利用大數(shù)據(jù)實(shí)現(xiàn)電能計(jì)量裝置運(yùn)行狀態(tài)質(zhì)量評(píng)估

妙紅英，李 蒙，王艷芹，王 松，洪 虹，康 強(qiáng)

(冀北承德供電公司，河北 承德 067000)

為貫徹落實(shí)國(guó)網(wǎng)公司泛在電力物聯(lián)網(wǎng)建設(shè)工作部署，切實(shí)推進(jìn)公司泛在電力物聯(lián)網(wǎng)建設(shè)進(jìn)度，加快推進(jìn)“三型兩網(wǎng)、世界一流”戰(zhàn)略落地實(shí)施。同時(shí)強(qiáng)調(diào)大數(shù)據(jù)的挖掘與應(yīng)用，以點(diǎn)促面，精益求精，全力推進(jìn)泛在電力物聯(lián)網(wǎng)建設(shè)，在此基礎(chǔ)上，本文探索開展利用大數(shù)據(jù)分析工具實(shí)現(xiàn)計(jì)量裝置運(yùn)行狀態(tài)下的質(zhì)量評(píng)估工作。

1 研究背景

冀北某市公司2017年6月至12月期間共更換電能計(jì)量裝置16 721只，經(jīng)過人工分揀拆回設(shè)備發(fā)現(xiàn)其中12 347只電能計(jì)量裝置都可以繼續(xù)現(xiàn)場(chǎng)運(yùn)行，只有4 374只電能計(jì)量裝置是切實(shí)故障，占總比重的26.2%(電能計(jì)量裝置體檢準(zhǔn)確率)；計(jì)量運(yùn)維工單37 000余條，經(jīng)現(xiàn)場(chǎng)核查準(zhǔn)確率不足50%。其中主要原因：一是由于系統(tǒng)銜接性差且主題單一所以容易誤判導(dǎo)致；二是由于基層工作人員業(yè)務(wù)水平欠缺，無(wú)法準(zhǔn)確判斷異常。從而導(dǎo)致現(xiàn)場(chǎng)運(yùn)維人員工作量巨增，造成計(jì)量裝置(含采集設(shè)備)大量重復(fù)投資和經(jīng)濟(jì)浪費(fèi)。

為貫徹落實(shí)國(guó)網(wǎng)公司泛在電力物聯(lián)網(wǎng)建設(shè)工作部署，切實(shí)推進(jìn)公司泛在電力物聯(lián)網(wǎng)建設(shè)進(jìn)度，加快推進(jìn)“三型兩網(wǎng)、世界一流”戰(zhàn)略落地實(shí)施。同時(shí)強(qiáng)調(diào)大數(shù)據(jù)的挖掘與應(yīng)用，以點(diǎn)促面，精益求精，全力推進(jìn)泛在電力物聯(lián)網(wǎng)建設(shè)，在此基礎(chǔ)上，承德公司營(yíng)銷部計(jì)量中心探索開展計(jì)量裝置運(yùn)行狀態(tài)下的質(zhì)量評(píng)估工作，運(yùn)用大數(shù)據(jù)分析技術(shù)，將影響設(shè)備運(yùn)行質(zhì)量的數(shù)據(jù)從時(shí)間、空間、數(shù)量、標(biāo)準(zhǔn)等多維度多系統(tǒng)進(jìn)行診斷分析，消除系統(tǒng)數(shù)據(jù)專業(yè)壁壘，對(duì)運(yùn)行設(shè)備質(zhì)量形成四級(jí)健康評(píng)價(jià)，實(shí)現(xiàn)計(jì)量裝置故障快速精準(zhǔn)定位、發(fā)現(xiàn)隱性缺陷，提供問題解決方案。轉(zhuǎn)變運(yùn)維方式，由以前的“事后救治”升級(jí)到“主動(dòng)防控”，解決當(dāng)前系統(tǒng)工單漏報(bào)、誤報(bào)、數(shù)量大、單一、準(zhǔn)確度低等問題，提升計(jì)量裝置運(yùn)行質(zhì)量的可靠性、穩(wěn)定性，輔助決策計(jì)量裝置的采購(gòu)與調(diào)配。實(shí)現(xiàn)精準(zhǔn)高效運(yùn)維、精益化管理的目的。

