物聯網環境下配電網端設備監測方法研究

國網遼寧省電力有限公司鞍山供電公司 李萬亮 王浩廷 趙 輝

1 緒論

1.1 物聯網技術在配電網中的應用狀況

目前配電物聯網成為電力物聯網的重要組成部分，配電物聯網能夠為用戶提供豐富的用能服務，進而提升了配電網絡的信息化和自動化水平，更大程度保障了用戶的安全用電水平。

當前有很多方法檢測物聯網終端數據的異常情況，這些方法多數利用物聯網量測數據診斷設備故障、量測傳感器離群值、識別離群數據。較少有對配電物聯網LTU網端設備數據異常檢測的研究，因此配電網端設備和主站設備的工作狀態難以及時進行自檢，也無法時時監控和識別故障設備，網端設備量測數據的準確性無法得到保障。

1.2 本研究的主要內容

本研究在總結配電物聯網數據異常檢測基礎上，結合物聯網數據異常來源識別的研究現狀，提出了配電物聯網端設備數據異常的監測方法，建構了異常狀態在線監測的整體框架，闡述了監測方法的關鍵技術。

2 相關理論研究

2.1 配電物聯網的概念

配電物聯網是新一代物聯網技術在配電網領域的具體應用，綜合應用物聯網、云計算、大數據、移動通信及人工智能技術實現用戶、用電設備、電網企業互聯，采用數字化技術滿足配電網供電安全需求，提升電能質量，提高管理效益水平。

2.2 配電物聯網數據的特征

配電物聯網數據的特征包括以下幾個方面。

一是數據結構化，數據多為數值型的結構化數據，電流、電壓用4個字節的標準浮點數據類型表示。二是流式數據，數據是一個動態的數據集合，集合是由大量的有序、迅速、連續到達的數據組成的一組序列，例如配電物聯網主站每天接收網端傳送的以“流”的形式匯集來的測量數據，這些數據不僅包括量測量，還包括量測時間等[1]。三是時序性，網端設備按照配電物聯網云主站設定的周期上傳數據，前一個時間節點的數據對于后續數據分析計算十分重要。四是高維性，數據具有大量的高維度性。五是時間相關性，因為網端設備周期性地上傳數據，所以相鄰時間間隔的量測數據具有連續性的同時具有高度的相關性，這種滿足特定的函數關系相關性叫做配電物聯網數據的時間相關性[2]。六是空間相關性，配電物聯網任意節點的量測數據同其物理距離相近、同監測區內的數據具有高度相關性，同時滿足特定的函數關系，稱之為空間相關性。七是多源異構性。

2.3 配電物聯網數據的處理方式

依據配電物聯網數據的特征，配電物聯網數據的處理方式應滿足以下需求。

一是應在歷史數據和實時量測數據結合的基礎上對配電物聯網數據進行分析與處理，這樣能夠大大提高數據的利用率。二是配電物聯網數據具有大量的高維度性，在進行數據處理時要首先降維處理，這樣可以減少對系統的內存占用，從而提高計算速度。三是配電物聯網的數據是流式數據，監測方法要能夠實時分析連續到達的數據，具備數據實時監測能力。

2.4 配電物聯網技術架構

配電物聯網技術架構如圖1所示，由感知層、網絡層、平臺層以及應用層等四個層面組成。

圖1 配電物聯網技術架構

一是感知層。感知層位于最末端，由電表、傳感器等各種類型的用電設備組成，這些終端設備能夠實時反映配電網絡的運行環境，同時能夠提供海量數據為智能決策做支持[3]，例如：對具有邊緣計算能力的智能開關可以實現自動控制，使拓撲結構的調整更加靈活，使配電網絡供電的可靠性、安全性得以保障和提升。

二是網絡層。網絡層指有線/無線傳輸網絡、移動通信網等通信方式。網絡層提供不同的通信方式，是配電網匯聚、傳輸信息和遠程控制的智能化平臺，數據傳輸通道中各種通信方式也可以融合，使應用更加靈活，當前網絡通信技術愈加先進，保障了末端數據的低延遲性傳輸，也能夠保障可靠性。

三是平臺層。感知層提供的海量數據存儲在平臺層，平臺層運用大數據技術、云計算技術對海量的數據進行聚合、分析與挖掘，對感知層的數據不斷更新與存儲，解決了數據冗余問題，能夠充分利用數據的價值，為應用層的智能決策提供數據支撐，實現數據高級應用[4]。

