計及小信號穩定的智能電表通信故障同步診斷方法

芮光輝,薛曉慧,馬曉琴,李煒東,于洋洋,劉庚

(1. 國網青海省電力公司 a. 營銷部; b. 信通公司,青海 西寧 810008;2. 國網思極紫光(青島)微電子科技有限公司,北京 100081)

0 引言

中國電力系統實行的“一戶一表”政策已基本實現。目前智能電表數量大幅增加,智能電表在全國基本實現全覆蓋。當如此大量的智能電表真正投入運行時,需要對智能電表的運行可靠性進行嚴格監控,及時診斷和修復電表故障[1]。智能電表的結構復雜,通常由液晶屏幕和多種集成電路等元件構成,在發生故障時,一般將故障劃分為三大類,分別為:顯示故障、計量故障以及通信故障[2]。

對于智能電表來說,其內部的通信功能負責電表數據的采集與傳輸,如果出現通信故障,那就會發生用戶用電量的漏記或誤記,降低用戶對電力公司的信任,影響電力公司在社會上的口碑[3-4]。在智能電表通信故障的診斷中,因受到電表中小信號穩定性的干擾,影響最終故障診斷結果的準確性。因此本文提出一種計及小信號穩定的智能電表通信故障同步診斷方法。

1 通信故障同步診斷方法研究

1.1 建立智能電表通信結構

首先做好準備工作,收集智能電表在發生通信故障時的歷史數據以及資料,掌握智能電表結構。選擇智能電表中一個或多個不希望發生的事件,作為分析過程中的頂事件,對智能電表系統進行研究[5-6]。智能電表的通信功能模塊中,主要使用的是RS-485通信芯片,該型號芯片能夠通過光電耦合實現隔離。RS-485通信芯片的結構電路示意圖如圖1所示。

圖1 RS-485通信芯片接口電路

圖1中通信芯片接口電路內部的RO與RI端點的功能分別為通信信息接收的輸出與輸入,RE與DE之間的功能分別為接收使能端與發送使能端。在通信芯片處于半雙工狀態時,發送與接收過程是在同一個通道實現的[7-8]。

1.2 分析智能電表故障通信連接情況

智能電表通信網絡中的信息傳遞可以用一個通信網絡的形式表示,智能電表內部的通信主要由智能電表層網絡和通信過程層網絡決定[9]。各個網絡中的通信過程可以用有向圖來表示,如圖2所示。

圖2 智能電表通信端口連接關系示意圖

圖2中,實線代表通信過程中的物理連接,虛線表示邏輯連接。物理連接則是電表中電子元件與合并單元之間存在一定的連接關系[10-11],其中的邏輯連接關系可以用矩陣Cp×p來表示,圖2中的過程網絡邏輯連接用矩陣可以表示為

(1)

在通信端口的連接關系中,虛線的連接線如果從點a指向了點b,那么矩陣中的元素cab顯示為1,否則元素顯示為0[12]。目前我國所使用的智能電表中,常用是通過配置參數對過程層的網絡進行劃分,可以用矩陣vk×p來表示網絡中VLAN組的故障通信連接情況。邏輯連接關系矩陣Cp×p可以表示為

(2)

1.3 通信故障小信號穩定性優化

當智能電表通信過程產生故障時,電表內部會產生一些微弱的信號,根據這些微弱信號的振動變化,可以提高故障診斷的準確性。對于通信過程中的小信號,由于溫度和電磁干擾,可能會發生一系列變化。因此,在提取通信故障的小信號時,有必要對通信信號進行濾波,以確保提取的信號受到的外部干擾最小,保持穩定性。在這個過程中,智能電表中拆分元件的數量不斷增加,元件的操作能力也在不斷提高。

為了對智能電表中的通信故障小信號進行濾波操作,本文使用MAX291濾波電表中的小信號,濾波過程中,存在以下關系:

(3)

式中:fCLK表示智能電表中的時鐘頻率;fc表示截止頻率;fOSC表示小信號衰減到3dB時的截止頻率,該值范圍在0.1Hz～25kHz,需要保證整體信號的噪聲最低。在小信號濾波的過程中,高通濾波電路的傳遞函數Au(s)可以表示為

(4)

式中:s表示高通濾波電路中的傳遞因子;R1、R2則為高階濾波電路中的電阻;Aup(s)表示需要經過處理的小信號。為了防止智能電表中的自激振蕩影響小信號的穩定性,電阻值需要滿足

(5)

式中R3和R4表示低階濾波電路中的電阻,在以上條件下,小信號的計算公式為

(6)

按照上述計算公式的要求設置電阻值,可以有效防止小信號自激振蕩,保證故障同步診斷過程的準確性。

1.4 故障同步診斷方法

從智能電表檢修的歷史數據來看,所涉及到通信故障維修的數據中,可以將通信故障模式進行劃分。為了更加直觀地對智能電表進行故障分析,調查相關的通信故障原因,采用邏輯優化的方法建立故障樹模型[13],如圖3所示。

