利用大数据实现电能计量装置运行状态质量评估

妙红英，李 蒙，王艳芹，王 松，洪 虹，康 强

(冀北承德供电公司，河北 承德 067000)

为贯彻落实国网公司泛在电力物联网建设工作部署，切实推进公司泛在电力物联网建设进度，加快推进“三型两网、世界一流”战略落地实施。同时强调大数据的挖掘与应用，以点促面，精益求精，全力推进泛在电力物联网建设，在此基础上，本文探索开展利用大数据分析工具实现计量装置运行状态下的质量评估工作。

1 研究背景

冀北某市公司2017年6月至12月期间共更换电能计量装置16 721只，经过人工分拣拆回设备发现其中12 347只电能计量装置都可以继续现场运行，只有4 374只电能计量装置是切实故障，占总比重的26.2%(电能计量装置体检准确率)；计量运维工单37 000余条，经现场核查准确率不足50%。其中主要原因：一是由于系统衔接性差且主题单一所以容易误判导致；二是由于基层工作人员业务水平欠缺，无法准确判断异常。从而导致现场运维人员工作量巨增，造成计量装置(含采集设备)大量重复投资和经济浪费。

为贯彻落实国网公司泛在电力物联网建设工作部署，切实推进公司泛在电力物联网建设进度，加快推进“三型两网、世界一流”战略落地实施。同时强调大数据的挖掘与应用，以点促面，精益求精，全力推进泛在电力物联网建设，在此基础上，承德公司营销部计量中心探索开展计量装置运行状态下的质量评估工作，运用大数据分析技术，将影响设备运行质量的数据从时间、空间、数量、标准等多维度多系统进行诊断分析，消除系统数据专业壁垒，对运行设备质量形成四级健康评价，实现计量装置故障快速精准定位、发现隐性缺陷，提供问题解决方案。转变运维方式，由以前的“事后救治”升级到“主动防控”，解决当前系统工单漏报、误报、数量大、单一、准确度低等问题，提升计量装置运行质量的可靠性、稳定性，辅助决策计量装置的采购与调配。实现精准高效运维、精益化管理的目的。

藉此，确定了“计量装置运行状态质量评估”的研究方向，寄望通过大数据模型提取不同系统中数据特征，结合现场运维经验从多维度进行大数据分析，实现智能评估，为每台设备建立“健康档案”，对运行计量装置逐台评价，形成“健康度指标得分”分别对应“重病”、“疾病”、“亚健康”、“健康”四个等级。利用大数据模型进行系统智能自愈、故障隐患预判、计量资源合理调配，并利用运维现场智能管理平台实现运行计量装置故障精准定位和处理，最终达到精准高效运维和计量装置的精益化管理的目的，积极响应三型两网发展战略，树立泛在电力物联网一盘棋的大局意识。

1.1 业务痛点

(1)用电信息采集系统计量异常事件经常出现误报的情况，导致工单处理量虚高，变相增加了基层运维人员的工作量。

(2)现有条件不具备综合智能分析计量装置运行状况质量的功能，系统自适应能力差，不能有效地聚合、关联、分析数据特征，判断计量装置异常产生的原因。

(3)计量装置故障分析基本依赖工作经验，智能化水平低，对计量装置运行状态质量不能精准评估，导致故障处置不及时。

(4)营销专业各系统相对独立，数据资源未实现实时共享，以现有分析手段不能实现数据价值最大化应用。

(5)对运行计量装置故障及缺陷的感知能力不足，缺乏实现故障前主动防御的预测方法。

2 研究具体内容

2.1 总体方案设计及分解

本创新成果主要是基于大数据建模基础上来实现计量装置运行状态质量评估的，大数据模型是本成果的灵魂所在，其遵循问题导向和目标导向的设计方法。一是解决痛点问题，突出“精准”，建立专家经验库，把单一的异常问题进行人工聚合、关联、推导，锁定故障源头和运维方案，提高计量装置停走、倒转等异常工单派发质量，实现“弹无虚发”。二是解决盲点问题，突出“高效”，实行多系统数据联动分析机制，把一名台区经理可以在一次出勤现场办理的异常工单合并，丰富档案核查、停复电等现场作业内容，实现“一勤多单”。三是解决触点问题，突出“自愈”，构建异常工单二次筛选技术，把信息系统能够远程自愈处理的异常工单进行分类、分级，减少现场外勤派工，排定计量装置时钟超差、欠压等异常工单处理优先级，实现“人工智能”。通过大数据模型提取营销、用采、配电等信息系统的特征数据，固化数据清洗规则和质量评估规则，共享现场运维经验，多维度、多层次进行大数据分析，对计量装置的运行工况进行智能评估。

评估模型由6大模块组成，分别为：数据收集、数据处理、异常分析、异常处理、健康度评估、模型优化。整个模型将完成“计量装置运行状态质量评估”中的健康度评价、异常处理建议及后续的评估模型优化。

