CN110531303B - 在运智能电能表批次故障预警方法及其*** - Google Patents
在运智能电能表批次故障预警方法及其*** Download PDFInfo
- Publication number
- CN110531303B CN110531303B CN201910695045.8A CN201910695045A CN110531303B CN 110531303 B CN110531303 B CN 110531303B CN 201910695045 A CN201910695045 A CN 201910695045A CN 110531303 B CN110531303 B CN 110531303B
- Authority
- CN
- China
- Prior art keywords
- batch
- fault
- electric energy
- energy meter
- intelligent electric
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000007689 inspection Methods 0.000 claims abstract description 65
- 238000012795 verification Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000009826 distribution Methods 0.000 claims description 28
- 238000009434 installation Methods 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 19
- 238000011160 research Methods 0.000 claims description 17
- 238000001514 detection method Methods 0.000 claims description 13
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 3
- 239000002699 waste material Substances 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种在运智能电能表批次故障预警方法及其***，步骤1：将所有在运智能电能表批量按照批次划分规则分成运行批次；步骤2：对智能电能表检定检验数据、运行数据进行处理；步骤3：按照统计周期计算历史故障率、现场检验失准率，作为批次故障预警研判触发条件，若达到或超过设定阈值，则进入步骤4，若没有达到，则返回步骤2；步骤4：输出批次故障判定结果；步骤5：判断该运行批次是否满足批次故障判定条件，若满足条件，则进入步骤6；若不满足，则返回步骤2；步骤6：生成智能电能表运行批次故障处置方案。优点：降低了检定人员工作量；避免资源浪费，节约投资；在确保智能电能表计量准确可靠的前提下，保证资源节约和高效利用。
Description
技术领域
本发明涉及一种在运智能电能表批次故障预警方法及其***，属于智能量测技术领域。
背景技术
国家电网公司于2010年开始大规模集中招标智能电能表，包括2010年前安装的电表在内，目前已有4.57亿只电能表挂网运行。关于电能表的安装使用，国网公司采取的是相同到货批次在到货日期后半年内安装完毕，并在首次强制检定合格后挂网运行，在电能表使用过程的第1/3/5/7/8年进行运行抽检，8年使用期满后到期轮换。
随着我国计量和信息化技术的进步，电能表生产工艺和智能化水平有了很大提升。目前国家电网已实现智能电能表全覆盖和全寿命周期信息化实时管控，若仍执行固定检定周期制度，对大量计量性能依旧良好的智能电能表，开展拆回检定，需要投入巨大的检定和安装调试成本，将造成极大的资源浪费；同时，也与计量技术进步、智能电能表运行特征及新时代绿色节能的发展要求不适应。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种一种在运智能电能表批次故障预警方法及其***。
为解决上述技术问题，本发明提供一种在运智能电能表批次预警方法，其特征在于，包括以下步骤：
步骤1：将所有在运智能电能表批量按照批次划分规则分成运行批次；
步骤2：按照智能电能表运行批次对智能电能表检定检验数据、运行数据进行抽取、统计，计算运行批次设备数量、地理分布、检定时间、安装时间；
步骤3：按照统计周期计算历史故障率、现场检验失准率，作为批次故障预警研判触发条件，若达到或超过设定阈值，则进入步骤4，若没有达到，则返回步骤2；
