電能計量裝置異常狀態監測方法研究

劉衛新,胡春華

(1.國網新疆電力有限公司電力科學研究院,新疆 烏魯木齊 830000;2.煙臺東方威思頓電氣有限公司,山東 煙臺 264000)

0 引言

電能計量裝置是電力系統中的重要組成部分,用于對電能進行測量和監測,并為電力管理和經濟統計提供準確的電能數據。因此,保證電能計量裝置的正常運行對于電力系統的安全、穩定和可靠運行具有重要意義。然而,電能計量裝置長期存在老化、損耗和外界干擾等問題。這些問題會導致計量精度下降、誤差增大、數據異常等,嚴重影響電能數據的準確性。因此,對電能計量裝置的異常狀態進行監測并及時發現和處理異常,具有重要的研究意義和實際價值[1]。

為了掌握電力系統實時運行狀態、獲取更精確的電能計量數據,相關學者開展了研究。于海波等[2]通過有效值主元分析法采集電能計量裝置經二次信號回波后的互感器剩余統計量,并視該統計量為計量狀態檢測和異常參數定位的訓練樣本,將其輸入降噪模型進行優化。經過優化的統計量在實際工況下的計量誤差更大,因而可將經過優化的統計量輸入支持向量機中,以實現電能計量裝置狀態監測。但檢測信號容易受到電壓影響,導致電能計量裝置檢測狀態不穩定。王海元等[3]通過建立互感器等效電路模型,分析二次回路負荷對電能計量裝置誤差的影響,并在此基礎上,結合部分關口計量裝置實際與額定二次負載數據,定量分析二次回路負荷偏低導致的計量誤差變化情況。但該方法會對計量裝置產生運行不穩定的影響。于冰等[4]通過協議適配方案設計針對電能計量裝置的在線監測程序,以此獲取智能制造模式下電能計量裝置的電能表誤差、電流互感器運行誤差以及二次回路誤差。通過在監測程序中添加一項監控識別準確率較高的門限故障警示信號,可以實現電能計量裝置狀態監測。但該方法添加的信號強度波動性大,導致電能計量裝置監測數據擬合難度較大。

電能計量裝置狀態指標數據受功率譜諧波震顫強度影響,導致指標數據呈現高度混沌狀態,使數據的聚類性能存在缺陷。為此,本文提出基于改進聚類分析的電能計量裝置異常狀態監測方法。該方法通過改進聚類分析算法聚類電能計量裝置狀態指標數據,實現電能計量裝置狀態監測。

1 裝置狀態關鍵評估參數體系構建

使用金屬元素進行鍍層,一方面可以提高電能計量裝置插件的測量精度,另一方面間接降低了計量專用回路的電流和電壓額度。電能計量裝置具有兩面性,即在使用電能計量裝置進行電能計量的同時,也可以通過裝置的狀態監測功能來監測電力系統的狀態。考慮到電能計量裝置的兩面性,在構建電能計量裝置狀態評估體系時,需要將評估電能計量裝置狀態的指標細分為技術指標和參數指標。其中,技術指標是評價電能計量裝置各部件健康狀態的層次化指標。參數指標對應于技術指標,是各部件受干擾后產生的負荷電流、負荷電壓、功率因素或頻率波動等量化指標。本文忽略電路工況和電網環境帶來的諧波影響,僅將電能計量裝置在現場校驗時間段內的負荷瞬變表現視為狀態監測重心,根據當下電能計量裝置的運行特性,深入分析與電能計量裝置狀態密切相關的技術指標和參數指標。

1.1 電流、電壓互感器指標參數選取

電能計量裝置測量回路包括電壓互感器和電流互感器。電壓互感器由磁通密度高、電氣接觸良好的標準緊固件組成,在裝置中起到輸送電壓、輔助配置的作用。電流互感器由靜電放電頻率較高的硬質多股絞合線路組成,在裝置中起到輸送電流、分隔進線室和出線室的作用。

