CN110927654B - 一种智能电能表批次运行状态评价方法 - Google Patents
一种智能电能表批次运行状态评价方法 Download PDFInfo
- Publication number
- CN110927654B CN110927654B CN201910781974.0A CN201910781974A CN110927654B CN 110927654 B CN110927654 B CN 110927654B CN 201910781974 A CN201910781974 A CN 201910781974A CN 110927654 B CN110927654 B CN 110927654B
- Authority
- CN
- China
- Prior art keywords
- electric energy
- evaluation
- batch
- characteristic quantity
- energy meter
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 102
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000013210 evaluation model Methods 0.000 claims description 33
- 238000012795 verification Methods 0.000 claims description 22
- 238000007689 inspection Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004519 manufacturing process Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 238000012502 risk assessment Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 18
- 150000001875 compounds Chemical class 0.000 description 14
- 238000007726 management method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 239000004576 sand Substances 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Images
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
Abstract
本发明涉及一种智能电能表批次运行状态评价方法，其特征在于：包括如下步骤：(1)提取数据以进行批次故障影响的特征分析；(2)对关键特征量的故障概率进行计算；(3)对批次电能表的运行状态进行评价；(4)对批次电能表运行状态的评价结果进行验证。本智能电能表批次运行状态评价方法，得到的结果与实际运行状态好坏相接近，具有较高的可信度，能够很好地判定在运的智能电能表批次实际运行状态，为智能电能表运维管理提供相应依据。
Description
技术领域
本发明属于表计运行管理领域，涉及一种电能表运行状态评价方法，特别是一种智能电能表批次运行状态评价方法。
背景技术
为监测和评估电能表运行失效风险，保障计量设备的安全、稳定运行，传统的工作方式是采用现场周期检验，或按批次随机抽取运行表计进行实验室检测的方式对其运行质量进行监测管理。DL/T 448《电能计量装置技术管理规程》中规定：电能计量装置按照其所计电能量的多少和用户重要程度分为五类(Ⅰ至Ⅴ)进行管理，对不同类别的电能表按照相应周期抽取一定比例拆回实验室进行修调前检验，根据检验结果决定整批电能表是否能继续运行；其中，对于Ⅰ、Ⅱ、Ⅲ类电能计量装置配置的电能表，还需按照固定周期的现场检验方式对其运行误差进行监控。另外，国网公司企标Q/GDW 1206《电能表抽样技术规范》和《国家电网公司电能表质量监督管理办法》中规定：运行中的智能电能表，从安装后满1年起，每间隔2年或1年应进行分批抽样，开展运行监督抽检，以判定整批表质量。
