時間序列小電流接地故障診斷預測研究?開源邊緣工業洞見軟件平臺參考架構的實現
——借鑒英特爾

寧夏大唐國際青銅峽風電有限責任公司楊真 平高集團有限公司劉易雄 國網北京電力經濟技術研究院有限公司舒彬南京好碩杰科技有限公司張永號 安徽合凱電氣科技股份有限公司郭耀華 中國電力技術市場協會尹松英特爾亞太研發有限公司 孟祥宇 竺樹銘 姚洋 史毅磊 王海濤 王愛喜

小電流接地故障指小電流接地系統的單相接地故障。一般來說，故障診斷包含兩個方面，一個是在故障發生時，找出故障發生的位置，并給出解決的措施；另一個是對故障做出早期診斷，即故障還未發生時，就給出預測，以避免故障的產生。很多學者在這方面也做了一些工作，郭小定等提出了一種基于經驗小波分析的小電流接地系統單相接地故障選線方法；邱進等提出了一種基于現場實錄波形的小電流接地故障暫態選線方法；肖小兵等提出了一種適用于小電流接地系統的暫態特征型故障指示器技術研究方案；饒獻文等學者提出了一系列小電流接地系統單相接地故障診斷技術。這些方法均在某些方面展現出了良好的檢測效果。

時間序列的分析方法基于隨機過程理論和數理統計學方法，可以根據預測目標的當前和歷史數據，來推斷其未來數據的變化和趨勢。傳統的時間序列的分析方法更多是基于經驗和規則的判斷，準確率不高，時效性不強。隨著人工智能、大數據、工業物聯網等技術的蓬勃發展，基于AI技術的時間序列預測方法在產量預測、供應鏈預測、銷量預測、智能運維、電力負載預測等多個領域中發揮越來越重要的作用。通過AI 方法，例如回歸、聚類、決策樹等模型的引入，得以在海量時序數據中厘清頭緒，并結合科學的邏輯推理算法來做出預測，使預測效率和準確率大為提升。

鑒于基于AI技術的時間序列方法的有效性，本文選用基于機器學習的時間序列分析方法對小電流接地故障診斷預測。

基于機器學習的時間序列分析方法

機器學習方法是時間序列預測解決方法中常見的算法，尤其是各類基于樹的機器學習方法，常用的有XGBoost、隨機森林以及SVM等。本文采用隨機森林的方法。

隨機森林是以決策樹為基礎的機器學習算法。作為一個樹形結構，決策樹構建時會將數據劃分為具有相似值的子集，其每一個非葉節點都是一個特征屬性的測試，并由這些測試來產生許多分支，每個分支就是某個值域的輸出子集。而最終的每個葉子，就是輸出預測結果的數據。

隨機森林是用隨機的方式構建的一個相互不關聯的決策樹森林，當有一個新的樣本進入隨機森林，就讓每一棵決策樹都進行一次判斷，計算樣本的分類，然后看被哪一類選擇最多，從而得到預測樣本的歸類。

隨機森林使用的是bagging，即從原始樣本集中抽取訓練集，每輪使用bootstraping的方法抽取n個訓練樣本，然后放回（在訓練集中，有些樣本可能被多次抽取到，而有些樣本可能一次都沒有被抽中）。經過n輪抽取，得到n個訓練集（n個訓練集之間是相互獨立的）。每次使用一個訓練集得到一個模型，n個訓練集共得到n個模型。由于是隨機采樣，這樣每次的采樣集是和原始樣本集不同的，和其他采樣集也是不同的，這樣得到的個體學習器也是不同的。再對這n個個體學習器通過集合策略來得到最終的輸出。

對于結合策略，本文采用投票法，將上步得到的n個結果采用投票的方式得到分類結果。投票法類似我們生活中的投票，如果每個學習器的權值都是一樣的。有絕對投票法，也就是票數過半；相對投票法，少數服從多數。如果有加權，依然是少數服從多數，只不過這里面的數是加權后的。

小電流接地故障的方法分析

為了對小電流接地故障進行分析和實驗研究，我們設計了XXX-561智能監控裝置，主要用于光伏系統或者分支線路的單相接地判斷。如果光伏系統或者分支線路發生單相接地，則快速切斷并網或者進線開關，防止影響擴大到電網。當電網測發生接地故障時，與本出線回路無關，設備不跳閘。