2.2 数据收集

数据收集模块收集计量生产调度平台的计量装置档案数据、计量装置首检数据，营销业务应用系统的客户档案数据、工单数据，用电信息采集系统的日常采集数据、异常事件数据，GIS系统、PMS系统数据，外部环境的地区数据、气温数据等(详情请参见相应章节)。完成数据收集及数据对比，确保基础数据的完整、正确及各系统间相关数据的匹配。

提取计量生产调度平台160万只智能表、1.6万只采集终端全量数据，营销业务应用系统150万户全量数据和用电信息采集系统海量存储数据。并将计量设备的基础属性维度、运行时间维度、空间维度、环境维度等数据进行整合。数据提取如表1、2、3所示。

表1 营销业务应用系统提取的数据

表2 计量生产调度平台设备资产信息提取的数据

表3 用电信息采集系统提取的数据

2.3 数据处理

对已收集的数据进行预处理，对未收集数据的缺失部分进行透抄。例如：气温原始数据为26.7℃，但单一的温度数据对于模型分析不具备实际价值，我们将采用预先设置的温度区间规则(低温<5℃，正常，高温>35℃)进行处理为“一般”。已收集数据的进行数据去重与验证，诸如一个故障的重复的报修工单数据。

2.4 异常分析

异常分析模块分为“异常数据扫描”、“多维分析”两大功能。

2.4.1 异常数据扫描

主要从基础数据中按照预先设定的规则进行扫描，将异常数据从已有的海量数据中进行抽取，同时按照已设定的故障告警规则(异常数据数据项组合、异常数据阈值判断、异常数据发生频率等)进行故障的判定。(详情请参见相应章节)

2.4.2 多维分析

按照异常数据多维度进行分析。

(1)计量设备的基础属性维度(厂家、生产批次、生产时间等)。验证异常数据是否存在同一厂家、同一生产批次、同一检测时间段的共同点。以冀北公司在运、库存、已拆回等状态的计量装置为基准，进行全面分析。

(2)运行时间维度。检验计量装置自投运以来，同一类型异常数据的发生频率、不同类型异常数据的对比。通过与同批次/同厂家/同类型计量装置异常数据发生概率作对比，分析该计量装置是否存在相关问题，发现并排除在时间流中的“假偶发”现象。

(3)空间维度。检验同一地区、同一线路、同一台区中同一类型计量装置的异常数据发生概率。通过对比不同地域间的同一类型计量装置的异常数据发生概率，判定某地域是否出现相关的运行管理问题。

(4)环境维度。检验同一天气、同一温度、同一空气污染指数的条件下，异常数据发生的概率。通过对比不同环境中同一类型计量装置的异常数据发生概率，在某一环境条件下，发现异常问题的高发性。

2.5 异常处理

异常处理模块包括两大功能，分别为“自我治愈”及“现场工单”。自我治愈功能处理诸如时钟故障、档案缺失故障、档案不对应故障等，可以使用系统进行自动智能治愈的相关故障。现场工单功能是当故障无法通过“自我治愈”时，将下发检修工单，并收集检修结果数据。

2.6 模型优化

模型模块包括两大功能，分别为“交叉对比”、“异常知识库”。交叉对比功能将进行异常数据之间的关联度分析，找寻两件异常数据/多个异常数据间的关系，找寻异常数据间的共性/差异性分析，得到异常数据之间的隐藏的逻辑与关联性。异常知识库功能存储异常数据与故障之间规律、异常数据及异常数据类别、故障信息及处理信息。通过经验与数据的累计，得到新的异常数据与故障之间的规则，实现评估模型的自我优化。

2.7 健康度评价

将按照是否发生过相关故障、故障是否已经修复、同批次计量设备是否存在“家族问题”、所在地域是否存在同类型计量装置故障多发概率等，进行计量设备的健康度评价。

“重病状态”：影响营销业务应用，必须更换计量设备才能解决。

“疾病状态”：通过大数据的分析之后可以智能诊断自愈，如对时、下参数可以解决的运行设备。

“亚健康状态”：通过大数据分析之后同类别、同类型、同厂家的设备存在共同故障点，不及时处理可能会造成数据参数丢失现象。

“健康状态”：现场运行设备良好满足各类业务数据需求。

3 应用创新方法

3.1 数据提取创新

主要包括计量生产调度平台160万只电能表、1.6万只采集终端全量数据，营销业务应用系统150万户全量数据和用电信息采集系统海量存储数据，结合GIS系统数据、PMS系统数据、地域、天气、时间、输配电线路运行情况、重要活动等外部数据。

3.2 故障预测模型

构建计量设备故障预测模型。进行现状“无异常”计量装置未来故障发生概率预测，为“亚健康”评价提供依据。核心算法：随机森林(random forest)是一种集成学习+决策树的分类模型，它可以利用集成的思想(投票选择的策略)来提升单棵决策树的分类性能[1-8]。对于分类问题(将某个样本划分到某一类)，也就是离散变量问题，CART使用Gini值作为评判标准。定义为：

