CN109633518A - 一种智能电能表综合性能评价方法、装置 - Google Patents
一种智能电能表综合性能评价方法、装置 Download PDFInfo
- Publication number
- CN109633518A CN109633518A CN201910090744.XA CN201910090744A CN109633518A CN 109633518 A CN109633518 A CN 109633518A CN 201910090744 A CN201910090744 A CN 201910090744A CN 109633518 A CN109633518 A CN 109633518A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- intelligent electric
- data
- performance indicator
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开一种智能电能表综合性能评价方法、装置,该方法步骤包括:S1.分别基于全寿命周期管理数据获取所需评价的各类别智能电能表的性能指标数据,得到性能指标数据集;S2.使用性能指标数据集计算每个类别智能电能表中每项性能指标数据与最优值之间的关联度值,各类别智能电能表分别将各关联度值进行综合计算,得到对应各类别智能电能表的灰色关联度值;S3.根据计算得到的灰色关联度值评估各类别智能电能表的综合性能。本发明具有实现方法简单、成本低、能够实现批量智能电能表的综合性能评价,且执行效率高、评价客观合理、鲁棒性好等优点。
Description
技术领域
本发明涉及批量智能电能表评价技术领域,尤其涉及一种智能电能表综合性能评价方法、装置。
背景技术
计量装置产生故障多是由电能表电池欠压、时钟超差、故障烧表等引发,智能电表作为广大电力用户结算和采集系统最基础、最核心的组成部分,其质量水平关系到各用户的供电安全和切身利益,也会直接影响电能数据采集系统的远程费控执行以及数据采集的可靠性。
建立智能电表质量评价体系是有效提高智能电表质量管控水平的重要手段,也是智能电表全寿命周期管理过程的重要环节。针对智能电表性能的评价,目前通常都是简单的进行合格与不合格的判断评价,即获取智能电表的数据与设定标准进行比较,如在设定标准范围内则判定合格,否则判定为不合格,该类方法只能对单一产品的合格情况进行简单的评定,当需要针对不同型号或不同批次的批量产品进行评价时,通常仅能先逐一对单一产品进行合格性判定,再简单的依据各单一产品的合格性情况评判对应型号或对应批次产品的质量水平,操作过程复杂、效率低,难以客观、合理的评价批量产品的综合质量水平。
智能电能表的数据规模大、数据结构复杂且关联度高,使用简单的脚本语言预处理无法解析过于复杂的数据结构,数据质量无法做到有效监控,智能电能表供应商提供的综合评价方式就存在主观意识强、数据处理繁杂等问题。目前对于不同企业或不同批次的批量产品的综合质量水平,尚缺乏行之有效的评估方法,因此亟需提供一种智能电能表综合性能评价方法,以高效实现批量产品的客观、合理的综合质量水平评价。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种实现方法简单、成本低、能够实现批量智能电能表的综合性能评价,且执行效率高、评价客观合理、鲁棒性好的智能电能表综合性能评价方法、装置。
为解决上述技术问题,本发明提出的技术方案为:
一种智能电能表综合性能评价方法,步骤包括:
S1.数据获取:分别基于全寿命周期管理数据获取所需评价的各类别智能电能表的性能指标数据,其中每个类别分别获取多项性能指标数据,得到性能指标数据集;
S2.灰色关联度值确定:使用性能指标数据集计算每个类别智能电能表中每项性能指标数据与最优值之间的关联度值,各类别智能电能表分别将各所述关联度值进行综合计算,得到对应各类别智能电能表的灰色关联度值;
S3.综合评价:根据计算得到的所述灰色关联度值评估各类别智能电能表的综合性能。
作为本发明的进一步改进:所述步骤S2中通过计算所述性能指标数据集中每项性能指标数据的信息熵值,各类别智能电能表分别根据各项性能指标数据的所述信息熵值将各所述关联度值进行综合计算,得到所述灰色关联度值。
作为本发明的进一步改进,所述步骤S2得到所述灰色关联度值的步骤包括:
S21.指标熵值计算:分别计算所述性能指标数据集中每项性能指标数据的信息熵值;
S22.熵权值确定:根据计算得到的所述信息熵值确定对应项性能指标数据的权值,得到对应每项性能指标数据的熵权值;
S23.综合加权:将每项性能指标数据所对应的所述熵权值以及所述关联度值进行加权,得到所述灰色关联度值。
作为本发明的进一步改进,所述性能指标数据的信息熵值的计算步骤为:
计算第i个类别智能电能表第j个性能指标数据的比重fij为:
其中,rij为第i个类别智能电能表第j个性能指标数据的值,n为性能指标数据的项数;
根据计算得到的所述比重确定得到第i个性能指标数据的信息熵值Hi为:
其中k=1/ln n。
作为本发明的进一步改进,所述性能指标数据的熵权值按下式计算得到:
其中wi为第i个性能指标数据的熵权值,m为所需评价的智能电能表的类别数。
作为本发明的进一步改进,所述灰色关联度值具体按下式计算得到:
其中pj为第j个类别智能电能表的灰色关联度值,n为性能指标的项数,wi为第i项性能指标数据的所述熵权值,εi j为第j个类别智能电能表中第i项性能指标数据与对应的最优值之间的所述关联度值。
作为本发明的进一步改进,所述步骤S2中所述每项性能指标数据与最优值之间的关联度值的具体计算步骤包括:
S21.确定最优指标:分别确定所述性能指标数据集中各项性能指标数据的最优值;
S22.关联度值计算:分别计算各类别智能电能表中各项性能指标数据与确定的所述最优值之间的相对差值,得到所述每项性能指标数据与最优值之间的关联度值。
作为本发明的进一步改进,所述各项性能指标数据与最优值之间的关联度值具体按下式计算得到:
其中,第j个类别智能电能表中第i项性能指标与最优值之间的关联度值,其中ri *为第i项性能指标数据的最优值,rij为第j个类别智能电能表中第i项性能指标数据的值。
作为本发明的进一步改进:所述性能指标数据包括用于电能表质量监督的第一级指标,所述第一级指标包括电能表设计生产过程中质量监督指标、到货前质量监督指标、到货后质量监督指标以及运行质量监督指标中一种或多种;所述质量监督指标包括元器件质量指标、工艺完整性指标、出厂试验符合率指标中一种或多种,所述到货前质量监督指标包括样品比对有无整改指标、全性能试验情况指标、中标批次合格率指标中一种或多种,所述到货后质量监督指标包括样品比对情况指标、到货全检合格率指标、到货批次不合格率指标中一种或多种,所述运行质量监督指标包括运行表抽检合格率指标、运行表分批故障率指标、运行表分类故障率指标、批次不合格故障率中一种或多种。
本发明进一步提供一种智能电能表综合性能评价装置,包括计算机设备,所述计算机设备被编程以执行上述智能电能表综合性能评价方法的步骤。
与现有技术相比,本发明的优点在于:
1、本发明针对批量智能电能表的综合质量评价,通过基于全寿命周期管理数据获取各类别智能电能表的性能指标数据,计算每个类别智能电能表中每项性能指标数据与最优值之间的关联度值,再综合各关联度值得到灰色关联度值,将灰色关联度作为综合评价的量度,能够充分利用已有的白化信息量化批量智能电能表综合性能的分析,减少人为的主观因素影响而降低误差,实现客观、合理且准确的综合性能评价,且具有良好鲁棒性。
2、本发明通过由各项性能指标数据与最优值之间的差值来确定关联度值以作为灰色关联系数,由性能指标数据与最优值之间的相关性可以准确反映智能电能表的性能,能够量化综合评价系统内的各因素之间的关联度,从而综合各项性能指标数据的关联度值可以准确反映各类别智能电能表的综合性能,确保评价结果的准确、可靠性。
3、本发明进一步利用熵理论分析确定各个性能指标的权重,能够以客观赋权方式对智能电表各指标数据进行定性分析,结合熵权以及灰色关联法综合得到评价各类别智能电能表的灰色关联度值,能够进一步提高综合评价的精度以及可靠性。
4、本发明进一步通过全寿命周期管理云平台系统对电能表的设计、关键元器件、生产、监造、检测、运行、报废鉴定等各环节的相关数据进行提炼,得到可以量化的数据指标后,建立从电能表生产监造、到货前质量评价、到货后质量评价、现场运行评价等全寿命周期的闭环综合性能评价指标体系,能够从多层次、多角度对批量智能电能表的综合性能水平进行全面的定量评价。
附图说明
图1是本实施例智能电能表综合性能评价方法的实现流程示意图。
图2是本实施例中电能表全寿命周期管理云平台系统的结构原理示意图。
