细说明。包括了采用本发明的方法实现的一种计量装置运行状态预警方法。本发明的其它的特征、目的和优点也可以从实施例的说明和附图中看出。

本发明是以电能计量装置的各组成部分历史以及当前实际工作状况为依据，通过先进的状态监测手段，结合了现场检验数据，选取多项评价指标，分析挖掘在全寿命周期内影响其运行状态的因素；对电能计量装置运行状态进行细化和分类，并采用AHP综合评价模型对其运行状态进行评价；根据历史评价结果数据，通过云自适应PSO-BPNN预测模型对运行状态值进行预测，结合评估标准评估运行状态，并适时给出预警信号。

电能计量装置状态管理评价体系将电能计量装置分为电能表、电流互感器、电压互感器和二次回路四个组成部分。综合评价指标体系将影响电能计量装置运行的各项影响因素作为评价指标，采用在线实时信息和离线录入信息相结合的方法进行状态评估。在线通过收集实时监测信息，及时反映电能计量装置的运行状况和工况环境；离线采用历史数据和巡检记录，反映设备历史和家族性健康状态，两者相结合可以更好更准确的评估电能计量装置运行状态。在线信息和离线信息的内容描述如下：

(1)离线信息

电能计量装置运行历史信息包括原始资料状态量、检验试验情况状态量、其他状态量等离线信息。其中，各部分内容如下：

原始资料状态量：铭牌参数、出厂试验报告、安装调试记录、验收交接记录、可靠性分析报告等；检验试验情况状态量：检验报告、巡检记录、反措执行情况、消缺记录、重大缺陷分析；其他状态量：同厂家、同型号设备家族性缺陷及故障记录、相关反措执行情况。

(2)在线信息

在线信息范围包括设备工作环境，电能计量装置运行误差等信息。

各部分运行状态综合评价体系选用的状态信息评价指标分别如图2(a)～(d)所示。在获取电能计量装置的上述在线监测信息和离线录入信息后，依据规程标准、运行经验、设备厂家技术指标等判据，分别对设备的状态信息进行量化评分。以电能表部分离线信息为例，表1给出了状态信息量化评分细则，表中分数以满分计。

表1电能表评价指标状态信息量化评分细则(部分)

本发明采用层析分析法(analytichierarchyprocess,AHP)建立树形评价体系结构，求出各个评价指标的初始权重，从而对电能计量装置实际运行状态进行综合评估。AHP是将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。下面以电能表的运行状态评估为列，说明本发明如何用AHP确定指标初始权重，具体步骤如下：

1)通过指标的筛选判断，建立综合评价指标层次结构，如图2(a)所示；

2)构造判断矩阵。判断矩阵表示本层有关元素相对于上一层某元素的重要性。通常用标度1,2,…,9以及它们的倒数来表示元素之间的相对重要性。运用专家打分法来对各层指标两两比较的重要程度在标度范围内给出判断信息，从而形成判断矩阵。

3)一致性检验以及权重确定。在对各因素进行比较时，由于人们对复杂事物存在估计误差，不可能做到完全一致。为避免误差过大，因而需要对判断矩阵进行一致性检验。一般而言，当判断矩阵具有满意一致性时，基于AHP法得出的结论是合理的。一致性检验公式为：

$CI=\frac{{\mathrm{\λ}}_{max}-n}{n-1}---\left(1\right)$

CR＝CI/RI(2)

式中：n表示判断矩阵的阶数；λ_max表示判断矩阵的最大特征值；CI表示判断矩阵的一致性指标；RI表示随机一致性指标值；CR表示修正后的一致性比率。

当CR<0.1时，一般认为判断矩阵具有满意的一致性；否则，需要调整判断矩阵，使判断矩阵具有满意的一致性。当判断矩阵满足一致性检验后，则根据判断矩阵求出其最大特征值λ_max对应的特征向量，并进行归一化处理后即为各指标的权重，得到权重集W＝{w₁,w₂,…,w_n}。