步骤4：计算该运行批次各研判项，构建批次故障预警模型，计算该运行批次的浴盆曲线及拐点区间，输出批次故障判定结果；
步骤5：判断该运行批次是否满足批次故障判定条件，若满足条件，则进入步骤6；若不满足，则返回步骤2；
步骤6：根据批次故障判定结果，生成智能电能表运行批次故障处置方案。
进一步的，步骤1所述运行批次为：
一个招标批次下，相同供应商编号、规格、到货年份、安装年份、管理单位、台区编号、费率类型的电能表批量。
其中，供应商编号、规格、到货年份、安装年份、管理单位为必选规则；台区编号、费率类型为可选规则。
进一步的，步骤2所述检定检验数据包括设备数量、到货年份、检定时间、故障数量；所述运行数据包括安装时间、现场检验数量、检验超差数量。
进一步的，步骤3中：
历史故障率＝批次历史故障表数量/批次设备总数量×100％；
现场检验失准率＝现场检验不合格表数量/批次设备总数量×100％。
进一步的，步骤4中：
所述研判项包括该运行批次下所有设备明细的首检误差正态分布曲线、故障拆回数量、分拣检测不合格数量、分拣检测合格数量、现场检验合格数量、现场检验不合格数量、运行误差计算结果正态分布曲线、历史预警数量、品级评价结果分布；
所述批次故障预警模型的输入特征包括电能表运行时长、型号、制造单位、芯片厂家、卡表跳闸方式、电压、接线方式、过载倍数、计量异常事件、采集异常事件、第一次采集异常的电能表运行天数，输出特征包括每个计算周期批次预测故障率以及对应的批量预测故障设备明细。
进一步的，步骤5中所述批次故障判定条件包括故障隐患、判定结论、判定依据，其中故障隐患包括外观故障、计量故障、设备故障。
进一步的，步骤6所述智能电能表运行批次故障处置方案包括智能电能表故障批次设备清单、电能表批次故障更换计划；
其中，智能电能表故障批次设备清单包括运行批次号、条形码、设备码、通讯方式、芯片厂家、电能表规格、台区编号、台区名称、供电单位；
电能表批次故障更换计划包括计划年月、接线方式、计划数量、完成数量、制定人、制定日期、制定单位、设备规格。
一种在运智能电能表批次预警***，其特征在于，包括运行批次划分模块、智能电能表数据处理模块、第一判断模块、批次故障预警研判模块、第二判断模块以及批次故障预警处置模块；
所述运行批次划分模块用于将所有在运智能电能表批量按照批次划分规则分成运行批次；
所述智能电能表数据处理模块用于按照智能电能表运行批次对智能电能表检定检验数据、运行数据进行抽取、统计，计算运行批次设备数量、地理分布、检定时间、安装时间；
所述第一判断模块用于按照统计周期计算历史故障率、现场检验失准率，作为批次故障预警研判触发条件，若达到或超过设定阈值，则进入批次故障预警研判模块，若没有达到，则返回智能电能表数据处理模块；
所述批次故障预警研判模块用于计算该运行批次各研判项，构建批次故障预警模型，计算该运行批次的浴盆曲线及拐点区间，输出批次故障判定结果；
所述第二判断模块用于判断该运行批次是否满足批次故障判定条件，若满足条件，则进入批次故障预警处置模块；若不满足，则返回智能电能表数据处理模块；
所述批次故障预警处置模块用于根据批次故障判定结果，生成智能电能表运行批次故障处置方案。
进一步的，所述运行批次划分模块划分的运行批次为一个招标批次下，相同供应商编号、规格、到货年份、安装年份、管理单位、台区编号、费率类型的电能表批量；
所述智能电能表数据处理模块处理的检定检验数据包括设备数量、到货年份、检定时间、故障数量；运行数据包括安装时间、现场检验数量、检验超差数量；
所述第一判断模块中的历史故障率＝批次历史故障表数量/批次设备总数量×100％；现场检验失准率＝现场检验不合格表数量/批次设备总数量×100％。
进一步的，所述批次故障预警研判模块中的研判项包括该运行批次下所有设备明细的首检误差正态分布曲线、故障拆回数量、分拣检测不合格数量、分拣检测合格数量、现场检验合格数量、现场检验不合格数量、运行误差计算结果正态分布曲线、历史预警数量、品级评价结果分布；批次故障预警模型输入特征包括电能表运行时长、型号、制造单位、芯片厂家、卡表跳闸方式、电压、接线方式、过载倍数、计量异常事件、采集异常事件、第一次采集异常的电能表运行天数；批次故障预警模型输出特征包括每个计算周期批次预测故障率以及对应的批量预测故障设备明细，其中每个计算周期默认为月；
所述第二判断模块中的批次故障判定条件，包括故障隐患、判定结论、判定依据，其中故障隐患包括外观故障、计量故障、设备故障；
所述批次故障预警处置模块中的智能电能表运行批次故障处置方案包括智能电能表故障批次设备清单、电能表批次故障更换计划；其中，智能电能表故障批次设备清单包括运行批次号、条形码、设备码、通讯方式、芯片厂家、电能表规格、台区编号、台区名称、供电单位；电能表批次故障更换计划包括计划年月、接线方式、计划数量、完成数量、制定人、制定日期、制定单位、设备规格。
