大数据一体化环境下电能计量智能监测研究

2023-07-12史琳周信行韩丽丽

粘接 2023年6期

史琳　周信行　韩丽丽

摘要：提出一种电力大数据一体化环境下电能计量智能监测方法，搭建电力大数据一体化环境下电能计量智能监测平台，在该平台中通过MapReduce并行化模式融合多种电力数据，构成一体化电力大数据集合；通过流式传输机制实现监测平台中数据资源层、平台服务层以及应用层三层之间的数据传输，将一体化大数据传输至服务层中提取单数据、多数据特征，利用模糊聚类处理后将其传输至应用层中进行异常大数据监测，获取监测结果并预警电能计量的异常情况。实验结果验证：该方法可精确监测到异常电量流失度，同时能够监测到多种电能计量装置异常现象，监测误检率最高也未超过5%，还可以通过电压、电流异常变化合理判断电能计量异常情况。

关键词：电能计量；模糊聚类；数据传输；多数据特征

中图分类号：TM933；TP391.9文献标志码：A文章编号：1001-5922（2023）06-0192-05

Research on intelligent monitoring of electrical energy metering in the context of big data integration

SHI Lin，ZHOU Xinxing，HAN Lili

（Guangzhou Power Supply Bureau，Guangdong Power Grid Co.，Ltd.，Guangzhou510013，China）

Abstract：This paper proposes an intelligent monitoring method for electrical energy metering in the context of power big data integration.Build an abnormal monitoring platform for electric energy measurement under the integrated environment of power big data，in which multiple power data are integrated through MapReduce parallelization mode to form an integrated power big data set.The streaming transmission mechanism is used to realize the data transmission among the data resource layer，platform service layer and application layer in the monitoring platform.The integrated big data is transmitted to the service layer to extract single data and multi data features.After fuzzy clustering processing，it is transmitted to the application layer for abnormal big data monitoring，so as to obtain the monitoring results and warn the abnormal situation of power metering.The experimental results showed that this method could accurately monitor the abnormal power loss degree，and could also monitor the abnormal phenomena of a variety of electric energy metering devices.The highest monitoring error rate was not more than 5%.It could also reasonably judge the abnormal situation of electric energy metering through the abnormal changes of voltage and current.

Key words：electric energy measurement;fuzzy clustering;data transmission;multi-data feature

電力大数据包含电力系统多种运行数据，将这些数据一体化可实现更精准的故障分析。电能是保障社会正常运行的一种核心能源，通过可靠的电能计量，可以保障电能输送、生产以及每个环节的安全发展[1-2]。当社会用电量加大[3]，会导致部分电能计量装置在某些时间下出现故障，同时，电力系统运行时还会出现人为窃电现象，导致电能计量结果异常[4-5]，为企业造成较大损失。为此，有较多学者对此进行研究，例如研究了一种电能计量装置状态在线监测方法，该方法能够有效实现故障诊断[6]，但该方法对于动态变化的电能计量数据监测误差较大，研究一种通过BSO-BPNN模型实现的电能计量异常检测[7]，虽然该方法检测结果较为精准，但检测更加耗费内存空间，导致检测时间变慢。为此，本文研究电力大数据一体化环境下电能计量异常监测，利用一体化电力大数据，实现异常电能计量数据的监测。

1 电能计量异常智能监测平台设计

1.1 监测平台架构设计

本文设计电力大数据一体化环境下电能计量异常监测平台，该平台主要包含数据资源层、平台服务层以及应用层。

数据资源层存在边缘端采集接口，通过数据采集获取不同类型的数据源，并支持数据质量检查、数据缓存等，保障可利用数据可持续上传至云端平台。

在平台服务层中具备数据接入、数据处理、运维管理等功能，同时在该层中还具备数据融合功能，通过MapReduce并行化模式融合数据资源层传输到该层中多种类型的电力数据，构成一体化电力大数据。

利用流式传输实现大数据在每层中的交换，将一体化大数据上传至应用层，在该层中完成电能计量异常监测，并对异常情况进行预警。

1.2 电力大数据融合处理

对于目前海量电力大数据，本文通过MapReduce对这些数据进行处理，使电力大数据能够形成个一体化，为后期电能计量异常监测提供有效帮助[8-9]，通过该并行模式融合数据的关键步骤如下：

（1）数据离散化。数据离散化是指对可随机变化的参数进行处理，本文通过等距离散方法处理电能计量装置中时刻变化的数据；

（2）数据矩阵化。设某一时间下采集的数据为向量N，且N=n1，n2，…，nm，t。通过m表示维数，第i维样本数据的值为ni，采集时间为t。在某时间下，某一电能计量装置采集的数据矩阵为，并表示为Nq：

1.3 大数据流式传输机制设计

本文通过RTP协议实现监测平台中每层之间大数据的流式传输。其中，边缘端采集到的数据传输至平台服务层处理后，才会存储至资源库或数据库中[10-11]。而经应用层监测到的异常数据会通过传输保存至平台服务层的数据库中，同时平台服务层在收到异常数据后会向边缘端数据资源层推送异常报警信息。

