面向大數據流量的交互式智能電網通信

謝正勇, 劉捷, 許勇, 湯遠紅, 許蕾

(國網安徽省電力有限公司 六安供電公司， 安徽 六安 237000)

0 引言

智能電網是將數字數據通信與傳統電力系統相結合，通過檢測供電側的狀態和終端側的用戶使用信息來調整配電的新型技術[1]。智能電網不同于傳統的單向輸電系統，其具有自檢、診斷、維護和雙向通信等功能[2]。通過對終端用戶用電信息的反饋，電源能夠實現電力分配的負載均衡。智能電網主要可分為三部分：高級計量架構(AMI)、自動抄表(AMR)和智能電表(SM)[3]。隨著云計算和智能電網的快速發展，為了滿足用戶的需求，智能家居控制系統通過家庭環境中的傳感器收集環境信息和用戶習慣，為用戶推斷控制服務[4]。由于使用的電氣設備種類太多，因此記錄每種類型的電氣設備、標簽、特征值等較為困難。文獻[5]對于大量傳感器數據，采用打包分區方法在計算處理器之間劃分輸入數據，以處理云服務器上的預處理。為了避免記錄所有信息，大部分系統都是通過智能電表采集電力數據，然后上傳到云服務器上進行電氣設備識別、狀態分析等計算應用。在電氣設備識別中，許多研究集中在針對復雜和多樣化的電力數據計算性能優化或識別率上。文獻[6]采用了暫定性和預測性彈性選擇來提高數據壓縮的性能。

為了能夠使云系統具有最佳的分析效率，動態確定最適合的電力特征值類型和上傳頻率是智能電網數據處理的關鍵。本文提出了一種基于識別模型的交互式電力特征值傳輸方法，該方法可以動態調整上傳電力特征值以實現最小化，并結合電力特征值相關性分析模塊，實現傳輸電力數據與識別效率之間的最佳平衡。

1 基于智能電網通信的電氣設備識別

通過對存儲在云服務器上的電力數據進行分析，可以識別電氣設備的類型和狀態。當采集到的電力數據變得多樣化且爆炸性增長時，可以借助云服務器構建智能電網中的電力大數據通信，如圖1所示。

圖1 智能電網中的電力大數據通信

目前，家用電器設備負載識別的研究都是通過截取交流信號的各種特征值來獲取識別電氣設備的數據樣本，特征值由模數轉換器(ADC)轉換成數字信號，并由微控制器進行計算和處理[7]。電氣設備負載識別裝置通常安裝在交流電源的入口處，并根據電氣設備電力特征數據庫中的數據進行匹配分析，從而獲得電氣設備類型和運行狀態信息，實現自動檢測并提供不同電氣設備狀態的電力信息。電氣設備負載識別場景，其特點是安裝成本低且設置簡單,如圖2所示。

圖2 電氣設備負載識別場景

2 交互式智能電網通信方法

本文所設計的交互式智能電網通信分為四個階段：電流波形采樣、電力特征值轉換、動態電力特征值間隔選取和電氣設備負載識別。當電氣設備接入智能電表后，電表會將其測量的原始電力數據上傳到物聯網(IoT)網關[8]。IoT網關將原始數據轉換成17個電力特征值，然后上傳到云服務器并與存儲的數據進行比較。云服務器將評估電子設備類別的潛在候選項，并從網關獲取該設備的有用電力特征值。網關和云服務器之間的交互通信重復進行直到存儲一定程度的設備識別率。

2.1 電流波形采樣

為了準確捕捉瞬態電流波形并避免不同的電源頻率，根據電壓提取波形，所提取的電流信息是單個交流正弦波的值。為了減少冗余數據而不損失精度，每秒產生一個波形，即64個采樣點以平均狀態表示。電流波形采樣點的示例，如圖3所示。

圖3 電流波形采樣示例

2.2 電力特征值轉換

根據電流波形的值，在IoT網關中計算出電力特征值轉換,如表1所示。

表1 電力特征值定義

注：無單位的為常數

表1中列出的17個電力特征值包括有功功率、無功功率和視在功率等，這些特征值通過轉換原始數據采樣方法中的每秒全部電流而產生。

2.3 動態電力特征值間隔選擇

在本文中，為了在10s內傳輸幾個具有代表性的電力特征值，防止將所有電力特征值傳輸到云服務器增加數據包的傳輸量，占用多余的存儲空間并增加計算復雜度。電氣設備識別和組合應用有兩種模式：(1)直接計算由智能電表測量的原始電力數據；(2)將電表測量的原始數據轉換為特征值并傳輸到云服務器。為了解決網絡數據包傳輸量和冗余數據占用云服務器硬盤空間的問題，還需動態調整傳輸量。當負載趨于穩態時，產生的電力波形呈現規律性變化。因此，本研究提出一種基于Z變換歐氏距離的動態電力特征值間隔選取算法。

本文采用Z變換歐氏距離對歐幾里德空間中兩個有限數據集的各維度值進行標準化。Z變換歐氏距離定義了兩個維度，即視在功率和電流。在第T秒時，視在功率的原始功率波形集合定義為XT={x1,…,x64}，電流的原始電流波形集合定義為YT={y1,…,y64}，然后對兩個集合中的點進行Z變換，各維度的平均值和標準差分別為μ和σ。當對集合XT和YT中的所有元素進行Z變換后再進行歐氏距離計算。