层次分析法属于常权评估，其缺点不仅表现在权重本身具有较大主观性，更严重的是，常值权重常常导致评估的非公正性。这是由于因素之间的重要程度往往会随各因素状态值的不同而发生变化。即在状态评估中，有些因素需要激励，即它们的权重应随因素状态值的增大而增大；而有些因素可能需要惩罚，即它们的权重应随因素状态值的增大而减小。为此，本发明采用变权评估法计算电能表运行状态综合评价得分：

$w_i^{\&prime;}=\frac{w_i(-4.19\&times;{10}^{-4}{x}_i^3+9.63\&times;{10}^{-2}{x}_i^2-12.07x_i+666.1)}{\underset{i=1}{\overset{n}{\&Sigma;}}{w}_i(-4.19\&times;{10}^{-4}{x}_i^3+9.63\&times;{10}^{-2}{x}_i^2-12.07x_i+666.1)}---\left(3\right)$

$S=\underset{i=1}{\overset{n}{\&Sigma;}}{w}_i^{\&prime;}{x}_i---\left(4\right)$

式中，w_i为各项指标初始指标权重；w_i'为变化后的权重；x_i为各项指标得分值，S为综合评价得分。

相关性分析(correlationanalysis)就是研究两个或两个以上变量之间相关程度大小。在建立计量装置运行状态预测模型时，由于计量装置的电能表、电压互感器、电流互感器和二次回路四个组成部分各个子评价指标和综合状态评估值之间的相互影响程度未知，因此本发明使用相关性分析对各子评价指标进行筛选。通过相关性分析算法，从大量的、模糊的评价指标数据中，提取隐含在其中的、有用的信息和数据，为运行状态预测模型提供输入变量。

正态分布等间隔测度的变量x与y的简单相关系数采用Pearson积矩相关系数计算公式如下：

$r_{x,y}=\frac{\underset{i=1}{\overset{n}{\&Sigma;}}(x_i-x_{ave})(y_i-y_{ave})}{\sqrt{\underset{i=1}{\overset{n}{\&Sigma;}}{(x_i-x_{ave})}^2\underset{i=1}{\overset{n}{\&Sigma;}}{(y_i-y_{ave})}^2}}---\left(5\right)$

式中：r_x,y变量x与y的简单相关系数；n变量x与y的观测值数量；x_i变量x的第i个观测值；x_ave变量x的平均值；y_i变量y的第i个观测值；y_ave变量y的平均值。

按相关的性质分，有正相关和负相关。由于本发明只研究各个变量的相关程度，因此忽略正负相关性的分析，对负相关系数取绝对值处理。在统计学中，相关系数一般分为以下四个区间：

(1)区间[0.0，0.3]为不相关或极弱相关；

(2)区间[0.3，0.5]为低相关或弱相关；

(3)区间[0.5，0.8]为显著相关；

(4)区间[0.8，1.0]为高度相关或强相关；

下面以电能表为例说明本发明使用相关性分析对各子评价指标进行筛选的具体方法，对电压互感器、电流互感器和二次回路的数据挖掘过程类似。

由图2(a)可以看出，电能表评价体系状态信息分为基础信息、运行监测、现场检验等3大类，下设指标层二、指标层三共包含40项有效子评价指标。各项指标的状态信息对电能表最终评价结果影响是不同的，例如，同一计量装置中的电能表，在40项有效子评价指标内，有些指标如配置中的表型选择、主副电能表和可靠性中的可靠性试验等状态量是在出厂检验时就固定的，其在后期不会变化。而另一些指标在短期内不会变化，如运行情况中的封印在在两次现场检验记录中是不变的。因此，需要从40项子评价指标中挖掘出对最终评价结果影响较大的评价指标，作为预测模型历史运行状态评价数据的影响因素。

本发明首先根据图2(a)中子评价指标状态信息描述内容确定评价指标初选集，然后对出选集中的各个评价指标做相关性分析，选取相关性较大的指标作为影响因素，具体步骤如下：