本发明所达到的有益效果：
1)通过在线故障预警代替传统抽样检定方式，降低了检定人员工作量；
2)本发明通过批次故障预警***得到批次故障预警结论，与原本的强制轮换方式相比，避免了资源浪费，节约了投资；
3)本发明的方法实现了智能电能表在线监测、精准研判、状态更换，在确保智能电能表计量准确可靠的前提下，保证社会资源节约和高效利用。
附图说明
图1是在运智能电能表批次故障预警流程；
图2是批次故障预警功能物理架构示意图；
图3是智能电能表误差正态分布曲线；
图4是批次故障预警模型原理示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
一种在运智能电能表批次故障预警方法，如图1所示，包括以下步骤：
步骤1：将所有在运智能电能表批量按照批次划分规则分成运行批次；
其中，运行批次是指一个招标批次下，相同供应商编号、规格、到货年份、安装年份、管理单位、台区编号、费率类型的电能表批量，即为智能电能表运行批次。
供应商编号、规格、到货年份、安装年份、管理单位为必选规则；台区编号、费率类型为可选规则。
步骤2：按照智能电能表运行批次对智能电能表检定检验数据、运行数据进行抽取、统计，计算运行批次设备数量、地理分布、检定时间、安装时间等。
其中检定检验数据包括设备数量、到货年份、检定时间、故障数量；所述运行数据包括安装时间、现场检验数量、检验超差数量。
步骤3：按照统计周期计算历史故障率、现场检验失准率，作为批次故障预警研判触发条件，若达到或超过设定阈值，则进入步骤4批次故障预警研判环节；若没有达到，则返回步骤2，继续进行抽取、计算；
其中，历史故障率＝批次历史故障表数量/批次设备总数量×100％；历史故障率阈值默认为8％，可修改。
现场检验失准率＝现场检验不合格表数量/批次设备总数量×100％；现场检验失准率阈值默认为5％，可修改。
步骤4：计算该运行批次各研判项，构建批次故障预警模型，计算该运行批次的浴盆曲线及拐点区间，输出批次故障判定结果；
其中，运行批次研判项包括该运行批次下所有设备明细的首检误差正态分布曲线、故障拆回数量、分拣检测不合格数量、分拣检测合格数量、现场检验合格数量、现场检验不合格数量、运行误差计算结果正态分布曲线、历史预警数量、品级评价结果分布。
输入特征包括电能表运行时长、型号、制造单位、芯片厂家、卡表跳闸方式、电压、接线方式、过载倍数、计量异常事件、采集异常事件、第一次采集异常的电能表运行天数。
输出特征包括每个计算周期批次预测故障率以及对应的批量预测故障设备明细，其中每个计算周期默认为月。
步骤5：判断该运行批次是否满足批次故障判定条件，若满足条件，则进入步骤6批次故障预警处置环节；若不满足，则返回步骤2。
其中，批次故障判定条件，包括故障隐患、判定结论、判定依据。故障隐患包括外观故障、计量故障、设备故障。
步骤6：根据批次故障判定结果，生成智能电能表运行批次故障处置方案。
其中，智能电能表运行批次故障处置方案，包括智能电能表故障批次设备清单、电能表批次故障更换计划。
智能电能表故障批次设备清单包括运行批次号、条形码、设备码、通讯方式、芯片厂家、电能表规格、台区编号、台区名称、供电单位。
电能表批次故障更换计划包括计划年月、接线方式、计划数量、完成数量、制定人、制定日期、制定单位、设备规格。
一种在运智能电能表批次预警***，包括运行批次划分模块、智能电能表数据处理模块、第一判断模块、批次故障预警研判模块、第二判断模块以及批次故障预警处置模块；
所述运行批次划分模块用于将所有在运智能电能表批量按照批次划分规则分成运行批次；
所述智能电能表数据处理模块用于按照智能电能表运行批次对智能电能表检定检验数据、运行数据进行抽取、统计，计算运行批次设备数量、地理分布、检定时间、安装时间；
所述第一判断模块用于按照统计周期计算历史故障率、现场检验失准率，作为批次故障预警研判触发条件，若达到或超过设定阈值，则进入批次故障预警研判模块，若没有达到，则返回智能电能表数据处理模块；
所述批次故障预警研判模块用于计算该运行批次各研判项，构建批次故障预警模型，计算该运行批次的浴盆曲线及拐点区间，输出批次故障判定结果；
所述第二判断模块用于判断该运行批次是否满足批次故障判定条件，若满足条件，则进入批次故障预警处置模块；若不满足，则返回智能电能表数据处理模块；
所述批次故障预警处置模块用于根据批次故障判定结果，生成智能电能表运行批次故障处置方案。
所述运行批次划分模块划分的运行批次为一个招标批次下，相同供应商编号、规格、到货年份、安装年份、管理单位、台区编号、费率类型的电能表批量；
