基于并行計算的電能計量裝置故障診斷技術研究

李云鵬，金旭榮，張鑫瑞

(國網寧夏電力有限公司營銷服務中心(國網寧夏電力有限公司計量中心)，銀川 750001)

0 引 言

電能計量裝置故障診斷作為日常管理的一項重要工作，電能計量穿梭于電力生產、輸送、使用等各個環節，保證了電能計量的準確性。電能計量在建立公平、公正、有序的電力營銷市場方面也起到至關重要的作用。隨著電力系統中電能計量裝置越來越多樣化，不斷增加的數據信息也給電力系統帶來更大的壓力，裝置故障頻繁出現，每一個環節都會受到或多或少的影響[1]。因此，應定期對電網電能計量裝置進行誤差分析，對其運行狀況進行評價。電能市場對計量裝置故障診斷的需求非常迫切，為此一些學者開展了相關研究[2]。

文獻[3]研究了一種關口電能計量裝置智能故障診斷及預警技術，將大數據挖掘技術應用于并行計算，建立數據與任務并行化故障診斷模型，實現了電能計量設備異常運行特征的提取。該方法對故障診斷的精準度較高，但只能對設備異常運行故障進行估計，其余故障需要人工協助，造成大量工作負擔；文獻[4]研究了基于PCA-ELM算法的電能計量互感器故障診斷方法，選擇電能計量變壓器的8個主要信號作為ELM的輸入值，使用標簽No.1～No.10表示變壓器的正常工作狀態和9種主要故障類型，輸出診斷結果。該方法將ELM算法與PCA算法結合，快速獲得良好的泛化性能，可以提高算法的穩定性，實現了對電能計量裝置的診斷，但該算法的診斷效率較差；文獻[5]提出基于隱馬爾科夫模型的風能變流系統智能故障診斷技術，利用基于機器學習的隱馬爾可夫模型及主成分分析方法，能夠有效地提取和選擇HMM 分類器的特征，得到較為準確的風能變流系統智能故障類型。該方法的故障診斷精度較高，但診斷效率有待提升。

針對上述方法存在的問題，文章提出了基于并行計算的電能計量裝置故障診斷技術研究。并行計算是一種算法，它能同時進行許多計算和執行多個過程，不僅精度高，而且在一定程度上滿足人們的需要，為輸電、供電工程提供了方便。文章首先對電能計量裝置信息采樣，得到故障的準確信息后，對海量數據預處理，通過并行處理技術融合各種可能發生的故障資源，將所有故障信息進行聚類，分析其故障發生的原因。期望提高電能計量裝置診斷的速度與準確性，實現電能計量裝置的高效運行。

1 電能計量裝置數據處理

1.1 電能計量裝置信息采樣

對于電能計量裝置中的數據采樣是采用信息聚類的方法，在聚類過程中，可以提前預知信息的走向，便于后續的故障數據分析。當信息全部聚集在同一位置時，會根據特定的方式進行重組[6]，形成一個固定的傳輸模式，假設增加一個新的信息a，就會立即根據信息的特異性建立一個新的連接方式，隨著信息的不斷增加，信息a在移動過程中就會出現以下幾種狀態：

(1)a的狀態異常，周圍沒有與其相配對的相鄰信息，沒有起到核心的作用，由此可以將其稱為異常數據；

(2)與相鄰信息組成一個新的聚類，該信息具有核心點，且與其他信息無關，自行形成一個聚類；

(3)與現有信息融合，當信息的核心點恰好與其他信息相同，那么就可歸為同一類，滿足現有條件。在新的信息加入的過程中，所有的信息就要重新聚類計算，假設原來的信息對現有的信息的干擾因子為α，因此，當α=1時代表原來的數據與現在的數據具有相同的影響，當α=0時代表并不產生任何影響。設定存在一個原來的聚類βi，新形成的聚類為βi+1，那么其聚類的過程為：

(1)

式中ii+1代表現在的信息點的數量；ii代表原始信息點的數量；ai代表增加的信息點；ji代表增加的信息點數量。

當新加入的信息數量達到最多時，就會造成信息擁擠，一些原始的信息不堪壓迫就會被新的信息所代替，重新形成一個新的聚類，然后就會被裝置中的Map所記錄，完成最后的并行化處理。

1.2 數據預處理

得到故障的準確信息后，不能直接將數據應用到計算中，大量錯綜復雜的數據交叉縱橫、雜亂無章，所以要想獲取可利用的數據就要對海量的數據進行預處理。數據的難易程度是建立在裝置故障的嚴重程度上的，在沒有得到數據前就要完成數據的預處理，包括對數據進行打亂、結合、轉換、重組以及分類等，多個程序之后達到可計算的標準[7]。

