CN115856756A - 一种电能计量箱故障评估方法 - Google Patents

Abstract

本发明涉及故障评估技术领域，具体公开了一种电能计量箱故障评估方法，从电能计量箱的基本信息、运行信息和故障检修信息中选取多个关键性评估指标构建关键部件选取模型，确定影响电能计量箱产品质量、运行安全、使用功能的关键部件；构建故障匹配神经网络模型，基于故障与影响因素之间的相关性对电能计量箱的关键部件进行风险评估，得到电能计量箱的故障参数；结合影响因素之间、故障之间以及故障与影响因素之间的相关性，对电能计量箱进行多应力交叉相关分析，完成对电能计量箱的故障评估。解决了现有技术增加了后续计算的复杂度，故障评估的精准度和智能化有待提高，无法确保供电的安全性和稳定性的问题。

Description

一种电能计量箱故障评估方法

技术领域

本发明涉及故障评估技术领域，尤其涉及一种电能计量箱故障评估方法。

背景技术

电能计量箱是国网公司的窗口形象，是智能电能表、采集终端和断路器等计量设备和关键元件的第一层防护。目前，电能计量箱的规格、尺寸繁杂，工艺水平参差不齐。部分设备投入运行后，不到两年时间即出现破损、腐蚀和老化现象，难以给计量设备提供良好的运行环境，不能胜任新时期用电信息智能采集和管理的需求，造成了不良社会影响和额外经济损失。进行电能计量箱故障评估活动是保证其在生产过程中关键要素得到有效控制的有效举措，确保供电的安全性和稳定性。

目前，国内现场使用的电能计量箱主要存在三类主要故障：一是箱体锈蚀及涂层损毁问题，影响电能计量箱的美观度，有损企业形象；二是导线端子和保护装置等电气部件烧毁，存在严重安全隐患，容易造成触电、起火等事故；三是箱门及门锁破损，导致电能计量箱无法进行正常防护，不能胜任反窃电管理的需求。

中国专利公开号CN114879124A，公开了一种电能计量装置的故障分析系统，该系统包括：故障判断模块、数据获取模块以及数据处理模块；故障判断模块用于接收故障分析请求，识别对应的待分析故障类型，生成数据获取指令，并将数据获取指令发送至数据获取模块；数据获取模块用于获取智能电能表的实际运行数据，以及接收数据获取指令，从实际运行数据中确定目标运行数据，并将目标运行数据与数据获取指令打包发送至数据处理模块；数据处理模块用于接收目标运行数据以及数据获取指令，基于数据获取指令对目标运行数据进行数据处理，得到数据处理结果，并将数据处理结果发送至故障判断模块；故障判断模块还用于接收数据处理结果，判断电能计量装置是否存在待分析故障。

但上述技术至少存在如下问题：现有技术没有提前评估出电能计量箱的关键部件，增加了后续计算的复杂度，没有充分考虑多应力交叉关系，对电能计量箱的故障情况无法做到全面分析，故障评估的精准度和智能化有待提高，无法确保供电的安全性和稳定性。

发明内容

本发明通过提供一种电能计量箱故障评估方法，保证电能计量箱在生产过程中关键要素得到有效控制的有效举措，确保电能计量箱符合预期用途和要求，进而确保供电的安全性和稳定性，解决了现有技术没有提前评估出电能计量箱的关键部件，增加了后续计算的复杂度，没有充分考虑多应力交叉关系，对电能计量箱的故障情况无法做到全面分析，故障评估的精准度和智能化有待提高，无法确保供电的安全性和稳定性的问题。

