胡婷婷，于春雨，周媛奉，刘朋远，丁海丽

（1.国网宁夏电力有限公司 营销服务中心，银川 750011；2.青岛理工大学 机械与汽车工程学院，青岛 266520）

引言

2009年，国家电网安装第一批智能电能表以来[1,2]，伴随数字化、智能化、信息化技术的发展，用电需求与用电范围逐年增长，截至2018年，我国智能电能表用电户累计达5.23亿户，在安装使用的电能计量表计中，占比高达98.83 %[3]。随着智能电能表安装数量的增加，故障也频繁出现[4]，据权威机构的统计，每年电网中发生故障、拆回维修的智能电能表却高达数百万只[5]，故障形式主要有计量超差、电池故障、显示故障、通信故障、费控故障等，且呈现出复杂性、多样性、突发性等特点。因此，智能电能表故障问题引起了众多研究人员的关注。

文献[6]对智能电能表的继电器故障、通信故障、超差等常见故障进行了研究和分析，给出了相关故障的预防措施，但未对黑屏等故障进行分析；文献[7]分析了电能表黑屏故障原因，结合故障树模型实现故障定位与分析排序，为定位、分析电能表黑屏故障提供参考，但未能实现故障复现；文献[8]利用智能电能表运行数据，基于失效物理的方法，研究了智能电能表故障定位及复现，相较文献[7]，可定位的故障类型更为丰富；以上文献虽对智能电能表故障进行了分析和研究，但均未对拆回电能表进行系统分析和研究。而现有的关于拆回电能表的文献多集中于拆旧电能表检测系统设计，如文献[9]设计了一套包含管理平台、数据平台及硬件系统的拆旧智能电能表检测系统；文献[10]设计了一套拆回电能表智能管理装置，能够实现拆回电能表故障分类，根据故障类型判断拆回电能表是否具有维修价值；以上二文献对节省人力成本具有重要意义，但是拆回电能表主要包含2类，一类是服役期满拆回；另一类是因故障拆回，显然，二文献并未对此进行区分。

基于以上，以因故障导致拆回的电能表为研究对象，综合运用熵权法、TOPSIS法和灰色关联分析法，从我国部分省份拆回智能电能表故障统计数据入手，以我国部分省份为评价对象，以各省份电能表故障类型为评估指标，从纵、横两个维度，对拆回智能电能表故障进行评价。

1 拆回智能电能表故障二维度评估流程

首先依据我国部分省份拆回电能表故障数据信息，建立原始数据评价矩阵；然后进行无量纲化处理；再进行归一化处理；基于熵权法确定各评价对象权重；应用TOPSIS法，结合权重，求得加权规范化决策矩阵；确定正、负理想方案，再分别计算各方案到正、负理想方案的加权距离，进而获得拆回电能表故障纵向综合评价指数，实现纵向评价；将各省份电能表故障视为母系统，各省份电能表故障类型视为子系统，使用灰色关联分析法求相应子系统与母系统的关联系数，再求得关联度，进而评价子系统对母系统的影响情况，实现横向评价。评估流程如图1所示。

图1 拆回智能电能表故障二维度评估示意图

2 纵向评价模型

纵向评价模型建立过程如下：

1）构建原始数据评价矩阵

假设对m个省份拆回故障智能电能表进行评估，包含n种故障类型，相应的指标值为yij（i=1,2,…,m，j= 1,2,… ,n），构成的原始数据评价矩阵为：

2）原始数据无量纲化

由式（2），对原始数据进行无量纲化处理。

得到无量纲矩阵B。

3）无量纲矩阵归一化

依据式（2），将矩阵B进行归一化处理，得到归一化矩阵X：

4）确定各评价对象权重

应用熵权法确定各评价对象权重[11]wi=(w1,w2,… ,wm)。记第i个评价对象的熵值ei为：

当xij= 0时，令xij× lnxij=0。则第i个评价对象的熵权wi为

5）归一化矩阵加权标准化

根据式（5），将归一化矩阵加权，求得加权规范化决策矩阵Z：

6）确定各故障的正、负理想解

7）计算各故障到正、负理想方案的加权距离[14]