藉此，確定了“計(jì)量裝置運(yùn)行狀態(tài)質(zhì)量評(píng)估”的研究方向，寄望通過大數(shù)據(jù)模型提取不同系統(tǒng)中數(shù)據(jù)特征，結(jié)合現(xiàn)場(chǎng)運(yùn)維經(jīng)驗(yàn)從多維度進(jìn)行大數(shù)據(jù)分析，實(shí)現(xiàn)智能評(píng)估，為每臺(tái)設(shè)備建立“健康檔案”，對(duì)運(yùn)行計(jì)量裝置逐臺(tái)評(píng)價(jià)，形成“健康度指標(biāo)得分”分別對(duì)應(yīng)“重病”、“疾病”、“亞健康”、“健康”四個(gè)等級(jí)。利用大數(shù)據(jù)模型進(jìn)行系統(tǒng)智能自愈、故障隱患預(yù)判、計(jì)量資源合理調(diào)配，并利用運(yùn)維現(xiàn)場(chǎng)智能管理平臺(tái)實(shí)現(xiàn)運(yùn)行計(jì)量裝置故障精準(zhǔn)定位和處理，最終達(dá)到精準(zhǔn)高效運(yùn)維和計(jì)量裝置的精益化管理的目的，積極響應(yīng)三型兩網(wǎng)發(fā)展戰(zhàn)略，樹立泛在電力物聯(lián)網(wǎng)一盤棋的大局意識(shí)。

1.1 業(yè)務(wù)痛點(diǎn)

(1)用電信息采集系統(tǒng)計(jì)量異常事件經(jīng)常出現(xiàn)誤報(bào)的情況，導(dǎo)致工單處理量虛高，變相增加了基層運(yùn)維人員的工作量。

(2)現(xiàn)有條件不具備綜合智能分析計(jì)量裝置運(yùn)行狀況質(zhì)量的功能，系統(tǒng)自適應(yīng)能力差，不能有效地聚合、關(guān)聯(lián)、分析數(shù)據(jù)特征，判斷計(jì)量裝置異常產(chǎn)生的原因。

(3)計(jì)量裝置故障分析基本依賴工作經(jīng)驗(yàn)，智能化水平低，對(duì)計(jì)量裝置運(yùn)行狀態(tài)質(zhì)量不能精準(zhǔn)評(píng)估，導(dǎo)致故障處置不及時(shí)。

(4)營(yíng)銷專業(yè)各系統(tǒng)相對(duì)獨(dú)立，數(shù)據(jù)資源未實(shí)現(xiàn)實(shí)時(shí)共享，以現(xiàn)有分析手段不能實(shí)現(xiàn)數(shù)據(jù)價(jià)值最大化應(yīng)用。