步骤1：根据子评价指标状态信息描述内容确定影响因素初选集，初选集状态变量选择主要考虑预测日易于统计到的且易发生变化状态量。如运行情况中的运行时间，环境监测量中的环境温度、环境湿度等，初选集中评价指标状态变量如表2所示。

表2初选集中电能表评价指标状态变量

步骤2：根据初选集中选取的子评价指标，在历史日中选取相同时间长度的子评价指标状态信息量化评分值和运行状态综合评分值，组成状态量评分值序列。

步骤3：用相关性分析法计算，各子评价指标状态量与电能表最终评分值之间的相关度，并选取关系密切的状态变量，即相关系数r_x,y在区间[0.8，1.0]的状态变量；

BP人工神经网络(BackPropagationArtificialNeuralNetwork，BP-ANN)，通过对人脑的基本单元—神经元的建模和连结，模拟大脑的某些机制与机理，可以有效处理问题的非线性、模糊性和不确定性关系。因其较强的容错性、大规模并行处理、对信息采用分布式记忆，而且具有很强的自适应学习能力等优点吸引了众多领域科学家的关注，被广泛应用于工业、金融、环境、通信等领域，其应用主要集中在利用神经网络模型进行数据的识别和预测上。

本发明采用3层前向BP神经网络，网络结构如图3所示，包括输入层、隐含层和输出层，相邻两层各神经元之间实现全连接，而各层内部神经元之间无连接。设各层神经元个数分别为i、j和p，输入为X＝(x₁，x₂，…x_i)，实际输出为Y＝(y₁,y₁,…,y_p)，期望输出为D＝(d₁，d₂，…d_p)，网络训练算法具体步骤如下：

步骤1：初始化网络参数，各层权值、阀值，选定网络学习率η，计当前迭代次数t＝1，最大迭代次数cnt。

步骤2：依次输入P个训练样本，对当前样本cp，将样本集中作为输入层的数据按照各个连接权重的大小加权输入至隐含层的激活函数，再将得到的值加权输入至输出层的激活函数，计算得到隐含层和输出层的输出结果。

对于隐含层节点，其输入、输出为：

$a_k=\underset{m=1}{\overset{n}{\&Sigma;}}{w}_{km}{x}_m,k=1,2,...,j---\left(6\right)$

o_k＝f(a_k-b_k)(7)

式中，w_km为隐含层节点k与输入层节点m的权值；x_m为输入层节点m的输入；b_k为隐层节点k的阀值；f为Sigmoid函数；

对于输出层节点，输出层的输入结果c_n、输出结果y_n为：

$c_n=\underset{m=1}{\overset{j}{\&Sigma;}}{w}_{nm}{o}_m,n=1,2,...,p---\left(8\right)$

y_n＝f(c_n-d_n)(9)

式中，w_nm为输出层节点n与隐层节点m的权值；o_m为隐含层节点m的输出；d_n为输出层节点n的阀值；f为sigmoid函数。

步骤3：若cp<P，则cp＝cp+1，跳转到步骤2，否则转步骤4。

步骤4：按照权值调整公式调整各层连接权值、阈值，公式如下：

输出层与隐含层之间的权值w_nm调整为：

nw_nm＝w_nm+Δw_nm(10)

Δw_nm＝ηδ_no_m(11)

δ_n＝(d_n-y_n)y_n(1-y_n)(12)

隐含层与输入层之间的权值w_km调整为：

nw_km＝w_km+Δw_km(13)

Δw_km＝ηφ_kx_m(14)

${\mathrm{\&phi;}}_k=o_k(1-o_k)\underset{n=1}{\overset{p}{\&Sigma;}}{\mathrm{\&delta;}}_n{w}_{nm}---\left(15\right)$

式中，η为选定的网络学习率。

步骤5：按照新的连接权值、阈值，计算各层输出和网络训练总误差E(t),若E<(设定的误差上限)或t>cnt，则训练终止；否则，t＝t+1，转入步骤2重新训练。

$E=\frac{1}{2}\underset{n=1}{\overset{p}{\&Sigma;}}{(d_n-y_n)}^2---\left(16\right)$

