關口電能計量裝置智能故障診斷及預警技術

王朝陽，張 紅

（1.國網河北省電力有限公司南宮市供電分公司，河北 南宮 055700；2.國網河北省電力有限公司邢臺市環城供電分公司，河北 邢臺 054000）

0 引 言

電能在電力發展工程中占據重要作用，是日常生活中不可或缺的能源。為了提高電能費用核算的精準性，電能計量廣泛應用在電力行業中。在傳統的現場人工檢驗過程中，關口電能計量裝置的檢驗工作量大、對二次回路的負荷要求高，通常采用遠程校驗方法檢驗關口電能計量裝置。對于操作狀況進行實時監控，可以及時預警異常問題，防止計量事故。目前，國內外對關口電能計量設備中的應用進行了研究，提出了一種基于全球定位系統（Global Positioning System，GPS）的同步采樣、無線通信技術，采集電壓電流數據，且將其傳輸到主站，通過故障診斷改善關口電能計量設備的監測效果[1]。

1 電能計量裝置概述

電能計量裝置指利用電能價格、電能指標等要素詳細記錄用戶耗電量的裝置。結構元器件主要包括液晶驅動、繼電器驅動、數據儲存以及微控制單元（Micro Controller Unit，MCU）等設備，根據其結構要素和工作原理，可將電能計量裝置分為感應式、機電一體式、電子式等類型。感應式電能計量設備是通過利用電磁感應原理，將電壓、相位、電流全部轉變為能量，即采用磁力矩旋轉圓盤，控制計度器進行正常工作，從而對整個電能開展計量工作。這種計量方式具有較強的特殊性，不會出現數據丟失問題，能直觀地將計量數據呈現出來。電子式電能計量裝置能實時收集用戶負載數據，如電壓、電流等，且將采集的數據轉換為脈沖信號，再采用模擬技術，模擬整個計量工作流程。

2 數據采集前置裝置的設計和改進

為了保證電能計量裝置遠程在線監測準確性能達到預期要求，工作人員要實時采樣現場數據，分別從電壓和電流采樣、總方案設計、脈沖同步設計等方面提高數據采集的精準度。在采樣電壓和電流數據時，要分析變電站電流受負荷因素的影響程度，避免時常出現大幅度波動現象。同時，要拓展電流互感器的動態范圍，在全量程范圍中具有較好的角差和比差。該裝置采用24 位Σ－△型芯片和零磁通互感器進行設計。在脈沖同步設計方面，采用同步波形采樣，將現場電壓、電流信號相連接，精準取樣高精度AD 芯片，得到高精準度設備信息，再將其內存保護單元（Memory Protection Unit，MPU）的串行外設接口（Serial Peripheral Interface，SPI）傳送至板載同步動態隨機存儲器（Synchronous Dynamic Random Access Memory，SDRAM），實時接收關口電能表的脈沖信號。另外，利用大數據技術進行打包整理，利用通信單位傳送至上方主站，并對其溫度收集功能進行監控。同步波形采樣流程如圖1 所示。

圖1 同步波形采樣流程

3 智能化故障診斷技術

3.1 大數據挖掘中并行計算

該方法基于并行編程環境消息傳遞接口（Message Passing Interface，MPI），構建電能計量設備的故障診斷并行平臺。其中，MPI是利用多種會議的傳輸標準，從而建立起一套完整的信息傳輸編程模型，可以支持C 語言、Fortran 語言，保證各種操作系統順利運行。使MPI 庫實現信息的傳輸計算，具有兼容性和方便性高等特點。與串行計算相比，并行計算注重計算多個處理器并發的執行情況，將順序執行的計算任務作為同步執行子任務，保障全部子任務能順利進行，從而達到預期要求。通常并行計算最常用在計算復雜問題方面，按照程序和算法進行設計，將其分為數據并行和任務并行。數據并行是將一個主要任務分解為幾個子任務；任務并行是同步執行這個主要任務，防止發生數據競爭問題，提高了數據的處理效率[2]。

3.2 支持向量機

在結構性風險最小原理和VC 維理論的基礎上，提出了一種新的分類器。與常規反向傳播（Back Propagation，BP）神經網絡相比，支持向量機（Support Vector Machines，SVM）一般會對非線性問題進行處理，從而解決BP 神經網絡樣本數目過大的問題。需要指出的是，因為SVM 是一種分類模型，所以在模式識別中應使用有必要的分類模型，以確定SVM 數量[3]。