(5)對(duì)運(yùn)行計(jì)量裝置故障及缺陷的感知能力不足，缺乏實(shí)現(xiàn)故障前主動(dòng)防御的預(yù)測(cè)方法。

2 研究具體內(nèi)容

2.1 總體方案設(shè)計(jì)及分解

本創(chuàng)新成果主要是基于大數(shù)據(jù)建?；A(chǔ)上來實(shí)現(xiàn)計(jì)量裝置運(yùn)行狀態(tài)質(zhì)量評(píng)估的，大數(shù)據(jù)模型是本成果的靈魂所在，其遵循問題導(dǎo)向和目標(biāo)導(dǎo)向的設(shè)計(jì)方法。一是解決痛點(diǎn)問題，突出“精準(zhǔn)”，建立專家經(jīng)驗(yàn)庫(kù)，把單一的異常問題進(jìn)行人工聚合、關(guān)聯(lián)、推導(dǎo)，鎖定故障源頭和運(yùn)維方案，提高計(jì)量裝置停走、倒轉(zhuǎn)等異常工單派發(fā)質(zhì)量，實(shí)現(xiàn)“彈無(wú)虛發(fā)”。二是解決盲點(diǎn)問題，突出“高效”，實(shí)行多系統(tǒng)數(shù)據(jù)聯(lián)動(dòng)分析機(jī)制，把一名臺(tái)區(qū)經(jīng)理可以在一次出勤現(xiàn)場(chǎng)辦理的異常工單合并，豐富檔案核查、停復(fù)電等現(xiàn)場(chǎng)作業(yè)內(nèi)容，實(shí)現(xiàn)“一勤多單”。三是解決觸點(diǎn)問題，突出“自愈”，構(gòu)建異常工單二次篩選技術(shù)，把信息系統(tǒng)能夠遠(yuǎn)程自愈處理的異常工單進(jìn)行分類、分級(jí)，減少現(xiàn)場(chǎng)外勤派工，排定計(jì)量裝置時(shí)鐘超差、欠壓等異常工單處理優(yōu)先級(jí)，實(shí)現(xiàn)“人工智能”。通過大數(shù)據(jù)模型提取營(yíng)銷、用采、配電等信息系統(tǒng)的特征數(shù)據(jù)，固化數(shù)據(jù)清洗規(guī)則和質(zhì)量評(píng)估規(guī)則，共享現(xiàn)場(chǎng)運(yùn)維經(jīng)驗(yàn)，多維度、多層次進(jìn)行大數(shù)據(jù)分析，對(duì)計(jì)量裝置的運(yùn)行工況進(jìn)行智能評(píng)估。

評(píng)估模型由6大模塊組成，分別為：數(shù)據(jù)收集、數(shù)據(jù)處理、異常分析、異常處理、健康度評(píng)估、模型優(yōu)化。整個(gè)模型將完成“計(jì)量裝置運(yùn)行狀態(tài)質(zhì)量評(píng)估”中的健康度評(píng)價(jià)、異常處理建議及后續(xù)的評(píng)估模型優(yōu)化。

2.2 數(shù)據(jù)收集

數(shù)據(jù)收集模塊收集計(jì)量生產(chǎn)調(diào)度平臺(tái)的計(jì)量裝置檔案數(shù)據(jù)、計(jì)量裝置首檢數(shù)據(jù)，營(yíng)銷業(yè)務(wù)應(yīng)用系統(tǒng)的客戶檔案數(shù)據(jù)、工單數(shù)據(jù)，用電信息采集系統(tǒng)的日常采集數(shù)據(jù)、異常事件數(shù)據(jù)，GIS系統(tǒng)、PMS系統(tǒng)數(shù)據(jù)，外部環(huán)境的地區(qū)數(shù)據(jù)、氣溫?cái)?shù)據(jù)等(詳情請(qǐng)參見相應(yīng)章節(jié))。完成數(shù)據(jù)收集及數(shù)據(jù)對(duì)比，確保基礎(chǔ)數(shù)據(jù)的完整、正確及各系統(tǒng)間相關(guān)數(shù)據(jù)的匹配。

提取計(jì)量生產(chǎn)調(diào)度平臺(tái)160萬(wàn)只智能表、1.6萬(wàn)只采集終端全量數(shù)據(jù)，營(yíng)銷業(yè)務(wù)應(yīng)用系統(tǒng)150萬(wàn)戶全量數(shù)據(jù)和用電信息采集系統(tǒng)海量存儲(chǔ)數(shù)據(jù)。并將計(jì)量設(shè)備的基礎(chǔ)屬性維度、運(yùn)行時(shí)間維度、空間維度、環(huán)境維度等數(shù)據(jù)進(jìn)行整合。數(shù)據(jù)提取如表1、2、3所示。

表1 營(yíng)銷業(yè)務(wù)應(yīng)用系統(tǒng)提取的數(shù)據(jù)

表2 計(jì)量生產(chǎn)調(diào)度平臺(tái)設(shè)備資產(chǎn)信息提取的數(shù)據(jù)

表3 用電信息采集系統(tǒng)提取的數(shù)據(jù)

2.3 數(shù)據(jù)處理

對(duì)已收集的數(shù)據(jù)進(jìn)行預(yù)處理，對(duì)未收集數(shù)據(jù)的缺失部分進(jìn)行透抄。例如：氣溫原始數(shù)據(jù)為26.7℃，但單一的溫度數(shù)據(jù)對(duì)于模型分析不具備實(shí)際價(jià)值，我們將采用預(yù)先設(shè)置的溫度區(qū)間規(guī)則(低溫<5℃，正常，高溫>35℃)進(jìn)行處理為“一般”。已收集數(shù)據(jù)的進(jìn)行數(shù)據(jù)去重與驗(yàn)證，諸如一個(gè)故障的重復(fù)的報(bào)修工單數(shù)據(jù)。