四是應用層。應用層綜合處理配電網絡系統的數據，針對不同業務提供數據支撐，實現智能決策。例如：配電網絡網絡架構優化、功率平衡、負荷預測、故障診斷、智能運維等，再如為用戶提供用電服務等個性化服務需求，對電動汽車提供柔性負荷接入支持，這些應用提升了配電網絡的綜合服務水平。

3 配電物聯網網端設備數據異常檢測方法

3.1 配電物聯網網端設備異常狀態在線監測整體策略

配電物聯網網端設備異常狀態監測分為兩個方面，分別是：基于改進DBSCAN算法的LTU節點數據異常在線監測、基于模糊邏輯系統的節點數據異常來源識別[5]。配電物聯網網端設備異常狀態監測整體框架如圖2所示。

圖2 配電物聯網網端設備異常狀態監測整體框架

3.2 基于改進DBSCAN算法網端設備異常監測方法

基于改進DBSCAN算法網端設備異常監測過程為：劃分數據時間片段→算法訓練→檢測異常數據。

3.2.1 劃分數據時間片段

對于配電物聯網中任意兩個LTU節點Xm和Xn在某一時刻相等的兩個量測時間序列：

本研究推導后提出判斷時間序列相似性準則：

式中，Djsd為Xm和Xn兩個時間序列間概率分布的相異性，其值由JS散度計算得出；Djsd為Xm和Xn兩個時間序列間幅值間的相似性，Dmis由歐氏距離計算得出；為錯誤模式距離。

3.2.2 算法訓練與異常監測

本研究提出的DBSCAN異常監測流程如圖3所示。DBSCAN異常監測方法解決了傳統監測方法動態性差、配電物聯網數據維數高、計算時間長、檢測實時性低等問題。DBSCAN異常監測方法充分利用了配電物聯網數據的時間相關性原理，將LTU量測數據的時間序列分為若干個時間片段，再采用算法對時間相關性進行訓練，算法訓練的結果為異常數據在線監測提供決策，這樣大大降低了數據維度。

圖3 DBSCAN異常監測流程

時間維度方面，DBSCAN異常監測方法中將LTU節點的量測數據劃分為一定周期長度L的時間片段，這個片段是能夠反映量測的一個時間序列。此方法中，設定周期長度為1d，再將整個周期進一步劃分為長度l的時間子片段，設定為15min。每個子時間片段作為整個時間片段的一個維度，該數據維度為： L/1。對于某個LTU節點Ω，設其兩個相鄰時間片段為Fi和Fj，根據公式1計算得出聚類分析輸入的數據點之間距離為：

在線監測實現方面，本研究采用基于DBSCAN聚類的LTU節點異常數據在線監測方法。具體過程分為兩個階段，基于DBSCAN聚類的LTU節點異常數據在線監測如圖4所示。

圖4 基于DBSCAN聚類的LTU節點異常數據在線監測

第一階段流程為：預處理歷史量測數據→選取訓練數據集→節點訓練。其中，訓練數據集從預處理結果中選取一定天數（L）的數據，數據集時序長度為Ntrain·L的訓練集，再訓練節點，根據訓練結果判斷每個LTU節點量測區域內數據是否為合理的數據變化特征集，結果中包含i個核心數據點即符合要求，核心數據點集為CorePts(i)。

第二階段流程為：計算核心數據點距離→判斷工作狀態。使用公式（2），將第一階段選取的數據點集進行計算，獲得新數據點與所有核心數據點的距離。再對該值進行判斷，數據點如果在某核心點的鄰域范圍內則為正常量測數據，如果不在范圍內則作為異常數據上報云主站，由物聯配電網主站分析異常數據來源。

3.3 評價指標

異常數據監測矩陣見表1，由表中混淆矩陣數據可知，異常數據檢測分類結果中包含異常數據為P類的需要檢測對象，正常數據為負類則不需要監測。

表1 異常數據監測矩陣

4 結語

本研究提出了基于聚類的DBSCAN物聯配電網端設備異常監測方法，探討了相關的數據計算公式及異常數據判斷方法，能夠較好解決異常數據源的判斷與分析問題。