摘要：智能电能表因其信息采集的便利性以及功能的完善性而广泛普及，如何高效且针对性地对数量如此庞大的智能电能表进行维护是电力运营企业面临的挑战。针对此问题提出了基于数据挖掘技术的智能电能表故障预警方法，即利用C5.0算法构建智能电能表的故障预警模型，通过大量训练集对模型进行训练，再利用测试集计算模型的预警准确度。通过VS2016平台搭建了故障预警系统，智能电能表故障预警系统仿真结果表明，此系统能够对智能电能表的运行状态进行准确预警，电力运营企业可根据预警结果对异常的电能表进行重点检查，由此节省由于逐户排查所浪费的人力物力，进而推动电力企业的较快发展。
关键字：智能电能表；故障预警系统；系统设计；系统开发
1引言
伴随智能电网的飞速发展及电能表智能化程度的提高，智能电能表得以大规模推广应用。截至目前，全国范围内已安装了数亿只智能电能表。数量如此庞大的智能电能表，若电力运营企业能够有针对性地对其进行维护，将节省由于逐户排查所造成的资源浪费。且由于计算机通信技术以及存储技术的快速进步，使得电力运营企业获取了大量的智能电能表运行数据，如何从庞大复杂不清晰的数据中挖掘出隐藏其中的有效信息用于信息管理、分析诊断以及决策支持等方面，对于推进智能电网的发展建设具有非凡意义。本文针对智能电能表故障预警系统的研究思路进行研究，提出其开发、设计的注意事项，旨在为相关人员提供借鉴。
2智能电能表故障预警系统的研究思路
2.1智能电能表故障预警系统研究思路
基于大数据技术的智能电能表故障预警系统的总体研究思路，主要分为四个步骤：构建智能电能表数据库，包括历史故障数据库和实时采集数据库，均存储在SQL2000数据库平台；数据预处理。将采集的智能电能表历史故障数据和实时数据进行离散化处理，即选取影响智能电能表故障的几个重要因素，例如智能电能表运行时间、安装条件、电能表自身可靠性等属性，针对电能表运行时长属性，可将运行时间进行划分，并将历史故障数据库离散化处理为训练集和测试集。
与此同时，还应该构建智能电能表故障预警模型，此步骤分三步完成。首先，通过C5.0决策树算法构建初步的智能电能表故障预警规则；再利用训练集对初步预警模型进行训练；最后通过测试集对预警模型进行评估，若评估未达到设定的预警准确度，将从新进行训练，直至满足设定条件为止；最终，构建智能电能表故障预警系统的软件平台。以所构建的预警模型为基础，以智能电能表的实时故障数据库为数据来源，借助VS2016的MFC平台，编制集数据预处理、预警模型构建、智能电能表故障预警等功能为一体的智能电能表故障预警系统。
2.2从智能电能表本身出发，减少故障的发生
智能电能表故障成因多种多样，若仅依靠人工经验对智能电能表的运行状态做出判断难度极大，且无法保证精确性。随着大数据技术的广泛普及，数据挖掘技术在智能电能表故障研究方面的应用也受到了越来越多的关注。基于智能电能表的历史故障数据，利用数据挖掘算法对智能电能表的故障类型预测技术展开了研究，但并未搭建系统平台验证预测技术的有效性；有的专家提出了基于大数据技术的智能电能表入侵检测方法，即利用电能表计量大数据的统计特性，识别出CPU负荷率及通信流量显著增加的异常电能表；有些专家提出了一种基于模型融合自适应的智能电能表故障多分类方法，提高分类准确率；通过充分挖掘智能电能表所获取的海量用电数据，利用大数据技术对负荷及故障进行预测。
其中，大部分专家主要利用数据挖掘技术搭建了相应的数学模型以求解特定问题，但并未基于模型搭建软件平台验证所提方法的有效性。所以在其设计时，首先基于历史故障数据库利用C5.0算法构建智能电能表的故障预警模型，并通过大量训练集对模型进行训练，直至到达要求的准确度。最后，通过VS2016搭建了智能电能表故障预警系统的软件平台以验证所构建模型的有效性。
