方案概述

國網各網省公司現場在運電能表中，99%都III、IV、V計量裝置，存在數據眾多、分布較散和運行環境比較惡劣等情況，無法對電能表運行狀況進行準確評價，不能及時發現和定位存在問題批次的電能表，提前進行更新和處理，減少用戶投訴和提升供電服務水平。

電能表狀態評價與健康度評價項目是針對智能電能表及終端設備的現場運行環境復雜，在實際運行中有些電能計量設備會出現本體異常、計量結果不準確等問題，從三方面分析影響電能表運行狀態和健康的原因：一是可能是不同用電客戶使用的設備負載類型和負荷特征不同，影響電能表正常計量；二是可能是電源頻繁中斷所造成的元器件損壞；三是是電能表現場運行環境十分惡劣及電能表自身零部件工作不穩定等。

針對上述情況，北明軟件運用數據挖掘、機器學習等人工智能，構建電能表狀態分析與健康評價軟件，輔助網省公司對電能表運行狀態進行遠程管理，提前發現問題，解決問題。

業務價值

北明軟件和南瑞公司通過應用統計分析和數據挖掘工具，在充分分析用電信息采集系統、計量在線監測與智能診斷軟件、營銷業務系統、計量生產調度平臺的各類信息后，從故障率、報廢率和折舊率三種維度出發，以廠商+批次為核心進行健康度分析，通過建模針對預處理后的數據進行分析、訓練和測試。

在梳理清楚電能表健康度評價與整體運行狀態分析研究工作思路后，充分利用計量在線監測與智能診斷的應用成果，通過引入數據挖掘和機器學習技術，從三個方面對電能表健康度和整體運行狀態分析進行建模：第一，電能表故障率分析建模：采用專家打分法，選擇分析準確且由電能表本身質量引起異常事件，如電能表停走、倒走、飛走、時鐘超差和電能表電池欠壓等事件建立故障率評價模型；第二，非健康度分析建模：基于電能表故障率、報廢費和折舊率建立非健康度評價模型，通過對電能表非健康度進行分析，劃定健康、亞健康和非健康區，定位故障批次電能表；第三，整體運行狀態變化趨勢預測建模：引用機器學習技術，應用分類和回歸算法，實現對電能表健康度變化狀態進行分析。實現對每個批次電能表的非健康度權值變化趨勢預測。

為驗證模型的準確性，針對全省采購數量超過1000只智能電能表的所有批次進行分析（分析時間：每月/每季、分析批次數量：28868），根據電能表批次的健康度所處的位置（健康區、亞健康區和非健康區），判斷這批電能表是屬于計劃輪換或現場檢驗（現在針對III類，后續根據狀態檢修的分析結果，建議擴充到IV、V類，進行定點現場檢驗），還是屬于重點觀察。在電能表整體運行狀態分析的結果上，引用回歸算法對健康度處于亞健康區和健康區的電能表運行狀態的變化趨勢進行預測，預測方式支持按1個月和3個月進行預測，根據預測的非健康權值為制定輪換計劃和備品備件計劃提供數據依據和技術支撐，提升輔助決策水平，真正實現由“事后檢修”和“計劃檢修”向“狀態檢修”轉變。

電能表狀態評價與健康度評價項目數據分析流程如下：

成功案例 

 在國網某網省成功實施并上行運行，取得較好的經濟效益和社會效益。