粒子群优化(particleswarmoptimization,PSO)算法源于对鸟群觅食行为的模拟研究，是一种结构简单、收敛快的智能优化算法，已经被广泛应用于解决非线性优化问题。将PSO与BP神经网络结合，用PSO算法来优化BP神经网络地连接权值，充分发挥了粒子群算法的全局寻优能力和BP算法的局部搜索优势，提高了神经网络的泛化能力和学习能力。但是，标准PSO算法中，惯性权重和学习因子都是常数，在寻优过程中，所有粒子的移动方向同一化于最优粒子，使群体逐渐失去多样性。因此，其在处理高维问题时易陷入局部极值、收敛速度慢。

云自适应粒子群优化(cloudadaptiveparticleswarmoptimization,CAPSO)算法将云模型理论的随机性和稳定倾向性引入到PSO算法的收敛机制中，其随机性可以避免搜索陷入局部极值，而稳定倾向性又可以很好地定位全局最值。因此，本发明采用CAPSO算法对BPNN(BP人工神经网络)的连接权值进行优化，进而提高BPNN的泛化能力和学习能力。

设U为可以用数值表示的一维或多维定量论域，C是U上的定性概念，映射u：U→[0,1],x→u(x)，其中，定量值x∈U是定性概念C的一次随机实现，u(x)∈[0,1]是x对C的确定度，它是有稳定倾向的随机数，则x在论域U上的分布称为云，x就称为一个云滴。当x对C的确定度u(x)服从正态分布时，此时的云模型称为正态云模型，是一个服从正态分布规律的具有稳定倾向性的随机数集，记做C(E_x,E_n,H_e)。

其中，期望值E_x、熵E_n和超熵H_e分别为它的3个数字特征量：E_x表示云团的重心位置，反映了云滴基本的空间分布，其是在数域空间中最能代表定性概念的点，对不确定事物在一定程度上进行了确定性的转化；E_n是一种确定性概念的度量粒度，它揭示了不确定事物中模糊性和随机性的关联性。E_n越大概念越宏观，云滴的分布范围越大，反之越小；H_e是熵的不确定度量，反映了云层的厚度和离散度，即云滴的凝聚度。H_e越大云层越厚越离散，反之越薄越集中。

设D维解空间中第i个粒子的位置和速度分别为x_i＝(x_i1,x_i2,…,x_iD)和v_i＝(v_i1,v_i2,…,v_iD)，各粒子通过跟踪个体极值点(粒子自身最优解)P_best和群体极值点(群体目前的最优解)G_best完成速度与位置的更新，更新公式如下：

$v_{ij}^{k+1}={\mathrm{wv}}_{ij}^k+c_1{r}_1(p_{ij}^k-x_{ij}^k)+c_2{r}_2(p_{gj}^k-x_{ij}^k)---\left(17\right)$

$x_{ij}^{k+1}=x_{ij}^k+v_{ij}^{k+1}---\left(18\right)$

式中：w为惯性权重；c₁，c₂为加速因子；r₁,r₂∈R_and[0,1]；和分别为粒子i在第k次迭代中第j维的速度和位置；和为粒子i在第k次迭代中第j维的个体极值和群体极值的位置；粒子位置和速度的范围分别为[x_min,x_max]、[v_min,v_max]。

CAPSO算法中的惯性权重w调整策略如下：对适应度高的粒子，w取最大值，可以加快全局搜索，提高寻优能力；适应度低的粒子，由于已经接近最优解，w取最小值，使得局部寻优能力加强；适应度适中的粒子，在迭代前期具有很强的全局搜索能力，而后期局部搜索能力增强。w的详细调整公式如下：

设粒子的总数为N，第k次迭代中粒子x_i在的适应度值为则N个粒子的平均适应度值为：

${\stackrel{\&OverBar;}{f}}_0^k=\frac{1}{N}\underset{i=1}{\overset{N}{\&Sigma;}}{f}_i^k---\left(19\right)$