Gini=1-∑(p(i)*p(i))

(1)

其中，p(i)p(i)为当前节点上数据集中第ii类样本的比例。

在寻找最佳的分类特征和阈值时，评判标准为：

argmax(Gini-GiniLeft-GiniRight)

(2)

即寻找最佳的特征f和阈值θθ，使得当前节点的Gini值减去左子节点的Gini和右子节点的Gini值最大。

随机森林在成果中的主要作用是：运用随机森林算法实现计量装置运行故障的精准定位。以专变终端故障预测为例，如图2所示，为随机森林模型估计误差，模型的估计误差随着决策树棵数的增加而不断的减小，其中，黑线为袋外估计误差OOB，其他四条线分别为采集终端存储故障、采集终端时钟故障、上行通信故障、通信质量故障四种估计类型的估计误差。

如图3所示为随机森林模型在测试集上的预测结果，其中，采集终端存储故障、采集终端时钟故障、上行通信故障、通信质量故障四种故障类型分别有5、5、6、7个样本单元被误判，由该混淆矩阵计算模型预测准确率为91.25%，模型预测效果理想。

3.3 健康状态评价模型

将计量装置运行状态质量分为4类-健康、亚健康、疾病、重病。核心算法简介：SOM(self-organizing map，自组织映射)网络是一种竞争学习型的无监督神经网络，能够自动识别输入样本信息自动聚类，受环境干扰性小，具有较强的自组织性，相比于传统的聚类算法，其具有更优秀的聚类性能[9-12]。通过流计算、内存计算、批量计算、查询计算等多种分布式计算技术满足不同时效性的计算需求，如图4所示。以百分制对电能表状态进行表述。100分表示最佳状态，0分则表示最差状态。其它情形的状态评分介于0分～100分之间。电能表状态评分G=BTMF；B：基础评分；T：检测评分；M：监测评分；F：家族缺陷评分。

3.4 自适应规则模型

发现新规则，丰富、完善规则库。核心算法简介：决策树是通过一系列规则对数据进行分类的过程。它提供一种在什么条件下会得到什么值的类似规则的方法。决策树能够很好的处理高维数据，由决策树产生的结果是易于理解和掌握的，运算过程比较迅速，还具有比较理想的预测准确率[13-18]。

图5所示为决策树模型，模型分类准确率为“90.11%”，AUC“0.9135 ”，宏平均F1“0.9023”。通过时钟偏差、电压不平衡度、电流不平衡度等指标阈值的自动判断，实现计量装置运行状态规则的发现。

3.5 以智能移动终端为软件载体的运维管理平台

基于Android、PC平台开发，能够广泛满足各种智能化现场需求的管理系统。形成现场和系统双向互动的沟通方式，人员在工作现场就能快速查阅计量装置档案信息和运维信息，并能将现场图片、数据全部保存并立即上传到运维管理平台留档备案，无需再做二次处理，大大提升运维工作质量和工作效率。

4 结论

将该电能计量装置运行质量评估方法整合完毕后，将研制的计量装置“体检平台”在现场进行实施应用，结果表明该项目能为企业带来更大的经济效益以及极大削减现场的运维工作量，将各个系统数据泛在物联，利用大数据整合[19-21]，实现优质高效的新型电力互联网服务。

4.1 经济效益

经济效益：在项目应用的5个月时间里，通过系统诊断分析及治愈处理，修复由于参数、档案等问题造成采集失败、终端在线异常等故障，减少由此导致的设备更换数量，涉及电表16 010个，终端1 062台，挽回经济损失1 013万元。

系统对各区域采集设备电压、电流、电量等运行数据进行定期检测，结合设备相应台区日、月、季线损的跟踪统计，关联设备档案进行分析，发现表计内部故障导致电表计量不准确、电表采集数据与实际不符等故障电能表335个，故障终端71台，挽回经济损失102万元。

4.2 应用成效

应用成效：计量专业借助大数据分析工具，实现系统数据和外部数据泛在物联，得出计量装置运行状态质量“体检报告”，实现故障精准定位、智能评估，及早发现计量装置运行质量问题并迅速处理，运维工单数量由8.5万条降低至4.15万条，提高运维工作效率，极大减少现场运维工作量。并且提升了计量专业的各项同业对标指标，资产全寿命周期管理规范率平均提升0.59%，采集成功率平均提升0.37%，闭环管理规范率平均提升1.15%。根据分析报告，各地区可宏观掌握全量运行设备状态，辅助决策资产购置、分配、运维，为计量装置运行质量监控提供充分的数据支撑，完善运维闭环管控体系，进一步促进管理水平提升，降低运维成本，避免重复投资，实现“计量资产价值最大化”。

该成果还可拓展到水，气，热等能源计量装置的运行状态质量评估，为其他能源行业提供数据支撑，提升能源效率。

推动低碳、绿色“智慧城市”发展战略；积极响应公司三型两网的发展战略，为全速推进泛在电力物联网建设打下坚实基础。