大數據的電力計量裝置故障智能化診斷技術探究

馬 濤

（國網山西省電力公司澤州縣供電公司）

0 引言

從電力企業層面分析，電力計量工作發揮著重要作用，不但會影響企業整體經濟效益，同時還會影響電力用戶切身利益，特別是在電力計量設備出現問題故障條件下，如果技術人員未能立即處理便會導致電力資源大量流失，為此需要加強電力計量裝置故障智能化檢測技術研究，確保計量裝置故障問題得以準確、快速檢測，提升電力企業服務質量。

1 電力計量裝置常見故障和檢測方法分析

電力計量裝置中經常會遇到竊電、干擾和裝置等方面問題。竊電作為一種常見故障形式，主要由人為因素導致，部分人員為竊電會惡意損壞計量裝置和電網構件，從而影響裝置正常運行，導致裝置出現少測或停止測量等問題，嚴重情況下會破壞整個電網運行。干擾影響是指電網運行中的各種干擾因素，比如電網諧波容易使設備負荷頻率出現突增問題，從而產生計量誤差，嚴重情況下還會導致負計量。裝置方面問題即設備自身不足導致監測數據異常，比如出現回路異常、顯示故障和讀數不符合實際等問題。

在電力計量裝置出現故障后需要采取有效檢測方法，通常涵蓋以下幾種，第一是檢測電流，包括檢查斷路器、基變量、設備狀態、三相不平衡電流等內容，判斷設備能否自動恢復檢查。第二是檢測電壓，該環節需要對電網結構、斷路器狀態進行檢測，結合功率因數變化判斷是否出現異常和設備改動問題。第三是功率因數檢測，主要以數據幅值和數據大小為主，一旦發現相關數據不穩，需要及時采取有效處理技術，緩解功率因數問題。

2 大數據下電力計量裝置故障的智能化診斷

2.1 創建智能診斷知識庫

針對電力計量裝置創建智能診斷知識庫過程中，除了需要其擁有裝置運行數據存儲管理功能，同時還應該賦予其查詢、修整和刪除等功能。并向診斷知識庫內及時存儲各類監測、診斷數據，整個知識庫內需要記錄大量故障數據，還需要隨裝置運行發展不斷更新相關數據，便于對裝置故障進行準確診斷。

電力計量裝置相關智能診斷知識庫具體涵蓋兩部分，分別是專家知識庫和異常特征數據庫，其中不同部分都擁有其各自獨立管理機制。異常特征模塊對應管理機制可以分為三部分，即修改、刪除以及創建等模塊，而專家知識庫中也分為三種模塊，分別是數據導入、傳輸和變更調整模塊。電力計量裝置對應智能故障診斷知識庫需要針對不同界面實施統一管理，主要基于WEB實施協調管理，知識庫初步采集、存儲基礎數據后，需要進一步和異常特征、專家知識庫等進行綜合對比分析，進行科學分類。

不同故障診斷過程中，需要智能化故障診斷知識庫合理構建異常特征數據庫，并對電力計量裝置實際運行中所遇到各類故障異常特征進行全面提取，基于基礎特征創建故障模型。因為知識庫內異常特征數據庫無法全面記錄所有異常數據，因此為進一步對異常故障特征進行快速、準確判斷，需要做好定期維護、修改。通常情況下，電力計量裝置對應智能分析知識庫中會設置有海量異常特征信息庫，為預防其占據大量空間，需要對其中某些與實際不符的異常信息庫進行定期刪除，確保整個智能診斷數據庫保持充足空間。異常特征信息庫內含有大量數據信息，相關數據更新工作十分復雜，此次主要以六種較為常見的異常字段狀態信息創建異常種類表，見下表。

表 異常種類表

通過分析上表可以發現，異常種類表中細致記錄了各種異常狀況，基于上表能夠對各種特征編碼以及故障異常名字進行準確查詢。解析得到異常種類后，繼續研究裝置異常信息。知識庫內需要對各項專家規則進行詳細記錄，進行診斷中應該做好保存備份，基于條理性結構對在線信息實施準確記錄，便于技術人員查詢，改善錯用、亂用等問題。各個專家規則需要形成獨立邏輯，進行定期導出，做好維護更新，促進內部邏輯不斷擴展。知識庫內儲存信息主要以邏輯規則為主，基于相關邏輯規則能夠進一步解析異常特征編碼與裝置故障內在聯系。創建基礎知識庫能夠幫助準確診斷裝置性能。

2.2 故障在線監測

基于HADOOP分布式系統針對電力計量裝置做好實時監測。在具體監測過程中，首先需要對裝置內部存儲信息進行全面監測，內部存儲信息也是整個裝置運行的核心數據，會影響整個裝置的穩定、安全運行，同時存在較大基數，一旦在存儲數據中發現故障問題，便會影響整個電力計量裝置的有序運行，為此需要注重存儲數據監測。其次需要對數據訪問形式進行合理監測，一般情況下計量裝置相關數據信息主要利用流式數據訪問，假如數據無法通過該種形式訪問，便會導致問題發生。再次是對計量裝置支持大文件計量與否進行監測，處于正常狀態下，計量裝置普遍能夠支持數百GB或TB等大規模文件，并對其內部數據實施精準計量，假如無法計量大型文件，則存在較大故障幾率。最后是監測數據再平衡情況，電力計量裝置能夠按照預先設置限值，將某監測數據點轉移至另一數據點內，假如無法支持相關操作，代表裝置出現故障問題［1］。