而随着智能电能表的应用数量急速增长，电能表的现场检测、抽检和运维工作量日益剧增。相对于技术更加先进和质量稳定可靠的智能电能表，定期现场周检和随机抽取检测的工作方式存在信息化程度低、无效工作量大、故障发现及时性差等问题，造成大量的人力、物力浪费，并且对正常运行电能表的更换可能会导致一定的社会舆情风险。而另一方面，目前在用电信息采集系统、计量生产调度平台(MDS)和营销业务应用系统等信息系统中沉淀积累了大量数据信息，为大规模开展智能电能表风险监测、运行状态评价提供了必要条件。因此，亟需研究智能电能表运行风险与运行环境的关联关系，并深入挖掘现有信息系统中的海量数据价值，用于指导公司系统更加科学、有效、经济地开展智能电能表批次运行状态评价或判定等相关工作。
通过对公开专利文献的检索，并未发现与本专利申请相同的公开专利文献。
发明内容
本发明的目的在于克服现有技术的不足，提供一种信息化程度高、避免无效工作量、故障发现及时、省人省力、易于实现的智能电能表批次运行状态评价方法。
本发明解决其技术问题是采取以下技术方案实现的：
一种智能电能表批次运行状态评价方法，其特征在于：包括如下步骤：
(1)提取数据以进行批次故障影响的特征分析：提取电能表状态评价数据，并对所提取的数据进行治理，然后综合考虑电能表的基础档案、检定环节、运行环节、拆回环节信息，通过SOM网络聚类分析、分类回归的机器学习算法，确定评价电能表批次运行状态的关键特征量；
(2)对关键特征量的故障概率进行计算：利用归一算法对所确定的关键特征量进行量化处理，通过历史数据回归迭代，对电能表运行状态进行动态跟踪，运用熵权法训练各关键特征量的影响权重，计算电能表各个条件下故障概率；
(3)对批次电能表的运行状态进行评价：利用计算得到的电能表不同条件下的故障概率，并综合考虑电能表的基础档案、检定环节、运行环节、拆回环节信息，利用TOPSIS算法、层次分析法建立以批次为对象的电能表运行状态评价模型，实现对批次电能表的整体评价，然后根据批次状态的评价结果进行风险评估，最后，再对运行状态进行发布，辅助实现状态更换；
(4)对批次电能表运行状态的评价结果进行验证，包括对拆回表的统计结构进行验证以及对可靠性试验结果的验证，验证准确则输出结果，验证不准确，则重新返回步骤(1)进行完善。
而且，所述步骤(1)中提取的数据分别来自计量生产调度平台、拆回表分拣系统、用电信息采集系统以及营销业务应用；所述来自计量生产调度平台的数据包括批次档案信息、检定任务信息、检定误差信息以及运行时长；所述来自拆回表分拣系统的数据包括拆回表分拣结果以及拆回表故障信息；所述来自用电信息采集系统的数据包括居民表日冻结电量信息、台区总表日冻结电量信息、在线监测异常信息以及采集闭环异常工单信息；所述来自营销业务应用的数据包括用户档案信息以及电能表表底信息。
而且，所述提取数据的治理方法包括数据缺失治理以及噪声数据治理，在缺失值治理方面，如果数据实在不可用就直接删除，如果可以填补后使用就根据数据缺失情况和数据描述特征采用相应的填补方法；在噪声数据治理方面，先采用认为观察或者聚类回归等人工智能手段识别噪声源，再根据实际情况采用分箱法或者人工智能方法去平滑噪声数据。
而且，所述步骤(1)中的关键特征量分为计量性能特征量、采集功能特征量以及运行风险特征量三类，其中计量性能特征量包括误差稳定性、首检合格率以及误差分散性，采集功能特征量包括采集成功率及采集异常率，运行风险特征量包括批次故障率、运行异常率、运行时间以及年平均走字数。
而且，所述步骤(2)中批次电能表故障概率的计算包括计量性能评价模型、采集功能评价模型及运行风险评价模型的建立，计量性能评价模型用于对计量性能进行评分，是考察本批次电能表抽检拆回分拣结果与初检结果的变化趋势情况，评分介于100～0之间，100对应于误差稳定性好；采集功能评价模型用于对采集功能进行评价，考察本批次电能表通信模块功能的状态，评分介于100～0之间，100对应于采集功能可靠性好；运行风险评价模型用于对运行风险进行评价，考察本批次电能表运行期间的质量风险情况，评分介于100～0之间，数值越大风险越小。
而且，所述的计量性能评价模型为：
计量性能评价M＝误差稳定性M1×25+首检合格率M2％×16+误差分散性M3×59％
式中，
n表示本批次抽检表数量，
式中，
M2S表示首检合格率最低考核要求，
M2i＝S3，S3表示首检合格率；
式中，
而且，所述的采集功能评价模型为：
式中，
S5表示月采集成功率，
N表示本批次电能表总数；G1S表示采集成功率最低考核要求；
式中，
G2i＝1-S6，S6表示采集异常工单率，G2S表示采集异常率最低考核要求。
而且，所述的运行风险评价模型为：
运行风险评价(R)＝批次故障率(R1)×25％+批次运行异常率(R2)×55％+运行时长(R3)×0％+批次年平均走字数(R4)×20％，
式中，R1＝(1-s7)×100，S7表示批次故障率，
式中，R2＝(1-s8)×100，S8表示运行异常率，
式中，
S9表示电能表运行时间，如果R3<0则R3＝0，
式中，