适应度优于的N₁个粒子的均值为：

${\stackrel{\&OverBar;}{f}}_1^k=\frac{1}{N_k}\underset{i=1}{\overset{N_1}{\&Sigma;}}{f}_i^k,f_i^k<{\stackrel{\&OverBar;}{f}}_0^k---\left(20\right)$

适应度非优于的N₂个粒子的均值为：

${\stackrel{\&OverBar;}{f}}_2^k=\frac{1}{N_2}\underset{i=1}{\overset{N_2}{\&Sigma;}}{f}_i^k,f_i^k\&GreaterEqual;{\stackrel{\&OverBar;}{f}}_0^k---\left(21\right)$

则第k代惯性权重w^k计算公式如下：

$E_x={\stackrel{\&OverBar;}{f}}_0^k,E_n=({\stackrel{\&OverBar;}{f}}_0^k-f_{\min }^k)/k_1,H_e=E_n/k_2---\left(22\right)$

$w_k=\left\{\begin{array}{cc}{w}_{\min }& (f_i^k\&le;{\stackrel{\&OverBar;}{f}}_1^k)\\ w_{\max }-0.5u\left(f_i^k\right)& ({\stackrel{\&OverBar;}{f}}_1^k>f_i^k>{\stackrel{\&OverBar;}{f}}_2^k)\\ w_{\max }& (f_i^k\&GreaterEqual;{\stackrel{\&OverBar;}{f}}_2^k)\end{array}\right.---\left(23\right)$

式中：w_min，w_max分别为w的最小和最大值；为对应的确定度；k₁，k₂为调整系数；

生成云滴的算法称为云发生器，本发明使用X-条件云发生器：给定云的3个参数(E_xE_nH_e)和论域U上的某个值x₀，即产生云滴(x₀,u)。x₀的确定度u计算如下：

$u\left(x_0\right)=e^{-\frac{{(x_0-E_x)}^2}{2E_n^{\&prime;2}}}---\left(24\right)$

式中：E'_n＝normrnd(E_n,H_e,1,1)。

CAPSO算法中的加速因子包括认知因子c₁和社会因子c₂，其决定了粒子之间信息的交换。在搜索初期粒子飞行主要参考本身的历史信息c₁，在搜索后期，更加注重群体信息c₂。算法按照图4所示的收敛曲线L对c₁，c₂进行动态调整：c₁由大变小，c₂由小变大。调整公式如下：

$R=2\sqrt{2}{\cos }^{-1}(\mathrm{\&pi;}/4-{\mathrm{\&gamma;}}_{\min })---\left(25\right)$

c₁＝Rcos[γ_min+(π/2-2γ_min)k/K](26)

c₂＝Rsin[γ_min+(π/2-2γ_min)k/K](27)

式中：R为收敛曲线半径；γ_min为收敛曲线初始角；K为迭代总次数。

基于CAPSO-BP神经网络算法的实质就是将输入、输出问题转化成非线性映射问题，利用CAPSO算法初始化BPNN的权重、阈值，再利用BPNN的训练算法进行局部寻优，训练流程如图5所示。

本发明在对评价指标状态信息量化打分时，由于可能存在数据整理错误等原因，量测数据中会出现一些异常数据。因此，采用解析分析法对异常数据进行剔除和补充以提高预测精度。同时，为防止BP神经网络神经元饱和，在对网络进行测试之前还必须对数据进行归一化处理，将训练和测试样本数据尺度变换到区间[0,1]内，进而提高网络的泛化能力和预测精度。对不同量纲数据进行归一化处理的公式如下：

$p^{*}=\frac{p-p_{\min }}{p_{max}-p_{min}}---\left(28\right)$

式中：p为原始的样本数据；p_max、p_min分别为样本数据p中最大值和最小值；p^*为归一化后的样本数据。

计量装置各个部分历史运行状态的评估分数有一定的相似性，但由于运行环境等外界因素的影响，使得未来运行状态与这些因素之间具有高度的不确定关系。而且，随着运行环境、运行情况的变化，计量装置各部分未来的运行状态存在着很大的随机性和波动性。在基于CAPSO-BP神经网络对计量装置运行状态进行预测时，针对电能表、电流互感器、电压互感器以及二次回路自身运行状态的特点，分别对其建模。在构建计量装置运行状态预测的CAPSO-BP神经网络预测模型时，需要确定BP神经网络各层神经元数以及网络相关参数(以下电能表的预测模型为例)。

