唐冬來，楊帆，付世峻，何鵬，陳武，陳科宇

(1.四川中電啟明星信息技術有限公司，四川 成都 610041；2. 重慶郵電大學 通信與信息工程學院，重慶 400065; 3. 國網(wǎng)四川省電力公司綿陽供電公司，四川 綿陽 621000)

隨著國家電網(wǎng)有限公司“三型兩網(wǎng)”建設工作的不斷推進，對電能計量管理精益化要求日益增高[1]。電能表作為電能計量的重要裝置，其狀態(tài)運行正常與否和供電公司、用電客戶的利益息息相關[2-6]。傳統(tǒng)的電能表狀態(tài)檢驗以周期性檢定為主[7]，評估的指標權重單一，不能滿足跨地域的電表運行狀態(tài)評估需求[8-9]。同時，電能表的現(xiàn)場狀態(tài)檢驗工作缺少監(jiān)管手段，電能表狀態(tài)檢驗效率低[10]。

國內(nèi)外許多學者對電能表狀態(tài)評估提升工作做了大量研究。電能表狀態(tài)評估研究成果主要分為固定評價指標體系和動態(tài)評價指標體系。在固定評價指標體系方面，采用人為主觀設定的電能表狀態(tài)評價指標體系對電能表進行評估。固定評價指標體系可根據(jù)可靠性維護、安全域、家族缺陷、誤差特征等因素人為設立指標[11-14],其指標體系設置簡單，但對省級電力公司數(shù)百萬計的電能表狀態(tài)評估適應性不強。動態(tài)評價指標體系方面，采用決策樹群和大數(shù)據(jù)方法對電能表狀態(tài)評估指標體系進行調(diào)整[15-16]，可有效解決評估指標集有效生產(chǎn)的問題，但由于動態(tài)評價指標體系采集電能表數(shù)據(jù)源于人工錄入，且不能對評估指標集的權重進行調(diào)整，因此電能表狀態(tài)評價質(zhì)量不高。

為解決傳統(tǒng)電能表現(xiàn)場狀態(tài)評估過程中存在的指標權重單一、評估效率低等問題，本文提出一種基于貝葉斯網(wǎng)絡的電能表狀態(tài)評估方法。在對電能表狀態(tài)評估數(shù)據(jù)降維采集的基礎上，采用無監(jiān)督學習法建立電能表狀態(tài)評估矩陣，并結合區(qū)域特征進行指標權重動態(tài)調(diào)整。然后，通過貝葉斯網(wǎng)絡對電能表狀態(tài)進行評估。最后，將本文所提方法應用到某地區(qū)供電公司，以驗證本文所提方法在評估準確性和效率方面的優(yōu)越性。

1 電能表狀態(tài)評估框架

本文所述的基于貝葉斯網(wǎng)絡的電能表狀態(tài)評估方法框架如圖1所示，主要分為電能表狀態(tài)評估特征數(shù)據(jù)提取、狀態(tài)評估指標矩陣、評價權重調(diào)整和電能表狀態(tài)評估4個部分。

圖1 電能表狀態(tài)評估框架Fig.1 Energy meter condition evaluation framework

在電能表狀態(tài)評估特征數(shù)據(jù)提取環(huán)節(jié)，首先通過物聯(lián)代理設備在線匯聚各檢驗設備的電能表狀態(tài)評估數(shù)據(jù)，然后對檢驗設備的電能表狀態(tài)評估數(shù)據(jù)進行降維處理，避免全量數(shù)據(jù)上傳造成的計算效率低的問題。在狀態(tài)評估指標矩陣建立環(huán)節(jié)，采用無監(jiān)督學習法對電能表基礎檔案、批次運行狀態(tài)和運行狀態(tài)方面進行分析，并建立電能表狀態(tài)評估指標矩陣；在評價權重調(diào)整環(huán)節(jié)，結合各供電公司地域性電能表運行特點，對電能表評價權重進行動態(tài)調(diào)整；在電能表狀態(tài)評估環(huán)節(jié)，結合電能表指標權重的情況，采用貝葉斯網(wǎng)絡對電能表的狀態(tài)進行評估。