S9表示电能表运行时间，S10表示累计走字数，N表示本批次电能表总数，如果R4<0则R4＝0。
而且，所述步骤(2)中各关键特征量影响权重的权重值确定方法包括一级特征量权重确定以及二级特征量权重确定，所述一级特征量权重确定采用层次分析法，即采用主、客观相结合的方法对特征量的重要性加以量化；二级特征量权重确定采用熵权法，即按照信息论基本原理，如果特征量的信息熵越小，该特征量提供的信息量越大，在评分中所起作用即指标的贡献程度理当越大，权重就应该越高。
而且，所述步骤(3)中批次电能表运行状态评价模型以百分制对电能表运行状态进行表述，分值越高，状态越好，各个评价指标的权重采用层次分析法进行确定，电能表状态评分S为
S＝0.35*M+0.17*G+0.48*R，
式中，M表示计量性能评分，G表示采集功能评分，R表示运行风险评分。
而且，所述步骤(3)中的风险评估分为三级，运行风险等级为一级的分值区间为[90,100],运行风险等级为二级的分值区间为[80,90),运行风险等级为三级的分值区间为[0,80)。
而且，所述步骤(3)中的运行状态发布包括对批次状态评价结果的发布以及对运行电能表批次运行风险的发布。
而且，所述对拆回表的统计结构进行验证即统计每月各批次电能表的拆回率，与拆回当月状态评价结果进行对比，验证则评价结果的准确性，评价准确率计算方法如下：
评价准确率＝(100-F)/S×100％，
式中，F表示该批次电能表评价周期内拆回率(％)，拆回率＝拆回表数量/(运行表数量+拆回表数量)*100％，S表示该批次电能表评价周期状态评价得分，
评价准确率越接近100，则说明评价准确性越高。
而且，所述对可靠性试验结果的验证根据试验方案的不同，结果的报告一般有两种形式，报告的形式及其相应的验证方案如下：
(1)运行到第N年的可靠度(％)或失效率(％/年)
评价准确率＝C/S×100％
或
评价准确率＝(100-F)/S×100％
式中，C表示运行到第N年的可靠度(％)，F表示运行到第N年的失效率(％/年)；S表示该批次电能表评价周期状态评价得分；
(2)预计(可靠)寿命为N年
评价准确率＝(1-1/N)×100/S×100％
式中，C表示预计(可靠)寿命(年)，S表示该批次电能表评价周期状态评价得分，
评价准确率越接近100，则说明评价准确性越高。
本发明的优点和积极效果是：
本智能电能表批次运行状态评价方法，得到的结果与实际运行状态好坏相接近，具有较高的可信度，能够很好地判定在运的智能电能表批次实际运行状态，为智能电能表运维管理提供相应依据。
附图说明
图1为本发明的方法流程图；
图2为本发明数据处理方法示意图；
图3为本发明批次状态评价结果的发布示意图；
图4为本发明批次各特征量评价结果的发布示意图；
图5为本发明台区运行风险评估结果的发布示意图。
具体实施方式
本发明对运行中的智能表进行整批次的状态评价，旨在对运行中的电能表进行风险进行预防。基于拆回电能表的分拣数据、故障电能表的检测分析数据，结合运行时间、运行异常等数据对电能表进行状态评价，识别家族隐患、故障高发的电能表批次，缩短或终止该批次中未出现故障的表计运行，防止潜在故障批量发生。
在用电能表抽样以批为单位进行，形成批的电能表满足如下条件：
(1)根据相同生产标准和技术要求所生产。
(2)具有相同的标称电压、标称电流、最大电流、准确度等级。
(3)安装使用条件符合生产厂家制定的要求，且使用条件相仿。
(4)制造年份或首次检验年份相互间不超过1年。
在满足上述条件的基础上，为获得更好的抽样效果，具有如下条件的电能表可形成独立的批：
(1)具有相同的生产厂、型号、型式批准书。
(2)具有同样的品质、厂家出具的产品一致性技术文件(包括零部件控制和生产工艺要求等)。
根据天津公司计量资产数据库统计，2009年至2018年共形成约839个电能表批。
以下结合附图对本发明的实施例做进一步详述：
一种智能电能表批次运行状态评价方法，其创新之处在于：包括如下步骤：
(1)提取数据以进行批次故障影响的特征分析：提取电能表状态评价数据，并对所提取的数据进行治理，然后综合考虑电能表的基础档案、检定环节、运行环节、拆回环节信息，通过SOM网络聚类分析、分类回归的机器学习算法，确定评价电能表批次运行状态的关键特征量；
(2)对关键特征量的故障概率进行计算：利用归一算法对所确定的关键特征量进行量化处理，通过历史数据回归迭代，对电能表运行状态进行动态跟踪，运用熵权法训练各关键特征量的影响权重，计算电能表各个条件下故障概率；
(3)对批次电能表的运行状态进行评价：利用计算得到的电能表不同条件下的故障概率，并综合考虑电能表的基础档案、检定环节、运行环节、拆回环节信息，利用TOPSIS算法、层次分析法建立以批次为对象的电能表运行状态评价模型，实现对批次电能表的整体评价，然后根据批次状态的评价结果进行风险评估，最后，再对运行状态进行发布，辅助实现状态更换；
