電氣設備狀態監測方法研究

趙海東

（濟寧市兗州區地方建材服務中心，濟寧 272100）

為了更好地采取預防措施，避免發生安全事故，需要通過應用狀態監測技術，及時掌握電氣設備的運行狀態。目前，已有較多學者開展關于狀態監測技術的研究。艾精文等以輸變電設備為研究對象，探討了全景數據的輸變電設備狀態監測技術，通過搭建全方位全景信息模型監測輸變電設備的運行狀態[1]。郭西惠等以液壓設備為研究對象，搭建了以工控機虛擬儀器平臺為基礎的狀態監測模型[2]。由于網絡傳輸路徑的差異性，往往難以提前預知即將發生的問題。此外，分布式監測系統各節點在解析狀態數據包時所需的時間不同，因此當狀態數據流傳輸到數據流解析部分時，必定會出現實際發送次序與數據接收次序不同的問題，即時序混亂現象[3]。文章提出一種以數據流檢測技術為基礎的電氣設備狀態檢測方法，以期獲取更加準確的電氣設備狀態監測結果。

1 設備狀態監測預處理

1.1 數據流檢測下狀態數據分類處理

對任務A 進行解析，獲取時序性要求Q、實時性要求T、時間容錯率P及其時間參數ΔTd、ΔTf等相關參數，以及數據身份標識號碼（Identity Document，ID）的集合S。在狀態數據流ID∈S時，經一段時間運行后，窗口即可監測到數據的抵達頻率f。對所接收數據的接收時刻與發送時刻差值頻率進行擬合，構建數據傳輸解析的時延概率密度函數P(td)[4]。求得P(td)、T、P后，可得出滑窗緩沖時間ΔT。借助數據抵達頻率計算窗口數據緩沖數量K，并根據獲得的ΔTd、ΔTf和Q，計算數據的抵達時刻，得出相應的處理方法。

以K為分配依據，在系統總緩沖區為監測任務A分配滑動窗口，確保單獨的滑動窗口與各任務相互對應[5]。若總緩沖區缺少可分配的閑置區域，則根據比例重新分配和調整其他窗口。在任務相應分配到各個窗口后，滑動窗口開始執行數據流緩存操作，并按照數據延時情況，劃分成正常數據、失效數據和延時數據3 種數據，然后按照對應順序將數據傳輸到上層解析部分或丟棄。

1.2 數據流時序混亂問題解決方法

時間亂序概率主要受到數據傳輸時間td和發送頻率的影響。在實際監測過程中，為得到具體的時間亂序概率分布形式，可對各類長拖尾型概率分布函數進行擬合。

假定網絡延時概率密度函數為P(td)(0＜td＜∞)，狀態數據Di的發送頻率為f2，在Di有時間亂序現象時，其傳輸至解析部門的時間將比Di-1早。假設tdi、tdi-1分別為數據Di和Di-1的傳輸時長，兩者的關系為

tdi-1和tdi應滿足P(td)的獨立同分布形式[6]，為

狀態數據流經窗口處理后實時性和容錯率是否滿足要求是確定滑動窗口規格大小的基本原則。任務實時性要求為

式中：E(td)為發送數據到接收數據的時間差期望。E(td)的計算公式為

時間亂序概率經過ΔT規格的滑動窗口緩沖后應在P以下。如果滑動窗口中的原子狀態數據有K=ΔT×f的固定緩存數量，當滑動窗口接收到數據Dj時，將傳輸出最前面的數據Di。

若ΔT規格的滑窗在時間tc接收到數據Dj，結合臨界條件，滑窗將于時間tc-ΔT接收任務數據Di。若數據Dj傳輸時長為tdj，數據Di傳輸時長為tdi，則tc和tc-ΔT應滿足的關系為

式中：Tt為時間戳。

從發送時間來看，當Dj早于Di發送時，將導致Dj時間亂序，因此將Dj排列到滑窗前邊，確保只有在解析部分接收到Di時才接收Dj，盡量避免出現時序錯誤。整理后可得tdj和tdi應滿足P(td)的獨立同分布，為

為滿足容錯率P的要求，ΔT下限應滿足的要求為

因此，為確保監測時的時序性和容錯率滿足要求，滑窗規格ΔT應滿足的要求為

如果式（11）在計算時無解，說明容錯率和實時性不滿足要求，此時需調整對應的參數，以確保其有解后，執行后續操作。

2 數據流下電氣設備狀態監測

當采用數據流檢測技術監測設備狀態時，對處理時間和內存空間有較高要求，因此需采取核密度估計方法進行處理[6]。已知一組數據{x1,x2,…,xn}，其中xn為電氣設備任意狀態參數信息，其核密度估計為

式中：K(·)為核函數；h為數據傳輸速率；n為核函數需求量；Xi為核函數中心點。密度函數在寬帶增加時將逐漸平滑，且密度函數越小代表密度曲線與樣本的擬合程度越高。

多數情況下，簡單核與M核分別代表一個數據信息的核函數與多數據信息的核函數[7]。M核的核函數為

式中：ρ為權值。

如果核函數為滿足正態分布的高斯核函數，則可以描述為

若任意數據流有1 s 區間和1 ms 時間步進，則可以得到每100 ms 流量數據信息的階躍為100 kb·s-1，其數據流統計分布曲線如圖1 所示。

圖1 正態分布模擬數據流

將圖1 中的數據流帶入式（11），結果即核密度估計曲線。按照各數據流曲線變化情況，計算誤差即可獲取數據流流量。

擬合中心不同的2 個核函數即可建立非標準核函數，分析數據流密度。非標準核函數為

式中：Khi與Khj為附帶權值不同的核函數；Xi與Xj均為核函數對應的中心點；Xm*為中心點位；(ρi+ρj)Kh*m(x-Xm*)為ρi+ρj權值的核函數。

借助擬合時的誤差值ε即可判斷設備狀態。借助擬合核函數替代寬帶、權值均不同的2 個中心點鄰近的核函數總和時，計算公式為

當核函數是高斯函數時，核函數參數應滿足如下要求，即

式中：σ1、σ2均為誤差值；X1、X2為2 個中心點鄰近核函數的中心點；ρ1、ρ2為2 個中心點鄰近核函數的權值。

擬合后誤差E的計算公式為

根據式（18）所得的誤差值可以推算設備狀態。若誤差值滿足要求，則說明設備處于正常狀態，反之則說明設備處于非正常狀態。

3 仿真案例分析

在某數據集中隨機抽取數據流數據1 000 Mb，采用本文方法、文獻[1]方法以及文獻[2]方法監測某電氣設備狀態。根據所得數據流情況，判斷試驗結果。

3.1 仿真監測時域

各方法下的設備監測時域情況見圖2。從圖2 可以看出，借助數據流對設備狀態做出判斷時，本文方法的判斷結果接近于真實狀態，而文獻[1]方法和文獻[2]方法波動較大，且與真實狀態差距較大。

圖2 設備異常狀態監測時域圖

3.2 監測效果對比

設備狀態監測結果如表1 所示。從表1 可以看出，本文方法在數據流數據類型劃分上比文獻[1]方法和文獻[2]方法更準確，且異常數據監測量更多，監測率約96.70%，表明本文方法的有效性更高。

表1 設備狀態監測結果對比表

4 結論

（1）從電氣設備運行頻率監測曲線可以看出，本文方法的監測結果接近于真實狀態，即本文方法在電氣設備狀態監測結果上有較高的準確率。

（2）從設備狀態監測結果看，本文方法可監測更多異常數據，監測率達96.70%，說明查全率較高，可有效監測設備異常狀態。