2 電能表狀態(tài)評估模型

2.1 電能表狀態(tài)特征數(shù)據(jù)提取

2.1.1 電能表檢驗數(shù)據(jù)物聯(lián)采集

近年來，國家電網(wǎng)有限公司啟動了帶物聯(lián)功能的電能表校驗工具研究[17]，通過在電能表校驗工具上加裝物聯(lián)設備，實現(xiàn)電能表狀態(tài)監(jiān)測數(shù)據(jù)的物聯(lián)上傳，從而解決傳統(tǒng)電能表檢驗設備數(shù)據(jù)無法上傳的問題。

2.1.2 電能表狀態(tài)檢驗數(shù)據(jù)降維

主成分分析(principal component analysis，PCA)算法是一種數(shù)據(jù)降維方法，通過線性變換將輸入的高維向量數(shù)據(jù)轉換為低維度數(shù)據(jù)。PCA算法一般用于提取數(shù)據(jù)的主要特征和高維數(shù)據(jù)降維[18]。

電能表狀態(tài)檢驗數(shù)據(jù)主要來源于電能表的檔案數(shù)據(jù)和電能表檢驗設備的失壓、失流、電壓逆相序、全失壓、斷相等狀態(tài)監(jiān)測數(shù)據(jù)。若對電能表檢驗設備全量上傳的檢驗數(shù)據(jù)進行分析，則會造成電能表評價算法模型運行效率低的問題。采用PCA算法對電能表狀態(tài)檢驗數(shù)據(jù)進行降維處理，可提高電能表狀態(tài)評估模型的運行效率，避免全量數(shù)據(jù)上傳造成的計算效率低的問題。在電能表特征數(shù)據(jù)降維后，開展電能表狀態(tài)檢驗數(shù)據(jù)的特征值提取。

2.2 狀態(tài)評估指標矩陣

近鄰傳播(affinity propagation，AP)聚類算法不需要指定聚類數(shù)量，具有聚類結果誤差小的優(yōu)勢，但算法較為復雜，在處理多維大量數(shù)據(jù)時，AP聚類需要的時間比較長[19]。

電能表狀態(tài)評估指標是綜合考慮電能表運行的可靠性、電能表生產(chǎn)廠商質(zhì)量風險控制等因素的評估[20]。電能表狀態(tài)評估需要對現(xiàn)有的電能表特征進行聚類，從而計算出共性的電能表檢驗特征指標。為提高AP聚類的速度，對現(xiàn)有AP聚類算法中的相似度矩陣偏向函數(shù)進行改進。

采用改進AP聚類方法對電能表運行狀態(tài)數(shù)據(jù)進行分析。涉及的電能表數(shù)據(jù)包括電量、電壓、電流，以下以電能表電流數(shù)據(jù)為例進行介紹。設電能表1的電流運行數(shù)據(jù)as的離散特征為ga，電能表2電流運行數(shù)據(jù)bs的離散特征為gb，離散特征點的距離采用歐式距離計算，設特征權重系數(shù)為wa，2個離散特征點的相似度

zh=-[waga+(1-wa)gb].

(1)

離散特征點gc可表示為

(2)

式中：hji和hki分別為數(shù)據(jù)點i的2個離散特征點j、k的最小值；ne為數(shù)據(jù)點總數(shù)。

偏向函數(shù)為相似度矩陣主對角線的值u，合理選取偏向函數(shù)，即可減少迭代次數(shù)，AP聚類算法在多次迭代后，數(shù)據(jù)基礎(data basis，DB)指標DB可作為電能表離散特征的收斂函數(shù)。設電能表電流曲線相似度矩陣的對角線中位數(shù)為ea，AP聚類的搜索閾值為λ，可得：

u=ea+λDBmin.