(4)对批次电能表运行状态的评价结果进行验证，包括对拆回表的统计结构进行验证以及对可靠性试验结果的验证。
所述步骤(1)中提取的数据分别来自计量生产调度平台、拆回表分拣系统、用电信息采集系统以及营销业务应用；所述来自计量生产调度平台的数据包括批次档案信息、检定任务信息、检定误差信息以及运行时长；所述来自拆回表分拣系统的数据包括拆回表分拣结果以及拆回表故障信息；所述来自用电信息采集系统的数据包括居民表日冻结电量信息、台区总表日冻结电量信息、在线监测异常信息以及采集闭环异常工单信息；所述来自营销业务应用的数据包括用户档案信息以及电能表表底信息。
所述提取数据的治理方法包括数据缺失治理以及噪声数据治理，在缺失值治理方面，如果数据实在不可用就直接删除，如果可以填补后使用就根据数据缺失情况和数据描述特征采用相应的填补方法；在噪声数据治理方面，先采用认为观察或者聚类回归等人工智能手段识别噪声源，再根据实际情况采用分箱法或者人工智能方法去平滑噪声数据。
所述步骤(1)中的关键特征量分为计量性能特征量、采集功能特征量以及运行风险特征量三类，其中计量性能特征量包括误差稳定性、首检合格率以及误差分散性，采集功能特征量包括采集成功率及采集异常率，运行风险特征量包括批次故障率、运行异常率、运行时间以及年平均走字数。
批次智能表状态评价特征量的选取具体见下表
所述步骤(2)中批次电能表故障概率的计算包括计量性能评价模型、采集功能评价模型及运行风险评价模型的建立，计量性能评价模型用于对计量性能进行评分，是考察本批次电能表抽检拆回分拣结果与初检结果的变化趋势情况，评分介于100～0之间，100对应于误差稳定性好；采集功能评价模型用于对采集功能进行评价，考察本批次电能表通信模块功能的状态，评分介于100～0之间，100对应于采集功能可靠性好；运行风险评价模型用于对运行风险进行评价，考察本批次电能表运行期间的质量风险情况，评分介于100～0之间，数值越大风险越小。
所述的计量性能评价模型为：
计量性能评价M＝误差稳定性M1×25+首检合格率M2％×16+误差分散性M3×59％
式中，
n表示本批次抽检表数量，
式中，
M2S表示首检合格率最低考核要求，根据天津实际情况，故此处取值90％，
M2i＝S3，S3表示首检合格率；
式中，
所述的采集功能评价模型为：
式中，
S5表示月采集成功率，
N表示本批次电能表总数；G1S表示采集成功率最低考核要求；根据天津实际情况，此处暂定90％，可根据管理需要进行调整。对于新投入运行的电能表，从稳定运行的第二个月开始统计采集成功率。
式中，
G2i＝1-Sx，S6表示采集异常工单率，G2S表示采集异常率最低考核要求。假设测量可靠性目标R高于90％，则此处取90％。
所述的运行风险评价模型为：
运行风险评价(R)＝批次故障率(R1)×25％+批次运行异常率(R2)×55％+运行时长(R3)×0％+批次年平均走字数(R4)×20％，
式中，R1＝(1-s7)×100，S7表示批次故障率，
式中，R2＝(1-s8)×100，S8表示运行异常率，
式中，
S9表示电能表运行时间，如果R3<0则R3＝0，
式中，
S9表示电能表运行时间，S10表示累计走字数，N表示本批次电能表总数，如果R4<0则R4＝0。
所述步骤(2)中各关键特征量影响权重的权重值确定方法包括一级特征量权重确定以及二级特征量权重确定，所述一级特征量权重确定采用层次分析法，即采用主、客观相结合的方法对特征量的重要性加以量化；二级特征量权重确定采用熵权法，即按照信息论基本原理，如果特征量的信息熵越小，该特征量提供的信息量越大，在评分中所起作用即指标的贡献程度理当越大，权重就应该越高。
所述步骤(3)中批次电能表运行状态评价模型以百分制对电能表运行状态进行表述，分值越高，状态越好，各个评价指标的权重采用层次分析法进行确定，电能表状态评分S为
S＝0.35*M+0.17*G+0.48*R，
式中，M表示计量性能评分，G表示采集功能评分，R表示运行风险评分。
所述步骤(3)中的风险评估分为三级，运行风险等级为一级的分值区间为[90,100],运行风险等级为二级的分值区间为[80,90),运行风险等级为三级的分值区间为[0,80)，如下表所示：
所述步骤(3)中的运行状态发布包括对批次状态评价结果的发布以及对运行电能表批次运行风险的发布。
所述对拆回表的统计结构进行验证即统计每月各批次电能表的拆回率，与拆回当月状态评价结果进行对比，验证则评价结果的准确性，评价准确率计算方法如下：
评价准确率＝(100-F)/S×100％，
式中，F表示该批次电能表评价周期内拆回率(％)，拆回率＝拆回表数量/(运行表数量+拆回表数量)*100％，S表示该批次电能表评价周期状态评价得分，