2.4 異常分析

異常分析模塊分為“異常數(shù)據(jù)掃描”、“多維分析”兩大功能。

2.4.1 異常數(shù)據(jù)掃描

主要從基礎(chǔ)數(shù)據(jù)中按照預(yù)先設(shè)定的規(guī)則進(jìn)行掃描，將異常數(shù)據(jù)從已有的海量數(shù)據(jù)中進(jìn)行抽取，同時(shí)按照已設(shè)定的故障告警規(guī)則(異常數(shù)據(jù)數(shù)據(jù)項(xiàng)組合、異常數(shù)據(jù)閾值判斷、異常數(shù)據(jù)發(fā)生頻率等)進(jìn)行故障的判定。(詳情請(qǐng)參見相應(yīng)章節(jié))

2.4.2 多維分析

按照異常數(shù)據(jù)多維度進(jìn)行分析。

(1)計(jì)量設(shè)備的基礎(chǔ)屬性維度(廠家、生產(chǎn)批次、生產(chǎn)時(shí)間等)。驗(yàn)證異常數(shù)據(jù)是否存在同一廠家、同一生產(chǎn)批次、同一檢測(cè)時(shí)間段的共同點(diǎn)。以冀北公司在運(yùn)、庫(kù)存、已拆回等狀態(tài)的計(jì)量裝置為基準(zhǔn)，進(jìn)行全面分析。

(2)運(yùn)行時(shí)間維度。檢驗(yàn)計(jì)量裝置自投運(yùn)以來，同一類型異常數(shù)據(jù)的發(fā)生頻率、不同類型異常數(shù)據(jù)的對(duì)比。通過與同批次/同廠家/同類型計(jì)量裝置異常數(shù)據(jù)發(fā)生概率作對(duì)比，分析該計(jì)量裝置是否存在相關(guān)問題，發(fā)現(xiàn)并排除在時(shí)間流中的“假偶發(fā)”現(xiàn)象。

(3)空間維度。檢驗(yàn)同一地區(qū)、同一線路、同一臺(tái)區(qū)中同一類型計(jì)量裝置的異常數(shù)據(jù)發(fā)生概率。通過對(duì)比不同地域間的同一類型計(jì)量裝置的異常數(shù)據(jù)發(fā)生概率，判定某地域是否出現(xiàn)相關(guān)的運(yùn)行管理問題。

(4)環(huán)境維度。檢驗(yàn)同一天氣、同一溫度、同一空氣污染指數(shù)的條件下，異常數(shù)據(jù)發(fā)生的概率。通過對(duì)比不同環(huán)境中同一類型計(jì)量裝置的異常數(shù)據(jù)發(fā)生概率，在某一環(huán)境條件下，發(fā)現(xiàn)異常問題的高發(fā)性。

2.5 異常處理

異常處理模塊包括兩大功能，分別為“自我治愈”及“現(xiàn)場(chǎng)工單”。自我治愈功能處理諸如時(shí)鐘故障、檔案缺失故障、檔案不對(duì)應(yīng)故障等，可以使用系統(tǒng)進(jìn)行自動(dòng)智能治愈的相關(guān)故障?，F(xiàn)場(chǎng)工單功能是當(dāng)故障無(wú)法通過“自我治愈”時(shí)，將下發(fā)檢修工單，并收集檢修結(jié)果數(shù)據(jù)。

