基于并行计算的电能计量装置故障诊断技术研究

李云鹏，金旭荣，张鑫瑞

(国网宁夏电力有限公司营销服务中心(国网宁夏电力有限公司计量中心)，银川 750001)

0 引 言

电能计量装置故障诊断作为日常管理的一项重要工作，电能计量穿梭于电力生产、输送、使用等各个环节，保证了电能计量的准确性。电能计量在建立公平、公正、有序的电力营销市场方面也起到至关重要的作用。随着电力系统中电能计量装置越来越多样化，不断增加的数据信息也给电力系统带来更大的压力，装置故障频繁出现，每一个环节都会受到或多或少的影响[1]。因此，应定期对电网电能计量装置进行误差分析，对其运行状况进行评价。电能市场对计量装置故障诊断的需求非常迫切，为此一些学者开展了相关研究[2]。

文献[3]研究了一种关口电能计量装置智能故障诊断及预警技术，将大数据挖掘技术应用于并行计算，建立数据与任务并行化故障诊断模型，实现了电能计量设备异常运行特征的提取。该方法对故障诊断的精准度较高，但只能对设备异常运行故障进行估计，其余故障需要人工协助，造成大量工作负担；文献[4]研究了基于PCA-ELM算法的电能计量互感器故障诊断方法，选择电能计量变压器的8个主要信号作为ELM的输入值，使用标签No.1～No.10表示变压器的正常工作状态和9种主要故障类型，输出诊断结果。该方法将ELM算法与PCA算法结合，快速获得良好的泛化性能，可以提高算法的稳定性，实现了对电能计量装置的诊断，但该算法的诊断效率较差；文献[5]提出基于隐马尔科夫模型的风能变流系统智能故障诊断技术，利用基于机器学习的隐马尔可夫模型及主成分分析方法，能够有效地提取和选择HMM 分类器的特征，得到较为准确的风能变流系统智能故障类型。该方法的故障诊断精度较高，但诊断效率有待提升。

针对上述方法存在的问题，文章提出了基于并行计算的电能计量装置故障诊断技术研究。并行计算是一种算法，它能同时进行许多计算和执行多个过程，不仅精度高，而且在一定程度上满足人们的需要，为输电、供电工程提供了方便。文章首先对电能计量装置信息采样，得到故障的准确信息后，对海量数据预处理，通过并行处理技术融合各种可能发生的故障资源，将所有故障信息进行聚类，分析其故障发生的原因。期望提高电能计量装置诊断的速度与准确性，实现电能计量装置的高效运行。

1 电能计量装置数据处理

1.1 电能计量装置信息采样

对于电能计量装置中的数据采样是采用信息聚类的方法，在聚类过程中，可以提前预知信息的走向，便于后续的故障数据分析。当信息全部聚集在同一位置时，会根据特定的方式进行重组[6]，形成一个固定的传输模式，假设增加一个新的信息a，就会立即根据信息的特异性建立一个新的连接方式，随着信息的不断增加，信息a在移动过程中就会出现以下几种状态：

(1)a的状态异常，周围没有与其相配对的相邻信息，没有起到核心的作用，由此可以将其称为异常数据；

(2)与相邻信息组成一个新的聚类，该信息具有核心点，且与其他信息无关，自行形成一个聚类；

(3)与现有信息融合，当信息的核心点恰好与其他信息相同，那么就可归为同一类，满足现有条件。在新的信息加入的过程中，所有的信息就要重新聚类计算，假设原来的信息对现有的信息的干扰因子为α，因此，当α=1时代表原来的数据与现在的数据具有相同的影响，当α=0时代表并不产生任何影响。设定存在一个原来的聚类βi，新形成的聚类为βi+1，那么其聚类的过程为：

(1)

式中ii+1代表现在的信息点的数量；ii代表原始信息点的数量；ai代表增加的信息点；ji代表增加的信息点数量。

当新加入的信息数量达到最多时，就会造成信息拥挤，一些原始的信息不堪压迫就会被新的信息所代替，重新形成一个新的聚类，然后就会被装置中的Map所记录，完成最后的并行化处理。

1.2 数据预处理

得到故障的准确信息后，不能直接将数据应用到计算中，大量错综复杂的数据交叉纵横、杂乱无章，所以要想获取可利用的数据就要对海量的数据进行预处理。数据的难易程度是建立在装置故障的严重程度上的，在没有得到数据前就要完成数据的预处理，包括对数据进行打乱、结合、转换、重组以及分类等，多个程序之后达到可计算的标准[7]。