评价准确率越接近100，则说明评价准确性越高。
所述对可靠性试验结果的验证根据试验方案的不同，结果的报告一般有两种形式，报告的形式及其相应的验证方案如下：
(1)运行到第N年的可靠度(％)或失效率(％/年)
评价准确率＝C/S×100％
或
评价准确率＝(100-F)/S×100％
式中，C表示运行到第N年的可靠度(％)，F表示运行到第N年的失效率(％/年)；S表示该批次电能表评价周期状态评价得分；
(2)预计(可靠)寿命为N年
评价准确率＝(1-1/N)×100/S×100％
式中，C表示预计(可靠)寿命(年)，S表示该批次电能表评价周期状态评价得分，
评价准确率越接近100，则说明评价准确性越高。
尽管为说明目的公开了本发明的实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例和附图所公开的内容。
Claims (8)
1.一种智能电能表批次运行状态评价方法，其特征在于：包括如下步骤：
（1）提取数据以进行批次故障影响的特征分析：提取电能表状态评价数据，并对所提取的数据进行治理，然后综合考虑电能表的基础档案、检定环节、运行环节、拆回环节信息，确定评价电能表批次运行状态的关键特征量；关键特征量分为计量性能特征量、采集功能特征量以及运行风险特征量三类；
（2）对关键特征量的故障概率进行计算：利用归一算法对所确定的关键特征量进行量化处理，通过历史数据回归迭代，对电能表运行状态进行动态跟踪，运用熵权法训练各关键特征量的影响权重，计算电能表各个条件下故障概率；故障概率的计算包括计量性能评价模型、采集功能评价模型及运行风险评价模型的建立，计量性能评价模型用于对计量性能进行评分，采集功能评价模型用于对采集功能进行评分，运行风险评价模型用于对运行风险进行评分；
（3）对批次电能表的运行状态进行评价：利用计算得到的电能表不同条件下的故障概率，并综合考虑电能表的基础档案、检定环节、运行环节、拆回环节信息，建立以批次为对象的电能表运行状态评价模型，实现对批次电能表的整体评价，然后根据批次状态的评价结果进行风险评估，最后，再对运行状态进行发布，辅助实现状态更换；
（4）对批次电能表运行状态的评价结果进行验证，包括对拆回表的统计结构进行验证以及对可靠性试验结果的验证，验证准确则输出结果，验证不准确，则重新返回步骤（1）进行完善；
所述步骤（3）中批次电能表运行状态评价模型以百分制对电能表运行状态进行表述，分值越高，状态越好，各个评价指标的权重采用层次分析法进行确定，电能表状态评分S为
式中，M表示计量性能评分，G表示采集功能评分，R表示运行风险评分；
所述步骤（3）中的风险评估分为三级，运行风险等级为一级的分值区间为[90,100],运行风险等级为二级的分值区间为[80,90）,运行风险等级为三级的分值区间为[0,80）；
所述步骤（3）中的运行状态发布包括对批次状态评价结果的发布以及对运行电能表批次运行风险的发布。
2.根据权利要求1所述的一种智能电能表批次运行状态评价方法，其特征在于：所述步骤（1）中提取的数据分别来自计量生产调度平台、拆回表分拣系统、用电信息采集系统以及营销业务应用；所述来自计量生产调度平台的数据包括批次档案信息、检定任务信息、检定误差信息以及运行时长；所述来自拆回表分拣系统的数据包括拆回表分拣结果以及拆回表故障信息；所述来自用电信息采集系统的数据包括居民表日冻结电量信息、台区总表日冻结电量信息、在线监测异常信息以及采集闭环异常工单信息；所述来自营销业务应用的数据包括用户档案信息以及电能表表底信息。
3.根据权利要求2所述的一种智能电能表批次运行状态评价方法，其特征在于：所述提取数据的治理方法包括数据缺失治理以及噪声数据治理；在缺失值治理方面，数据不可用的，直接删除；填补后使用的，根据数据缺失情况和数据描述特征采用相应的填补方法；在噪声数据治理方面，先采用认为观察或者聚类回归的手段识别噪声源，再根据实际情况采用分箱法或者人工智能方法去平滑噪声数据。
4.根据权利要求1所述的一种智能电能表批次运行状态评价方法，其特征在于：所述步骤（1）中计量性能特征量包括误差稳定性、首检合格率以及误差分散性，采集功能特征量包括采集成功率及采集异常率，运行风险特征量包括批次故障率、运行异常率、运行时间以及年平均走字数。
5.根据权利要求1所述的一种智能电能表批次运行状态评价方法，其特征在于：所述步骤（2）中计量性能评价模型考察本批次电能表抽检拆回分拣结果与初检结果的变化趋势情况，评分介于100～0之间，100对应于误差稳定性好；采集功能评价模型考察本批次电能表通信模块功能的状态，评分介于100～0之间，100对应于采集功能可靠性好；运行风险评价模型考察本批次电能表运行期间的质量风险情况，评分介于100～0之间，数值越大风险越小。