采用閾值法對數據預處理，基于閾值的處理公式如下所示：

(2)

式中pi代表第i個指標的判別參數；P1(k)為第k個指標的出現概率。

基于上述計算，對電能計量裝置中的數據采集與處理，為故障診斷提供基礎。

2 基于并行計算的故障診斷模型構建

對于初始數據，將其與真實數據進行比較，同時得到兩種情況下的電壓以及電流的波動情況，多次計算，獲得準確數據。并行計算的原理即按照原計劃對樣本進行分割，并一一放入相關聯的中心處理器中，并保證每個節點都有相應的信息，最后逐一對各個節點進行統計，形成一個穩定的、規律的并行化故障診斷模型。在上述比較與分割中，需要建立判別函數，為此采用并行計算的方法來對數據處理，并行計算的處理過程如圖1所示。

根據圖1可知，基于并行計算方法，同時檢測多個電能計量裝置故障，將數據以及故障信息相互結合，實現故障診斷模型構建。

圖1 并行計算處理過程

將預處理后的電能計量裝置數據定義為：

I={i1,i2,i3,…,im}

(3)

式中I為電能計量裝置數據的集合；i為其中某個元素；m為數據量，整體就可以叫做一個項集。假設一個電能計量裝置數據庫D，將其定義為：

D={T1,T2,T3,…,Tn}

(4)

式中T代表電能計量裝置數據庫中的一個事務，且歸屬于集合I，而|D|代表事務的總數；n代表數量，若X、Y皆為T中的元素，且有X∩Y=φ，φ為兩個元素的共同向量，那么兩個事務之間的關聯為：

X?Y(S%,C%,I%}

(5)

式中S%為可利用的電能計量裝置數據在庫中的百分比[8]，并且滿足：

(6)

而C%代表在電能計量裝置數據庫中既含有X又含有Y的所占百分比，并且滿足條件：分子部分應為“|{T:X∩Y包含于T，T∈D}|”，分母部分應為“|D|”。

(7)

I%代表兩個元素X與Y之間的關聯性，那么則有：

(8)

式中P為剩余元素的集合，利用以上數據信息來建立一個判別函數，假如存在一個樣本{(x1,y1),…,(xN,yN)}，其中元素xi∈Rd，Rd為三維指數，N為整數，對相鄰元素yi進行標記，且yi∈{1,-1},i∈[1,N]，那么在平面上的函數方程式為：

y(x)=wTx+b

(9)

式中w為特征向量；b為常數項；兩個平面中的間隔平面為M，但要滿足以下條件：

(10)

上述不等式中的各個元素都是作為原始數據出現的，未經過任何處理，所以導致得到的診斷結果均不具有代表性，因此要對該公式進行統一處理[9]，并且要使樣本符合|y(x)|≥1，與分割面M的關系符合|y(x)|=1，則有：

yi(wTxi+b)≥1,i=1,…,N

(11)

(12)

再用拉格朗日法來對應目標函數：

(13)

式中L為元素庫；αi為拉格朗日因子，但其規定的具體條件公式為：

(14)

(15)

(16)

而其中含有的每個事務i的聚類函數[13]為：

(17)

式中Gc為函數；k為底數；j為相鄰元素；mi為事務庫中的中心；ci為誤差函數。

而對于元素j的函數公式[14]為：

(18)

式中wij為樣本；xi是否在數據庫中的比例，若wij=1，則在庫中，若wij=0，則不在數據庫中。

經過上述過程，利用并行計算方法將所有數據以及故障信息相互結合，并對其進行診斷，確定故障的區域，過程如圖2所示。

圖2 故障診斷基本流程

得到準確的診斷結果后，按照數據的種類進行分割[15]，若診斷結果沒有差錯，那么就代表裝置處于正常工作狀態，隨即就應該上傳到互聯網平臺。若診斷的結果與預測結果差距較大，那么就代表發生重大誤差，應立即停止，立即上報到所屬平臺，發出裝置故障信號，重新進行計算、檢測[16-20]。

互感器從電流、電壓兩方面入手，獲取基于電力計量誤差的測試結果。現以云平臺下多層級遠程檢測系統為前端框架，結合互感器電力計量誤差測試功能，實現電力計量誤差測試系統的設計。云平臺下多層級遠程檢測系統的總體架構如圖3所示。