3智能电能表故障预警系统的设计与开发
3.1智能电能表故障预警系统开发设计时，应提升其效率以及精确度
为协助电力运营企业便捷高效地对智能电能表运行状态进行准确预警，基于VS2016平台开发了智能电能表故障预警系统，实现了智能电能表计量数据的集成管理以及智能电能表运行状态的远程监控。智能电能表故障预警系统依托发达的计算机网络技术以及大数据软件平台，可以实现复杂多源数据的实时精确采集和高效访问，大幅节省电力工作人员数据采集、复核整理的时间，同时通过可视化的人机交互界面可以直观掌握数据分析处理的结果。这种方式与传统的仅靠人工经验分析判断相比，避免大量复杂数据的采集处理工作，显著提升智能电能表故障预警的效率和准确度。
3.2加强智能电能表的电池容量
目前智能电能表在实际使用四到五年时，逐渐出现的时钟电池欠电压故障比例，造成这一故障的原因是时钟电池容量耗尽。智能电能表用锂－亚硫酰氯电池10年以上的预测使用寿命是基于电池处于标准的应用条件和环境条件，而实际应用条件和环境条件往往与标准条件偏离较大。实际应用环境会对锂－亚硫酰氯电池的有效容量和自放电率造成的影响较大。实际应用环境会提高智能电能表中的其他元器件的故障率，而这些元器件的故障也会造成时钟电池的功耗提升并导致其提前失效。为降低智能电能表实际应用中的电池欠电压故障率，由于电能表可能安装在比较恶劣的工作环境中，电池厂家应努力提升电池自身耐候性，提高电池在钝化情况下能持续提供动力，另外，国网公司已陆续推出了关键元器件全性能试验大纲，规定了各种元器件的工作环境和测试方法，势必会进一步推动智能电能表用元器件性能更优，质量更稳定。
3.3加强决策树模型在智能电能表故障预警系统中的应用
决策树模型，又称为规则推理模型，它通过学习训练样本建立分类规则，再根据分类规则，实现对新样本的分类。决策树由节点和有向边组成，通常一棵决策树包含一个根节点、若干内部节点（对应于一个属性测试）和若干叶节点（对应于决策结果）。决策树的决策过程需要从决策树的根节点（包含样本全集）开始，待测数据与决策树中的特征节点进行比较，并按照比较结果选择下一分支，直到叶节点作为最终的决策结果，根节点到每个叶节点的路径对应一个判断测试路径。决策树构建算法将输出变量看作发送端发出的数据，输入变量看作接收端收到的数据。构建过程就是选取输入属性中信息增益最大的变量作为最佳分枝，以消除分裂过程中的系统干扰，增加输出变量的趋同度。此外，C5.0算法还引入了信息增益率解决传统ID3算法对多值属性敏感的问题。
4结束语
相比传统方法，智能电能表故障预警系统的开发设计应主要关注实际数据中存在的样本类别不平衡问题，并设计代价敏感的多分类模型。在数据预处理阶段，使用层次聚类等手段对特征进行压缩，降低特征维度，并减少冗余信息。为克服数据不平衡现象，建立代价敏感的多分类模型，使模型在各个类别上保持无倾向性。基于C5.0算法的决策树模型在处理类似于智能电能表故障严重程度等界限不明晰的分类问题时，仍然存在精确度有限的问题，可能在一定程度上会造成故障误判，使得模型表现不佳。因此，在日后的研究中，有必要从数据采集、模型选择、算法优化等多个方面对智能电能表故障预警展开进一步探索。
参考文献
[1]李志强,高大兵,苏盛,等.基于大数据的智能电能表入侵检测方法[J].电力科学与技术学报,2016,31(1):121-126.
[2]高欣,刁新平,刘婧,等.基于模型自适应选择融合的智能电能表故障多分类方法[J].电网技术,2019,43(6):1955-1961.
[3]郭攀攀.智能用电大数据环境下的短期负荷预测研究[D].华北电力大学(北京),2017.