電流、電壓互感器拓撲結構和線路結構如圖1所示。

圖1 電流、電壓互感器拓撲結構和線路結構

正常情況下,電流、電壓互感器具有一定的載流能力,使互感器測量回路一組繞組和二次負載產生的綜合負荷始終維持在負荷點以內。但當電流、電壓互感器存在缺陷時,互感器載流會產生異常[5]。當綜合負荷失去低負荷點支撐,電能計量裝置會在幾分鐘甚至幾秒內出現數倍的電流和電壓負荷,使電能計量裝置故障。此時,電能計量裝置載流量異常,處于重點監測階段。由此可見,電流、電壓互感器缺陷具有評價電能計量裝置狀態的價值,屬于技術指標。與其對應的參數指標為載流量。載流量P為:

(1)

式中:mx為裝置倍率;my為缺陷程度量化結果,%;u為互感器機械強度,MPa。

1.2 電能表缺陷指標參數選取

電能表[6-7]作為結合了現場實測電磁波數據和實時監測狀態量數據的電子式合成波電能專用器件,在電能計量裝置中起到記錄功率譜諧波的作用。當電能表復位不及時或反復死機導致電能表缺陷時,電能計量裝置喪失電磁輻射能力。電磁場干擾將加重功率譜諧波震顫強度,造成電能計量裝置數據紊亂。由此可見,電能表缺陷具有評價電能計量裝置狀態的價值,屬于技術指標。與其對應的參數指標為功率譜諧波震顫強度。功率譜諧波震顫強度L為:

(2)

式中:θj為電能表卡內數據;j為每輪迭代誤差平方最小的子簇,j∈N+為正整數;a為電能表電源量;b為功率因數。

1.3 二次回路缺陷指標參數選取

二次回路由互感器二次端子、刀閘、端子間電纜和端子間電阻共同組成。電能計量裝置現場運行對二次回路的要求較為嚴苛,需要同時滿足環境濕度適宜、線纜連接不松動或脫落等多項標準限值。因此,現場運行條件下的二次回路常以合理組合配對的形式增加限值完成度。但這種形式必須承擔二次回路總電阻忽高忽低的風險。當產生二次回路缺陷時,電能計量裝置無法通過接點電阻連通各部件。總電阻持續增大,迫使電能計量裝置多項狀態量超出標準限值。因此,二次回路缺陷具有評價電能計量裝置狀態的價值,屬于技術指標。與其對應的參數指標為總電阻。

總電阻G為:

(3)

式中:h為導線橫截面積,mm2;δij為導線封閉性,%;c為二次導線的長度,m;i為簇中心標識,i∈N+為正整數。

2 電能計量裝置狀態監測方法的設計

2.1 數據多變量相空間重構

本節將第1節提出的電流/電壓互感器指標參數、電能表缺陷指標參數、二次回路缺陷指標參數視為待采數據,以挖掘兼具時效性和合理性的電能計量裝置參數指標。參數指標的挖掘結果H為:

(4)

式中:qi為分布概率,%;τ為時間延遲,ms;φ為多維混沌程度,%;yn為關聯維數,維。

經過挖掘的參數指標由于存在無規則非周期的多維混沌特性,尚不能作為訓練樣本輸入聚類算法中。想要獲取精確度更高的監測結果,需要在特征向量聚類前,優先將關聯維數和復雜度高的參數指標轉化為有序連續型數據,以降低初始數據維數、簡化數據運算體量。

多變量相空間重構[8]作為適用于智能通信技術和計算機處理相關技術的多維數據降維方法,主要通過重構無規則非周期序列,延長空間內任意時間點到鄰近時間點的距離,以達到交互虛假鄰點、優化空間內高維數據稀疏度并輸出嵌入維數最佳的樣本數據的目的。本文將參數指標與多變量相空間重構結合,可以在不改變數據從屬與類別映射關系的前提下,實現參數指標的有效降維。參數指標多維混沌特性函數M的表達式如式(5)所示。

(5)

式中:a′為樣本個數,個;z為經驗條件熵;xn為缺失值;xn+1為信息增益比。

多變量相空間重構結果Z為:

Z=gm+γU

(6)

式中:gm為鄰接數據之間的曼哈頓距離;γ為重構序列間隔;U為交互信息量。

經過多變量相空間重構的參數指標,在維度適配性上較為優越。想要通過聚類的方式實現電能計量裝置狀態監測,則需要在優化參數指標的基礎上提取互感器載流量、功率譜諧波震顫強度和總電阻的特征向量。從宏觀視角來看,特征向量指數據中最具識別特性的從屬值。其提取方法并不局限于單一內容,而是隨樣本數據的變化而變化。由于電流、電壓互感器指標參數和電能表缺陷指標參數以及二次回路缺陷指標參數均屬于電能計量裝置參數指標,因此這個參數特征向量在提取方式上較為統一。通過計算數據任意邊緣點與中心點間的距離,搜索兩點間凝聚力最大的子集,以確定最優特征與最優分割點,從而實現從屬值即特征向量的提取。邊緣點與中心點間的距離K為:

(7)

式中:λ為遞歸調用系數;s為計量管控水平。

(8)

式中:fik為三相電壓測量值誤差,V;fjk為電能表有功誤差。

2.2 改進聚類分析算法

聚類分析按度量模式具體分為K-Means聚類、均值漂移聚類、最大期望(expectation maximization,EM)算法等。在眾多聚類算法中,K-Means聚類[9]以其較為優越的深層信息剖析能力和計量自動化能力,常用于電力電子器件的狀態監測工作中。

K-Means聚類流程如圖2所示。

圖2 K-Means聚類流程圖

由圖2可知,將參數指標的特征向量作為訓練樣本與K-Means聚類結合后,算法通過選擇聚類中心[10]、計算特征向量與聚類中心距離,以實現特征向量的簇族分類。K-Means聚類過程為:

(9)

式中:dij為聚類中心的個數,個;i×j為簇族中心距離。

為了進一步提升K-Means聚類效率,本文引入蟻群算法優化聚類算法[11],利用該算法的數據獲取、處理、分析環節,明確簇族分類之間的關聯程度。具體改進步驟如下。

①輸入電能計量裝置狀態監測任務隊列。

我感到老婆的雙手一片冰涼，從她的體溫中，在她的眼神里，我感覺到了她對我的關愛，我還有什么理由拒絕她呢？更何況，聽說氣管里長東西，我的心也提到了嗓子眼，也更加傾向于在哈爾濱做。

②任務參數化。

③定義蟻群算法的相關參數。

④種群初始化。

⑤將相關參數代入到目標函數中,定義相似度參數,并計算數據撿拾和遺棄概率。

在觀察不同路徑的周圍區域時,本文通過蟻群優化聚類算法建立一個捕獲位置節點,在周圍網格區域中獲取最優路徑,得到最優相似度參數。本文假設螞蟻在t0時刻的所處位置為d。本文對具有相似特征數據的路徑進行串聯,得到的相似度結果如式(10)所示。

(10)

式中:ω為相似數值;L為歐幾里得距離函數。

根據式(10),可得對影響因素的撿拾概率p1和遺棄概率p2為:

(11)

式中:λ1為淺層影響數據之間的關聯程度;λ2為深層影響數據之間的關聯程度。

⑥從大到小排列相似度值,并保留最大的個體為算法的最優個體。

⑦結合最優個體的相似度更新信息素矩陣并獲取轉移概率化解矩陣,以推動群體向最優路徑移動,并剔除對電能計量裝置狀態監測沒有幫助的其他因素。

⑧判斷是否滿足結束條件。若滿足結束條件,則輸出求解結果;否則,回到步驟⑤。

根據上述求解結果,可以判斷電能計量裝置各項參數指標的劣化程度,實現電能計量裝置狀態監測。

3 試驗與結果

3.1 試驗設置

為了驗證改進聚類分析的電能計量裝置狀態監測的整體有效性,需進行試驗。

試驗場景如圖3所示。

圖3 試驗場景

試驗使用的電能計量裝置型號為CPMT-1600。該裝置相關參數如下:電壓測量精度為0.05%RD;電流測量精度為0.02%RD;電能測量精度為0.05%(10～1 000 V,1～300 A);輸出電能脈沖最高頻率為100 kHz;輸入電能脈沖頻率不大于500 Hz;電平為0～5 V。

電壓電平波形如圖4所示。

圖4 電壓電平波形

本文利用監視器(示波器)輸出電能計量裝置運行過程中產生的電壓電平波動情況,并以此為依據進行試驗。

3.2 結果分析

①箱型圖。

箱型圖又稱盒須圖或者箱線圖,由多組近似箱盒的四邊體組成。由于箱盒包括上界、下四分位線和下界,因此常作為限定標準以識別分散數據的異常情況。本文分別采用所提方法、文獻[2]方法和文獻[3]方法監測一年內電能計量裝置狀態。通過對比不同方法的監測結果,可以判斷不同方法對電能計量裝置狀態的監測性能。

不同方法的監測結果如圖5所示。

圖5 不同方法的監測結果

由圖5可知,大于或小于箱盒設定的上下界的數值即為異常值。采用所提方法監測電能計量裝置狀態,其異常值檢出率較高,說明所提方法的監測性能較強。這是因為所提方法在監測電能計量裝置狀態前,優先構建電能計量裝置狀態評估體系,深入分析與電能計量裝置狀態密切相關的技術指標與參數指標,并以此為基礎確定數據挖掘對象。采用文獻[2]方法和文獻[3]方法監測電能計量裝置狀態的異常值的檢出率較低。這說明文獻[2]方法和文獻[3]方法的監測性能較差。經上述對比可知,所提方法對電能計量裝置狀態的監測性能明顯優于傳統方法。

②回歸圖。

回歸技術常用于驗證預測算法的準確性。為了進一步驗證所提方法的實用性,試驗分別采用所提方法、文獻[2]方法和文獻[3]方法監測電能計量裝置狀態,并視不同方法監測到的正常值、異常值和預警值為預測值。試驗利用回歸方程將各預測值映射至三維空間,以觀察預測值與回歸平面的位置關系。若預測值排列在回歸平面上,則說明預測值與實際值的擬合率高。若預測值散亂地分布在回歸平面的四周,則說明預測值與實際值背離。回歸方程為:

A=β×κ

(12)

式中:A為預測值和實際值在回歸平面中的位置;β為預測值;κ為實際值。

不同方法的回歸圖如圖6所示。

圖6中,X、Y和Z為自變量、因變量和影響因素的取值。本文參考圖6中預測值與實際值的擬合率,在兩百臺樣本量下計算經不同方法監測所獲取的正常值、異常值和預警值的準確率。其中:所提方法的異常值、正常值和預警值分別為98%、100%和96%;文獻[2]方法的異常值、正常值和預警值分別為78%、89%和77%;文獻[3]方法的異常值、正常值和預警值分別為86%、91%和83%。因此,所提方法下各項預測值與實際值的擬合率和準確率較高,說明所提方法監測到的電能計量裝置狀態貼近實際工況。文獻[2]方法和文獻[3]方法下各項預測值與實際值的擬合率和準確率較低,說明文獻[2]方法和文獻[3]方法監測到的電能計量裝置狀態脫離實際工況。上述對比進一步驗證了所提方法的實用性。

4 結論

為了保證電能計量裝置在任意工況環境下都能輸出可靠數據,本文提出了基于蟻群算法改進聚類分析的電能計量裝置異常狀態監測方法。本文在分析電流/電壓互感器缺陷、電能表缺陷和二次回路缺陷的基礎上,構建電能計量裝置狀態評估體系。在此基礎上,本文通過多變量相空間重構監測數據,利用蟻群算法優化聚類分析算法,獲取最優監測數據和任務序列,實現電能計量裝置狀態監測。本文通過試驗得出以下結論。

①箱型圖對比試驗結果表明,用所提方法監測電能計量裝置狀態,其異常值檢出率較高。這說明所提方法的監測性能較強,對電能計量裝置狀態的監測性能明顯優于傳統方法。

②回歸圖對比試驗結果表明,所提方法下各項預測值與實際值的擬合率和準確率較高。這說明所提方法監測到的電能計量裝置狀態更貼近實際工況,進一步驗證了所提方法的實用性。

綜上可知,所提方法具有較好的監測精準度和監測性能。