采用阈值法对数据预处理，基于阈值的处理公式如下所示：

(2)

式中pi代表第i个指标的判别参数；P1(k)为第k个指标的出现概率。

基于上述计算，对电能计量装置中的数据采集与处理，为故障诊断提供基础。

2 基于并行计算的故障诊断模型构建

对于初始数据，将其与真实数据进行比较，同时得到两种情况下的电压以及电流的波动情况，多次计算，获得准确数据。并行计算的原理即按照原计划对样本进行分割，并一一放入相关联的中心处理器中，并保证每个节点都有相应的信息，最后逐一对各个节点进行统计，形成一个稳定的、规律的并行化故障诊断模型。在上述比较与分割中，需要建立判别函数，为此采用并行计算的方法来对数据处理，并行计算的处理过程如图1所示。

根据图1可知，基于并行计算方法，同时检测多个电能计量装置故障，将数据以及故障信息相互结合，实现故障诊断模型构建。

图1 并行计算处理过程

将预处理后的电能计量装置数据定义为：

I={i1,i2,i3,…,im}

(3)

式中I为电能计量装置数据的集合；i为其中某个元素；m为数据量，整体就可以叫做一个项集。假设一个电能计量装置数据库D，将其定义为：

D={T1,T2,T3,…,Tn}

(4)

式中T代表电能计量装置数据库中的一个事务，且归属于集合I，而|D|代表事务的总数；n代表数量，若X、Y皆为T中的元素，且有X∩Y=φ，φ为两个元素的共同向量，那么两个事务之间的关联为：

X⟹Y(S%,C%,I%}

(5)

式中S%为可利用的电能计量装置数据在库中的百分比[8]，并且满足：

(6)

而C%代表在电能计量装置数据库中既含有X又含有Y的所占百分比，并且满足条件：分子部分应为“|{T:X∩Y包含于T，T∈D}|”，分母部分应为“|D|”。

(7)

I%代表两个元素X与Y之间的关联性，那么则有：

(8)

式中P为剩余元素的集合，利用以上数据信息来建立一个判别函数，假如存在一个样本{(x1,y1),…,(xN,yN)}，其中元素xi∈Rd，Rd为三维指数，N为整数，对相邻元素yi进行标记，且yi∈{1,-1},i∈[1,N]，那么在平面上的函数方程式为：

y(x)=wTx+b

(9)

式中w为特征向量；b为常数项；两个平面中的间隔平面为M，但要满足以下条件：

(10)

上述不等式中的各个元素都是作为原始数据出现的，未经过任何处理，所以导致得到的诊断结果均不具有代表性，因此要对该公式进行统一处理[9]，并且要使样本符合|y(x)|≥1，与分割面M的关系符合|y(x)|=1，则有：

yi(wTxi+b)≥1,i=1,…,N

(11)

(12)

再用拉格朗日法来对应目标函数：

(13)

式中L为元素库；αi为拉格朗日因子，但其规定的具体条件公式为：

(14)

(15)

(16)

而其中含有的每个事务i的聚类函数[13]为：

(17)

式中Gc为函数；k为底数；j为相邻元素；mi为事务库中的中心；ci为误差函数。

而对于元素j的函数公式[14]为：

(18)

式中wij为样本；xi是否在数据库中的比例，若wij=1，则在库中，若wij=0，则不在数据库中。

经过上述过程，利用并行计算方法将所有数据以及故障信息相互结合，并对其进行诊断，确定故障的区域，过程如图2所示。

图2 故障诊断基本流程

得到准确的诊断结果后，按照数据的种类进行分割[15]，若诊断结果没有差错，那么就代表装置处于正常工作状态，随即就应该上传到互联网平台。若诊断的结果与预测结果差距较大，那么就代表发生重大误差，应立即停止，立即上报到所属平台，发出装置故障信号，重新进行计算、检测[16-20]。

互感器从电流、电压两方面入手，获取基于电力计量误差的测试结果。现以云平台下多层级远程检测系统为前端框架，结合互感器电力计量误差测试功能，实现电力计量误差测试系统的设计。云平台下多层级远程检测系统的总体架构如图3所示。

