程鹏申 周文斌 赵 磊 解进军 靳 阳 刘士峰

（国网北京市电力公司电力科学研究院）

0 引言

电能表是供电企业与电力客户进行计费结算的桥梁，是民生用电的重要计量工具。随着智能电网的快速发展，智能电能表因其功能强大，计量准确性和灵敏度高被广泛应用，其运行质量直接影响电网企业的经济效益与广大用户的切身利益［1］。

作为国家强制检定的计量器具，电能表的安装使用必须符合国家计量表法及计量检定规程的要求，运行质量受政府部门的监督和管理。按照JJG596—2012《电子式交流电能表检定规程》规定“1级、2级有功电能表和2级、3级无功电能表，其检定周期一般不超过8年”［2］。按照传统规定，无论电能表的质量水平如何，都需要在规定的时间内拆回实验室重新检定。随着电能表生产水平的不断加强，其实际运行寿命普遍达到15年以上，这意味着即使到达检周期后，实际上仍然有大量的在用表质量性能完好。本文对基于全生命周期检测数据的电能表质量监督评价技术进行研究，通过对电能表历史检定数据和现场校验数据的分析，评价在运智能电能表的运行的质量，为电能表检定周期调整奠定技术基础。

1 总体方案

电能表质量监督评价主要包括在运表校验数据的获取、校验数据分析以及电能表运行质量评估。其具体流程如图1所示，基于电能表运行的历史检定数据，采用大数据分析手段，实现电能表分级风险评价。现场校验代替实验室拆回检定，准确获取在运表检定数据。针对检定数据开展电能表可靠性分析，实现在运表质量判定，从而完成检定周期延期调整。

图1 电能表质量监督评价流程

2 电能表检定数据获取

在运电能表检定数据获取包括数据抽样和根据抽样结果开展现场校验两部分。基于电能表风险预估算法完成电能表抽样方案，制定规范化标准化校验流程完成在运表现场校验。

2.1 数据抽样

基于风险预估算法完成电能表抽样方案。首先从MDS系统以年为单位批次提取在运表首检数据，根据首检数据开展横向和纵向双向风险筛查预估。横向筛查指一块智能电能表针对不同负载点的误差值进行筛查的方法，它表征智能电能表自身的稳定性。纵向筛查算法就是在同一负载点针对全部智能电能表误差情况的筛查法，它表示这一批次智能电能表对同一负载点的稳定性［3］［4］。根据横向和纵向筛查算法的筛查结果，可判定出一块智能电能表的风险等级。

横向筛查的具体步骤为：

步骤一：假设待筛查批次电能表总量为N，计算第i（i取1～N）块表所有负载点基本误差的标准偏差为Si。

步骤二：计算N块表的标准偏差的平均值为平均值的标准差为Ss。

步骤三：若第i块表满足｜Si－S｜＞3Ss，则判定该表为横向筛查算法故障。

纵向筛查对单一负载点的智能电能表基本误差进行筛查，具体步骤为：

步骤一：对于n块电能表，在同一负载点，第i块表的基本误差为Xi，，同负载点所有电能表的基本误差平均值为根据贝塞尔公式计算基本误差的标准偏差为s。

步骤二：计算第i块智能电能表的残差，ui＝xix，并满足不等式则剔除该表数据。

步骤三：对剩余电能表每个负载点的数据依次按照以上两个步骤进行剔除，直到没有可剔除的电能表数据。

根据横向和纵向筛查算法筛查结果，判定出一块智能电能表的风险等级。由于纵向筛查算法与目前判别故障电能表的规程相关，相比较横向筛查风险等级更高［5］，因此风险等级划分规则如表1所示。

表1 风险等级划分规则

采用上述计量风险评估方法，对B市即将到达检定周期的38590只智能电能表进行风险评级，其风险等级划分如表2所示。

表2 B市38590只智能电能表风险评级结果

根据风险评级结果，动态调整不同批次电能表抽样比例，对于极高风险批次按100%比例抽样，共计448只，备用样本为对应生产厂家高风险等级电能表共计352只；对于一般风险批次按0.7%抽样比例进行随机抽样，共计267只，备用样本按样本数2倍随机抽取，共计533只。具体抽样结果如表3所示。

表3 B市38590只电能表抽样结果

2.2 现场校验

根据上述在运表抽样结果提取现场校验明细，制定现场校验工作计划，严格按照标准化流程开展电能表校验工作。具体流程如图2所示。

图2 电能表现场校验工作流程

由以上流程可知，整个校验过程只涉及到一次与用户的沟通，不涉及任何的停电操作，持续时间较短，工作效率高。与传统拆回实验室检定相比节约大量人力物力资源，工作效益优势明显。当现场校验结果不合格时，使用具有一定抗扰度的电能表现场校验仪复测，或将该表拆回到实验室环境进一步检测和分析。