所述智能电能表数据处理模块处理的检定检验数据包括设备数量、到货年份、检定时间、故障数量；运行数据包括安装时间、现场检验数量、检验超差数量；
所述第一判断模块中的历史故障率＝批次历史故障表数量/批次设备总数量×100％；现场检验失准率＝现场检验不合格表数量/批次设备总数量×100％。
所述批次故障预警研判模块中的研判项包括该运行批次下所有设备明细的首检误差正态分布曲线、故障拆回数量、分拣检测不合格数量、分拣检测合格数量、现场检验合格数量、现场检验不合格数量、运行误差计算结果正态分布曲线、历史预警数量、品级评价结果分布；批次故障预警模型输入特征包括电能表运行时长、型号、制造单位、芯片厂家、卡表跳闸方式、电压、接线方式、过载倍数、计量异常事件、采集异常事件、第一次采集异常的电能表运行天数；批次故障预警模型输出特征包括每个计算周期批次预测故障率以及对应的批量预测故障设备明细，其中每个计算周期默认为月；
所述第二判断模块中的批次故障判定条件，包括故障隐患、判定结论、判定依据，其中故障隐患包括外观故障、计量故障、设备故障；
所述批次故障预警处置模块中的智能电能表运行批次故障处置方案包括智能电能表故障批次设备清单、电能表批次故障更换计划；其中，智能电能表故障批次设备清单包括运行批次号、条形码、设备码、通讯方式、芯片厂家、电能表规格、台区编号、台区名称、供电单位；电能表批次故障更换计划包括计划年月、接线方式、计划数量、完成数量、制定人、制定日期、制定单位、设备规格。
为了验证本发明方法的可用性与稳定性，以及可应用于在运智能电能表批量更换工作之中，本实施例以下面数据为例说明。本发明所提出的在运智能电能表批次故障预警***部署于某省级计量中心，如图2所示。本发明选取某省份在运电能表进行分析，首先将在运智能电能表按照批次划分规则划分为若干个批次，如表1所示：
表1
然后以运行批次为维度对在运智能电能表进行计算分析，得到首检误差正态分布曲线，如图3所示。按照批次故障预警模型输入特征值抽取电能表数据，包括电能表运行时长、型号、制造单位、芯片厂家、卡表跳闸方式、电压、接线方式、过载倍数、计量异常事件、采集异常事件、第一次采集异常的电能表运行天数。然后使用PCA(主成分分析法)对特征数据进行降维处理：
对每个特征，使用当前特征的值减去该维特征的平均值。对第i个样例的第j个特征，计算公式为：
其中第i个特征的均值为：
协方差矩阵为：
其中协方差计算公式为：
cov(x1，x2)＝E[(x1-E(x1))(x2-E(x2))]＝E(x1x2)-E(x1)E(x2)，用来衡量第1个样例x1与第2个样例x2的总体误差，E表示期望值；
计算协方差矩阵的特征向量及对应的特征值:
∑u＝λu，λ为特征值，u为特征向量。
最后图4所示批次故障预警模型中训练，得到预测结果，作为批次故障研判的参考，如表2所示。
本发明建立了一种在智能电能表批次故障预警流程，并设计了智能电能表从批次故障预警方案。通过抽取智能电能表在线监测数据、拆回分拣检测数据，采用机器学习算法分析评估在运智能电能表批次状态。实施例将模型预测结果与首检误差正态分布曲线、故障拆回数量、分拣检测不合格数量、分拣检测合格数量、现场检验合格数量、现场检验不合格数量、运行误差计算结果正态分布曲线、历史预警数量等历史发生数据结合做综合判断，在模型预测准确可用的基础上进一步提高了批次故障预警的可靠性。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (8)
1.一种在运智能电能表批次预警方法，其特征在于，包括以下步骤：
步骤1：将所有在运智能电能表批量按照批次划分规则分成运行批次；
步骤2：按照智能电能表运行批次对智能电能表检定检验数据、运行数据进行抽取、统计，计算运行批次设备数量、地理分布、检定时间、安装时间；
步骤3：按照统计周期计算历史故障率、现场检验失准率，作为批次故障预警研判触发条件，若达到或超过设定阈值，则进入步骤4，若没有达到，则返回步骤2；
步骤4：计算该运行批次各研判项，构建批次故障预警模型，计算该运行批次的浴盆曲线及拐点区间，输出批次故障判定结果；
所述研判项包括该运行批次下所有设备明细的首检误差正态分布曲线、故障拆回数量、分拣检测不合格数量、分拣检测合格数量、现场检验合格数量、现场检验不合格数量、运行误差计算结果正态分布曲线、历史预警数量、品级评价结果分布；
所述批次故障预警模型的输入特征包括电能表运行时长、型号、制造单位、芯片厂家、卡表跳闸方式、电压、接线方式、过载倍数、计量异常事件、采集异常事件、第一次采集异常的电能表运行天数，输出特征包括每个计算周期批次预测故障率以及对应的批次预测故障设备明细；
步骤5：判断该运行批次是否满足批次故障判定条件，若满足条件，则进入步骤6；若不满足，则返回步骤2；