本发明具体包括以下技术方案：

一种电能计量箱故障评估方法，包括以下步骤：

步骤S1.从电能计量箱的基本信息、运行信息和故障检修信息中选取多个关键性评估指标构建关键部件选取模型，确定影响电能计量箱产品质量、运行安全、使用功能的关键部件；

步骤S2.构建故障匹配神经网络模型，基于故障与影响因素之间的相关性对电能计量箱的关键部件进行风险评估，得到电能计量箱的故障参数；

步骤S3.结合影响因素之间、故障之间以及故障与影响因素之间的相关性，对电能计量箱进行多应力交叉相关分析，完成对电能计量箱的故障评估。

进一步，所述步骤S1具体包括：

从电能计量箱的基本信息、运行信息和故障检修信息中选取多个关键性评估指标构建关键部件选取模型，确定影响电能计量箱产品质量、运行安全、使用功能的关键部件。评估指标主要从安全、用电、计量、运维、防窃电五个维度为依据进行设立；关键部件是指部件的运行、连接、数据、控制、警报、或失效等状况可能对电能计量箱有直接影响；非关键部件是指部件的运行、连接、数据、控制、警报、或失效等状况可能对电能计量箱有间接影响或无影响。

进一步，所述步骤S1具体包括：

计算部件在发生不同状况后针对各个维度对电能计量箱质量参数的影响熵，设立影响阈值，将各个部件对电能计量箱质量参数的影响熵进行排序，选取符合阈值的前M个部件作为影响电能计量箱产品质量、运行安全、使用功能的关键部件。

进一步，所述步骤S2具体包括：

获取电能计量箱历史运行故障数据中的失效模式和失效原因，并获取当前电能计量箱在发生故障前预设时间段内的影响因素情况；构建故障匹配神经网络模型，选取固定数量的电能计量箱在预设时间段内影响因素的具体值作为样本数据，输入到故障匹配神经网络中，经过神经网络的智能训练和学习，输出得到每个电能计量箱的故障参数。

进一步，所述步骤S2具体包括：

故障匹配神经网络模型包括输入层、映射层、状态层、稳定层和输出层。

进一步，所述步骤S3具体包括：

研究影响因素之间、故障之间以及故障与影响因素之间的相关性，进行多应力交叉相关分析。

进一步，所述步骤S2具体包括：

根据样本数据中每个电能计量箱的影响因素到某一个簇的相似度与其他电能计量箱不同，为每个电能计量箱的影响因素分配一个模糊隶属度，使得影响因素具有较高相似度的电能计量箱划分到一个类别中。

进一步，所述步骤S2具体包括：

选取模糊隶属度阈值选取相似度低于阈值的电能计量箱，进行影响因素之间、故障之间的进一步分析；根据模糊因子和模糊聚类算法对故障匹配神经网络模型进行更新，设立更新规则。

本发明至少具有如下技术效果或优点：

1、从安全、用电、计量、运维、防窃电五个维度综合考虑电能计量箱的各部件的重要性，以对电能计量箱的关键部件进行准确地评估，确定影响电能计量箱产品质量、运行安全、使用功能的关键部件，为下一步的风险评估的开展确定了重点范围；

2、针对电能计量箱自身特点和实际运行经验对与故障相关的特征量进行提取，构建故障匹配神经网络模型，基于故障与影响因素之间的相关性对电能计量箱的关键部件进行风险评估，得到电能计量箱的故障参数；有效分析判断电能计量箱的故障情况，可以为工作人员快速全面的分析线路问题提供帮助，减少了分析时间，提高了工作效率；

3、结合影响因素之间、故障之间以及故障与影响因素之间的相关性，对电能计量箱进行多应力交叉相关分析，通过综合各方面的监测数据，采用模糊c均值聚类的方法对电能计量箱进行分类，基于模糊隶属度对故障匹配神经网络模型进行优化，评估在设计、生产和使用过程中潜在的故障，提高故障评估的精准度和智能化。

附图说明

图1为本发明所述的一种电能计量箱故障评估方法流程图；

图2为本发明所述的故障匹配神经网络模型结构框图。

具体实施方式

本申请实施例通过提供一种电能计量箱故障评估方法，解决了现有技术没有提前评估出电能计量箱的关键部件，增加了后续计算的复杂度，没有充分考虑多应力交叉关系，对电能计量箱的故障情况无法做到全面分析，故障评估的精准度和智能化有待提高，无法确保供电的安全性和稳定性。