3.3 基于并行算法和SVM 的智能化故障診斷模型

通過對電能計量裝置的故障進行診斷，得到了1個主節點和4 個子節點，采用數據并行和任務并行方式，通過向量機對電能計量裝置的運行情況進行診斷。目前，電力系統本體故障的種類有電力表本體故障、互感器本體故障等。針對這種情況，工作人員要利用反極性檢查、異常檢查等方法取得真實的電流、電壓數據，構建健全的故障診斷模型[4]。

3.3.1 建立數據并行化智能故障診斷模型

（1）建立數據并行化故障診斷模型。通過分析以往數據資源，對現有的數據進行診斷，從而有效利用現有的數據資源，獲得不同類型故障的電流、電壓等數據。將樣本數據傳輸到處理器中，每個子節點的支撐向量機均具備多樣化性能，且各子節點之間相互結合。各子節點是基于支持向量機的訓練，對各個子節點的權重進行合理的統計，建立了完善的并行化故障診斷模型。

（2）采用并行算法進行分析，完善數據并行化智能故障診斷模型，對電能計量設備的操作狀態進行診斷。利用數據采集裝置采集現場樣本，提取出電流、電壓樣本等信息，反映設備的運行狀態，將其作為故障診斷模塊的輸入信息。同時，采用故障診斷模塊中數據并行處理方法，通過支持向量機診斷電能計量設備的操作狀態，輸出各子節點的故障診斷結果。此外，利用數據并行化故障診斷模型，對各個子節點的權重進行分析，集中各節點的診斷結果，輸出權重較高的裝置運行狀態作為總節點[5]。

3.3.2 建立任務并行化智能故障診斷模型

建立任務并行故障診斷模型。利用以前數據，得出不同類型故障和正常運行時電流、電壓數據，橫向分割支持向量機處理單元，將各層核函數按照處理器數量進行科學分割，然后將各層核函數分布到相應的處理器上，從而使各處理器中的核函數具有輸出、輸入功能，并在處理器中進行權值相連。該方法利用大數據任務并行化方法實現，選取了支持向量機輸入量，將此類輸出值作為輸出值，對以前的數據進行訓練，并構建了并行故障診斷模型。

利用任務并行化智能故障診斷模型，獲得現場采樣數據，提取能反映設備運行狀態的相關數據，將相關信息輸入故障診斷模塊，支持向量機每層單獨診斷電能計量設備的工作狀態，科學診斷電能計量設備的實際情況。同時，利用數據并行化故障診斷模式中的各個子節點權重，對各個節點的診斷結果進行集中，輸出權重更高的設備運作狀態，以此來作為總節點。在總節點輸出電能計量裝置運行狀態下，當發生故障問題時，就會產生故障類型。

采用檔、打包壓縮等方式傳送海量的波形數據過程中，由于數據量較大，診斷流程過于復雜，工作人員要全面診斷，才能保證數據診斷的準確性。因此，文章提出大數據并行計算方法，解決了數據量大、診斷分析困難的問題，結合支持向量機SVM 智能診斷算法，進一步完善數據并行化智能故障診斷模型和任務并行化智能故障診斷模型[6-7]。

4 實例應用

針對所提出的關口電能計量設備的智能故障診斷和預警技術，利用電流、電壓等取樣資料，采用并行化構建智能故障診斷模型，診斷故障設備的關口電能計量裝置狀態，記錄故障設備數據，并以多種預警方法及時通知有關人員，避免計量故障。在線自動化管理系統的可視化界面如圖2 所示。

圖2 在線自動化管理系統的可視化界面

5 結 論

從目前的關口電能計量設備應用情況來看，關口電能計量設備嚴重缺乏實時監控故障診斷技術，存在取樣數據量大、診斷效果差、效率低等問題。針對該種情況，提出全新的數據采集設備，確保數據采集的準確性。利用大數據并行算法和支持向量機，構建數據并行化、任務并行化智能故障診斷模型，全面診斷電能計量設備運行故障狀態，自動記錄存在故障的設備，避免出現嚴重計量故障。