2.6 模型優(yōu)化

模型模塊包括兩大功能，分別為“交叉對(duì)比”、“異常知識(shí)庫(kù)”。交叉對(duì)比功能將進(jìn)行異常數(shù)據(jù)之間的關(guān)聯(lián)度分析，找尋兩件異常數(shù)據(jù)/多個(gè)異常數(shù)據(jù)間的關(guān)系，找尋異常數(shù)據(jù)間的共性/差異性分析，得到異常數(shù)據(jù)之間的隱藏的邏輯與關(guān)聯(lián)性。異常知識(shí)庫(kù)功能存儲(chǔ)異常數(shù)據(jù)與故障之間規(guī)律、異常數(shù)據(jù)及異常數(shù)據(jù)類別、故障信息及處理信息。通過經(jīng)驗(yàn)與數(shù)據(jù)的累計(jì)，得到新的異常數(shù)據(jù)與故障之間的規(guī)則，實(shí)現(xiàn)評(píng)估模型的自我優(yōu)化。

2.7 健康度評(píng)價(jià)

將按照是否發(fā)生過相關(guān)故障、故障是否已經(jīng)修復(fù)、同批次計(jì)量設(shè)備是否存在“家族問題”、所在地域是否存在同類型計(jì)量裝置故障多發(fā)概率等，進(jìn)行計(jì)量設(shè)備的健康度評(píng)價(jià)。

“重病狀態(tài)”：影響營(yíng)銷業(yè)務(wù)應(yīng)用，必須更換計(jì)量設(shè)備才能解決。

“疾病狀態(tài)”：通過大數(shù)據(jù)的分析之后可以智能診斷自愈，如對(duì)時(shí)、下參數(shù)可以解決的運(yùn)行設(shè)備。

“亞健康狀態(tài)”：通過大數(shù)據(jù)分析之后同類別、同類型、同廠家的設(shè)備存在共同故障點(diǎn)，不及時(shí)處理可能會(huì)造成數(shù)據(jù)參數(shù)丟失現(xiàn)象。

“健康狀態(tài)”：現(xiàn)場(chǎng)運(yùn)行設(shè)備良好滿足各類業(yè)務(wù)數(shù)據(jù)需求。

3 應(yīng)用創(chuàng)新方法

3.1 數(shù)據(jù)提取創(chuàng)新

主要包括計(jì)量生產(chǎn)調(diào)度平臺(tái)160萬(wàn)只電能表、1.6萬(wàn)只采集終端全量數(shù)據(jù)，營(yíng)銷業(yè)務(wù)應(yīng)用系統(tǒng)150萬(wàn)戶全量數(shù)據(jù)和用電信息采集系統(tǒng)海量存儲(chǔ)數(shù)據(jù)，結(jié)合GIS系統(tǒng)數(shù)據(jù)、PMS系統(tǒng)數(shù)據(jù)、地域、天氣、時(shí)間、輸配電線路運(yùn)行情況、重要活動(dòng)等外部數(shù)據(jù)。

3.2 故障預(yù)測(cè)模型

構(gòu)建計(jì)量設(shè)備故障預(yù)測(cè)模型。進(jìn)行現(xiàn)狀“無(wú)異常”計(jì)量裝置未來故障發(fā)生概率預(yù)測(cè)，為“亞健康”評(píng)價(jià)提供依據(jù)。核心算法：隨機(jī)森林(random forest)是一種集成學(xué)習(xí)+決策樹的分類模型，它可以利用集成的思想(投票選擇的策略)來提升單棵決策樹的分類性能[1-8]。對(duì)于分類問題(將某個(gè)樣本劃分到某一類)，也就是離散變量問題，CART使用Gini值作為評(píng)判標(biāo)準(zhǔn)。定義為：

Gini=1-∑(p(i)*p(i))

(1)

其中，p(i)p(i)為當(dāng)前節(jié)點(diǎn)上數(shù)據(jù)集中第ii類樣本的比例。

在尋找最佳的分類特征和閾值時(shí)，評(píng)判標(biāo)準(zhǔn)為：

argmax(Gini-GiniLeft-GiniRight)

(2)

即尋找最佳的特征f和閾值θθ，使得當(dāng)前節(jié)點(diǎn)的Gini值減去左子節(jié)點(diǎn)的Gini和右子節(jié)點(diǎn)的Gini值最大。