本申请实施例中的技术方案为解决上述问题，总体思路如下：

从安全、用电、计量、运维、防窃电五个维度综合考虑电能计量箱的各部件的重要性，以对电能计量箱的关键部件进行准确地评估，确定影响电能计量箱产品质量、运行安全、使用功能的关键部件，为下一步的风险评估的开展确定了重点范围；针对电能计量箱自身特点和实际运行经验对与故障相关的特征量进行提取，构建故障匹配神经网络模型，基于故障与影响因素之间的相关性对电能计量箱的关键部件进行风险评估，得到电能计量箱的故障参数；有效分析判断电能计量箱的故障情况，可以为工作人员快速全面的分析线路问题提供帮助，减少了分析时间，提高了工作效率；结合影响因素之间、故障之间以及故障与影响因素之间的相关性，对电能计量箱进行多应力交叉相关分析，通过综合各方面的监测数据，采用模糊c均值聚类的方法对电能计量箱进行分类，基于模糊隶属度对故障匹配神经网络模型进行优化，评估在设计、生产和使用过程中潜在的故障，提高故障评估的精准度和智能化。

为了更好的理解上述技术方案，下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。

参照附图1，本发明所述的一种电能计量箱故障评估方法包括以下步骤：

S1.从电能计量箱的基本信息、运行信息和故障检修信息中选取多个关键性评估指标构建关键部件选取模型，确定影响电能计量箱产品质量、运行安全、使用功能的关键部件。

电能计量箱各部件相对独立，功能明确，并且对电能计量箱质量参数影响程度各有不同。因此，为了有针对性地进行电能计量箱风险评估，有必要对电能计量箱进行部件关键性评估。

从电能计量箱的基本信息、运行信息和故障检修信息中选取多个关键性评估指标构建关键部件选取模型，确定影响电能计量箱产品质量、运行安全、使用功能的关键部件。所述评估指标主要从安全、用电、计量、运维、防窃电五个维度为依据进行设立；所述关键部件是指部件的运行、连接、数据、控制、警报、或失效等状况可能对电能计量箱有直接影响；所述非关键部件是指部件的运行、连接、数据、控制、警报、或失效等状况可能对电能计量箱有间接影响或无影响。

作为本发明的一个实施例，获取电能计量箱各部件在发生不同状况后针对安全、用电、计量、运维、防窃电这五个维度对于电能计量箱质量参数的影响熵，所述影响熵包括各部件分别在正常运行、连接、数据传输、控制反馈、警报及失效等状况下对电能计量箱质量参数的影响；进一步，影响方向包括人身和设备安全、正常用电、正确计量、运维检修、存在窃电风险等方面。

具体地，分别确定在除当前部件之外，其他部件均正常运行的情况下，当前部件在发生不同状况后针对各个维度对电能计量箱质量参数的影响熵的计算公式为：

其中，S_i表示第i个部件对电能计量箱质量参数的影响熵，即第i个部件在发生不同状况后针对5个维度对电能计量箱质量参数造成的混乱情况，ω_j表示第j个维度的权重，

表示第i个部件未发生状况时在第j个维度对电能计量箱质量参数的初始影响熵，/>

表示第i个部件在发生不同状况后针对第j个维度对电能计量箱质量参数的影响熵；/>

表示第i个部件针对第j个维度对电能计量箱质量参数的影响因子，所述影响因子用于表征当前部件针对第j个维度对电能计量箱质量参数造成的动态偏差，P_i表示用户对第i个部件发生不同状况后电能计量箱的使用影响评价值，/>

表示评价值的阈值，评价值越高表示发生不同状况后对用户使用影响越大，N表示参与影响熵测试的所有电能计量箱的数量。

设立影响阈值，将各个部件对电能计量箱质量参数的影响熵进行排序，选取符合阈值的前M个部件作为影响电能计量箱产品质量、运行安全、使用功能的关键部件。

在一个具体实施例中，通过关键部件选取模型得到的关键部件包括箱体、箱门、门锁、进出线开关、接线端子、导线和接插件7个部件。

S2.构建故障匹配神经网络模型，基于故障与影响因素之间的相关性对电能计量箱的关键部件进行风险评估，得到电能计量箱的故障参数。

对电能计量箱的关键部件进行风险评估，研究电能计量箱关键部件功能失效的失效模式，即故障表现，并评估各类失效模式的风险程度，对故障进行分类。

依据电能计量箱自身特点和实际运行经验，影响电能计量箱故障的因素可分为环境、机械、电气及其它因素四大类。所述环境因素包括盐雾(腐蚀性)、温度、湿度、粉尘、雨水、阳光辐射等；所述机械因素包括撞击、震动等；所述电气因素包括雷击、用电过流或短路等；所述其它因素包括窃电和物业水平等。