图3是本实施例中构建的综合性能评价指标体系的原理示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
如图1所示,本实施例智能电能表综合性能评价方法步骤包括:
S1.数据获取:分别基于全寿命周期管理数据获取所需评价的各类别智能电能表的性能指标数据,其中每个类别分别获取多项性能指标数据,得到性能指标数据集;
S2.灰色关联度值确定:使用性能指标数据集计算每个类别智能电能表中每项性能指标数据与最优值之间的关联度值,各类别智能电能表分别将各关联度值进行综合计算,得到对应各类别智能电能表的灰色关联度值;
S3.综合评价:根据计算得到的灰色关联度值评估各类别智能电能表的综合性能。
本实施例针对批量智能电能表的综合质量评价,通过基于全寿命周期管理数据获取各类别智能电能表的性能指标数据,计算每个类别智能电能表中每项性能指标数据与最优值之间的关联度值,再综合各关联度值得到灰色关联度值,将灰色关联度作为综合评价的量度,能够充分利用已有的白化信息量化批量智能电能表综合性能的分析,减少人为的主观因素影响而降低误差,实现客观、合理且准确的综合性能评价,且具有良好鲁棒性。
本实施例具体从智能电表综合质量水平出发,建立电能表全寿命周期管理云平台系统,云平台系统如图2所示,由智能电表、RFID技术和云平台管理系统等构成,利用电能表全寿命周期管理云平台系统提取出智能电能表全寿命周期管理的各个关键指标数据,包含智能电表设计、关键元器件、生产监造、抽样检验、全性能试验、到货检验、现场运行、报废鉴定等全过程、全环节的关键指标数据,得到可以量化的数据指标以作为智能电能表综合评价的依据。云平台管理系统由大数据云平台系统和性能评估系统构成,能有效评估智能电表整个运行工况,并根据评估状态采集智能电表在实际环境中相关数据,再对比系统中标准表与实际电能表运行数据得到误差数据,评估智能电能表的准确性、可靠性受复杂的电网实际运行环境影响,从而对其进行综合评价。
本实施例通过上述电能表全寿命周期管理云平台系统采集关键指标数据,由大数据云平台可支持海量结构化和非结构化数据存储,且支持多种数据挖掘发现手段,具有灵活的数据整合能力和安全访问机制,同时能够保持数据的完整性,提供多种高级管理和数据分配功能,包括复杂的事务处理支持,能为智能电能表的综合性能评估提供可靠的数据依据。
如图3所示,本实施例具体从产品质量的角度出发,划分为生产监造、供货前质量评估、到货后质量评估、现场运行评估四个阶段,建立从电能表生产监造、到货前质量评价、到货后质量评价、现场运行评价等全寿命周期的闭环综合性能评价指标体系。通过搭建上述电能表全寿命周期管理云平台系统对电能表的设计、关键元器件、生产、监造、检测、运行、报废鉴定等各环节的相关数据进行提炼,得到智能电能表全寿命周期管理的各个关键指标数据,以此为基础建立上述性能评价指标体系,能够从多层次、多角度对批量智能电能表的综合性能水平进行全面的定量评价。
参见图3,本实施例中性能指标数据具体包括用于电能表质量监督的第一级指标,第一级指标包括电能表设计生产过程中质量监督指标、到货前质量监督指标、到货后质量监督指标以及运行质量监督指标等;质量监督指标包括元器件质量指标、工艺完整性指标、出厂试验符合率指标等,到货前质量监督指标包括样品比对有无整改指标、全性能试验情况指标、中标批次合格率指标等,到货后质量监督指标包括样品比对情况指标、到货全检合格率指标、到货批次不合格率指标等,运行质量监督指标包括运行表抽检合格率指标、运行表分批故障率指标、运行表分类故障率指标、批次不合格故障率等,基于上述性能指标数据能够对智能电表各项指标数据进行客观、全面的定性分析,结合灰色关联度可以实现从多层次、多角度对电能表供应商综合质量水平做出定量评价。上述各性能指标可根据实际需求确定,也可以根据实际需求增加其他性能指标以进一步提高评价性能。
本实施例中,步骤S2中具体通过计算性能指标数据集中每项性能指标数据的信息熵值,各类别智能电能表分别根据各项性能指标数据的信息熵值将各关联度值进行综合计算,即根据每项性能指标数据的信息熵值确定每项性能指标的权重值,各类别智能电能表依据权重值将各关联度值进行加权计算,得到灰色关联度值。评价决策的基础是信息,而信息的准确性、全面性和及时性是评价智能电表各项性能的重要因素,本实施例利用熵理论分析确定各个性能指标的权重,实现熵权法,相比于主观赋值法,能够以客观赋权方式对智能电表各指标数据进行定性分析,结合灰色关联法综合得到评价各类别智能电能表的灰色关联度值,能够进一步提高综合评价的精度以及可靠性,实现优中选优。