步骤6：根据批次故障判定结果，生成智能电能表运行批次故障处置方案。
2.根据权利要求1所述的在运智能电能表批次预警方法，其特征在于，步骤1所述运行批次为：
一个招标批次下，相同供应商编号、规格、到货年份、安装年份、管理单位、台区编号、费率类型的电能表批量；
其中，供应商编号、规格、到货年份、安装年份、管理单位为必选规则；台区编号、费率类型为可选规则。
3.根据权利要求1所述的在运智能电能表批次预警方法，其特征在于，步骤2所述检定检验数据包括设备数量、到货年份、检定时间、故障数量；所述运行数据包括安装时间、现场检验数量、检验超差数量。
4.根据权利要求1所述的在运智能电能表批次预警方法，其特征在于，步骤3中：
历史故障率=批次历史故障表数量/批次设备总数量 × 100%；
现场检验失准率 =现场检验不合格表数量/批次设备总数量 × 100%。
5.根据权利要求1所述的在运智能电能表批次预警方法，其特征在于，步骤5中所述批次故障判定条件包括故障隐患、判定结论、判定依据，其中故障隐患包括外观故障、计量故障、设备故障。
6.根据权利要求1所述的在运智能电能表批次预警方法，其特征在于，步骤6所述智能电能表运行批次故障处置方案包括智能电能表故障批次设备清单、电能表批次故障更换计划；
其中，智能电能表故障批次设备清单包括运行批次号、条形码、设备码、通讯方式、芯片厂家、电能表规格、台区编号、台区名称、供电单位；
电能表批次故障更换计划包括计划年月、接线方式、计划数量、完成数量、制定人、制定日期、制定单位、设备规格。
7.一种在运智能电能表批次预警***，其特征在于，包括运行批次划分模块、智能电能表数据处理模块、第一判断模块、批次故障预警研判模块、第二判断模块以及批次故障预警处置模块；
所述运行批次划分模块用于将所有在运智能电能表批量按照批次划分规则分成运行批次；
所述智能电能表数据处理模块用于按照智能电能表运行批次对智能电能表检定检验数据、运行数据进行抽取、统计，计算运行批次设备数量、地理分布、检定时间、安装时间；
所述第一判断模块用于按照统计周期计算历史故障率、现场检验失准率，作为批次故障预警研判触发条件，若达到或超过设定阈值，则进入批次故障预警研判模块，若没有达到，则返回智能电能表数据处理模块；
所述批次故障预警研判模块用于计算该运行批次各研判项，构建批次故障预警模型，计算该运行批次的浴盆曲线及拐点区间，输出批次故障判定结果；
所述第二判断模块用于判断该运行批次是否满足批次故障判定条件，若满足条件，则进入批次故障预警处置模块；若不满足，则返回智能电能表数据处理模块；
所述批次故障预警处置模块用于根据批次故障判定结果，生成智能电能表运行批次故障处置方案；
所述批次故障预警研判模块中的研判项包括该运行批次下所有设备明细的首检误差正态分布曲线、故障拆回数量、分拣检测不合格数量、分拣检测合格数量、现场检验合格数量、现场检验不合格数量、运行误差计算结果正态分布曲线、历史预警数量、品级评价结果分布；批次故障预警模型输入特征包括电能表运行时长、型号、制造单位、芯片厂家、卡表跳闸方式、电压、接线方式、过载倍数、计量异常事件、采集异常事件、第一次采集异常的电能表运行天数；批次故障预警模型输出特征包括每个计算周期批次预测故障率以及对应的批次预测故障设备明细，其中每个计算周期默认为月；
所述第二判断模块中的批次故障判定条件，包括故障隐患、判定结论、判定依据，其中故障隐患包括外观故障、计量故障、设备故障；
所述批次故障预警处置模块中的智能电能表运行批次故障处置方案包括智能电能表故障批次设备清单、电能表批次故障更换计划；其中，智能电能表故障批次设备清单包括运行批次号、条形码、设备码、通讯方式、芯片厂家、电能表规格、台区编号、台区名称、供电单位；电能表批次故障更换计划包括计划年月、接线方式、计划数量、完成数量、制定人、制定日期、制定单位、设备规格。
8.根据权利要求7所述的在运智能电能表批次预警***，其特征在于，所述运行批次划分模块划分的运行批次为一个招标批次下，相同供应商编号、规格、到货年份、安装年份、管理单位、台区编号、费率类型的电能表批量；
所述智能电能表数据处理模块处理的检定检验数据包括设备数量、到货年份、检定时间、故障数量；运行数据包括安装时间、现场检验数量、检验超差数量；