设计基于大数据的RTP封包与解包算法，完成发送端与接收端对大数据的处理，并在大数据流失传输时合理利用流媒体传输协议。

1.3.1 大数据流式传输机制

在进行大数据传输之前，需在服务器端对大数据流做出封包处理，完成封包后，才能够进行传输，传输至客户端后进行解包处理[12]，即完成大数据流式传输。详细传输过程如图1所示。

在发送端时，先调整大数据格式，将其转变为大数据流形式，之后打包为RTP数据包，采用用户数據报协议（UDP）将大数据流封装为UDP报文，将该报文提供给IP层，在IP层汇总为IP包并上传至网络中实现传输。

在接收端时，通过RTP/UDP/IP协议对到达的大数据进行解包。此时，实时传输控制协议（RTCP）按照获取的数据包情况，分析网络是否存在阻塞，并将判断结果反馈至发送端，发送端可按照反馈信息修正大数据传输量。

RTP数据包共存在两个部分，分别为包头与载荷，其中，包头中包含序列号、时间标签等内容，这些内容主要实现数据传输的控制；载荷中包含需传输数据的信息。RTP数据包以分块形式限制最大长度，通过这种形式，可以保证大数据的坐标信息完善[13-15]。在封包时添加大数据的分块内容以及几何要素坐标值。在进行解包时，按照封包序号进行排序。通过读取每个分块中的信息，实现大数据传输。

1.3.2 大数据流的发送与接收

在服务器端利用RTP报文发送大数据流时，具体流程与普通流媒体文件效果一致。需要在发送之前设定发送的目标位置，并分析发送数据流大小，若数据包过大，则需要分包发送。之后向目标位置传输大数据流，通常情况下存储在客户端缓存中，以便客户端随时使用。在发送过程中，仅需提供所发送数据与其长度，发送完成后，关闭RTP搭建的通道。

在进行数据接收时，接收端需与发送端地址连接，并设定文件缓存区域，接收后存储在缓存中。若传输的数据流低于最大分包数，则一次完成传输，若大于该分包数，则需要分批实现传输。全部传输完成后，关闭RTP搭建的连接。

1.4 电力一体化大数据特征提取与模糊聚类

1.4.1 单数据、多数据特征量

（1）单数据特征

在电力系统运行时，通常存在一部分状态量变化较低的单数据量；同时存在部分呈周期性变化的单数据，这部分数据称为状态数据。针对每个实时监测的状态量，通过对某个值的范围进行设定，可以限制全部序列的范围。

大多数情况下电力系统的异常情况存在一定的潜伏性，因此电能计量装置异常时，对其监测得到的数据是在限值内的，所以，对于限定值内的状态量也需要进行监测，从中提取单数据特征量。

（2）多数据特征

在电能计量装置运行过程中，由于装置属性和所处环境的不同，很难通过统一函数控制装置状态。因此，合理利用实时监测数据的量化特征，将随时间动态变化的电能计量数据通过转移概率序列描述。当处于正常运行时，数据转移概率较高，若大数据序列中某一参量值存在异常时，则可认定该时刻相应的电能计量数据存在异常。

1.4.2 特征模糊聚类

在进行电能计量异常数据监测之前，需要对数据的模糊特征进行聚类，并通过大数据分析方法，分析特征模糊聚类概率。若聚类时共存在s个待测异常数据，且包含p条相关性较高的数据，则构建s×p矩阵，并采用Zs×p表示该矩阵，在该矩阵中，每个点均表示电能计量大数据的模糊聚类特征，具体如式（3）所示：

利用式（7）计算得到的似然比，判断电能计量大数据的状态，并对可能出现的故障进行预警，通过图2表示电能计量异常数据监测与预警过程。

基于上述计算过程，对电能计量大数据进行异常监测与预警，具体实现步骤如下：

（1）若每个参量的转移概率序列不包含0值，且数据流内每个时间下的数据均属于生成簇，则表示该时间下的电能计量属于未出现异常现象；

（2）若每个序列中包含少数0值，且少数时间下数据并不属于生成簇时，则表示该事件下电能计量数据中出现少数噪声点；

（3）若序列内存在一半0值，且大多时间下的数据不属于生成簇，则表示电能计量装置存在异常数据；

（4）根据步骤（3）中异常数据的转移概率，完成异常现象的判断与预警。

2 实验设计与结果分析

本文在电力系统中选取一电能计量装置实现实验设计，监测该装置一天之内的运行数据，并选取文献[6]提出的一种电能计量装置状态在线监测及远程诊断方法，文献[7]提出的基于BSO-BPNN模型的电能计量装置异常诊断方法与本文方法进行对比，分析各方法的性能。

可通过电量流失度描述电能计量运行过程中的电量流失程度，若电量流失度大于正常电量流失度，则认定电能计量存在异常现象。假设正常电量流失度为每天4度，分析本文方法监测的一天之内的电量流失度，分析结果如图3所示。