6.根据权利要求1所述的一种智能电能表批次运行状态评价方法，其特征在于：所述步骤（2）中各关键特征量影响权重的权重值确定方法包括一级特征量权重确定以及二级特征量权重确定，所述一级特征量权重确定采用层次分析法，即采用主、客观相结合的方法对特征量的重要性加以量化；二级特征量权重确定采用熵权法，即按照信息论基本原理，如果特征量的信息熵越小，该特征量提供的信息量越大，在评分中所起作用即指标的贡献程度理当越大，权重就应该越高。
7.根据权利要求1所述的一种智能电能表批次运行状态评价方法，其特征在于：所述对拆回表的统计结构进行验证即统计每月各批次电能表的拆回率，与拆回当月状态评价结果进行对比，验证则评价结果的准确性，评价准确率计算方法如下：
评价准确率=（100-F）/S×100%，
式中，F表示该批次电能表评价周期内拆回率，拆回率=拆回表数量/（运行表数量+拆回表数量）*100%，S表示该批次电能表评价周期状态评价得分，评价准确率越接近100，则说明评价准确性越高。
8.根据权利要求1所述的一种智能电能表批次运行状态评价方法，其特征在于：所述对可靠性试验结果的验证根据试验方案的不同，结果的报告有两种形式，报告的形式及其相应的验证方案如下：
（1）运行到第N年的可靠度或失效率
评价准确率=C/S×100%
或
评价准确率=（100-F）/S×100%
式中，C表示运行到第N年的可靠度，F表示运行到第N年的失效率；S表示该批次电能表评价周期状态评价得分；
（2）预计可靠寿命为N年
评价准确率=（1-1/N）×100/S×100%
式中，C表示预计可靠寿命，S表示该批次电能表评价周期状态评价得分，评价准确率越接近100，则说明评价准确性越高。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910781974.0A CN110927654B (zh) | 2019-08-23 | 2019-08-23 | 一种智能电能表批次运行状态评价方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910781974.0A CN110927654B (zh) | 2019-08-23 | 2019-08-23 | 一种智能电能表批次运行状态评价方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110927654A CN110927654A (zh) | 2020-03-27 |
| CN110927654B true CN110927654B (zh) | 2022-03-29 |
Family
ID=69856625
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910781974.0A Active CN110927654B (zh) | 2019-08-23 | 2019-08-23 | 一种智能电能表批次运行状态评价方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110927654B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11920971B2 (en) | 2020-08-14 | 2024-03-05 | Honeywell International Inc. | Gas flowmeter having inline calibrating |
| CN111949939B (zh) * | 2020-08-26 | 2022-07-19 | 北京航空航天大学 | 基于改进topsis和聚类分析的智能电表运行状态评价方法 |
| US11754429B2 (en) | 2020-11-11 | 2023-09-12 | Honeywell International Inc. | Multifunctional dust trap |
| US11323785B1 (en) | 2020-12-01 | 2022-05-03 | Honeywell International Inc. | Meter health function |
| CN112834752B (zh) * | 2021-01-05 | 2024-04-30 | 上海市疾病预防控制中心 | 适用于大批量人群的血糖标准化测量系统、方法、终端及介质 |
| CN113723748A (zh) * | 2021-07-19 | 2021-11-30 | 国网浙江省电力有限公司营销服务中心 | 一种运行电能表批次质量状态评价方法及系统 |
