基于数据挖掘技术的电能质量在线监测系统设计研究
2022-07-12钟云南曾智郑蔚涛李霄铭吴少平
钟云南， 曾智， 郑蔚涛， 李霄铭， 吴少平
(1.国网福建省电力有限公司， 福建,福州 350000； 2.国网福建省电力有限公司三明供电公司, 福建,三明 365001； 3.国网福建省电力有限公司信息通信分公司， 福建,福州 350000； 4.国网信通亿力科技有限责任公司， 福建,福州 350003)
0 引言
电能质量直接反映出供电企业提供的电流品质，理想情况下供电企业应该提供频率恒定、正弦波标准、电压稳定的持续电能，但实际生活中总会出现各类问题，主要表现在电压、电流及频率偏差。由于电能不方便存储，生产、传输、分配、转换及消耗几乎是在同时进行，其中生产方、传输方、消费方是动态变化的一个整体，共同影响电能质量。监测的各项指标也一直处于动态变化之中，扰动因素又具有极大的危害性和广泛的传播性，基于以上种种因素，开发一个电能质量监测系统显得尤为重要，通过对原始数据的采集、筛选、处理达到质量监测、分析，挖掘潜在的根本原因，为针对性的制定改进措施提供数据基础。
1 系统需求分析
1.1 大数据环境下分析趋势
大数据时代，利用大数据存储模型保存海量的电能质量监测数据，通过大数据逻辑架构构建基于大数据的电能质量分析指标体系，利用数据挖掘技术对电能质量数据进行关联分析，进而快速配网，提升电能质量成为了最新趋势[1]。
1.2 系统设计原则
(1) 实用性：电能质量监测分析必须先将核心功能做精做细，实用第一。
(2) 先进性：采用先进技术架构、分析算法，提高结构化程度，提升系统的可扩展性、兼容性。
(3) 容灾性：为确保系统可在不同硬件、网络、操作系统中稳定运行，需保证设计时的容错性及自我修复能力。
(4) 安全性：充分考虑网络安全、数据安全因素，提供账密权限控制。
(5) 标准性：采用主流技术，提供标准化接口，提升系统扩展性，形式业务模式。
2 数据挖掘体系模型构建
2.1 电能质量监测指标
电能质量分析主要包括稳态分析和暂态分析两大类，其中稳态分析包括谐波、电压闪变、频率偏差等，暂态分析包括电压骤升骤降、电压中断等。国家相关部门也制定了相对合理的电能质量标准，指标特征如表1所示。
表1 电能质量一览表
(1) 谐波
谐波是不同频率和幅值的电压及电流引起的畸变正弦波，非线性电力电子设备，开关电源、变频器、逆变器等都会诱发谐波的生成。总谐波畸变率THD是关键指标。
(1)
(2) 三相不平衡是指A相、B相、C相之间电压电流幅值差不为0且超出合理范围。其中不平衡度是关键指标，分为事故性和正常性两类[2]。
(2)
(3)
其中,α表示旋转算子,V1表示正序分量,V2表示负序分量,VA、VB、VC表示三相电压。
(3) 电压闪变
电压闪变简而言之就是说电压有效值波动，表现在日常生活中就是灯光亮度变化，直接感官可察不稳定效果，关键指标是电压长时间闪变。
(4)
其中,PIt表示上时闪变值,N表示测量时段内短时闪变值个数,Pstj表示短时闪变值。
(4) 电压骤升骤降
在额定值基础上瞬时提升1到8个百分点或瞬时下降1到9个百分点，持续时间和幅值都是关键参数。
2.2 数据存储方案
MongoDB是一种介于关系数据库与非关系数据库之间的分布式存储系统，支持松散的数据结构，采用内存映射，对于结构复杂的数据类型非常适合。Redis是开源的键值对模型数据库，性能很快，属于内存数据库，数据写入写出速率大幅提升，而且具备数据持久化特性，并提供多种API接口，支持的存储类型多样，与MongoDB一样均可应用到电能质量监测系统的数据存储方案之中，两者比较如表2所示。
表2 MongoDB与Redis对比
由此可得出结论，这2种数据存储在海量数据处理方便各有优势，本文设计了结合两种数据库的存储架构，既利用MongoDB的高效读写性能，也利用Redis的原子性持久性，以此解决电能质量监测系统的存储难题，总体结构如图1所示。
图1 大数据存储总体结构
2.3 数据挖掘模型
MapReduce可通过对输入的大批量数据进行自动分割，以此实现分布式计算，在MapReduce模型中，通过Map和Reduce 2个接口的调用完成并行计算任务，计算步骤如下。
(1) 将大批量数据进行拆分，拆为多个Splits，由一组键值对表示，相应的对应一个Map函数。
(2) 每个Split由一个task进行处理，有多少个Split就有多少个task。
(3) Map函数处理后一另一种键值对形式输出中间结果
(4) Reduce对多个中间结果汇总后也分别并行运算
(5) 最终汇总所有的Reduces结果，得到最终计算值[3]。
由上述内容可知，该模型的关键在于：
Map函数
输入：键值对(key1，value1)
输出：加工后的中间键值对(key2，value2)
函数模型：
Map:Key1,Value1→List(Key2,Value2)
Reduce函数
输入：经过内部排序编组的(key2，List(value2))
输出：(key3，value3)
函数模型：
Reduce:(Key2,List(Value2))→Key3,Value3
3 系统总体设计
3.1 设计思路
本文设计的电能质量监测系统将监测装置采集的数据存入基于MogonDB+Redis搭建的数据存储之中，通过数据挖掘模型处理后构建电能质量监测系统，用于监测数据展示、分析、预警与查询。
3.2 系统功能架构
本系统从层级上划分为源数据层、采集层、处理层、存储层、计算层、访问层，功能上主要包括数据采集、数据存储、分析计算、应用分析等功能，整体架构如图2所示。
图2 功能架构图
3.3 数字化电能质量监测系统硬件框架
3.3.1 数据监测装置
由于稳态参数包括电压及频率偏差、三相电压不平衡、电压波动闪变等，暂态参数包括电压骤升骤降中断、振荡、脉冲暂态等信号，因此本系统设计监测装置框如图3所示，主要采用：
图3 监测装置框图
(1) 数据采集：电压互感器阵列、信号调理电路、CD4051模拟开关、前置调理电路、ADC电路;
(2) 数据处理：NiosⅡ软核、FFT变换IP核、FIR滤波器、频率检测IP核、电压有效值、三相不平衡IP核等;
(3) 数据展示：基于ARM核显示屏。
3.3.2 监测装置精度测试
采用上述装置针对几项关键指标进行了监测准确性验证，结果表明，改装置可满足监测要求[4]。各项测试结果如下，其中S1、S2为标准值和实测值。电压监测测试结果如表3所示。
表3 电压监测结果
相位监测误差低于4%，准确度在合理范围，结果如表4所示。
表4 相位监测结果
频率监测结果精度达到0.01 Hz，处于合理范围，满足要求，结果如表5所示。
表5 频率监测结果
4 数字化电能质量监测系统软件设计
4.1 开发环境
开发语言：Java
框架模式：MVC
数据库：MongoDB+Redis
操作系统：Server 2008 64位
4.2 数据处理流程
对于电能数据监测装置采集到的原始数据进行数据清洗、数据变化、数据整合之后得到最终有效的电能质量监测数据，为应用系统查询、展示、分析提供有价值的数据集。处理流程如图4所示。
图4 数据处理流程
4.3 软件系统模块构成
基于大数据的数字化电能质量分析系统主要包括监测数据查询、电能质量分析、统计分析报表以及系统管理模块，系统结构如图5所示。
图5 系统功能模块图
(1) 监测数据查询模块：包括电能质量指标查询、地区查询等。
(2) 电能质量分析模块：包括预警、评估及预测。根据实时监测结果判断是否超出阈值，是否触发告警,分析大数据集，挖掘出不达标的指标数据，进一步通过关联规则和分析算法找出内部规律，深挖影响质量根原因，为质量提升寻找突破口，并结合历史数据、实时数据、线路分布及地理位置等信息，对后续电能质量进行预测。
(3) 统计分析模块：主要包括监测数据统计、根据监测点、监测类型、监测区域、指标类型等多维度统计并分析结果。
(4) 系统管理模块：主要包括用户、设备及数据的各项配置。
4.4 实测效果验证
为了验证本文设计系统是实用性，在国内某市选择不同区域设立了监测点采集原始数据，通过本文的算法进行了数据分析，以电压偏差为例，测试结果如表6所示。
表6 实测结果表
由上表可知，A1、A4地区电压超限时间分别占比12.09%、7.57%、64.36%、16.02%，因此可得出结论：A3地区影响最大，其次为A4，应重点关注A3地区晚上8-12点的超限时间[5]。
5 总结
本文分析了电能质量监测的现状与大数据时代数据分析的发展趋势，针对性的提出了基于大数据存储与数据挖掘技术的电能质量监测体系，实测验证可实现从海量数据分析出影响最大的指标及区域，在后续的研究中，需不断完善数据挖掘技术，为电能质量监测提供了实用性方案。