图3 云平台下多层级远程检测系统的架构图

图3中，云平台下多层级远程检测系统主要分为四层结构[21-22]，即电力计量装置检测与故障诊断层、平台层、基础层、边缘层。

(1)电力计量装置检测与故障诊断层

电力计量装置检测与故障诊断层主要负责电力计量异构资源的整合工作，当系统接收电力计量数值超过可灵活分配的Copula函数时，系统会根据该层级的SaaS管理和SaaS服务稳定计量库数据移动趋势，并通过应用服务内的检测设备，及时诊断电力计量异常信息。Copula函数的表达式如下：

(19)

(2)平台层

平台层通过接收来自电力计量装置检测与故障诊断层的稳定数据，并将该数据与电能开发环境深度融合，进而完成电力计量的管理工作。在平台层中，电力计量稳定数据的深度融合主要依靠工业PaaS和通用aaS的支撑。

(3)基础层

基础层主要负责电力计量在服务器、存储、网络、虚拟化四大资源池化库内的时效安全性及可靠性的监督工作。经过筛选的可测试电力计量数据将通过通讯网络传送至边缘层。

(4)边缘层

边缘层作为系统的框架末端，主要负责电力计量的交互工作。系统以4G/5G无线网络或有线光纤为传送纽带，将电子计量数据有效测量参数经过清洗、去噪后全部传送至互感器接收口，为后续互感器电子计量误差测试奠定基础。

根据上述电力计量误差现场测试结果设计基于PaaS赋能平台[23-24]的互感器误差测试模块，互感器误差测试模块示意图如图4所示。

图4 互感器误差测试模块示意图

经过云平台下多层级远程检测系统的电子计量数据以有效测量参数的形式通过互感器接收口进入PaaS赋能平台，并在互感器的作用下，连续测试电子计量基于电流、电压两方面的误差，最终实现电子计量误差的测试。

3 实验分析

为验证提出的基于并行计算的电能计量装置故障诊断技术的有效性，进行实验，并将关口电能计量装置故障诊断技术、基于PCA-ELM算法的诊断技术与其对比，验证三种方法在实际场景中的应用效果。

3.1 电能计量装置故障诊断正确率对比

分别采用所研究的故障诊断技术与关口电能计量装置智能故障诊断技术、基于PCA-ELM算法的故障诊断技术对电压诊断，并将三种诊断方法与实际的电压值对比，对比三种方法的诊断正确率，结果如图5所示。

图5 电压诊断结果对比

三种方法在电流上的诊断结果如图6所示。

图6 电流诊断结果对比

对比上述电压诊断结果与电流诊断结果可知，此次提出的基于并行计算的电能计量装置故障诊断技术获得的电压与电流与实际的值相差较小，诊断准确率较高。而关口电能计量装置智能故障诊断技术、基于PCA-ELM算法的故障诊断技术的检测结果与实际值具有一定的差距，正确率较低。

3.2 不同数据量下电能计量装置故障诊断时间对比

此次实验中共对100条数据测试，所有的故障类型如表1所示。

表1 电能计量装置故障种类

三种方法在数据量为17 MB时电能计量装置故障诊断时间对比结果如图7所示。

图7 数据量为17 MB时电能计量装置故障诊断时间对比

三种故障诊断方法在数据量为1 024 MB时电能计量装置故障诊断时间对比结果如图8所示。

图8 数据量为1 024 MB时电能计量装置故障诊断时间对比

分析上述对比结果能够发现，在故障数据量较少时，三种方法在各个故障类型的检测上花费的时间均较少，少于1 024 MB时电能计量装置故障诊断时间。经过对比可知本研究的电能计量装置故障诊断技术在17 MB数据量与1 024 MB数据时花费的诊断时间都是最少的。

综上，所研究的技术不仅提高了故障诊断正确率，还减少了故障诊断时间。

4 结束语

在电力系统的维护过程中，故障诊断技术至关重要，为此文中利用并行计算方法构建了一个新的电能计量装置故障诊断技术。通过实际场景应用实验得出，所提出技术获得的电能计量装置电压与电流值与实际的值相差较小，故障诊断准确率可达95%，且在数据量为17 MB及1 024 MB时，该方法的诊断时间平均值分别为0.9 s及3.1 s，耗时均较短。不但有效地实现故障定位，还降低了诊断时间，维持了电能计量装置的健康状态。