2.3 異常信息診斷

通常情況下，各種異常信息會引發故障問題，通過對異常信息數據進行診斷便可以判斷裝置故障，針對監測數據和數據庫信息進行對比分析，辨別裝置是否產生故障，假如確定故障問題，應該繼續對故障分布位置進行判斷，包括異常信息的數量、大小和種類。具體診斷方向分為三種形式，即是否屬于計量異常信息、采集異常信息或用電設備異常數據。此次研究中主要以第一種計量異常信息診斷為主，計量裝置具體故障異常可以從以下層面表現出來：系統電力回路問題、電壓回路故障、時鐘記錄錯誤、電能表出現異常以及電池電壓不足等問題，電能表故障具體表現為顯示數值下降、飛走、停走等。電力計量裝置一旦發生故障問題需要即刻上報。

前文創建的專家知識庫內含有各種異常組合數據，全面、細致地記錄了各類異常信息發生幾率以及形成原因，為此可以借助知識庫進行故障診斷。此次研究中主要圍繞異常診斷下的故障原因進行分析。

將歷史異常特征統計結果設置為M。

將歷史異常原因統計結果設置為N。

基于M、N創建樸素貝葉斯網絡，具體如圖1所示。

圖1 樸素貝葉斯網絡

將內含異常特征的樣本設置為Mi，則：

對應含有該類特征樣本發生故障原因概率是P（Ni）。

式中，n表示歷史數據中產生異常數據次數。

式中，P（Ni｜M1，M3，…，Mn）屬于歷史數據內特定特征樣本記錄對應異常信息發生故障的原因概率。將閾值設置成0.5，并針對所得概率結果和閾值進行對比分析。

如果所得結果如上述內容，則診斷結果為是此原因造成的故障問題。

如果最終顯示為上述結果，則最終診斷結果是并非此原因造成的故障問題。結合上述計算活動輔助裝置故障診斷。把電流故障融入整個診斷計算活動中，假如診斷電流故障發生幾率超出0.5，則判斷是電流故障影響，使計量裝置產生運行故障，假如電流故障診斷發生幾率小于0.5，在判斷電流故障并非造成計量裝置運行誤差的主要因素［2］。

3 實驗驗證

進行實驗主要目的是檢測此次智能診斷方法的實際效果，并和傳統診斷措施進行對比分析，獲得最終結論。相關實驗參數設置如下：此次診斷通信系統為無線WIFI通信系統；運行電壓是500V；運行電流是500A；網絡通信協議為TCP／IP通信協議；SRAM容量為192KB；傳輸網絡主要是以太網；定時器設置16個；時鐘頻率設置為168MHz；線性度為0.01%；串口接口數量設置為6個；電流變比是1mA：1mA；采樣電路是A／D電路；數據庫設置為ORACLE數據庫；診斷時間是1h；工作頻率是1200Hz；診斷速度為150Mbps。

基于上述參數開展實驗分析，利用此次研究中的診斷技術和傳統診斷模式進行對比分析，對相同電力計量裝置展開同步診斷分析故障問題，設此裝置對應電能表、電壓回路以及時鐘序列各擁有六處缺陷故障，并對具體診斷結果準確率和診斷效率進行全面記錄，最終所得實驗結果如圖2所示。

圖2 診斷效率檢測結果

通過分析圖2可以發現，在診斷過程中，隨時間增加，兩種方法所檢測故障數量相繼擴大，但基于大數據的故障診斷技術能力要超出傳統技術診斷能力。傳統診斷模式下過度依賴人工經驗，無法準確辨別某些小型或新型故障。但利用智能故障診斷技術能夠對實際故障數量進行精準判斷。其中差距最為突出的以時鐘序列故障診斷為主，在診斷30min后，智能診斷技術初步得到準確的故障數量，但傳統方法卻無法偵測出來。通過分析電壓電流波形可以發現智能診斷方法下，所檢測有功功率誤差最大值是0.028%，但傳統檢測誤差最大為1.251%，由此判斷智能診斷方法擁有更好的準確度［3］。

4 結束語

綜上所述，傳統模式下的人工檢測電力計量裝置故障存在諸多缺陷不足，而利用大數據技術實施智能故障檢測，能夠進一步提升檢測結果準確性，優化檢測效率，提高檢測過程智能化水平，降低故障幾率。為此需要加強相關技術研究，合理構建診斷知識庫，對裝置運行狀態實施全面監測，及時采集各種異常信息，做好故障預警，輔助故障快速處理，保障計量裝置的平穩運行。