本实施例中,步骤S2中得到灰色关联度值的步骤包括:
S21.指标熵值计算:分别计算性能指标数据集中每项性能指标数据的信息熵值;
S22.熵权值确定:根据计算得到的信息熵值确定对应项性能指标数据的权值,得到对应每项性能指标数据的熵权值;
S23.综合加权:将每项性能指标数据所对应的熵权值以及关联度值进行加权,得到灰色关联度值。
在具体应用实施例中,上述灰色关联度值计算的详细步骤如下:
步骤1:性能指标数据提取
依据建立的评价指标体系,提取待评价智能电能表的基础数据(性能指标数据),假设存在m个智能电表类别(如m个不同供应商),n项性能指标数据,即组成原始指标矩阵X:
步骤2:数据标准化处理
由于各指标在量纲等方面的选取都有不同,如元器件质量和现场运行故障率的单位分别为分数和百分比%,为了在已经构建好的指标体系中具有可比性,对上述提取的性能指标数据进行标准化处理,具体采用下式(2)标准化处理各指标,以便进行综合分析。
经上述标准量化处理后,各指标值均处于[0,1]之间,对应指标最劣值为0,最优值为1。
步骤3:熵权值计算
利用公式3计算得到第i个类别智能电能表中第j项性能指标数据的比重:
其中,rij为第i个类别智能电能表第j项性能指标数据,n为性能指标数据的项数。
假定,当fij=0时,有fijlnfij=0,从而根据计算得到的比重确定得到第i项性能指标数据的信息熵值Hi为:
其中,k=1/ln n。
根据各项性能指标数据的信息熵值计算第i项性能指标的熵权值为:
其中wi为第i项性能指标数据的熵权值。
依据上述计算得到的熵权值即可确定各项性能指标数据的权值,从而可依据熵信息有效提高较为重要的性能指标数据的权重、减小非重要的性能指标数据的权重,提高综合评价的准确度以及可靠性。
本实施例中,步骤S2中每项性能指标数据与最优值之间的关联度值的具体计算步骤包括:
S21.确定最优指标:分别确定性能指标数据集中各项性能指标数据的最优值;
S22.关联度值计算:分别计算各类别智能电能表中各项性能指标数据与确定的最优值之间的相对差值,得到每项性能指标数据与最优值之间的关联度值。
本实施例通过由各项性能指标数据与最优值之间的差值来确定灰色关联系数,即关联度值,由性能指标数据与最优值之间的相关性可以准确反映智能电能表的性能,能够量化综合评价系统内的各因素之间的关联度,从而综合各项性能指标数据的关联度值可以有效反映各类别智能电能表的综合性能。
在具体应用实施例中,上述关联度值计算的详细步骤为:
步骤1:将得到的如式(1)所示的智能电表质量评价指标数据按列取出以按列处理,即为:
其中,m为智能电表类别数,n为性能指标数据的项数。
步骤2:确定最优性能指标集
假设第i个指标的最优值为:
X*=[x11 *,x12 *…x1n *]T,xi *,可按照各电能表指标中的最优值来确定,如某性能指标能够反应出产品的质量好,则最优值取该指标中的最大值;反之,若某性能指标为故障类指标,则取最小值。当最优性能指标集确定后,即可构建矩阵Y:
步骤3:标准化处理
因不同指标数据存在数量级等方面的差距,不便于进行比较,本实施例进一步无量纲化处理数据初始值,得到矩阵R:
步骤4:求关联度值(灰色关联系数)
由参考指标数列曲线在第i个指标上的相对差值得到关联度值εi j,依据不同曲线之间几何形状的类似程度进行紧密性判断,该关联度εi j值的数值越大,则表明两项数据在第i个性能指标上的关联程度越强。
具体由公式(9)得第j个类别智能电能表中的第i项性能指标与其对应的最优性能指标数据之间的关联度值εi j:
R*=[r1 *,r2 *…rm *]T即参考数列,Rj=[r1j,r2j…rmj]T即比较数列,其中ρ是分辨系数,ρ值越小,分辨力越大,通常取值分布于(0,1),具体可根据实际需求确定,一般可选取0.5;ri *为第i项性能指标数据的最优值,rij为第j个类别智能电能表中第i项性能指标数据的值。
经过上述计算得到各类别智能电能表中各项性能指标的关联度值后,以关联度值作为灰色关联系数,使用各项性能指标数据对应的熵权值进行加权得到最终的灰色关联度值,即把每个时刻对应的关联系数合并为一个值,能够全面分析电能表各指标数列相比于参考数列的关联度。本实施例中灰色关联度值具体按下式计算得到:
其中pj为第j个类别智能电能表的灰色关联度值,n为性能指标的项数,wi为第i项性能指标数据的熵权值,εi j为第j个类别智能电能表中第i项性能指标数据与对应的最优值之间的关联度值。