所述第一判断模块中的历史故障率=批次历史故障表数量/批次设备总数量 × 100%；现场检验失准率 =现场检验不合格表数量/批次设备总数量 × 100%。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910695045.8A CN110531303B (zh) | 2019-07-30 | 2019-07-30 | 在运智能电能表批次故障预警方法及其*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910695045.8A CN110531303B (zh) | 2019-07-30 | 2019-07-30 | 在运智能电能表批次故障预警方法及其*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110531303A CN110531303A (zh) | 2019-12-03 |
| CN110531303B true CN110531303B (zh) | 2021-08-13 |
Family
ID=68662076
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910695045.8A Active CN110531303B (zh) | 2019-07-30 | 2019-07-30 | 在运智能电能表批次故障预警方法及其*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110531303B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113176530B (zh) * | 2020-08-25 | 2023-05-05 | 北京合众伟奇科技股份有限公司 | 一种基于拆回表运行特征的在运电能表批次故障诊断方法 |
| CN111998972B (zh) * | 2020-09-17 | 2021-07-16 | 南方电网科学研究院有限责任公司 | 端子座温度剧变报警功能检测方法、装置、终端及介质 |
| CN112330195A (zh) * | 2020-11-23 | 2021-02-05 | 国网北京市电力公司 | 适用于电力数据质量评估与规则校验的方法与装置 |
| CN113118055B (zh) * | 2021-03-31 | 2022-10-04 | 深圳市磐锋精密技术有限公司 | 一种基于大数据的产品检测分拣*** |
| CN113030711B (zh) * | 2021-05-26 | 2021-09-10 | 成都市克莱微波科技有限公司 | 一种功率放大器芯片、芯片测试***及方法 |
| CN113419129A (zh) * | 2021-07-19 | 2021-09-21 | 国网黑龙江省电力有限公司供电服务中心 | 基于b/s架构的智能电能表可靠性评价*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104898084A (zh) * | 2015-06-19 | 2015-09-09 | 国网重庆市电力公司电力科学研究院 | 一种电能计量装置运行状态的监测方法 |
| CN105022019A (zh) * | 2015-06-23 | 2015-11-04 | 国家电网公司 | 单相智能电能表可靠性综合评价的方法 |
| CN205643673U (zh) * | 2015-12-08 | 2016-10-12 | 广州供电局有限公司 | 基于计量器具质量跟踪评价***的计量装置报废告警装置 |
| CN106842101A (zh) * | 2015-12-03 | 2017-06-13 | 中国电力科学研究院 | 一种电能表运行状态的评价方法 |
| CN108830437A (zh) * | 2018-04-09 | 2018-11-16 | 国电南瑞科技股份有限公司 | 一种用于智能电能表运行的评估方法 |
| CN109190957A (zh) * | 2018-08-23 | 2019-01-11 | 国网天津市电力公司电力科学研究院 | 一种基于在线综合评价的智能电能表运维更换方法及装置 |
| CN109298374A (zh) * | 2018-10-29 | 2019-02-01 | 中国电力科学研究院有限公司 | 一种电能表状态在线评价方法及*** |
-
2019
- 2019-07-30 CN CN201910695045.8A patent/CN110531303B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104898084A (zh) * | 2015-06-19 | 2015-09-09 | 国网重庆市电力公司电力科学研究院 | 一种电能计量装置运行状态的监测方法 |
| CN105022019A (zh) * | 2015-06-23 | 2015-11-04 | 国家电网公司 | 单相智能电能表可靠性综合评价的方法 |