隨機(jī)森林在成果中的主要作用是：運(yùn)用隨機(jī)森林算法實(shí)現(xiàn)計(jì)量裝置運(yùn)行故障的精準(zhǔn)定位。以專變終端故障預(yù)測(cè)為例，如圖2所示，為隨機(jī)森林模型估計(jì)誤差，模型的估計(jì)誤差隨著決策樹棵數(shù)的增加而不斷的減小，其中，黑線為袋外估計(jì)誤差OOB，其他四條線分別為采集終端存儲(chǔ)故障、采集終端時(shí)鐘故障、上行通信故障、通信質(zhì)量故障四種估計(jì)類型的估計(jì)誤差。

如圖3所示為隨機(jī)森林模型在測(cè)試集上的預(yù)測(cè)結(jié)果，其中，采集終端存儲(chǔ)故障、采集終端時(shí)鐘故障、上行通信故障、通信質(zhì)量故障四種故障類型分別有5、5、6、7個(gè)樣本單元被誤判，由該混淆矩陣計(jì)算模型預(yù)測(cè)準(zhǔn)確率為91.25%，模型預(yù)測(cè)效果理想。

3.3 健康狀態(tài)評(píng)價(jià)模型

將計(jì)量裝置運(yùn)行狀態(tài)質(zhì)量分為4類-健康、亞健康、疾病、重病。核心算法簡(jiǎn)介：SOM(self-organizing map，自組織映射)網(wǎng)絡(luò)是一種競(jìng)爭(zhēng)學(xué)習(xí)型的無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)，能夠自動(dòng)識(shí)別輸入樣本信息自動(dòng)聚類，受環(huán)境干擾性小，具有較強(qiáng)的自組織性，相比于傳統(tǒng)的聚類算法，其具有更優(yōu)秀的聚類性能[9-12]。通過流計(jì)算、內(nèi)存計(jì)算、批量計(jì)算、查詢計(jì)算等多種分布式計(jì)算技術(shù)滿足不同時(shí)效性的計(jì)算需求，如圖4所示。以百分制對(duì)電能表狀態(tài)進(jìn)行表述。100分表示最佳狀態(tài)，0分則表示最差狀態(tài)。其它情形的狀態(tài)評(píng)分介于0分～100分之間。電能表狀態(tài)評(píng)分G=BTMF；B：基礎(chǔ)評(píng)分；T：檢測(cè)評(píng)分；M：監(jiān)測(cè)評(píng)分；F：家族缺陷評(píng)分。

3.4 自適應(yīng)規(guī)則模型

發(fā)現(xiàn)新規(guī)則，豐富、完善規(guī)則庫(kù)。核心算法簡(jiǎn)介：決策樹是通過一系列規(guī)則對(duì)數(shù)據(jù)進(jìn)行分類的過程。它提供一種在什么條件下會(huì)得到什么值的類似規(guī)則的方法。決策樹能夠很好的處理高維數(shù)據(jù)，由決策樹產(chǎn)生的結(jié)果是易于理解和掌握的，運(yùn)算過程比較迅速，還具有比較理想的預(yù)測(cè)準(zhǔn)確率[13-18]。

圖5所示為決策樹模型，模型分類準(zhǔn)確率為“90.11%”，AUC“0.9135 ”，宏平均F1“0.9023”。通過時(shí)鐘偏差、電壓不平衡度、電流不平衡度等指標(biāo)閾值的自動(dòng)判斷，實(shí)現(xiàn)計(jì)量裝置運(yùn)行狀態(tài)規(guī)則的發(fā)現(xiàn)。

3.5 以智能移動(dòng)終端為軟件載體的運(yùn)維管理平臺(tái)

基于Android、PC平臺(tái)開發(fā)，能夠廣泛滿足各種智能化現(xiàn)場(chǎng)需求的管理系統(tǒng)。形成現(xiàn)場(chǎng)和系統(tǒng)雙向互動(dòng)的溝通方式，人員在工作現(xiàn)場(chǎng)就能快速查閱計(jì)量裝置檔案信息和運(yùn)維信息，并能將現(xiàn)場(chǎng)圖片、數(shù)據(jù)全部保存并立即上傳到運(yùn)維管理平臺(tái)留檔備案，無(wú)需再做二次處理，大大提升運(yùn)維工作質(zhì)量和工作效率。