(3)

式中DBmin為DB指標收斂函數(shù)的最小值。

設聚類的數(shù)量為ng，聚類的中心為Cm，兩類電表的數(shù)據(jù)點到數(shù)據(jù)中心的距離分別為Qa和Qb，聚類DB指標

(4)

通過AP聚類，建立電能表狀態(tài)評估指標矩陣見表1。

2.3 評價權重動態(tài)調(diào)整

熵權法是對于指標體系中的某項值權重進行調(diào)整的方法，通過熵值來判斷某個指標的離散程度，其熵值越小，則說明該指標對指標體系的影響越大[21]。

受地理環(huán)境、氣候、溫度等因素影響，電能表運行狀態(tài)評估的特征值不盡相同[22]。為解決各省電力公司之間電能表運行狀態(tài)的差異，結合各省電力公司地域性電能表運行特點，采用熵權法對表1中的電能表評價權重進行動態(tài)調(diào)整。

首先，根據(jù)專家經(jīng)驗值設定電能表運狀態(tài)評估權重ω=(ω1,ω2，…,ωnb)，其中nb為電能表狀態(tài)檢驗指標集的總數(shù)。在生成聚類中心后，計算單個特征指標對電能表狀態(tài)檢驗聚類中心的貢獻度，設電能表特征指標聚類中心數(shù)為ka，隨機選擇的聚類中心i的特征負荷值為Lran,i，聚類中心i的特征值為lb,i，電能表狀態(tài)評估特征指標的貢獻度

(5)

電能表狀態(tài)評估的特征指標權重

(6)

式中Pci為聚類中心i的特征指標的貢獻度。

本文結合地區(qū)供電公司電能表運行特點，采用熵權法對初始電能表狀態(tài)檢驗的權重進行更新，更新后的權重

(7)

式中φai為聚類中心i的特征指標權重。

2.4 電能表狀態(tài)評估

貝葉斯網(wǎng)絡可直觀統(tǒng)計電能表狀態(tài)評估各節(jié)點之間的因果關系，可進行雙向推理獲得準確的電能表狀態(tài)評估值[23]。根據(jù)地區(qū)供電公司電能表運行特點進行電能表狀態(tài)評估指標特征權重調(diào)整后，采用貝葉斯網(wǎng)絡對電能表的狀態(tài)進行評估。

設電能表狀態(tài)評估特征指標的閾值越限事件概率為ua，電能表狀態(tài)檢驗故障的發(fā)生概率為va，電能表狀態(tài)檢驗特征指標個數(shù)為ke，在ua條件下的va條件概率

(8)

式中uai為電能表狀態(tài)評估特征指標i的閾值越限事件概率。電能表狀態(tài)評估的故障發(fā)生特征

(9)

通過式(9)，可獲得對電能表運行狀態(tài)的評估結果。

3 電能表狀態(tài)評估仿真流程

基于貝葉斯網(wǎng)絡的電能表狀態(tài)評估流程如圖2所示。

圖2 電能表狀態(tài)評估流程Fig.2 State evaluation process of electric energy meter

4 算例分析

采用本文所提的基于貝葉斯網(wǎng)絡的電能表狀態(tài)評估方法，對某省電力公司的高壓三相電能表的現(xiàn)場檢驗數(shù)據(jù)進行評估，數(shù)據(jù)來源為現(xiàn)場電能表檢驗儀表遠程上傳的高壓三相電能表現(xiàn)場校驗數(shù)據(jù)。本文采用的計算機系統(tǒng)版本為Windows Sever 2016、16核心至強2.4 GHz中央處理器、32 GB內(nèi)存，電能表的校驗儀為國家電網(wǎng)有限公司計量中心2018年組織研究的新型現(xiàn)場校驗儀。

在電能表狀態(tài)評估中，首先選擇電能表狀態(tài)評估的指標權重作為評估的基準。然后選取文獻[15]中的多決策樹群電能表狀態(tài)評估方法作為參照，與本文方法進行對比，以驗證本文方法的有效性。

4.1 電能表狀態(tài)評估指標權重選取

訓練樣本選擇：某省電能表狀態(tài)評估儀表100臺，每臺校驗100只高壓三相電能表現(xiàn)場檢驗數(shù)據(jù)，權重總分為100%。各指標權重見表2。

表2 電能表狀態(tài)評估指標權重Tab.2 Weight of state evaluation index of electric energy meter

4.2 電能表狀態(tài)評估運行時間分析

分別選擇電能表狀態(tài)評估儀表的數(shù)量為5、10、20、50、80、100、200，每臺校驗100只高壓三相電能表現(xiàn)場檢驗數(shù)據(jù)，對比本文方法與多決策樹群的電能表狀態(tài)評估運行時間，結果見表3。