接地判斷通過零序電流或者零序電壓幅值，加進線零序方向和出線零序電流平衡度來判斷。

本裝置采用實時計算各保護元件的方式，不再設置專門的啟動元件，所有元件均實時計算出，相對簡化了保護邏輯，以利于提高保護裝置的整體可靠性。

下面以5路出線的光伏系統為例來說明，如圖1所示。

I0jx：進線零序電流；I01～I05：出線零序電流；3U0：母線開口三角電壓。

裝置取進線零序電流I0jx、出線零序電流I01～I05以及開口電壓3U0作為接地方向判斷。

取每一路出線開關的一副常閉位置接點，當開關處于分位時，此路出線不參與判斷邏輯。

零序電流最大值I0max:

進線零序電流I0jx以及所有有效出線（開關合位）零序電流的最大值。

單相接地：

裝置取零序電流最大值I0max或者3U0作為是否產生接地的判斷，大于設置的定值時，判斷為接地。接地的方向通過進線零序電流I0jx的方向元件和出線零序電流平衡度I0ph來綜合判斷。當最大零序電流發生在出線時，零序電流方向元件自動失效，通過出線零序平衡度來判斷接地側。

借鑒英特爾?開源邊緣工業洞見軟件平臺參考架構，加速時間序列應用部署

上文中詳細介紹了小電流故障診斷預測系統的實現原理、過程與方法，其中包括了數據采集、數據存儲、數據分析與數據顯示，本部分將介紹如何借鑒英特爾?開源邊緣洞見軟件平臺的集成軟件與算法作為邊緣計算架構和基礎算法框架參考，將診斷預測機制快速部署到邊緣計算平臺中。

英特爾?開源工業邊緣洞見平臺

英特爾?工業邊緣洞見軟件平臺（Edge Insights for industrial）是英特爾?為加速工業應用在邊緣平臺上快速落地與部署而開發的開源軟件框架。該框架易于部署在最接近數據產生源頭的邊緣設備上，通過傳輸相關控制信息來使視覺數據或時序數據的快速注入，并快速完成對數據的存儲與分析，將分析結果展現在輸出設備中。

圖2 工業邊緣洞見軟件平臺軟件框圖

開源軟件框架簡介

圖2為英特爾?開源邊緣洞見軟件平臺的框架圖。該系統中使用了Docker 容器化技術，為開發者設計了眾多容器化組件如視覺注入組件（Video Ingestion）來適配類視覺輸入設備，完成圖像的預處理或編解碼；視覺分析組件（VideoAnalytics）來對視覺數據進行AI 分析，橋組件（Bridge）用來連接外部邊緣應用等等。這些分立的容器化組件最終都連接到了一條內部的高速總線（EIS internal messagebus）上來進行相互信息的傳遞與同步。該高速總線在設計時使用了第三方開源消息庫ZeroMQ，并對其進行了抽象與封裝，使各容器可以在該總線上使用TCP或者IPC模式進行消息的訂閱與發布。算法和軟件開發者也可設計符合自身產品特性的容器掛載在總線中，集成自己的場景應用。

時序數據邊緣應用部署的關鍵問題

針對本文在小電流接地故障診斷系統中所使用的基于時間序列的機器學習分析方法，英特爾?在開源邊緣洞見軟件平臺中設計了“時間敏感型數據注入與分析”組件，幫助開發者將該基于時間序列的小電流接地故障診斷預測方案快速部署在邊緣智能設備中。時序數據的應用通常需要解決以下四類問題。

（1）時序數據收集-電力世界中數據的來源方式眾多，它可能來自各類應用程序、電力傳感器、網絡路由器、電力設備，甚至是我們手邊的巡檢設備如手持儀表、巡檢機器人等。如何收集這些數據并對他們進行可靠的管理，為最終的分析做準備，是時序數據應用需要解決的首要問題。

（2）時序數據存儲-數據收集之后，如何對數據進行存儲，以及及時地更新與調度。

（3）時序數據處理-如何將算法注入，并對數據進行分析，診斷即將出現問題的原因，給出警告，作出預防。

（4）時序數據顯示-如何創建一個友好的人機交互界面幫助運維人員快速理解分析結果，并掌握其工作模式。

時間敏感型數據注入與分析組件

為了解決上述提及的時間序列應用部署的四個關鍵問題，英特爾?在開源的邊緣洞見軟件平臺中設計了“時間敏感型數據注入與分析”組件，如圖3 所示，其中集成并封裝了“TICK”四大開源組件。

（1）Telegraf-Telegraf是一款開源代理程序，使用該程序及其眾多的開源插件，可以輕松完成數據收集、處理以及整合。

圖3 時間敏感型數據注入與分析組件

（2）InfluxDB-InfluxDB 是由InfluxData 開發的一款開源實時型數據庫，可以高效完成數據查詢，并存儲時序數據，在物聯網領域有著廣泛的應用場景。

（3）Chronograf-Chronograf 是由InfluxData 開發的開源可視化人機交互界面，可以在網頁中清晰展示存儲在InfluxDB中的時序數據。

