获取智能变电站每个二次设备特征量样本指标 。每个二次设备的特征量样本都包括自身运行状态特征量指标、通信运行状态特征量指标以及传统二次回路监测特征量指标，若该二次设备不存在对应的特征量指标，则默认该特征量样本指标为0，因而得到的每个设备的样本指标结构相同。

二次设备自身运行状态特征量指标主要包括：采样异常、出口异常、定值出错、FLASH擦写次数、扇区健康状况、RAM出错、看门狗动作、装置的重启次数、插件的巡回诊断信息等；通信运行状态特征量主要包括：通信介质、通信报文正确性、网络运行状态、采样值通道状态等；传统二次回路监测特征量主要包括：控制回路完整性监视值、二次回路的绝缘状况、二次回路红外测温数据等。

图1. 基于TOPSIS模型的智能变电站二次设备评估方法步骤

根据各个二次设备的特征量样本构建初始矩阵 ，通过向量规范法得到规范化决策矩阵 。

假设智能变电站共有 个二次设备，每个设备有步骤1所述的 个特征量样本指标 ，则 个设备 个特征量决策问题的初始化矩阵 ，该矩阵由 个评估对象(即评估设备)和 个评估指标构成。

由于各指标的量纲不同，需要对评估指标进行统一处理，可以通过向量规范化方法得到规范化决策矩阵 ，其中：

确定权重值矩阵，并将权重值矩阵与规范化矩阵 点乘得到规范化加权决策矩阵 。

因为待检测对象的各项指标在评估体系中的权重不尽相同，每项指标的综合权重值都需要计算，以其中的设备 为例，由序关系分析法(G1-法)确定主观权重 、由变异系数法确定客观权重 ，则综合权重 为：

其余 个设备用同样的方式确定其综合权重向量 。从而确定综合权重值矩阵 ，

将权重值矩阵与规范化矩阵 点乘从而得到规范化的加权决策矩阵 ：

其中序关系分析法(G1-法)确定主观权重 的方法如下：

G1-法是一种无需一致性检验的主观赋权法 [ 8 ] 。在确定评价指标的序关系之前，首先应明确一个定义：若评价指标 相对于某评价目标的重要性程度大于或大于等于 时，记为 。对于指标集 ，其权重系数的确立过程如下所述。

1) 序关系的确定

① 基于某个评价目标，按照专家意见在给定指标集中选取最重要的一个指标，记为 ；

② 在余下的 个指标中，再选出认为是最重要的一个指标，记为 ；

③ 按以上原则依次进行下去，经过 次，将最后剩余的一个指标记为 ；

④ 经过以上步骤，就确定了一个序关系，即 。

2) 确定相邻指标间的相对重要程度 [ 9 ]

相邻指标的相对重要程度 可用式12表示，其中 表示第 个指标的权重系数。当指标个数 较大时，可以直接取 。 的赋值可参考表1，且 满足 。

表1. r_k赋值参考表

3) 计算权重系数w_i

根据2)中得到的 个相邻指标间的相对重要程度的值，可求得第n个指标的权重系数w_n，如式(13)所示，则其余指标的权重可由式(14)依次计算得到。

变异系数法确定客观权重的方法如下：

变异系数法基于直接利用各项指标所包含的数据信息通过计算得到指标权重的客观赋权。采用该方法确定指标权重，可以较好地反映各指标之间的差异性，避免在确定指标权重时权重分配均衡化的问题 [ 10 ] 。假设有m个样本点，n个评价指标集 ，则变异系数法确定权重的步骤如下：

1) 基于已有数据计算各个指标的平均值

2) 基于平均值计算各个指标的标准差

3) 由上述1)和2)结果，计算各个指标的变异系数

4) 确定指标权重系数

确定正理想解向量 和负理想解向量 ，然后求各样本点与正理想解的欧氏距离 ，与负理想解的欧氏距离 ，进而基于该数值计算各样本点的接近度。

效益型指标(即正指标)指数值越大越接近最优：

成本型指标(即逆指标)指数值越小越接近最优：

考虑到本文只计算成本型评价因素，所以 ， 。

由于TOPSIS模型是通过判断各评估对象在欧式空间中与正、负理想解之间的远近来得到待检测对象的优劣程度的。正理想解的确定十分简单，因为本文所选择评价指标都是成本型评价指标，所以当都是0时，即为最优解(正理想解)，但是负理想解的确定就比较困难了。利用TOPSIS评价电能质量时通过增加将电能质量的限制值作为负理想解，可以提高评估准确度。然而，由于二次设备的健康程度并没有一个绝对标准，所以无法直接通过增加一组负理想解来改进TOPSIS算法。因此本文只增加一个正理想解，不增加明确的负理想解。

计算各样本点与正理想解的欧氏距离 ，与负理想解的欧氏距离

所有待评估对象与正理想解向量的相对贴近程度计算公式如下所示：

相对贴近程度越靠近1，则该评估方案与正理想解的距离越小，最优方案排列时优势越大。

对相对贴近程度 进行排列，数值越大越接近于最优方案，数值越小则越远离。基于该原则完成对所有待评估对象的排序。对各个设备的等级经过一定加权后得到系统的整体状态。

除了算法本身的问题，还需要对评估结果进行分级，从而得到明确的评估结果。本文将其分为良好、正常、注意、异常和严重异常五个等级对指标进行定性评价，如图2所示。

本文根据实际运行情况，可以计算得到权重为：

本文根据某变电站实际二次设备的运行情况，选取15个同功能二次设备进行状态评估，其中每个评估对象的样本结构完全相同。其中，包括二次设备的告警信息、拒动/误动情况、各类缺陷信息、使用年限以及二次设备评估标准等相关信息，其中部分样本信息如表2所示。

通过程序可以得到以下结果，见表3。

图2. 评估分级指标

表2. 部分样本数据表

表3. TOPSIS评价结果

表4. 各方法评估结果比对

文献 [ 11 ] 给出了一种利用模糊算法评估二次设备的健康状况。模糊综合分析的步骤如下：制定评分评价、建立评价因素集、确定权重、建立模糊矩阵和模糊合成运算 [ 11 ] 。由于二次设备故障告警等信息不能直接进行分析，需要通过转换成数量值，然后带入模型进行分析。使用的权重同样可以通过AHP方法得到，为方便分析，该处采用4.1节得到的权重结果。建模的具体过程可以参考文献 [ 11 ] ，这里不做赘述。下面将利用模糊综合评价法给出上述数据的计算结果，得到检测样本的检测结果，见表4。

从表4可以比较出，TOPSIS评价得到的结果比模糊综合评价法得到的结果要好很多，尽管TOPSIS发中存在个别样本的评价存在一定的误差，但是总体来说是比较准确度。而模糊综合评价法的评价结果会有一个较大的误差。