本实施例可应用于各种需对批量智能电能表进行综合质量评价的场合,如可以是针对多个不同供应商的智能电能表,也可以是针对多个不同型号或不同批次的智能电能表,具体可根据实际需求确定。
以下以选取较为典型的5家智能电能表供应商作为评估对象进行综合性能评价,以对本发明进行进一步说明。
步骤一、性能指标数据提取
依据智能电表全寿命周期的管理特征,全面考核智能电表性能评价的客观性、合理性和典型性,把智能电表性能一级指标体系按全寿命周期顺序划分为四个阶段:电能表设计生产过程质量监督、到货前质量监督、到货后质量监督和运行质量监督进行评价,在此之上,将各大指标进一步细分为若干定量或定性的二级指标,建立综合评价指标体系,包括电能表的设计、关键元器件、生产监造、抽样试验、全性能检验、到货检测、现场运行、报废鉴定等每个环节的重要数据,构建的综合性能评价指标体系如图3所示:
构建智能电表质量综合评价指标体系后,选取4个一级质量指标,13个评价指标,综合定量与定性的基本原则得到的电表性能指标如表1所示。
表1:各智能电能表性能指标数列。
基于智能电表性能评价指标体系,无纲量化处理好基础数据后,得到标准化指标矩阵R,如表2所示。
表2:标准化后矩阵R数列值。
步骤二、确定熵权值
依据上述公式(4)计算信息熵:
Hi=[0.613,0.653,0.746,0.630,0.837,0.724,0.751,0.821,0.415,0.687,0.397,0.490,0.307]
由上述式(5)进一步计算得出各评价指标的熵权值:
wi=[0.087,0.069,0.032,0.073,0.013,0.039,0.024,0.019,0.113,0.062,0.125,0.101,0.187]
步骤三、计算关联度值
在上述性能指标评价体系中,通过灰色关联分析模型进行综合评价,其中包含合格率、不合格率、运行阶段故障率、以及相关指标的专家评分等指标,对于一些反应产品质量和性能情况的相关指标,例如合格率和相关指标评分型指标,其值越大越好,而不合格率、运行阶段故障率这种相反则越低越好,基于表2中各个指标最优值,构建最优指标集:
X*=[9.8,9.7,100%,9.8,9.6,100%,100%,100%,0.26%,99.8%,0.56%,0.59%,0.51%],将最优数列与比较数列标准化之后得表3。
表3:各供应商标准化数列值和参考数列值。
由公式(9)计算第j个供应商的第i个指标与第i个最优指标的关联系数εi j,确定各智能电表供应商指标数列与最优数列的关联系数值之后,由上述式(10)计算出各个智能电表供货商提供的电能表的灰色关联度值为Pj=[0.543,0.530,0.666,0.829,0.468]。从结果可知,4号供应商的关联度值为0.829,与理想最佳的供应商指标性能最为接近,是最优的智能电能表供应商,而5号智能电表供应商计算得出的关联度值为0.468,根据上述分析理论可知是最差的电能表供应商,即通过对比关联度数值的大小可客观的评估智能电能表供应商,将评估结果与实际供货及运行情况的数据进行对比可知采用本发明方法得出的结果与实际供应商情况一致,采用本发明方法可对批量电能表实现客观、准确、可信度高的综合性能评价。
本实施例进一步提供一种智能电能表综合性能评价装置,包括计算机设备,计算机设备被编程以执行上述智能电能表综合性能评价方法的步骤。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (10)
1.一种智能电能表综合性能评价方法,其特征在于,步骤包括:
S1.数据获取:分别基于全寿命周期管理数据获取所需评价的各类别智能电能表的性能指标数据,其中每个类别分别获取多项性能指标数据,得到性能指标数据集;
S2.灰色关联度值确定:使用性能指标数据集计算每个类别智能电能表中每项性能指标数据与最优值之间的关联度值,各类别智能电能表分别将各所述关联度值进行综合计算,得到对应各类别智能电能表的灰色关联度值;
S3.综合评价:根据计算得到的所述灰色关联度值评估各类别智能电能表的综合性能。
2.根据权利要求1所述的智能电能表综合性能评价方法,其特征在于,所述步骤S2中通过计算所述性能指标数据集中每项性能指标数据的信息熵值,各类别智能电能表分别根据各项性能指标数据的所述信息熵值将各所述关联度值进行综合计算,得到所述灰色关联度值。