（4）Kapacitor-Kapacitor是最后一個開源技術棧，它是一套專用于時序數據處理的開源引擎，支持流數據（stream）和批數據（batch）兩種類型的數據處理模式，用戶可以根據產品的需求，編寫用戶定義函數（UDF-User defined functions）集成到Kapacitor中，通過腳本配置來定義報警的規則及對應的服務。

在本文中基于“機器學習的時間序列分析方案”在終端部署時，我們使用Telegraf 采樣“智能監控裝置”中的電流數據，開發人員可以使用Mqtt 等網絡通信協議獲取監控裝置中的數據，并通過洞見平臺中的高速總線（EIS internal messagebus）將所有的歷史數據存入實時數據庫InfluxDB中。將推理所需要的“隨機森林bagging抽取模式以及投票法則”編寫為AI 應用（python，C++，go 皆可）集成進Kapacitor 開源引擎中，進行小電流接地的故障診斷。運維人員可以通過Chronograf展示的人機交互界面清晰地看到數據的處理結果，快速發現故障設備并進行準確地定位與搶修。

圖4 Chronograf人機交互界面數據展示

小電流接地故障的判斷結果

根據小電流故障接地的幾種情況，進行了相應的實驗設計，包括弧光接地、金屬接地和電阻接地（500 歐姆和1000歐姆），下面根據實驗結果分別進行分析。

弧光接地

弧光接地的實驗設計包括內網和外網，每種情況又分為母線和其他線路，實驗結果如圖5至圖8所示。

由圖5至圖6可以看出，在內網和外網故障下，零序電流的時間序列有很大差別，可以看出，線路對地絕緣劣化存在薄弱點，發生了弧光接地，可以進一步根據各個線路之間零序電流的時間序列排列比較，推斷出故障點所在線路。

圖5 內網母線弧光接地

圖6 內網線路弧光接地

圖7 外網母線弧光接地

圖8 外網線路弧光接地

金屬接地

金屬接地的實驗設計包括內網和外網，每種情況又分為母線和其他線路，實驗結果如圖6至圖9所示。

由圖9 至圖12 可以看出，在內網和外網故障下，零序電流的時間序列不同，可以看出，因導體搭接接地，接地相和大地之間形成穩定的阻性通路，進一步根據各個線路之間零序電流的時間序列排列比較，可以推斷出故障點所在線路。

圖9 內網母線金屬接地

圖11 外網母線金屬接地

圖12 外網線路金屬接地

電阻接地

電阻接地的實驗設計包括內網和外網，每種情況又分為母線和其他線路。針對電阻的歐姆值不同，設計了500歐姆和1000歐姆兩種情況的實驗，500歐姆的實驗結果如圖10至圖13所示。

1000歐姆的實驗結果如圖17至圖18所示。

圖13 內網母線500歐姆電阻接地

圖14 內網線路500歐姆電阻接地

圖15 外網母線500歐姆電阻接地

圖16 外網線路500歐姆電阻接地

圖17 內網線路1000歐姆電阻接地

圖18 外網母線1000歐姆電阻接地

由圖13至圖18可以看出，電阻接地的情況下，在內網和外網故障下，零序電流的時間序列不同，可以看出，電阻接地時，接地相和大地之間形成穩定的較大阻值通路。因導體搭接接地，接地相和大地之間形成穩定的阻性通路，根據各個線路之間零序電流的時間序列排列比較，可以進一步推斷出故障點所在線路。

總結

本文主要利用基于機器學習的時間序列分析方法對小電流接地故障診斷進行預測，提出了一種全新的處理接地故障的新思路，并針對弧光接地、金屬接地、電阻接地（包括500歐姆和1000 歐姆）三種情況分別進行了實驗設計，實驗結果也表明了本文所提方法的有效性。同時，基于英特爾?邊緣工業洞見軟件平臺中的時間敏感型數據注入與分析組件，充分利用已集成的TICK 四大開源程序完成數據收集、數據存儲、數據處理、數據顯示四大關鍵步驟，將該時間序列分析方法快速部署到邊緣設備中，完成算法的落地與產品化。

實際應用表明本文所提的方法在保證100%判斷準確性的基礎上，將判斷的速度從百毫秒級提高到了十毫秒級，大大提高了判斷效率。該方法能夠快速準確判別接地點故障是發生在公網還是光伏廠區內，以便合凱快速斷路器主動干預接地相故障，在毫秒級的響應周期快速截斷接地點放弧電流。該算法不僅預防了接地事故蔓延，增強了新能源項目安全水平，還能維持光伏電廠繼續發電，提高了經濟效益。■