本发明在基于电能表运行状态历史评估值，每次对未来最近一次状态评估值进行预测，这样对应输出层神经元数是1。预测模型输入变量选取为状态评价体系数据挖掘中所得的与电能表运行状态相关性较大的子评价指标，我们用历史状态评估值及其对应的子评价指标值和待预测日统计的子评价指标值来预测未来的运行状态值。

输入、输出层神经元对应的状态变量为：输入层神经元1-12为连续取电能表历史3次(N-N+2)运行状态评估值及其对应子评价指标，神经元13-15分别为预测日(第N+3次)前统计的运行时间、环境湿度和环境温度评分值；输出层神经元为预测日(第N+3次)的状态评估预测值。预测模型输入、输出变量详见表3，表中“x”表示输入变量，“y”表示输出变量。

表3电能表状态预测模型输入、输出变量隐含层神经元个数p的确定按照如下经验公式选取：

$p=\sqrt{n+q}+a---\left(29\right)$

式中：n，p，q分别为各层神经元个数；a为1～10之间的整数。

本发明CAPSO-BPNN预测模型参数设置：CAPSO的种群规模popsize＝30，控制系数k₁＝0.5，k₂＝10，惯性权重w∈[0.3,0.7]，收敛曲线初始角γ_min＝π/6，迭代总次数K＝200，权值搜索范围W∈[-50,50]，速度范围V∈[-1,1]；BPNN的网络结构15-9-1，网络学习率η为0.05，允许误差＝0.001，迭代次数cnt＝500。

基于电能计量装置运行状态预测评估得分，根据运行状态评估标准，对电能计量装置运行状态进行评估并实时给出报警信号，计量装置运行状态评价标准如表4所示：

电能计量装置运行状态

得分区间

优良状态	[85,100]
		正常状态	[65,85)
注意状态	[40,65)
		异常状态	[0,40)

表4运行状态评估标准

基于上述，本发明涉及的时一种计量装置运行状态预警方法。属于电力计量技术领域，包括以下步骤：1)从电能计量装置电能表、电压互感器、电流互感器和二次回路等4个组成部分的离线录入信息和在线监测信息中选取能反映各部分运行状态的指标信息；2)数据预处理，对原始数据进行异常数据剔除与补充，力求数据的准确性；3)针对电能计量装置4个组成部分，分别建立评价体系，并运用AHP综合评价模型对其运行状态进行评分；4)对各部分评价体系进行数据挖掘，选取对运行状态评价影响较大的评价指标；5)根据各组成部分的状态评价模块给出的历史运行状态评分序列，并结合在线监测信息，通过云自适应PSO-BPNN预测模型对各组成部分未来运行状态评分值进行预测；6)将预测出的运行状态评分值和评估标准比较，确定4个组成部分的运行状态，并根据预警策略，适时给出预警信号。本发明提供的方法可以有效地对计量装置运行状态进行预警，进而提高电能计量装置检验的针对性、合理性和科学性。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种计量装置运行状态预警方法，其特征在于，该方法包括以下步骤：

(1)获取计量装置运行状态预警所需的基本数据：从电能计量装置的四个组成部分即电能表、电压互感器、电流互感器和二次回路的离线录入信息和在线监测信息中选取能反映各部分运行状态的指标信息；

(2)数据预处理，对原始数据进行异常数据剔除与补充，确保数据的准确性；

(3)针对电能计量装置4个组成部分，分别建立评价体系，并运用AHP(analytichierarchyprocess,层析分析法)模糊综合评价模型对电能计量装置的4个组成部分运行状态进行评分；

