方案概述

国网各网省公司现场在运电能表中，99%都III、IV、V计量装置，存在数据众多、分布较散和运行环境比较恶劣等情况，无法对电能表运行状况进行准确评价，不能及时发现和定位存在问题批次的电能表，提前进行更新和处理，减少用户投诉和提升供电服务水平。

电能表状态评价与健康度评价项目是针对智能电能表及终端设备的现场运行环境复杂，在实际运行中有些电能计量设备会出现本体异常、计量结果不准确等问题，从三方面分析影响电能表运行状态和健康的原因：一是可能是不同用电客户使用的设备负载类型和负荷特征不同，影响电能表正常计量；二是可能是电源频繁中断所造成的元器件损坏；三是是电能表现场运行环境十分恶劣及电能表自身零部件工作不稳定等。

针对上述情况，北明软件运用数据挖掘、机器学习等人工智能，构建电能表状态分析与健康评价软件，辅助网省公司对电能表运行状态进行远程管理，提前发现问题，解决问题。

业务价值

北明软件和南瑞公司通过应用统计分析和数据挖掘工具，在充分分析用电信息采集系统、计量在线监测与智能诊断软件、营销业务系统、计量生产调度平台的各类信息后，从故障率、报废率和折旧率三种维度出发，以厂商+批次为核心进行健康度分析，通过建模针对预处理后的数据进行分析、训练和测试。

在梳理清楚电能表健康度评价与整体运行状态分析研究工作思路后，充分利用计量在线监测与智能诊断的应用成果，通过引入数据挖掘和机器学习技术，从三个方面对电能表健康度和整体运行状态分析进行建模：第一，电能表故障率分析建模：采用专家打分法，选择分析准确且由电能表本身质量引起异常事件，如电能表停走、倒走、飞走、时钟超差和电能表电池欠压等事件建立故障率评价模型；第二，非健康度分析建模：基于电能表故障率、报废费和折旧率建立非健康度评价模型，通过对电能表非健康度进行分析，划定健康、亚健康和非健康区，定位故障批次电能表；第三，整体运行状态变化趋势预测建模：引用机器学习技术，应用分类和回归算法，实现对电能表健康度变化状态进行分析。实现对每个批次电能表的非健康度权值变化趋势预测。

为验证模型的准确性，针对全省采购数量超过1000只智能电能表的所有批次进行分析（分析时间：每月/每季、分析批次数量：28868），根据电能表批次的健康度所处的位置（健康区、亚健康区和非健康区），判断这批电能表是属于计划轮换或现场检验（现在针对III类，后续根据状态检修的分析结果，建议扩充到IV、V类，进行定点现场检验），还是属于重点观察。在电能表整体运行状态分析的结果上，引用回归算法对健康度处于亚健康区和健康区的电能表运行状态的变化趋势进行预测，预测方式支持按1个月和3个月进行预测，根据预测的非健康权值为制定轮换计划和备品备件计划提供数据依据和技术支撑，提升辅助决策水平，真正实现由“事后检修”和“计划检修”向“状态检修”转变。

电能表状态评价与健康度评价项目数据分析流程如下：

成功案例 

 在国网某网省成功实施并上行运行，取得较好的经济效益和社会效益。