圖3 云平臺下多層級遠程檢測系統的架構圖

圖3中，云平臺下多層級遠程檢測系統主要分為四層結構[21-22]，即電力計量裝置檢測與故障診斷層、平臺層、基礎層、邊緣層。

(1)電力計量裝置檢測與故障診斷層

電力計量裝置檢測與故障診斷層主要負責電力計量異構資源的整合工作，當系統接收電力計量數值超過可靈活分配的Copula函數時，系統會根據該層級的SaaS管理和SaaS服務穩定計量庫數據移動趨勢，并通過應用服務內的檢測設備，及時診斷電力計量異常信息。Copula函數的表達式如下：

(19)

(2)平臺層

平臺層通過接收來自電力計量裝置檢測與故障診斷層的穩定數據，并將該數據與電能開發環境深度融合，進而完成電力計量的管理工作。在平臺層中，電力計量穩定數據的深度融合主要依靠工業PaaS和通用aaS的支撐。

(3)基礎層

基礎層主要負責電力計量在服務器、存儲、網絡、虛擬化四大資源池化庫內的時效安全性及可靠性的監督工作。經過篩選的可測試電力計量數據將通過通訊網絡傳送至邊緣層。

(4)邊緣層

邊緣層作為系統的框架末端，主要負責電力計量的交互工作。系統以4G/5G無線網絡或有線光纖為傳送紐帶，將電子計量數據有效測量參數經過清洗、去噪后全部傳送至互感器接收口，為后續互感器電子計量誤差測試奠定基礎。

根據上述電力計量誤差現場測試結果設計基于PaaS賦能平臺[23-24]的互感器誤差測試模塊，互感器誤差測試模塊示意圖如圖4所示。

圖4 互感器誤差測試模塊示意圖

經過云平臺下多層級遠程檢測系統的電子計量數據以有效測量參數的形式通過互感器接收口進入PaaS賦能平臺，并在互感器的作用下，連續測試電子計量基于電流、電壓兩方面的誤差，最終實現電子計量誤差的測試。

3 實驗分析

為驗證提出的基于并行計算的電能計量裝置故障診斷技術的有效性，進行實驗，并將關口電能計量裝置故障診斷技術、基于PCA-ELM算法的診斷技術與其對比，驗證三種方法在實際場景中的應用效果。

3.1 電能計量裝置故障診斷正確率對比

分別采用所研究的故障診斷技術與關口電能計量裝置智能故障診斷技術、基于PCA-ELM算法的故障診斷技術對電壓診斷，并將三種診斷方法與實際的電壓值對比，對比三種方法的診斷正確率，結果如圖5所示。

圖5 電壓診斷結果對比

三種方法在電流上的診斷結果如圖6所示。

圖6 電流診斷結果對比

對比上述電壓診斷結果與電流診斷結果可知，此次提出的基于并行計算的電能計量裝置故障診斷技術獲得的電壓與電流與實際的值相差較小，診斷準確率較高。而關口電能計量裝置智能故障診斷技術、基于PCA-ELM算法的故障診斷技術的檢測結果與實際值具有一定的差距，正確率較低。

3.2 不同數據量下電能計量裝置故障診斷時間對比

此次實驗中共對100條數據測試，所有的故障類型如表1所示。

表1 電能計量裝置故障種類

三種方法在數據量為17 MB時電能計量裝置故障診斷時間對比結果如圖7所示。

圖7 數據量為17 MB時電能計量裝置故障診斷時間對比

三種故障診斷方法在數據量為1 024 MB時電能計量裝置故障診斷時間對比結果如圖8所示。

圖8 數據量為1 024 MB時電能計量裝置故障診斷時間對比

分析上述對比結果能夠發現，在故障數據量較少時，三種方法在各個故障類型的檢測上花費的時間均較少，少于1 024 MB時電能計量裝置故障診斷時間。經過對比可知本研究的電能計量裝置故障診斷技術在17 MB數據量與1 024 MB數據時花費的診斷時間都是最少的。

綜上，所研究的技術不僅提高了故障診斷正確率，還減少了故障診斷時間。

4 結束語

在電力系統的維護過程中，故障診斷技術至關重要，為此文中利用并行計算方法構建了一個新的電能計量裝置故障診斷技術。通過實際場景應用實驗得出，所提出技術獲得的電能計量裝置電壓與電流值與實際的值相差較小，故障診斷準確率可達95%，且在數據量為17 MB及1 024 MB時，該方法的診斷時間平均值分別為0.9 s及3.1 s，耗時均較短。不但有效地實現故障定位，還降低了診斷時間，維持了電能計量裝置的健康狀態。