2.4 電氣設備負載識別

負載識別分為兩個階段：(1) 采用學習階段的因子隱馬爾可夫模型(FHMM)對初始識別進行預測；(2) 將初始預測結果用于動態電力特征值間隔選取和負載識別。

2.4.1 FHMM的預測

隱馬爾可夫模型(HMM)采用連續觀測值進行操作，其概率結果由連續時間內的內部轉移概率和初始概率估計。本文以FHMM觀測值作為有功功率，使用Viterbi算法作為內部預測。Viterbi算法是一種用于查找隱藏狀態序列的動態規劃算法，通過動態規劃來確定所有時間點上概率最大的狀態。然而，對于某個時間點，FHMM給每個狀態賦予一個概率值。為了順利引入，定義由k(k≥1)個子集組合成的集合H，其中由FHMM預測的每個多重組合概率值為P(Ci)，1≤i≤k。

2.4.2 有效電力特征值的選擇

電力特征值間隔選擇分為兩個部分：當前信息組合和電力特征值組合。如果將所有負載工況組合創建文件，則數據存儲空間隨負載數量呈指數增長，不僅延長了訓練時間，而且延長了負載識別時間。因此，本文設計了現行的信息組合機制。利用單個電氣設備狀態的主要電流記錄，將FHMM狀態波形的預測組合合并。為了快速獲得所有狀態組合的電力特征值并降低識別時間的復雜度，將組合波形作為電氣設備配置文件。在驗證負載波形組合后，引入動態電力特征值間隔選擇。在此階段，提出了用電力特征值評估評分法來預測FHMM的多負載組合。電力特征值組合分數(PECS)的基本目的是為多負載組合計算T個電力特征值的組合分數。電力特征值的組合分數處理，如圖4所示。

圖4 電力特征值的組合分數處理

如果通過FHMM預測負載組合，則先前的電力特征值標準化(PES)將所有內部負載條件下的電力特征值,如式(1)。

(1)

當計算該電力特征值組合時，得到負載組合得分集(LCSS)，該集合表示組合Ci中電力特征值的總和,如式(2)。

LCSS(Ci)={PECS(f1),…,PECS(fT)}

(2)

對于動態電力特征值間隔選取，本文定義了集合,如式(3)。

F=Top(k%,Ci)

(3)

集合收集LCSS(Ci)中的最大(T×k%)電力特征值，集合的元素數量為(T×k%)個。

3 實驗評價

在實驗過程中，由智能電表以4ksps的采樣頻率對電力波形進行采樣，然后獲取平均波形，在此波形中每秒產生一個波形及其電力特征值。在上述過程中，完成所有負載的單態波形提取、電力特征值轉換和標準化，并建立FHMM及其高斯混合模型。

3.1 電力特征值的轉換和標準化

在電力特征值轉換中，利用CS5463電力計量芯片計算有功功率、無功功率、原始電流波形、原始電壓波形、功率因數等電能信息。選取17個電力特征值進行電氣設備負載識別。對17個特征值進行了歸一化處理。根據具體負載對17個電力特征值進行排序，值越大表示等級越高，即能更好地表示該電氣設備的電力特征值。為了檢驗動態電力特征值間隔選取與負載識別的關系，還需對負載工況組合進行分析。為了模擬負載的同時開啟/關閉，可使用多孔延長線進行輔助，從而可以同時打開多個電氣設備。在本文中，識別時間約為1h，由于識別次數是通過電力特征值轉換間隔算法計算，因此每次識別的負載工況組合的識別量可能不同。

3.2 隨機電氣設備識別

電氣設備負載識別使用FHMM預測來動態選取電力特征值間隔。本文分別選取前25%、50%和75%三種情況的電力特征值進行討論，并進行了負載識別分析。隨機單個負載下的電力特征值轉換數量和FHMM第一階段的預測識別結果,如表2和表3所示。

表2 隨機單個負載下的電力特征值轉換數量

由于本文選取17個電力特征值，因此，前25%為4種(17×25%)，50%為8種(17×50%)，75%為12種(17×75%)。此外，在動態電力特征值間隔選取時，本文定義了LCSS集和Top集，其中Top集使用指定的百分比作為參數，并將LCSS集中前幾個得分較高的電力特征值反饋給后續識別。在表2和表3中，在隨機單個負載的情況下，選擇前75%的電力特征值具有最大的識別率。

表3 隨機單個負載下FHMM第一階段的預測識別結果

4 總結

本文提出了一種面向大數據流量的交互式智能電網通信方法，包括電流波形采樣、電力特征值轉換、動態電力特征值間隔選取和電氣設備負載識別四個階段，利用動態電力特征值間隔算法的智能儀表測量原始電力數據并且進行動態電力特征值的識別。電力數據通過智能電表傳輸到云服務器，可以調節各種電氣設備的電力特征值以節省帶寬，還可以通過云中心監控設備的使用狀態。將動態電力特征值傳輸到云中心進行分析和預測，減輕了對智能電表計算能力的需求以及大數據傳輸導致的網絡帶寬沖突。有效降低智能電表與云計算中心之間的網絡帶寬消耗，從而為智能電網提供更好的服務。