| CN114926015B (zh) * | 2022-05-17 | 2023-07-21 | 国网山东省电力公司营销服务中心(计量中心) | 基于d-s证据理论的智能电能表质量状态评价方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105022019B (zh) * | 2015-06-23 | 2017-12-08 | 国家电网公司 | 单相智能电能表可靠性综合评价的方法 |
| CN104991223B (zh) * | 2015-07-27 | 2017-11-14 | 国网重庆市电力公司电力科学研究院 | 电能表状态评估指标选取及量化方法 |
| CN106842101A (zh) * | 2015-12-03 | 2017-06-13 | 中国电力科学研究院 | 一种电能表运行状态的评价方法 |
| CN107292415B (zh) * | 2017-05-02 | 2021-07-30 | 国网浙江省电力有限公司 | 一种智能表轮换时间的预测方法 |
| CN109190957A (zh) * | 2018-08-23 | 2019-01-11 | 国网天津市电力公司电力科学研究院 | 一种基于在线综合评价的智能电能表运维更换方法及装置 |
-
2019
- 2019-08-23 CN CN201910781974.0A patent/CN110927654B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN110927654A (zh) | 2020-03-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110927654B (zh) | 一种智能电能表批次运行状态评价方法 | |
| CN106154209B (zh) | 基于决策树算法的电能表故障预测方法 | |
| CN107358366B (zh) | 一种配电变压器故障风险监测方法及系统 | |
| CN112686493A (zh) | 一种依托大数据实时评价智能电表运行状态与更换的方法 | |
| CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
| JP2013538543A (ja) | 送電網用の機械学習 | |
| CN103810533A (zh) | 一种基于云模型的配电网故障风险识别方法 | |
| CN107677903B (zh) | 一种变压器状态监测数据的聚类分析方法 | |
| 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 | |
| WO2018209913A1 (zh) | 一种考虑电压质量的配电网台区缺供电量预测方法 | |
| CN109635950B (zh) | 基于遗传算法和社团聚类的电能表运行状态监测方法 | |
| CN117172556B (zh) | 一种桥梁工程的施工风险预警方法与系统 | |
| CN113792939B (zh) | 基于混合威布尔分布的电能表可靠性预测方法及装置 | |
| CN109491339B (zh) | 一种基于大数据的变电站设备运行状态预警系统 | |
| CN117035513A (zh) | 一种智慧工业园区能源运行智能监测管理系统及方法 | |
| CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
| CN111612019A (zh) | 一种基于大数据模型对智能电表故障异常辨识分析的方法 | |
| CN113420162B (zh) | 一种基于知识图谱的设备运行链状态监测方法 | |
| CN114548493A (zh) | 一种电能表电流过载预测方法与系统 | |
| CN113256272A (zh) | 一种电力设备精细化评价系统 | |
| CN109035062A (zh) | 一种客户电费异常分析及策略应用系统 | |
| CN112365186A (zh) | 一种电力信息系统健康度评估方法及其评估系统 | |
| CN105678386B (zh) | 用于确定风力发电机组的时间可利用率的方法 | |
| CN115809805A (zh) | 基于边缘计算的电网多源数据处理方法 | |
| CN115936663A (zh) | 一种电力系统的维护方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |