基于現場可靠性數據和組合應力壽命模型的電能表壽命預判

章江銘，姚 力，沈建良，胡瑛俊，倪琳娜，徐 韜

（國網浙江省電力有限公司電力科學研究院，杭州 310014）

0 引言

智能電能表作為智能電網的重要組成部分，已廣泛應用于發電、輸電、配電和用電等各個環節，是電網實現雙向實時計量、精準負荷控制、電力需求響應等功能的關鍵承載體。 目前，全國范圍內運行電能表近5 億只，每年承擔著約6 萬億kWh 全社會用電量的計量，其性能與質量直接影響電能交易的公平公正及以客戶為中心的優質服務水平。 隨著大批量智能電能表到檢定周期年限，如按照JJG 596-2012 規定進行周期輪換，將不可避免地造成大量未到使用壽命的電能表被更換，造成極大的人力物力浪費，因此，亟待研究智能電能表的剩余壽命預判技術[1]。

目前，評估電能表的預期壽命主要是建立特定壽命應力模型，通過加速或非加速應力測試，根據樣本測試結果確定預期壽命[2-7]。 如文獻[8]提出了一種基于加速壽命試驗和關鍵部件故障預測的可靠性預測方法。 文獻[9]分析了各類電能表可靠性預計手冊的特點和局限性，總結出提高電能表可靠性的措施。

本文基于智能電能表的現場故障機理，分析了現場故障的可靠性數據源，對數據進行篩選清洗、故障分類統計、故障模式重新定義、性能退化特征提取和故障數據擬合等，同時，對典型的故障現象進行分析，定義了一些敏感應力建立電能表壽命預判模型。 通過對不同批次、不同供應商的現場故障數據的實際驗證，結果表明，電能表壽命預判模型在預判未來1～2 年的故障率方面是有效的。

1 電能表壽命預判工作流程

電能表壽命預判工作流程如圖1 所示，主要通過獲取可靠性數據源，提取性能退化特征和故障數據擬合等建立電能表組合應力壽命預判模型，從而實現批次電能表壽命預判，支撐批次電能表狀態精準更換[10]。

圖1 電能表壽命預判工作流程

2 故障數據分析

2.1 可靠性數據源

可靠性數據源主要包括省級計量中心生產調度平臺數據（以下簡稱“MDS 系統數據”）、用電信息采集系統數據、營銷系統數據和電能表安裝環境數據等。

（1）MDS 系統數據。 MDS 系統不僅記錄了電能表批次信息，包括招標批次、到貨批次、電能表型號、生產廠家、規約類型和批次數量，還記錄了初始檢定信息，包括外觀、潛動、起動、初始基本誤差和初始日計時誤差等內容。 可通過觀察后續相關初始信息的變化情況來推測電能表性能的退化趨勢。

（2）用電信息采集系統數據。 用電信息采集系統記錄了電能表的相關運行信息，包括安裝時間、安裝地點、事件類異常時間、異常類型、抄表電量和月均用電量等數據。 有些事件類異常信息并未真正反映電能表故障信息，應予以剔除。

（3）營銷系統數據。 營銷系統中記錄了電能表的安裝區域、現場故障時間、故障現象、故障模塊等故障信息，可通過系統故障信息建立故障數據庫。

（4）電能表安裝環境數據。 通過查閱開放的氣象歷史數據庫，獲得相關區域的環境信息，包括溫度、濕度、鹽霧和雷電等數據，通過提取敏感應力與各類故障的相關性，可調整電能表組合應力壽命預判模型。

這些系統的電能表信息結合現場安裝環境數據，構成了電能表組合應力壽命預判模型的數據基礎。

2.2 數據篩選和清洗

對MDS 系統、用采系統、營銷系統中采集的可靠性數據進行篩選和清洗。 如對用采系統采集的各類事件信息通過核查機制確定其真實性，如誤報應予以剔除。 另外，應對營銷系統上報的故障類型予以進一步核實，同時，應剔除非電能表質量原因產生的故障。

2.3 故障模式重新定義

由于營銷系統記錄的故障信息及用采系統采集的事件類異常信息形式多樣、故障描述不統一等，需對故障模式進行重新定義，重新定義后的故障類型共分為11 類[11]，包括時鐘故障、電池故障、燒表、表殼損壞或接線柱損壞、通訊故障、電流回路或繼電器故障、電表不工作、顯示故障、誤差超差、電表報警及其他故障。 以2018 年某月份為例，電能表故障分布如圖2 所示。

2.4 性能退化特征提取

電能表在現場運行過程中部分性能指標會有所退化，如基本誤差、日計時誤差等指標，如何提取批次退化性能對電能表壽命預判至關重要。以基本誤差為例，本文設計了2 種性能退化指標，分別為批次誤差差值絕對值的平均值及批次誤差標準偏差。

2.4.1 批次誤差差值絕對值的平均值

圖2 電能表故障分布圖

當某電能表批次在某檢定負載點下首檢基本誤差為x1，x2，…，xn，拆回后檢定基本誤差為y1，y2，…，yn時，則該批次誤差差值絕對值的平均值Q 可表示為：

當功率因數為1 時，電能表運行到檢定周期拆回后的批次誤差差值絕對值的平均值中位數如表1 所示。

表1 批次誤差差值絕對值的平均值中位數

2.4.2 批次誤差標準偏差

當功率因數為1 時，電能表運行到檢定周期拆回后各負載點下的批次誤差標準偏差中位數如表2 所示。

批次誤差差值絕對值的平均值及批次誤差標準偏差值代表該批次電能表在運行時間內的誤差變化情況，反映了該批次的誤差穩定性，可作為誤差性能退化特征指標。

表2 批次誤差標準偏差中位數

2.5 典型故障分析

為確定電能表失效模式和機理，做好防控措施，防止該失效模式和機理的重復出現，需對電能表進行典型故障分析[12-15]。 該分析基于可靠性物理技術，深入到電子元器件級進行失效分析。圖3 分別給出了2 種不同應力引起的典型故障情況。 其中，圖3（a）顯示了由持續的溫度沖擊引起的銀漿和金屬化基底之間的分層界面；圖3（b）顯示了在電場下由高濕度引起的焊料電遷移的故障電容器。

圖3 典型故障分析案例

2.6 敏感應力分析

電能表不同故障模式的失效分布特征不同，誘發其失效的應力類型和退化過程也各有差異。對于具體的故障模式而言，電能表穩定可靠及性能退化可能與某種應力強度和該應力作用時間相關。 基于電能表內部電路特點與現場典型故障分析，敏感應力與故障模式之間的對應關系如表3所示。

3 電能表壽命預判模型

通過采集MDS 系統、用采系統和營銷系統中的電力大數據，獲取不同應力條件下的基礎信息、運行信息及故障信息，建立基于電能表整表的壽命預判模型，進而建立電能表分故障模式下的壽命預判模型，并根據批次歷史故障數據，疊加溫度、濕度、鹽霧及雷電等應力因素，擬合應力調整因子，從而建立電能表組合應力壽命預判模型。 電能表壽命預判模型實現流程如圖4 所示。

表3 敏感應力與故障模式對應關系

圖4 電能表壽命預判模型實現流程

3.1 壽命預判算法

電能表壽命預判算法較多，主要有類神經網絡、最近鄰算法和支持向量機等算法。 本文提出了一種基于威布爾分布的電能表壽命預判模型，威布爾分布假設一個結構由若干小元件串聯而成，其強度取決于最薄弱環的強度，即失效發生在產品構成因素中的最弱部分。 電能表同樣由若干元器件及模塊構成，因此其壽命預判適用于威布爾分布。 目前，威布爾分布已廣泛應用于汽車電子及航空工業領域中的可靠性剩余壽命分析。

3.2 電能表組合應力壽命預判模型

應建立基于威布爾分布的電能表整表壽命預判模型，其流程如圖5 所示。

根據本文對故障模式的分類，擬合各類故障模式下的基于威布爾分布的失效率曲線，假設各故障模式下的階段失效率為λi（t），故障類型總數為n，則電能表整體階段失效率λw（t）為：

根據表3 敏感應力與故障模式對應關系，擬合相關故障模式的階段失效率與平均應力強度之間的關系，可獲取各應力條件下的應力調整因子k。 以時鐘模式故障為例，具體調整因子計算流程如圖6 所示。

圖5 基于威布爾分布的電能表整表壽命預判模型

圖6 溫度調整因子計算流程

則基于電能表組合應力壽命預判模型的整體階段失效率λs（t）為：

式中：m 為敏感應力類型總數，主要包括溫度、濕度、鹽霧及雷電等；kij為第i 種故障類型第j類應力的調整因子。

3.3 電能表組合應力壽命預判模型驗證

利用基于威布爾分布的電能表組合應力壽命預判模型，對2011 年到貨的A 電能表廠家某批次電能表進行失效率預判，預判結果如圖7 所示。

由圖7 可知，基于威布爾分布的電能表組合應力壽命預判模型能較好地預判批次電能表失效率，預判失效率與實際失效率較為接近。

圖7 威布爾分布的電能表組合應力壽命預判驗證

4 結語

本文基于電能表MDS 系統、用采系統和營銷系統等電力大數據，通過重新定義故障類型，分析典型故障原因，提取性能退化特征及敏感應力，建立基于威布爾分布的電能表組合應力壽命預判模型，并用現場故障數據進行實際驗證，效果較好。 電能表壽命預判有助于實現電網公司電能表需求的精準預判，提前制定招標采購計劃；同時，有助于電能表現場維護工作，為電能表狀態更換提供技術支撐。