(4)对电能计量装置的4个组成部分评价体系进行数据挖掘，使用相关性分析对各子评价指标进行筛选，选取对运行状态评价影响较大的评价指标；

所述筛选公式如下：

$r_{x,y}=\frac{\underset{i=1}{\overset{n}{\&Sigma;}}(x_i-x_{ave})(y_i-y_{ave})}{\sqrt{\underset{i=1}{\overset{n}{\&Sigma;}}{(x_i-x_{ave})}^2\underset{i=1}{\overset{n}{\&Sigma;}}{(y_i-y_{ave})}^2}}$

式中：r_x,y变量x与y的简单相关系数；n变量x与y的观测值数量；x_i变量x的第i个观测值；x_ave变量x的平均值；y_i变量y的第i个观测值；y_ave变量y的平均值；

(5)根据各组成部分的状态评价体系给出的历史运行状态评分序列，并结合在线监测信息，通过云自适应PSO-BPNN预测模型对电能计量装置的4个组成部分未来运行状态评分值进行预测；

(6)将预测出的运行状态评分值和评估标准比较，确定电能计量装置的4个组成部分的运行状态，并根据预警策略，适时给出预警信号。

2.根据权利要求1所述的一种计量装置运行状态预警方法，其特征在于：上述步骤(1)中，从电能计量装置的电能表、电压互感器、电流互感器和二次回路的4个组成部分的离线录入信息和在线监测信息中选取能反映各部分运行状态的指标信息，针对4个组成部分，分别建立预测模型，依据规程标准、运行经验、设备厂家技术指标的判据，分别对设备的状态信息进行量化评分。

3.根据权利要求1所述的一种计量装置运行状态预警方法，其特征在于：所述步骤(3)中，运用AHP模糊综合评价模型对电能计量装置的4个组成部分运行状态进行评分，该评分是采用变权评估法计算电能表运行状态综合评价得分：

$w_i^{\&prime;}=\frac{w_i(-4.19\&times;{10}^{-4}{x}_i^3+9.63\&times;{10}^{-2}{x}_i^2-12.07x_i+666.1)}{\underset{i=1}{\overset{n}{\&Sigma;}}{w}_i(-4.19\&times;{10}^{-4}{x}_i^3+9.63\&times;{10}^{-2}{x}_i^2-12.07x_i+666.1)}$

$S=\underset{i=1}{\overset{n}{\&Sigma;}}{w}_i^{\&prime;}{x}_i$

式中，w_i为各项指标初始指标权重；w'_i为变化后的权重；x_i为各项指标得分值，S为综合评价得分，i表示是指标个数。

4.根据权利要求1所述的一种计量装置运行状态预警方法，其特征在于：所述步骤(2)中，采用解析分析法对异常数据进行剔除和补充以提高预测精度，所述解析分析法的具体步骤：根据历史数据的横向、纵向相似性，利用横向、纵向数据对比对不良数据进行剔除和补充。

5.根据权利要求1所述的一种计量装置运行状态预警方法，其特征在于：所述步骤(5)中，云自适应PSO-BPNN预测模型是应用粒子群优化(CAPSO)算法优化BP神经网络，将输入、输出问题转化成非线性映射问题，并利用CAPSO算法初始化BPNN的权重、阈值，再利用BPNN的训练算法进行局部寻优。

6.根据权利要求4所述的一种计量装置运行状态预警方法，其特征在于：所述BP神经网络采用的时3层前向BP神经网络，该3层前向BP神经网络的网络结构包括输入层、隐含层和输出层，相邻两层各神经元之间实现全连接，而各层内部神经元之间无连接；

设各层神经元个数分别为i、j和p，输入为X＝(x₁，x₂，…x_i)，实际输出为Y＝(y₁,y₁,…,y_p)，期望输出为D＝(d₁，d₂，…d_p)，网络训练算法具体步骤如下：

步骤1：初始化网络参数，各层权值、阀值，选定网络学习率η，计当前迭代次数t＝1，最大迭代次数cnt；

步骤2：依次输入P个训练样本，对当前样本cp，将样本集中作为输入层的数据按照各个连接权重的大小加权输入至隐含层的激活函数，再将得到的值加权输入至输出层的激活函数，计算得到隐含层和输出层的输出结果；