按照上述现场校验流程对B市电能表开展现场抽样校验工作，共计完成抽样现场校验787只。其中极高风险电能表完成364只，未校验的极高风险电能表由备用的高风险电能表补充，补充数据为84只。现场检验数据结果如图3所示。对于上述检验的787只电能表，符合要求电能表786只，疑似不合格电能表1只。按要求将不合格电能表拆卸回实验室环境进行检测，发现电能表内部的分流器被短接，减少了电流采样。同时发现有电能表开盖记录，铅封有被融化痕迹，确定为人为因素造成表计不合格，排除人为因素后该电能表合格。

图3 现场校验数据结果

3 电能表质量评价分析

3.1 电能表检定误差分析

本文对B市即将到达八年检定周期电能表的首检数据与抽样检测数据对电能表计量误差开展对比分析。

由现场校验数据结果可知，除个别人为因素造成电能表计量故障外，抽检电能表均计量合格。同时对比分析该批在运电能表平均误差数据分布，发现首检误差与现场校验误差均呈正态分布，误差变化分布差别不大。如图4、图5为该批电能表首检与现场校验误差变化分布。

图4 首检误差变化分布

图5 现场检验误差变化分布

以上统计数据可知，对于首检数据99.46%的检定负载点误差在［－1%，1%］区间内，现场校验数据99.4%的检定负载点误差变化在［－1%，1%］区间内，表明该批电能表运行八年之后计量误差分布变化不大。

3.2 电能表运行状态评价

通过创建状态评价模型对电能表进行状态评价。该模型基于电能表当前数据和历史数据，应用隶属度函数建立与隶属度函数解模糊技术设计状态量评价模型，结合熵权法测算对电能表运行质量进行客观评价。状态评价模型包含智能电能表状态量选取、状态量归一化、状态分量评价以及电能表整体状态评价。

（1）智能电能表状态量

状态评价模型选取电能表MDS检定数据与现场校验数据作为基础数据层原始数据，提取负荷电流、电能误差、标准偏差、测试环境等检定数据作为评价模型状态量。智能电能表状态量列表如表4所示。

表4 智能电能表状态量列表

（2）状态量归一化

在进行数据分析时，不同特征值的取值范围与表达方式各不相同，为便于统计，需要对不同的特征值进行归一化处理。采用Sigmoid函数将合成量化后电能表状态量数据映射到0～1之间［6］［7］。

（3）状态分量评价

采用隶属度函数对电能表各状态分量进行评价，对状态量数值归一化后，将状态量分为极差、差、一般、好、极好五个等级，用隶属度函数计算每个等级在状态量归一化区间中的分布。本文采用高斯函数建立各状态量的隶属度函数［8］。以状态量基本误差S1为例，设置极差、差、一般、好、极好状态对应的论域标准值为0、0.25、0.5、0.75、1。根据德菲尔专家经验法，建立基本误差S1对极差、差、一般、好、极好的隶属度函数［9］［10］，得出的基本误差隶属度函数如图6所示。

图6 基本误差S1的隶属度函数

将状态量的归一化数值代入隶属度函数模型，计算可得出隶属度向量矩阵［11］。将隶属度向量矩阵与评价标准值矩阵相乘，就可以得出每个状态量分值：

（4）整体状态评价

首先采用熵权法结合专家主观经验，确定各状态量对总体评价的影响程度的大小，从而确定每个状态量的指标权重大小。选取批量电能表评价量数据进行熵值计算，计算量值越分散则熵值越小，则该状态量在总体评价中的影响越大，相应的权重越高［12］。

将每个状态量评价分值与相应的权重相乘，可以得出被评价智能电能表的状态矩阵，各个状态量评分值总和即为该设备整体状态评价结果。根据以往现场校验检验，设定当评价结果［0，20］处于高风险状态，［20，70］处于低风险状态，［70，100］处于稳定状态，智能电能表状态评价结果如表5所示。

表5 智能电能表状态评价结果

采用上述评价方法对现场校验的787只电能表进行状态评估，评价结果显示1台不合格电能表处于高风险状态，应予以更换；32台电能表处于低风险状态，继续定期开展检定；其余电能表均处于稳定状态，运行质量完好，可适当延长检定周期。

4 结束语

随着智能电能表生产水平的提高，传统一刀切式拆回检定的电能表周期检定方式弊端愈发明显。为解决智能电能表到八年检定周期拆回检定问题，本文开展基于全生命周期检测数据的电能表质量监督评价研究。基于电能表首检数据采用大数据分析技术对电能表进行风险评级；根据风险筛查结果以现场校验方式开展周期校验；基于首检及现场校验数据，对电能表检定误差进行分析；建立状态评价模型评估电能表运行质量，为电能表周期延长提供参考依据。