3.根据权利要求2所述的智能电能表综合性能评价方法,其特征在于,所述步骤S2得到所述灰色关联度值的步骤包括:
S21.指标熵值计算:分别计算所述性能指标数据集中每项性能指标数据的信息熵值;
S22.熵权值确定:根据计算得到的所述信息熵值确定对应项性能指标数据的权值,得到对应每项性能指标数据的熵权值;
S23.综合加权:将每项性能指标数据所对应的所述熵权值以及所述关联度值进行加权,得到所述灰色关联度值。
4.根据权利要求3所述的智能电能表综合性能评价方法,其特征在于,所述性能指标数据的信息熵值的计算步骤为:
计算第i个类别智能电能表第j个性能指标数据的比重fij为:
其中,rij为第i个类别智能电能表第j个性能指标数据的值,n为性能指标数据的项数;
根据计算得到的所述比重确定得到第i个性能指标数据的信息熵值Hi为:
其中k=1/lnn。
5.根据权利要求4所述的智能电能表综合性能评价方法,其特征在于,所述性能指标数据的熵权值按下式计算得到:
其中wi为第i个性能指标数据的熵权值,m为所需评价的智能电能表的类别数。
6.根据权利要求5所述的智能电能表综合性能评价方法,其特征在于,所述灰色关联度值具体按下式计算得到:
其中pj为第j个类别智能电能表的灰色关联度值,n为性能指标的项数,wi为第i项性能指标数据的所述熵权值,εi j为第j个类别智能电能表中第i项性能指标数据与对应的最优值之间的所述关联度值。
7.根据权利要求1~6中任意一种所述的智能电能表综合性能评价方法,其特征在于,所述步骤S2中所述每项性能指标数据与最优值之间的关联度值的具体计算步骤包括:
S21.确定最优指标:分别确定所述性能指标数据集中各项性能指标数据的最优值;
S22.关联度值计算:分别计算各类别智能电能表中各项性能指标数据与确定的所述最优值之间的相对差值,得到所述每项性能指标数据与最优值之间的关联度值。
8.根据权利要求7所述的智能电能表综合性能评价方法,其特征在于,所述各项性能指标数据与最优值之间的关联度值具体按下式计算得到:
其中,第j个类别智能电能表中第i项性能指标与最优值之间的关联度值,其中ri *为第i项性能指标数据的最优值,rij为第j个类别智能电能表中第i项性能指标数据的值。
9.根据权利要求1~6中任意一种所述的智能电能表综合性能评价方法,其特征在于:所述性能指标数据包括用于电能表质量监督的第一级指标,所述第一级指标包括电能表设计生产过程中质量监督指标、到货前质量监督指标、到货后质量监督指标以及运行质量监督指标中一种或多种;所述质量监督指标包括元器件质量指标、工艺完整性指标、出厂试验符合率指标中一种或多种,所述到货前质量监督指标包括样品比对有无整改指标、全性能试验情况指标、中标批次合格率指标中一种或多种,所述到货后质量监督指标包括样品比对情况指标、到货全检合格率指标、到货批次不合格率指标中一种或多种,所述运行质量监督指标包括运行表抽检合格率指标、运行表分批故障率指标、运行表分类故障率指标、批次不合格故障率中一种或多种。
10.一种智能电能表综合性能评价装置,其特征在于,包括计算机设备,其特征在于,所述计算机设备被编程以执行权利要求1~9中任意一项所述智能电能表综合性能评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910090744.XA CN109633518A (zh) | 2019-01-29 | 2019-01-29 | 一种智能电能表综合性能评价方法、装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910090744.XA CN109633518A (zh) | 2019-01-29 | 2019-01-29 | 一种智能电能表综合性能评价方法、装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109633518A true CN109633518A (zh) | 2019-04-16 |
Family
ID=66062784