根据图3可知，在本文方法监测下，每个时间段的电量流失度显示十分清晰，其中，在14：00左右出现大幅度电量流失，说明在该时间前后存在异常用电现象，导致电能计量数据异常，而本文方法可精确实现异常数据的监测。

对不同电能计量数据异常情况产生的异常数据进行监测，分析不同方法的监测效果，分析结果如表1所示。

由表1可知，文献[7]方法在电能计量装置电源故障与侵扰2种异常现象发生时，无法监测到异常数据，文献[6]方法则在溢出异常时无法实现异常数据监测，由此可以看出这2种方法的监测效果并不完美，而应用本文方法后可实现多种异常现象发生时的精确监测，有效获取异常数据结果。

分析应用本文方法监测电能计量装置在白天、黑夜2种用电环境下的误检率以及监测可靠度，分析结果如图4所示。

根据图4可知，应用本文方法监测后，在黑夜与白天2种环境下的误检率均保持在较低水平，其中，由于黑夜环境下的产生的电能计量数据较少，因此该环境下监测得到的误检率始终保持在4%以下，而白天环境使用电能较多，因此白天产生的电力大数据数量较大，导致该环境下的大数据误检率会略高于黑夜环境，但依然保持在4%～5%，说明通过本文方法监测后误检率较低。根据监测可靠度分析可知，本文方法在2种环境下的监测可靠度始终保持在80%以上，说明本文方法在监测过程中得到的监测数据更为真实，且能够精确实现异常数据检测。

当电能计量装置中的相电压低于额定电压的70%，或相电流高于额定电流的15%，且随时间变化并未恢复额定值，则认定二者数据存在异常，本文所选电能计量装置的正常电压始终为220 kV，电流为5 V，对一天的电压、电流数据变化进行监测，分析被测电能计量装置是否存在异常现象，分析结果如图5所示。

根据监测到的电压变化可以看出，电压在2：00之前处于正常运行状态，当處于2：00之后，电压开始出现下降，到达6：00时电压迅速下降到最低，此时说明电能计量装置存在异常，随后电压存在小幅度回升，但并未回到额定电压位置；由此说明通过监测得到的电压可以判断电能计量装置并未恢复正常。根据图6（b）中的电流变化可知，电流在10：00之前与额定电流十分接近，当处于10：00之后电流开始小幅度上升；当时间达到18：00后，监测得到的电流已经大于额定电流的15%以上，说明在18：00时电能计量装置已出现异常现象。经过本文方法的监测，可迅速得到电流、电压的异常变化，并根据数据的异常现象可精确判断电能计量装置的异常。

3 结语

通过搭建电力大数据一体化环境下电能计量异常监测平台，对电力系统大数据进行详细分析，将这些数据中的电能计量异常数据进行监测，并向用户及时发出电能计量异常数据预警，提示用户及时处理异常现象，在未来研究过程中，可针对该设计方法继续进行优化，向异常监测平台中引入更多的电力系统大数据，实现多种电力数据的监测，并强化监测精准度与处理时间，使监测得到的异常内容可以迅速做出调整。

【参考文献】

［1］刘婧，苏良立，陈昊，等.基于智能电能表误差检测的非侵入式电网故障定位及运维调度[J].电测与仪表，2021，58（11）：164-169.

[2］丁斌，袁博，郑焕坤，等.基于大数据分析的电力信息系统安全状态监测技术研究[J].电测与仪表，2021，58（11）：59-66.

[3］付琨，孙显，仇晓兰，等.遥感大数据条件下多星一体化处理与分析[J].遥感学报，2021，25（3）：691-707.

[4］田园，张梅，保富，等.基于大数据的数字化电能计量误差分析[J].电测与仪表，2021，58（11）：136-141.

[5］翟永杰，龙雅芸，江柳，等.基于异常检测的输电线路山火检测方法研究[J].华北电力大学学报（自然科学版），2021，48（6）：90-96.

[6］陈崇明，吴瀛，姚栋方，等.一种电能计量装置状态在线监测及远程诊断系统设计[J].电力电容器与无功补偿，2021，42（4）：203-208.

[7］朱少斌，许素安，马宗彪，等.基于BSO-BPNN模型的电能计量装置异常诊断方法研究[J].中国测试，2022，48（1）：141-146.

[8］刘春雨，罗群，顾强，等.智能配电网电能计量设备的运行状态监测终端研究[J].中国测试，2020，46（7）：68-74.

[9］陈慧，张颖，魏晓莹，等.基于LMS自适应滤波的电能计量箱数据采集与处理方法研究[J].电测与仪表，2020，57（4）：142-146.

[10］张丽艳，谢晨，梁世文，等.牵引负载电能计量方式研究[J].西南交通大学学报，2020，55（5）：928-936.

[11］孙一浩，肖先勇，张文海，等.基于伪异常点辨识的关口电能表计量数据异常研究[J].电网技术，2021，45（11）：4568-4577.