在一个具体实施例中，为便于研究和分析，将各类影响因素进行量化。对盐雾、温度、湿度、粉尘4个因素采用5级量化，对雨水浸入、阳光辐射、遭受撞击、振动、雷击、用电过流或短路、窃电高发、物业管理水平8个因素采用2级量化。

依据电能计量箱实际运行数据开展故障及其影响因素交叉分析，研究影响因素之间、故障之间以及故障与影响因素之间的相关性，形成环境、机械、电气等多应力交叉相关分析模型，得出相关系数。

进一步，要进行多应力交叉相关分析首先需要对故障与影响因素进行匹配，根据电能计量箱历史运行故障经验，分析匹配故障与影响因素之间的对应关系。

作为一个具体实施例，获取电能计量箱历史运行故障数据中的失效模式和失效原因，并获取当前电能计量箱在发生故障前预设时间段内的影响因素情况。构建故障匹配神经网络模型，选取固定数量的电能计量箱在预设时间段内影响因素的具体值作为样本数据，输入到故障匹配神经网络中，经过神经网络的智能训练和学习，输出得到每个电能计量箱的故障参数，所述故障参数包括失效模式、失效原因和故障等级。

所述故障匹配神经网络模型包括输入层、映射层、状态层、稳定层和输出层。

设立故障匹配神经网络的输入X为：

其中，4表示故障因素的类别数量，{t₁,…,t_n}表示预设的时间段，n表示时间段划分的时间点的最大数。输入层共有4个神经元，将每个类别的故障因素分别输入到每个神经元中，输入层将输入数据发送给映射层。

映射层对输入数据通过标准化处理映射到计算空间，方便后续计算。映射层将标准化后的数据通过全连接的形式发送给状态层，状态层实现神经元中信息状态的记忆，状态层中有t_n个神经元，每个神经元的状态向量函数为：

q_tnT＝q_tnT-1+qT-1

qT＝f(ω₁×q_tnT+ω₂×(δ×(T-1)))

其中，q_tnT表示第t_n个神经元的状态向量函数，T表示当前时刻，qT-1表示上一时刻神经元的隐含状态，f表示激活函数，ω₁和ω₂分别表示状态向量函数的权重和隐含状态的权重，δ表示产生影响的几率。状态层将每个神经元的状态向量函数发送给稳定层。

稳定层根据状态层中影响因素的时序变化状态进行状态稳定，并形成不同神经元之间的线性相关性，得到稳定状态下的故障函数，具体计算为：

其中，R表示故障函数，

表示线性相关函数，θ表示收敛因子，γ表示稳定性因子。稳定层将故障函数发送给输出层。

输出层输出故障参数，输出层的计算为：

y＝g(ω₃×R)

其中，y是故障参数，g表示输出函数，ω₃表示输出层的连接权重。

根据故障匹配神经网络模型输出得到电能计量箱的故障参数，即失效模式、失效原因和故障等级。

S3.结合影响因素之间、故障之间以及故障与影响因素之间的相关性，对电能计量箱进行多应力交叉相关分析，完成对电能计量箱的故障评估。

为了提高电能计量箱故障评估的准确度，研究影响因素之间、故障之间以及故障与影响因素之间的相关性，进行多应力交叉相关分析。

对影响因素进行聚类划分，所述聚类方法采用现有的模糊c均值聚类，根据样本数据中每个电能计量箱的影响因素到某一个簇的相似度与其他电能计量箱不同，为每个电能计量箱的影响因素分配一个模糊隶属度，使得影响因素具有较高相似度的电能计量箱划分到一个类别中。具体实现方法如下：

设立电能计量箱的影响因素集合表示为x＝{x₁,x₂,…,x_m}，m表示电能计量箱的数量，聚类集合表示为v＝{v₁,v₂,…,v_c}，c表示聚类的类别总数；第k个电能计量箱到第l个聚类的模糊隶属度表示为u_kl：