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910090744.XA Pending CN109633518A (zh) | 2019-01-29 | 2019-01-29 | 一种智能电能表综合性能评价方法、装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109633518A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110070290A (zh) * | 2019-04-22 | 2019-07-30 | 广东工业大学 | 一种配电自动化水平综合评价方法及其相应组件 |
CN110175166A (zh) * | 2019-04-18 | 2019-08-27 | 红云红河烟草(集团)有限责任公司 | 一种烟草卷包车间质量异常的确认方法 |
CN110907885A (zh) * | 2019-12-06 | 2020-03-24 | 国网湖北省电力有限公司计量中心 | 一种数字化电能计量系统现场运行状态评估方法及系统 |
CN111598387A (zh) * | 2020-04-08 | 2020-08-28 | 中国电力科学研究院有限公司 | 一种于多维度确定电能表质量的方法及系统 |
CN111610483A (zh) * | 2020-05-06 | 2020-09-01 | 北京智芯微电子科技有限公司 | 台区识别方法与台区识别系统 |
CN113450180A (zh) * | 2021-05-18 | 2021-09-28 | 唐山科技职业技术学院 | 一种基于灰色关联度的区间直觉模糊供应商选择方法 |
CN114089257A (zh) * | 2021-10-27 | 2022-02-25 | 国网湖南省电力有限公司 | 一种电能表烧表在线监测方法、系统及介质 |
CN117148804A (zh) * | 2023-10-30 | 2023-12-01 | 张家港广大特材股份有限公司 | 结合应用需求的特种钢材冶炼控制方法及系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570629A (zh) * | 2016-11-03 | 2017-04-19 | 国家电网公司 | 基于灰色关联度的智能电能表供应商多目标综合评价方法 |
-
2019
- 2019-01-29 CN CN201910090744.XA patent/CN109633518A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106570629A (zh) * | 2016-11-03 | 2017-04-19 | 国家电网公司 | 基于灰色关联度的智能电能表供应商多目标综合评价方法 |
Non-Patent Citations (2)
Title |
---|
梁双林: "低压电表测试平台研究与载波性能综合评估", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
潘蕾: "基于灰色聚类的供电企业电能量采集系统风险评价", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110175166A (zh) * | 2019-04-18 | 2019-08-27 | 红云红河烟草(集团)有限责任公司 | 一种烟草卷包车间质量异常的确认方法 |
CN110070290A (zh) * | 2019-04-22 | 2019-07-30 | 广东工业大学 | 一种配电自动化水平综合评价方法及其相应组件 |
CN110907885A (zh) * | 2019-12-06 | 2020-03-24 | 国网湖北省电力有限公司计量中心 | 一种数字化电能计量系统现场运行状态评估方法及系统 |
CN110907885B (zh) * | 2019-12-06 | 2021-10-01 | 国网湖北省电力有限公司计量中心 | 一种数字化电能计量系统现场运行状态评估方法及系统 |
CN111598387A (zh) * | 2020-04-08 | 2020-08-28 | 中国电力科学研究院有限公司 | 一种于多维度确定电能表质量的方法及系统 |
CN111610483A (zh) * | 2020-05-06 | 2020-09-01 | 北京智芯微电子科技有限公司 | 台区识别方法与台区识别系统 |
CN113450180A (zh) * | 2021-05-18 | 2021-09-28 | 唐山科技职业技术学院 | 一种基于灰色关联度的区间直觉模糊供应商选择方法 |
CN114089257A (zh) * | 2021-10-27 | 2022-02-25 | 国网湖南省电力有限公司 | 一种电能表烧表在线监测方法、系统及介质 |
CN114089257B (zh) * | 2021-10-27 | 2023-08-18 | 国网湖南省电力有限公司 | 一种电能表烧表在线监测方法、系统及介质 |
CN117148804A (zh) * | 2023-10-30 | 2023-12-01 | 张家港广大特材股份有限公司 | 结合应用需求的特种钢材冶炼控制方法及系统 |
CN117148804B (zh) * | 2023-10-30 | 2024-03-01 | 张家港广大特材股份有限公司 | 结合应用需求的特种钢材冶炼控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109633518A (zh) | 一种智能电能表综合性能评价方法、装置 | |
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN105046402B (zh) | 一种应用于智能变电站二次设备的状态评估方法 | |
CN111950918A (zh) | 一种基于电力交易数据的市场风险评估方法 | |
CN109934447A (zh) | 一种智能变电站二次设备效能的模糊综合评估方法 | |
CN109359796A (zh) | 一种基于多评估指标的电能表生产厂商评价方法 | |
CN108898311A (zh) | 一种面向智能配电网抢修调度平台的数据质量检测方法 | |
CN110458313A (zh) | 一种基于svm的电力用户信用风险预警方法及系统 | |
CN109583520A (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
CN110469561A (zh) | 一种液压系统状态监测的装置、方法与系统 | |
CN110046797A (zh) | 基于critic和理想点法的计量设备运行质量评估方法 | |
CN110119874A (zh) | 一种对铁路客运站运输服务能力进行评价的方法以及动态监测装置 | |
CN113627735A (zh) | 工程建设项目安全风险的预警方法及系统 | |
CN108510180A (zh) | 一种生产设备所处性能区间的计算方法 | |
CN109255524A (zh) | 一种计量设备数据分析评估方法及系统 | |
CN109146611A (zh) | 一种电商产品质量信用指数分析方法及系统 | |
CN109389280A (zh) | 基于多属性决策模型的电能表生产厂商评价方法 | |
Vigier et al. | An application of OWA operators in fuzzy business diagnosis | |
CN115587653A (zh) | 基于危化品风险画像的运输企业风险预测方法及系统 | |
CN117554821A (zh) | 基于深度学习网络的储能电池在线监测管理方法及系统 | |
CN113657747A (zh) | 一种企业安全生产标准化级别智能评定系统 | |
CN114282697A (zh) | 一种设备类供应商差异化绩效确定方法和系统 | |
CN109784607A (zh) | 一种物流运行效能分析评估模型 | |
CN115146715A (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
Eskandary et al. | Identification and prioritization of public-private partnership indicators in Iran’s water and wastewater industry via data mining algorithms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190416 |
|
RJ01 | Rejection of invention patent application after publication |