对于隐含层节点，隐含层的输入结构a_k、输出结果o_k为：

$a_k=\underset{m=1}{\overset{n}{\&Sigma;}}{w}_{km}{x}_m,k=1,2,...,j$

o_k＝f(a_k-b_k)

式中，w_km为隐含层节点k与输入层节点m的权值；x_m为输入层节点m的输入；b_k为隐层节点k的阀值；f为Sigmoid函数；

对于输出层节点，输出层的输入结果c_n、输出结果y_n为：

$c_n=\underset{m=1}{\overset{j}{\&Sigma;}}{w}_{nm}{o}_m,n=1,2,\mathrm{...},p$

y_n＝f(c_n-d_n)

式中，w_nm为输出层节点n与隐层节点m的权值；o_m为隐含层节点m的输出；d_n为输出层节点n的阀值；f为sigmoid函数。

步骤3：若cp<P，则cp＝cp+1，跳转到步骤2，否则转步骤4；

步骤4：按照权值调整公式调整各层连接权值、阈值，公式如下：

输出层与隐含层之间的权值w_nm调整为：

nw_nm＝w_nm+Δw_nm

Δw_nm＝ηδ_no_m

δ_n＝(d_n-y_n)y_n(1-y_n)

隐含层与输入层之间的权值w_km调整为：

nw_km＝w_km+Δw_km

Δw_km＝ηφ_kx_m

${\mathrm{\&phi;}}_k=o_k(1-o_k)\underset{n=1}{\overset{p}{\&Sigma;}}{\mathrm{\&delta;}}_n{w}_{nm}$

式中，η为选定的网络学习率；

步骤5：按照新的连接权值、阈值，计算各层输出和网络训练总误差E(t),若E(t)<，代表设定的误差上限或t>cnt，则训练终止；否则，t＝t+1，转入步骤2重新训练；

$E\left(t\right)=\frac{1}{2}\underset{n=1}{\overset{p}{\&Sigma;}}{(d_n-y_n)}^2.$

7.根据权利要求5所述的一种计量装置运行状态预警方法，其特征在于：为防止BP神经网络神经元饱和，在对网络进行测试之前还必须对数据进行归一化处理，对不同量纲数据进行归一化处理的公式如下：

$p^{*}=\frac{p-p_{min}}{p_{max}-p_{min}}---\left(28\right)$

式中：p为原始的样本数据；p_max、p_min分别为样本数据p中最大值和最小值；p^*为归一化后的样本数据。

8.根据权利要求5所述的一种计量装置运行状态预警技术，其特征在于：所述步骤(5)中，电能表状态的云自适应PSO-BPNN预测模型的输入、输出变量选取，基于电能表运行状态历史评估值，每次对未来最近一次状态评估值进行预测，对应输出层神经元数是1，预测模型输入变量选取为状态评价体系数据挖掘中所得的与电能表运行状态相关性最大的子评价指标。

9.根据权利要求6所述的一种计量装置运行状态预警技术，其特征在于：所述云自适应PSO-BPNN预测预测模型的优化BP神经网络的隐含层神经元个数p的选取公式：

$p=\sqrt{n+q}+a$

式中：n，p，q分别为各层神经元个数；a为1～10之间的整数。

10.根据权利要求1所述的，其特征在于，所述步骤(4)中，使用相关性分析对各子评价指标进行筛选方法为：各子评价指标状态信息描述内容确定评价指标初选集，然后对出选集中的各个评价指标做相关性分析，选取相关性较大的指标作为影响因素；所述方法的具体步骤如下：

步骤1：根据各子评价指标状态信息描述内容确定影响因素初选集；

步骤2：根据初选集中选取的子评价指标，在历史日中选取相同时间长度的子评价指标状态信息量化评分值和运行状态综合评分值，组成状态量评分值序列；

步骤3：用相关性分析法计算，各子评价指标状态量与电能表最终评分值之间的相关度，并选取关系密切的状态变量，即相关系数r_x,y在区间[0.8，1.0]的状态变量。