各故障与正理想方案之间的加权距离jd+为

各故障与负理想方案之间的加权距离jd-为

8）计算纵向综合评价指数Cj

纵向综合评价指数Cj如下式：

3 横向评价模型

借助本文第1节，横向评价模型建立过程如下：

1）计算关联系数

关联系数rij可由下式计算[15]：

ρ—分辨系数ρ∈ [0,1]，一般取ρ= 0.5[16]。

2）计算关联度ri

关联度ri可由下式计算：

3）计算横向综合评价指数

横向综合评价指数Ci可由下式获得[17]。

4 实例分析

4.1 数据来源

2019年，黑龙江、福建、江西、山西、重庆、新疆六省份因为故障共拆回智能电能表65816台，通过对拆回故障智能电能表故障数据进行统计分析，故障类型主要有计量超差、电池故障、显示故障、通信故障、费控故障等，各省份故障类型数量如图2所示。

图2 故障类型及数量

4.2 纵向评价

依据图1，建立6省份评估原始数据矩阵Y，

由式（1），得到无量纲矩阵

由式（2），得到归一化矩阵

由式（3），计算出各项指标的熵值分别为0.1362、0.6995、0.8898、0.5687、0.5730、0.9778。

由式（4），计算出各项指标的熵权分别为0.4008、0.1394、0.0511、0.2001、0.1981、0.0103。

由式（5），求得加权规范化决策矩阵Z。

正理想解分别为0.0263、0.0876、0.0127、0.0223、0.1680、0.0058；负理想解分别为0.0000、0.0005、0.0016、0.0024、0.0060、0.0002。

由式（6）～（8），与正、与负理想系统之间的加权距离、纵向综合评价指数及排名见表1。

表1 各项指标正、负理想系统的加权距离、纵向综合评价指数及排名

本例中，通过对6省份6种故障数据进行纵向综合评价，Cj越小，评价结果越优。由表1可以看出，显示故障评价结果最差，其次是电池故障，而计量超差评价结果最优。也就是说，显示故障的发生概率最高，而计量超差发生概率最低。

4.3 横向评价

由式（9）、（10），可得关联系数矩阵分别为：

由式（11）～（13），关联度、横向综合评价指数及排名见表2。

本例中，通过对6省份6种故障数据进行横向综合评价，Ci越小，评价结果越优。由表2可以看出，重庆市的评价结果最差，其次是新疆生产建设兵团，而黑龙江省评价结果最优。也就是说，重庆市的电能表发生故障的频次最高，而黑龙江省的电能表发生故障的频次最低。

表2 关联度、横向综合评价指数及排名

5 结论及对策

综合运用熵权法、TOPSIS法、灰色关联分析法对部分省份因故障拆回智能电能表从横纵二个维度进行故障分析。纵向分析表明，显示故障最多，其次是电池故障，然后依次是其它故障、通信故障、费控故障及计量超差；横向分析表明，安装在重庆市的电能表发生故障的频次最高，其次是新疆生产建设兵团，然后依次为福建省、江西省、山西省和黑龙江省。

因此，为了减少智能电能表故障，提高其可靠性，提出以下几点对策：

1）设计阶段首先进行可靠性分配，研发阶段进行可靠性试验，生产阶段进行可靠性管理，出厂前可靠性验证。

2）硬件选型方面，尽可能选用高可靠性元器件，对采购进厂的元器件，可依据GJB/Z 299C-2006、贝尔实验室的Telcordia SR-332、IEC/TR 62380等标准进行抽检。

3）加强产品的软、硬件设计，更好地实行软、硬件配合，提高软、硬件可靠性。

4）改善产品工艺流程，生产过程中实行过程控制，加强人员职业培训，严格执行产品生产工艺流程。

5）已出厂产品建立故障信息库，将故障信息及时反馈至生产厂家，对失效元器件进行失效分析，形成闭环。

6）对于易发故障，如显示故障、电池故障等，研究其故障机理，尽可能选择高可靠性的元器件，同时优化电路结构。

7）对于发生故障频次较高的省份，须明确引发故障的内、外因素。

8）对运行中的产品，制定合理的维护策略，加强物业管理，减少人为破坏等。