表3 電能表狀態(tài)評估運行時間對比Tab.3 Comparison of running time of electric energy meter condition evaluation

由表3可見，在電能表狀態(tài)評估數(shù)據(jù)提取時間方面，本文所提的基于貝葉斯網(wǎng)絡的電能表狀態(tài)評估方法優(yōu)于多決策樹群方法。

4.3 評估指標權重調(diào)整準確率分析

電能表評估權重調(diào)整準確率是衡量指標是否符合省級電力公司要求的關鍵指標，指標權重調(diào)整的準確率為調(diào)整正確的指標權重數(shù)量與調(diào)整的指標權重數(shù)量的比值。

選擇電能表狀態(tài)評估儀表的評估指標分別為運行時間、運行故障率、違約竊電信息表、運行誤差、運行監(jiān)測事件、運行監(jiān)測異常，評估樣本電表數(shù)量為100，對比本文所提基于貝葉斯網(wǎng)絡的電能表狀態(tài)評估方法與多決策樹群的電能表狀態(tài)評估方法的指標權重準確率，結果如圖3所示。

圖3 電能表狀態(tài)評估指標權重準確率對比Fig.3 Comparison of weight accuracy of state evaluation index of electric energy meter

由圖3可見，在電能表狀態(tài)評估指標權重調(diào)整準確率方面，本文所提基于貝葉斯網(wǎng)絡的電能表狀態(tài)評估方法優(yōu)于多決策樹群方法。

4.4 電能表狀態(tài)評估準確率分析

電能表狀態(tài)評估準確率是電能表狀態(tài)評估的核心指標，其計算方法為評估正確的電能表數(shù)量除以評估的電能表總數(shù)。該數(shù)字的取值范圍為0～1，數(shù)值越大，電能表狀態(tài)評估準確率越高。

分別選擇電能表狀態(tài)評估儀表的數(shù)量為5、10、20、50、80、100、200，每臺電能表狀態(tài)評估儀表檢驗的電能表數(shù)量為100，對比本文方法與多決策樹群的電能表狀態(tài)評估準確率，對比結果見表4。

表4 電能表狀態(tài)評估準確率對比Tab.4 Comparison of state evaluation accuracy of electric energy meter

由表4可見，在電能表狀態(tài)評估準確率方面，本文所提的基于貝葉斯網(wǎng)絡的電能表狀態(tài)評估方法優(yōu)于多決策樹群方法。

4.5 電能表狀態(tài)評估結果分析

文中方法的評估指標選擇范圍見表1，評估分值取值范圍為0～100，90分以上為優(yōu)秀，75～90分為良好，60～74.99分為合格，60分以下為不合格。選擇某省電力公司100只高壓三相電能表，采用文中方法進行電能表狀態(tài)評估，評估結果見表5。

表5 電能表狀態(tài)評估結果Tab.5 State evaluation results of electric energy meter

5 結束語

為解決傳統(tǒng)電能表現(xiàn)場狀態(tài)評估過程中存在的指標權重單一、評估效率低的問題，本文提出一種基于貝葉斯網(wǎng)絡的電能表狀態(tài)評估方法。在物聯(lián)代理設備采集現(xiàn)場電能表校驗基礎檔案、批次運行狀態(tài)和運行狀態(tài)的基礎上，采用數(shù)據(jù)降維算法實現(xiàn)電能表檢驗數(shù)據(jù)的提取，以降低數(shù)據(jù)采集時間。其次，采用無監(jiān)督學習方法建立電能表狀態(tài)評估指標矩陣，并結合區(qū)域特征對電能表評價權重進行動態(tài)調(diào)整。然后，使用貝葉斯網(wǎng)絡對電能表的運行故障發(fā)生概率進行評估，從而獲得準確的電能表狀態(tài)評估結果。

本文所述的方法在電能表狀態(tài)評估指標權重調(diào)整方面還存在提升空間，后續(xù)將結合時間卷積網(wǎng)絡對電能表指標評估權重調(diào)整做進一步研究。