圖3 故障樹模型

在故障同步診斷過程中,在小信號穩定的情況下,通過對智能電表中的通信故障進行同步檢測,即根據所建立的故障樹,構造故障樹中每個事件的故障發生概率,此時,小信號穩定,則結合推理算法逐個篩選不同的情況,設置證據變量狀態。在同步進行通信過程中和故障診斷過程中,得到診斷事件過程中不同故障事件的發生概率變化如圖4所示。

圖4 智能電表通信故障后驗概率變化

在圖4的變化規律下,根據故障同步診斷過程中的時間點,能夠大致推測出故障的類型,再進一步加以確定,完成智能電表通信故障同步診斷方法設計。

2 實驗

2.1 實驗環境

對于智能電表來說,通信模塊的核心是RS-485總線,這是一種基礎的通信方式。根據智能電表的具體情況,設定實驗環境網絡。在測試過程中,搭建9臺SDH網絡傳輸設備并配備電力網管服務器ESAM。搭建的智能電表通信環境如圖5所示。

圖5 搭建測試環境

在圖5的測試環境中,對智能電表的通信故障進行人為設置。對各個SDH進行物理連接,根據智能電表在日常應用中常見的故障類型,基于電表的歷史數據,設定智能電表在通信中發生的故障類型以及其對應的歸一化權值如表1所示。

表1 智能電表通信不同故障類型歸一化權值表

在以上的實驗環境下,對各個設備之間的物理連接進行檢查,完成創建配置網元、時鐘同步等調試之后,分別使用本文設計的計及小信號穩定的智能電表通信故障同步診斷方法和傳統的基于貝葉斯網絡的電網復雜故障推演新方法[14]進行測試,調整測試過程中的參數,對比兩方法的故障診斷準確率。

2.2 實驗結果對比

在實驗中,分別設置不同的學習率并根據樣本集的特點設計診斷方法的訓練網絡結構,基于該結構進行訓練,得到學習率為0.01時兩種診斷方法下的損失值、準確率變化情況分別如圖6、圖7所示。

圖6 不同通信故障診斷方法損失值

圖7 不同通信故障診斷方法診斷準確率

從圖6和圖7中可以看出,傳統的貝葉斯網絡診斷方法在學習率為0.01時,診斷方法的測試損失值在4.03～4.07之間振蕩,沒有下降的趨勢。準確率經過多次迭代之后,保持在0.7上下浮動。而本文診斷方法的測試損失值在3.90～3.95之間振蕩,準確率經過多次迭代之后,能夠達到0.95以上。但是兩種方法在學習率為0.01的情況下都沒有收斂的趨勢,因此調整學習率,得到不同學習率情況下,兩種診斷方法經過50次迭代后的診斷準確率,如表2所示。

表2 不同學習率下診斷方法的準確率

從表2中的數據變化可以看出,隨著學習率不斷下降,兩種方法的診斷準確率均有一定程度上升,降低到0.005時,準確率達到頂峰,貝葉斯網絡診斷方法的準確率為0.904,本文方法的診斷準確率為0.982。

2.3 應用實驗

對某電表廠生產的包括因各類原因拆回的電表、終端、互感器等計量器具高達15萬只,隨機抽取共計1 400只智能電表進行分析,其中,每一只需通過人工接收分類、派工分選檢測、手動清洗入庫等步驟,讀取條碼、識別外觀并記錄。有缺陷的,拍照上傳,狀態自動更新為待報廢;條碼無法識別的推出輸送線由人工處理;再進行壓縮空氣吹洗,完畢后流轉至倉位檢測。

設同步診斷概率為3級,其中,1級為小于35%;2級為大于35%,小于75%;3級為大于75%,其診斷結果如表3所示。

表3 故障事件同步診斷結果

由表3可知,將同步故障概率分級后,可以明確給出故障原因,其中,故障編號為1,2,5,6,9的每個通信故障只對應一個故障原因,為信號干擾,說明故障樹的節點具有唯一性,形成“通信故障—歷史數據—同步診斷通信故障—故障類型識別—概率分級—歷史數據”的閉環邏輯,通信故障模式劃分較為直觀明了,符合實際應用需求。

3 結語

針對智能電表在通信過程中所產生的故障同步診斷方法進行了優化,在同步診斷中,計及通信過程中的小信號穩定性,利用網絡層有向圖的形式分析智能電表故障通信連接情況,濾除發生頻率高、影響大范圍計量誤差的小信號噪聲,對于提高最終的故障診斷結果有良好的效果。

本方法雖然在故障診斷方面取得了一定的成績,但也只是進行了初步的研究與探索,在以后的工作中,還可以在電表通信故障發生之前,通過小信號的變化進行預測和判斷,從其故障危害性的角度進一步考慮。