基于数据流检测技术的电气设备状态监测仿真

李学生，张尊扬

(北方民族大学电气与信息工程学院，宁夏 银川 750021)

1 引言

电气设备安全运行的关注度日益提升，监测设备运行状态的需求与日俱增，只有及时掌握电气设备状态与绝缘的劣化程度，才能更好地采取预防措施，防止事故发生，而作为电力企业的贵重资产，电气设备维护费用消耗较大，故状态监测技术应运而生，该项技术的目的是防止意外停机、降低维修费用、尽可能减少停机时长以及增加机器的耐疲劳性，凭借提供的有效信息，使设备得到最优应用，增加经济效益，因此，为提升状态监测技术的可靠性与经济性，该项技术得到了众多相关学者的深入研究。

文献[1]基于电网系统中输变电设备的重要性，对全景数据的输变电设备状态监测系统展开研究，将输变电设备物联网与信息模型相结合，面向智能变电站设备，利用输变电设备全寿命周期管理业务需要的设备全景信息，构建一个多方位的全景信息模型，以此来完成输变电设备的状态监测；文献[2]把液压设备的运行状态作为监测对象，经过融合电信号与李萨如图形，设计一款基于工控机虚拟仪器平台的状态监测系统，该系统的监测项目分别是电参量以及功率圆等，通过监测项目内容，获取设备实际运行状态。

因为网络传输路径各不相同，无法提前预知有可能产生的阻塞或者干扰，且在分布式监测系统中，每个节点解析状态数据包的所用时长也不尽相同，所以，当数据流解析部分收到状态数据流时，一定会出现接收数据次序不同于实际发送次序的情况，即时序混乱问题，时序混乱会在一定程度上影响状态分析结果，甚至造成分析错误的后果。因此，本文依据数据流检测技术，提出一种电气设备状态监测方法，引入核密度估计策略，满足较高需求的内存空间与处理时间，提升密度估计的准确度；利用附带权值的核函数代替数值相同的数据点，降低算法的复杂度，减少运算步骤；通过拟合邻近中心的核函数，缩减待保留的核函数数量，由此解决了接收数据时序混乱的问题，得到准确的数据流密度，实现电气设备状态准确监测。

2 设备状态监测预处理

数据流在状态监测技术中属于一种乱码，无法直接用来分析监测结果，所以，需要在监测运行之前进行一系列的处理，使操作更便捷，结果更准确。

2.1 数据流检测下状态数据分类处理

基于数据流检测[3]的状态数据分类处理具体步骤描述如下：

1)通过解析监测任务A，得到任务数据ID集合S与任务解析参数，参数含有时间参数ΔTd与ΔTf、时序容错率P、时序性要求Q以及实时性要求T；

2)当状态数据流ID属于集合S时，经过一定时间段，窗口即可监测到数据的抵达频率f，拟合抵达数据发送时刻与接收时刻的差值频率，架构数据传输解析的时延概率密度函数[4]P(td)；

3)依据任务解析参数(T，P)与时延概率密度函数P(td)，求取滑窗缓冲时间ΔT，根据数据抵达频率f得到窗口缓冲数据数量K，针对不同时刻抵达的数据所采用的处理方法，由任务时间参数ΔTd与ΔTf和时序性要求Q决定；

4)将窗口缓冲数据数量K作为分配依据，从系统的总缓冲区域内分配滑动窗口给任务A，使各任务与单独的滑动窗口[5]一一对应，若总缓冲区域里无可分配的闲置区域，则按照比例重新调整、分配其它任务的缓冲窗口；

5)分配完滑动窗口，滑窗执行ID为集合S的状态数据流缓存操作，依据不同原子状态数据的延时情况，将状态数据分成延时数据、失效数据以及正常数据，依顺序丢弃或者传输至上层解析部分。

2.2 数据流时序混乱问题解决方法

2.2.1 独立同分布形式调整

时间乱序概率的影响因素是传输时间td与状态数据发送频率f，在真实的监测情况下，通过拟合Weibull分布[6]、Gamma分布、对数正态分布[7]等长拖尾型概率分布函数，即可得到具体的时间乱序概率分布形式。已知网络延时概率密度函数P(td)，且0

(1)

在上式中代入下列表达式

(2)

得到下列不等式

(3)

因此，网络延时导致的时间乱序概率就是该不等式概率，且tdi-1与tdi应符合时延概率密度函数P(td)的独立同分布[8]，即

(4)

利用该式合计调整延时概率密度函数的独立同分布形式，即可有效降低时间乱序概率，从根本上解决时序混乱问题。

2.2.2 滑动窗口大小设定

滑动窗口的规格要能够使状态数据流经窗口处理后，同时符合任务解析时的容错率要求P与实时性要求T。

针对任务实时性要求T，存在下列不等式形式

ΔT

(5)

式中，E(td)表示数据从发送到接收的时间差期望，表达式如下所示

(6)

针对容错率要求P，经过ΔT规格的滑动窗口缓冲，发生的时间乱序概率要小于容错率要求P。假设滑动窗口中原子状态数据的固定缓存个数是K=ΔT×f，当数据Dj进入滑窗后，发送滑窗中最前边的数据Di，如图1所示。

图1 滑窗规格参数解析图

若tc是数据Dj的接收时间，ΔT是滑窗规格，结合临界情况，得到任务数据Di的窗口接收时间tc-ΔT。设定数据Di与Dj传输时所用时长分别是tdi与tdj，则两数据的接收时间应满足下列关系式

Dj.Timestamp+tdj=tc

(7)

Di.Timestamp+tdi=tc-ΔT

(8)

当数据Dj的发送时间比数据Di早时，数据Dj将出现时间乱序，所以，将数据Dj排列在滑窗前边，解析部分收到Di后才接收到更早发送的Dj，发生时序错误，此类情况可用下列条件不等式描述

Dj.Timestamp

(9)

在上列不等式中代入式(7)、(8)后，整理得到下列关系式

tdj-tdi≥ΔT

(10)

上式即为滑窗缓冲后还是会出现时序错误问题的概率，且tdj与tdi应符合时延概率密度函数P(td)的独立同分布，即

(11)

因为容错率要求P满足下列不等式，故可由此得到ΔT下限

P(tdj-tdi≥ΔT)≤P

(12)

因此，为确保状态监测任务同时满足容错率与时序性要求，使滑窗规格ΔT符合下列不等式组

(13)

若上式无解，证明监测任务的实时性要求与容错率要求存在矛盾，也就是说在当前的数据流情况下，无法精准地分析、获取设备状态，此时需要通过调整相关参数使其有解，才能进行下一步的操作处理。

3 数据流下电气设备状态监测

基于数据流检测技术的设备状态监测过程中，采用密度估计方法来满足较高需求的内存空间与处理时间，核密度估计[9]方法近似于直方图技术，可记录各区间点数量或者频率，令直方图内的矩形条高度根据数量的变化而发生改变，但核密度估计方法较直方图给出的密度估计更为精准，因为核密度估计方法在统计任意点邻近点数量时，会优先考虑邻近点。

已知一组数据{x1，x2，…，xn}，xn为电气设备的任意状态参数数据信息，其核密度估计表达式如下所示

(14)

式中，Kh(t)=h-1K(h-1t)，核函数用K(·)表示，带宽用h表示。估计的密度函数随着带宽的增加而愈加平滑，密度函数越小说明密度曲线与样本拟合得越好。

若从分布中选取到的随机变量样本规格是n，则采用上式估计密度函数时，核函数的需求量为n，故依据核函数的可累加特征，利用附带权值的核函数代替权值相同的状态数据信息，也就是说，核函数代替的数据信息数量即为核函数的权值大小。

一般情况下，简单核是仅表示一个数据信息的核函数，而指代多数据信息的核函数[10]叫做M-核，M-核核函数表达式如下所示

(15)

式中，Xi为中心，ρ为权值。

当核函数为符合正态分布的高斯核函数时，利用下列公式描述

(16)

假设任意数据流的时间步进是1ms，区间是1s，每100ms流量数据信息的阶跃为100kb/s，则该数据流的统计分布曲线图如图2所示。

图2 正态分布模拟数据流

将图2中数据代入式(14)后，得到核密度估计曲线，通过检测不同数据流的曲线变化规律，估计变化误差，以此来识别数据流流量。

通过拟合邻近中心的核函数，缩减待保留的核函数数量。拟合两个不同中心的核函数，架构出一个非标准核函数，完成数据流密度估计，采用下列表达式界定拟合公式

ρiKhi(x-Xi)+ρjKhj(x-Xj)

(17)

将拟合误差值ε的大小作为设备状态的判定标准，在利用拟合核函数取代权值不同、带宽不同、中心点相近的两个核函数总和时，生成的误差值ε计算公式如下所示

(18)

若核函数为高斯函数时，核函数K1与K2的参数满足下列不等式组

(19)

(20)

通过上式解得的误差值，推导出设备状态，若误差值在状态监测的允许范围中，则设备状态正常，相反，则属于非正常状态，并发出相应预警。

4 仿真案例分析

未验证所提方法的有效性，设计仿真。在REFITPower Data(https：∥pureportal.strath.ac.uk/en/datasets/refit-electrical-load-measurements)数据集中选择1000Mb数据流数据，为验证方法的有效性与可行性，分别采用文献[1]、[2]方法以及所提方法，监测某个电气设备的状态，选取一个滑动窗口，当设备状态出现异常情况时，数据流将产生剧烈变化，通过记录、解析数据流情况，得到实验数据与监测结果。

4.1 仿真监测时域对比

当频率波动变化幅度达到0.03Hz，即可监测到设备状态，图3所示为各方法与所提方法的仿真监测时域图。

图3 设备异常状态监测时域图

通过图3可以看出，各方法依据数据流监测设备状态时，所提方法的监测曲线与真实状态曲线非常接近，而文献[1]方法、[2]方法的状态监测频率波动较大，且与真实状态频率相差较大。

4.2 监测效果对比

表1所示为各方法的设备状态监测结果。

表1 各方法设备状态监测结果对比表

根据表1中数据能够发现，相比较文献[1]、[2]方法，所提方法通过滑动窗口精准划分数据流数据类型，监测出更多的异常数据，监测率达到96.7%，由此说明所提方法具有一定的有效性。

5 结论

本文以数据流检测为技术背景，提出一种电气设备状态监测方法。电气设备状态监测就是通过科学的管理手段与测量方法，即时地监测电气设备各项指标参数，保证设备状态良好，并在额定的范围内运行。通过仿真得出结论如下：

1)所提方法对电气设备运行频率的监测曲线与真实状态曲线非常接近，在60.3-60.9Hz之间波动，说明所提方法对电气设备状态监测的准确率较高。

2)所提方法能够监测出更多的异常数据，监测率达到96.7%，说明该方法的查全率较高，能够检测出异常运行状态。

越来越高的电力质量需求与越来越激烈的电力企业竞争，都将有力推动状态监测技术的进一步发展与应用，因此，今后电气设备状态监测技术的发展趋势主要体现在以下方面：电气设备状态监测时采集的数据量将逐渐呈爆炸式递增，采用传统的数据处理方法是一项巨大的挑战，所以，很有必要开发新的数据分析策略与故障诊断程序；通过尝试融入广泛应用的知识系统、

神经网络以及模糊逻辑等多项技术，进一步研究更加智能化、自动化、多功能、多状态的实时监测系统；采用远程监测与诊断技术，实现设备状态的远程诊断与网络化追踪，弥补现场人员缺少的经验。