其中，x_k表示第k个电能计量箱的影响因素，k∈[1,m]，v_l表示第l个聚类，v_l'表示第l'个聚类，l,l'∈[1,c]，l≠l'，ε表示模糊因子。

选取模糊隶属度阈值选取相似度低于阈值的电能计量箱，进行影响因素之间、故障之间的进一步分析。根据模糊因子和模糊聚类算法对故障匹配神经网络模型进行更新，设立更新规则：

其中，

和/>

分别表示更新后的状态向量函数的权重和隐含状态的权重。从而实现多应力交叉相关分析，得到更加准确的故障参数，即失效模式、失效原因和故障等级，完成对电能计量箱的故障评估。

综上所述，便完成了本发明所述的一种电能计量箱故障评估方法。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (8)

1.一种电能计量箱故障评估方法，其特征在于，包括以下步骤：

步骤S1.从电能计量箱的基本信息、运行信息和故障检修信息中选取多个关键性评估指标构建关键部件选取模型，确定影响电能计量箱产品质量、运行安全、使用功能的关键部件；

步骤S2.构建故障匹配神经网络模型，基于故障与影响因素之间的相关性对电能计量箱的关键部件进行风险评估，得到电能计量箱的故障参数；

步骤S3.结合影响因素之间、故障之间以及故障与影响因素之间的相关性，对电能计量箱进行多应力交叉相关分析，完成对电能计量箱的故障评估。

2.如权利要求1所述的一种电能计量箱故障评估方法，其特征在于，所述步骤S1具体包括：

从电能计量箱的基本信息、运行信息和故障检修信息中选取多个关键性评估指标构建关键部件选取模型，确定影响电能计量箱产品质量、运行安全、使用功能的关键部件；评估指标主要从安全、用电、计量、运维、防窃电五个维度为依据进行设立；关键部件是指部件的运行、连接、数据、控制、警报、或失效状况可能对电能计量箱有直接影响；非关键部件是指部件的运行、连接、数据、控制、警报、或失效状况可能对电能计量箱有间接影响或无影响。

3.如权利要求2所述的一种电能计量箱故障评估方法，其特征在于，所述步骤S1具体包括：

计算部件在发生不同状况后针对各个维度对电能计量箱质量参数的影响熵，设立影响阈值，将各个部件对电能计量箱质量参数的影响熵进行排序，选取符合阈值的前M个部件作为影响电能计量箱产品质量、运行安全、使用功能的关键部件。

4.如权利要求1所述的一种电能计量箱故障评估方法，其特征在于，所述步骤S2具体包括：

获取电能计量箱历史运行故障数据中的失效模式和失效原因，并获取当前电能计量箱在发生故障前预设时间段内的影响因素情况；构建故障匹配神经网络模型，选取固定数量的电能计量箱在预设时间段内影响因素的具体值作为样本数据，输入到故障匹配神经网络中，经过神经网络的智能训练和学习，输出得到每个电能计量箱的故障参数。

5.如权利要求2所述的一种电能计量箱故障评估方法，其特征在于，所述步骤S2具体包括：

故障匹配神经网络模型包括输入层、映射层、状态层、稳定层和输出层。

6.如权利要求1所述的一种电能计量箱故障评估方法，其特征在于，所述步骤S3具体包括：

研究影响因素之间、故障之间以及故障与影响因素之间的相关性，进行多应力交叉相关分析。

7.如权利要求6所述的一种电能计量箱故障评估方法，其特征在于，所述步骤S2具体包括：

根据样本数据中每个电能计量箱的影响因素到某一个簇的相似度与其他电能计量箱不同，为每个电能计量箱的影响因素分配一个模糊隶属度，使得影响因素具有较高相似度的电能计量箱划分到一个类别中。

8.如权利要求7所述的一种电能计量箱故障评估方法，其特征在于，所述步骤S2具体包括：

选取模糊隶属度阈值选取相似度低于阈值的电能计量箱，进行影响因素之间、故障之间的进一步分析；根据模糊因子和模糊聚类算法对故障匹配神经网络模型进行更新，设立更新规则。

Images