4 結(jié)論

將該電能計(jì)量裝置運(yùn)行質(zhì)量評(píng)估方法整合完畢后，將研制的計(jì)量裝置“體檢平臺(tái)”在現(xiàn)場(chǎng)進(jìn)行實(shí)施應(yīng)用，結(jié)果表明該項(xiàng)目能為企業(yè)帶來更大的經(jīng)濟(jì)效益以及極大削減現(xiàn)場(chǎng)的運(yùn)維工作量，將各個(gè)系統(tǒng)數(shù)據(jù)泛在物聯(lián)，利用大數(shù)據(jù)整合[19-21]，實(shí)現(xiàn)優(yōu)質(zhì)高效的新型電力互聯(lián)網(wǎng)服務(wù)。

4.1 經(jīng)濟(jì)效益

經(jīng)濟(jì)效益：在項(xiàng)目應(yīng)用的5個(gè)月時(shí)間里，通過系統(tǒng)診斷分析及治愈處理，修復(fù)由于參數(shù)、檔案等問題造成采集失敗、終端在線異常等故障，減少由此導(dǎo)致的設(shè)備更換數(shù)量，涉及電表16 010個(gè)，終端1 062臺(tái)，挽回經(jīng)濟(jì)損失1 013萬(wàn)元。

系統(tǒng)對(duì)各區(qū)域采集設(shè)備電壓、電流、電量等運(yùn)行數(shù)據(jù)進(jìn)行定期檢測(cè)，結(jié)合設(shè)備相應(yīng)臺(tái)區(qū)日、月、季線損的跟蹤統(tǒng)計(jì)，關(guān)聯(lián)設(shè)備檔案進(jìn)行分析，發(fā)現(xiàn)表計(jì)內(nèi)部故障導(dǎo)致電表計(jì)量不準(zhǔn)確、電表采集數(shù)據(jù)與實(shí)際不符等故障電能表335個(gè)，故障終端71臺(tái)，挽回經(jīng)濟(jì)損失102萬(wàn)元。

4.2 應(yīng)用成效

應(yīng)用成效：計(jì)量專業(yè)借助大數(shù)據(jù)分析工具，實(shí)現(xiàn)系統(tǒng)數(shù)據(jù)和外部數(shù)據(jù)泛在物聯(lián)，得出計(jì)量裝置運(yùn)行狀態(tài)質(zhì)量“體檢報(bào)告”，實(shí)現(xiàn)故障精準(zhǔn)定位、智能評(píng)估，及早發(fā)現(xiàn)計(jì)量裝置運(yùn)行質(zhì)量問題并迅速處理，運(yùn)維工單數(shù)量由8.5萬(wàn)條降低至4.15萬(wàn)條，提高運(yùn)維工作效率，極大減少現(xiàn)場(chǎng)運(yùn)維工作量。并且提升了計(jì)量專業(yè)的各項(xiàng)同業(yè)對(duì)標(biāo)指標(biāo)，資產(chǎn)全壽命周期管理規(guī)范率平均提升0.59%，采集成功率平均提升0.37%，閉環(huán)管理規(guī)范率平均提升1.15%。根據(jù)分析報(bào)告，各地區(qū)可宏觀掌握全量運(yùn)行設(shè)備狀態(tài)，輔助決策資產(chǎn)購(gòu)置、分配、運(yùn)維，為計(jì)量裝置運(yùn)行質(zhì)量監(jiān)控提供充分的數(shù)據(jù)支撐，完善運(yùn)維閉環(huán)管控體系，進(jìn)一步促進(jìn)管理水平提升，降低運(yùn)維成本，避免重復(fù)投資，實(shí)現(xiàn)“計(jì)量資產(chǎn)價(jià)值最大化”。

該成果還可拓展到水，氣，熱等能源計(jì)量裝置的運(yùn)行狀態(tài)質(zhì)量評(píng)估，為其他能源行業(yè)提供數(shù)據(jù)支撐，提升能源效率。

推動(dòng)低碳、綠色“智慧城市”發(fā)展戰(zhàn)略；積極響應(yīng)公司三型兩網(wǎng)的發(fā)展戰(zhàn)略，為全速推進(jìn)泛在電力物聯(lián)網(wǎng)建設(shè)打下堅(jiān)實(shí)基礎(chǔ)。