| CN106842101A (zh) * | 2015-12-03 | 2017-06-13 | 中国电力科学研究院 | 一种电能表运行状态的评价方法 |
| CN205643673U (zh) * | 2015-12-08 | 2016-10-12 | 广州供电局有限公司 | 基于计量器具质量跟踪评价***的计量装置报废告警装置 |
| CN108830437A (zh) * | 2018-04-09 | 2018-11-16 | 国电南瑞科技股份有限公司 | 一种用于智能电能表运行的评估方法 |
| CN109190957A (zh) * | 2018-08-23 | 2019-01-11 | 国网天津市电力公司电力科学研究院 | 一种基于在线综合评价的智能电能表运维更换方法及装置 |
| CN109298374A (zh) * | 2018-10-29 | 2019-02-01 | 中国电力科学研究院有限公司 | 一种电能表状态在线评价方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110531303A (zh) | 2019-12-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110531303B (zh) | 在运智能电能表批次故障预警方法及其*** | |
| CN102222276B (zh) | 电网二次设备状态检修方法及装置 | |
| CN113032454A (zh) | 基于云计算的交互式用户用电异常监测预警管理云平台 | |
| CN105022019A (zh) | 单相智能电能表可靠性综合评价的方法 | |
| CN110927654B (zh) | 一种智能电能表批次运行状态评价方法 | |
| CN111126759B (zh) | 一种基于异常事件故障关联度的电能表状态评估方法 | |
| CN109583520A (zh) | 一种云模型与遗传算法优化支持向量机的状态评估方法 | |
| CN110991826A (zh) | 一种评价低压电能表运行状态的方法 | |
| CN104820884A (zh) | 一种结合电力***特征的电网调度实时数据稽查方法 | |
| CN102931625A (zh) | 一种继电保护在线状态检修智能决策分析装置和其信号处理方法及其应用 | |
| CN110264107A (zh) | 一种基于大数据技术的台区线损率异常诊断方法 | |
| CN109063863B (zh) | 考虑区域设备全寿命周期费用-效能比的配网检修计划优化方法 | |
| CN109444799A (zh) | 一种基于闭环管理的电能表质量评价方法及*** | |
| CN109946640A (zh) | 基于计量自动化***数据的专变终端失压失流判断方法 | |
| Jincheng et al. | Fault prediction of intelligent electricity meter based on multi-classification machine learning model | |
| Sun et al. | State detection of electric energy metering device using computer neural network | |
| Peng et al. | Design of Energy Information Collection and Analysis Terminal with Digital Edge Computing Capabilities | |
| CN106447521A (zh) | 微型断路器资产寿命预测方法 | |
| CN105426999A (zh) | 输变电设备状态变化预测方法和*** | |
| CN112256693A (zh) | 一种预测线路故障停电和用户投诉的方法 | |
| CN110879770A (zh) | 终端性能评估及现场故障自检测方法与*** | |
| CN110991825A (zh) | 基于大数据的线损判定方法 | |
| CN105701716A (zh) | 基于用户用电数据的能效分析方法 | |
| CN109377002A (zh) | 一种基于闭环管理的终端质量评价方法及*** | |
| CN114089257B (zh) | 一种电能表烧表在线监测方法、***及介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |