电量信息采集设备线损故障自动检测方法

杨莉萍，王海云，丁冬，于希娟，王立永，吴红林

（1.国网北京市电力公司电力科学研究院，北京 100075；2.国网北京市电力公司，北京 100032）

电量信息采集设备将数字通信、计算机软硬件等高科技技术通过无线传输完成用电数据的采集与处理，可实现对电力线路与设备现场用电情况的实时检测，为电力企业管理提供技术支持的同时，还能适应未来生产与经营管理发展需要。线损率为考核电力企业的关键经济指标，也是表示电力系统设计、生产与运营情况的综合性评价指标。由于电力体制改革的不断深化，降低线损率变得格外重要，它直接关系到企业经济效益与国家节能政策的落实。

为降低线损故障，相关领域也取得了研究成果。文献[1]利用激光点云技术设计线损故障检测系统。使用激光探测传感器、信号放大器以及后台监控中心共同组成系统硬件模块；软件部分则利用主成分分析法获取电力系统线损参数，通过激光探测传感器采集点云特性，确定线损数据样本，建立样本特征矢量，计算判别函数，实现线损故障检测；文献[2]在BP神经网络基础上研究一种降低线损故障的方法。将支路线损变化率与三相电压、电流不平衡率当作线损指标，并对其进行归一化处理，完成线损故障检测。但是两种传统方法均忽略了对输电任务的分层处理，导致线损故障的检测结果不够准确。

为解决传统方法存在的问题，本文构建电量信息采集设备线损故障自动检测系统。首先明确某时间段内用户类型，利用指定技术将用户划分到某类型中，再结合故障检测系统需求与特征，利用该算法完成线损故障自动检测。仿真实验结果验证了本文研究成果不仅能够提高故障检出率，还能准确划分故障类型。

1 电量信息采集设备线损故障自动检测

1.1 电量信息采集系统

电量信息采集系统主要结构包括系统主站、通信信道与采集终端三部分，其结构示意图如图1所示。

图1 电量信息采集系统结构示意图Fig.1 Structure diagram of electric quantity information acquisition system

由图1可知，电量信息采集系统结构中主站系统主要负责数据采集、管理等任务[3-4]；通信信道可实现主站和采集终端之间的数据传输；采集终端是安置在现场的计量工具，负责提供整体系统的初始用电情况。

1.2 线损检测系统设计

1.2.1 系统整体架构

线损故障检测系统包括主站、通信通道[5]以及现场终端，整体结构如图2所示。

图2 系统整体结构图Fig.2 Overall structure of the system

由于检测目标的不一致性，因此系统各模块功能也具有差异，主站系统通过分布式结构对数据统一管理，各模块之间相互独立[5-7]。根据系统整体结构对硬件与软件功能进行详细设计。

1.2.2 系统硬件设计

系统硬件结构如图3所示。

图3 系统硬件示意图Fig.3 Schematic of the system hardware

通过C/S分布式处理器为客户机、中间层以及后台提供服务[8-9]，其结构示意图如图4所示。

图4 C/S服务器结构图Fig.4 Schematic of the C/S server structure

客户终端客户端以32位单片机为设计中心，通过嵌入式形式[10]确保检测可靠性，采用模块组合形式，结合不同用户需求配置终端系统，其分布情况如图5所示。

图5 终端模块分布Fig.5 Terminal module distribution

1.2.3 系统软件设计

结合硬件模块结构，软件系统可分为储存层、处理层与表示层[11-12]。储存层主要任务为向网络用户提供图形页面，处理层主要任务为服务器应用；表示层主要任务为提供数据库服务器。

线损故障检测系统程序设计能够实现系统终端参数维护，同时对线损数据检测，用户利用浏览器检测各线路线损数据，生成报表。

1.3 负荷模式线损故障检测方法

对于线损故障的检测实际上就是对用户用电数据异常的检测，本文利用负荷模式检测法，经过数据处理、模式提取与模式匹配完成线损故障检测。

1.3.1 电量信息预处理

1）数据收集

使用上文设计的检测系统采集用户负荷信息，由于用户用电情况随季节变化较大，因此本文的数据采集方式为按月收集方式（每月按30 d计算）[13]。系统每间隔20 min进行一次负荷测量，需采集相同区域相似用户的正常用电数据、历史数据以及当月负荷数据[14-15]。具体包含去年此区域N个正常用户该月用电负荷信息：

式中：xi,j为第i个类似用户第j天的负荷数据。则去年和前年的用户本月正常负荷情况表示为

式中：yk,j为过去第k年此月第j天的负荷信息。

用户当月负载信息表示为

式中：Zj为此月第j天负载数据，全部负载信息构成一条负载曲线。

2）数据归一化

通常情况下，相同区域中相似用户用电负荷之间具有相似度较高的特征，用户负荷变化情况趋于一致，用电高峰与低谷的时间也大致相同。但由于用电绝对负荷以及电器设备种类不同，导致用电量存在一定差异。因此，对同一区域用户负荷情况需强调变化趋势，而针对用户历史负荷需重点关注绝对值。所以需利用不同方式对数据做预处理，即对相同用户负荷数据做归一化处理，而对历史负荷数据不做任何处理。对式（1）中的数据进行归一化处理[16]的表达式如下：

式中：t为月数。

1.3.2 基于果蝇算法的判断函数

果蝇算法属于一种模仿果蝇寻食行为的智能搜索算法。结合果蝇寻食过程中对嗅觉与视觉的利用，设置搜索操作，经过不断迭代实现对果蝇群体中心位置的优化，进而得到近似最佳解。

基于果蝇算法整体流程如下：

Cooper wrote the famous The Last of the Mohicans in his hometown,which is near the American Indian reservation,to describe the lives of the Native American Indians.That’s why Cooper made Magua say“the tumbling river”and“healing spring”instead of the direct“waterfall”and“hot spring”.

步骤一：对于种群中心位置进行初始化处理；

步骤二：嗅觉搜寻，在种群中心附近，随机形成NP个邻域解；

步骤三：评判个体，利用评价机制，获取所有个体适应度值；

步骤四：视觉搜寻，挑选最佳邻域解，将其当作最佳种群中心位置；

步骤五：判断是否符合终止条件，如果符合则输出最佳解，反之，回到步骤二重新开始。

任意一个果蝇均代表一个解，利用负荷矢量F=[f1,f2,...,f72]描述，矢量中每个元素均表示不同时间点的负荷情况。通过随机方式对种群中的解进行初始化处理，则根据下述方法进行：

式中：a为随机数。

式中：d为符合曲线总数；sg表示第g条曲线负荷情况。则本文构建的味道判断函数为

在上述嗅觉操作程序与评价机制基础上，经过不断优化迭代，获得种群中最佳果蝇个体，其描述的负荷矢量就是果蝇算法提取出的模式。其迭代机制为判断是否符合终止条件，如果符合则输出最佳解，反之，回到步骤二重新开始[17]。利用该方法可以获得包含归一化的相同区域用户的负荷模式曲线L[l1,l2,...,l72]，将其记为SLD；用户过往负载模式曲线H=[h1,h2,...,h72]，记作HLD。

1.3.3 负载模式匹配

利用果蝇算法判断函数获取用户负载模式后，利用时间序列方法对负载模式进行匹配。负载模式注重用户和SLD的变化趋势以及HLD的绝对值匹配。因此分别利用相关系数与相对距离指标实现时间序列的模式匹配。

在进行匹配前，需结合用户此月真实负载情况，确定负载模式[18-19]。先将用户该月负载zj做归一化处理，获得归一化后的该月负载z′j，根据如下形式获得线损模式曲线U=[u(1),u(2),...,u(72)]与归一化之后的模式曲线U′=[u′(1),u′(2),...,u′(72)]，其中

因此，获得用户负载曲线和相似用户负载曲线的匹配度m1表示为

经过归一化处理后的匹配度m2表示为

式中：h(t)为线损后的负载模式曲线。

1.3.4 线损故障检测的实现

获得用户负载曲线和相似用户负载曲线的匹配度m1，以及经过归一化处理后的匹配度m2后，结合线损后的负载模式曲线与归一化处理模式曲线确定两个匹配度的偏好程度ω1与ω2，通过加权获得用电正常度η：

电力企业根据该值设定线损故障阈值，若用电正常度η高于预警值，则断定线损正常，反之断定线损故障，并结合用户过往用电情况，判断出故障类型。

2 实验分析

为验证本文检测方法的应用性能，选取某地区实际运行的低压配电网为实验环境，该配电网中节点总数量为80个，其中用户节点为40个，均属于单相用户，三相供电线路共50段。供电线路长度较短，轻载状况比较显著。该地区过去一年线损情况如下：电网整体线损率为40%，配电线损率为15%，低压线损率为0.5%，单台区域线损率为0.5%。

为验证本文构建的检测系统检测线损的适应能力，分别与文献[1]提出的激光点云技术设计的线损故障检测系统、文献[2]基于BP神经网络的降低线损故障的方法进行对比，不同方法适应度对比如表1所示。

表1 不同方法适应度对比表Tab.1 Comparison of different methods

结合上述参数，对比文献[1]、文献[2]及本文方法的适应能力，实验对比结果如图6所示。

设定完全满足要求的适应度为数值1，由图6可知，本文方法与文献[1]方法适应度值都较高，但是本文方法在迭代次数为20后趋于平稳，而文献[1]方法在迭代次数为25后才呈现出平稳状态。这表明本文检测方法具有较强适应能力，局部收敛性能更强。为进一步对比三种方法对线损故障检测的全面性，对检出率进行测试，测试结果如图7所示。

图7 不同方法故障检出率对比图Fig.7 Comparison of fault detection rate with different methods

由图7可知，随着信息采集设备运行时间的推移，系统采集到的信息量不断增多，因此三种方法检出率均有所下降，但本文方法的检出率始终处于较高水平。这是因为本文构建的检测系统信息处理能力更强，可有效处理海量采集信息。对于线损故障检测而言，不仅要全面检测出故障发生概率，还要准确判断故障类型，不同方法对故障类型的判断能力如表2所示。

表2 不同方法故障类型判断能力对比表Tab.2 Comparisonoffaulttypejudgmentabilitywithdifferentmethods

通过表2可以看出，本文方法对于馈线数据丢失的故障类型可以完全判断正确，对于其他故障判断准确率也高达95%以上。主要因为果蝇算法能够有效获取不同故障类型特征，提高判断精准度。

3 结论

随着电量信息采集技术的不断发展，在线损故障检测中引入智能化管理方式，为线损管理带来新的机遇。本文利用模式匹配方法将线损故障检测转换为用户异常用电分析问题，设定预警阈值，若高于阈值则表示存在线损故障。仿真实验证明，本文方法不但可以全面检测出故障问题，还能对故障进行准确分类。在上述研究基础上要进一步制定降损方案，达到提高能源利用效率，构建绿色电网的目的。