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)，找出具有相似预测结果的基分类器(形成一个子集)；（4）对每个子集进行修剪，选择最能代表该子集的基分类器，形成最终的选择结果。上述过程要解决的核心问题有三个：选用何种聚类算法？如何确定两个基分类器间的相似性？用何种方法确定欲集成基分类器的个数？针对第一个问题本文选用的聚类算法为K-means聚类算法，传统的K-means建立在使聚类性能指标最小化的原则基础上。通常，聚类准则函数定义为聚类子集中每个对象到类中心的最小误差平方和。K-means的核心思想是将N个观测对象划分为k个子集，称每个子集为一个簇，先随机选择k个对象作为簇的中心，剩余对象根据与每个簇中心的距离判断它属于哪一个簇，然后用每个簇的平均值作为簇的中心，直到再次更新簇的中心不变为止。
参考文献
[1]罗群,刘春雨,张家安,张健,王首堃,葛磊蛟.智能电能表状态检验评价指标体系及在线平台开发[J].电测与仪表,2017,5417:94-99+111.
[2]张垠,朱彬若,顾臻,江剑峰.关于智能电能表运行仿真试验及评价方法的探讨[J].华东电力,2014,4210:2038-2042.
[3]向洁,贺雅喆,陈浩,申丽曼,黄瑞.灰色关联度算法在智能电能表供应商综合评价中的应用研究[J].湖南电力,2017,3705:10-14.
论文作者:白莉
论文发表刊物:《电力设备》2019年第1期
论文发表时间:2019/6/26
标签：状态论文; 算法论文; 电能表论文; 智能论文; 方法论文; 评价论文; 区间论文; 《电力设备》2019年第1期论文;