关口电能计量装置智能故障诊断及预警技术

王朝阳，张 红

（1.国网河北省电力有限公司南宫市供电分公司，河北 南宫 055700；2.国网河北省电力有限公司邢台市环城供电分公司，河北 邢台 054000）

0 引 言

电能在电力发展工程中占据重要作用，是日常生活中不可或缺的能源。为了提高电能费用核算的精准性，电能计量广泛应用在电力行业中。在传统的现场人工检验过程中，关口电能计量装置的检验工作量大、对二次回路的负荷要求高，通常采用远程校验方法检验关口电能计量装置。对于操作状况进行实时监控，可以及时预警异常问题，防止计量事故。目前，国内外对关口电能计量设备中的应用进行了研究，提出了一种基于全球定位系统（Global Positioning System，GPS）的同步采样、无线通信技术，采集电压电流数据，且将其传输到主站，通过故障诊断改善关口电能计量设备的监测效果[1]。

1 电能计量装置概述

电能计量装置指利用电能价格、电能指标等要素详细记录用户耗电量的装置。结构元器件主要包括液晶驱动、继电器驱动、数据储存以及微控制单元（Micro Controller Unit，MCU）等设备，根据其结构要素和工作原理，可将电能计量装置分为感应式、机电一体式、电子式等类型。感应式电能计量设备是通过利用电磁感应原理，将电压、相位、电流全部转变为能量，即采用磁力矩旋转圆盘，控制计度器进行正常工作，从而对整个电能开展计量工作。这种计量方式具有较强的特殊性，不会出现数据丢失问题，能直观地将计量数据呈现出来。电子式电能计量装置能实时收集用户负载数据，如电压、电流等，且将采集的数据转换为脉冲信号，再采用模拟技术，模拟整个计量工作流程。

2 数据采集前置装置的设计和改进

为了保证电能计量装置远程在线监测准确性能达到预期要求，工作人员要实时采样现场数据，分别从电压和电流采样、总方案设计、脉冲同步设计等方面提高数据采集的精准度。在采样电压和电流数据时，要分析变电站电流受负荷因素的影响程度，避免时常出现大幅度波动现象。同时，要拓展电流互感器的动态范围，在全量程范围中具有较好的角差和比差。该装置采用24 位Σ－△型芯片和零磁通互感器进行设计。在脉冲同步设计方面，采用同步波形采样，将现场电压、电流信号相连接，精准取样高精度AD 芯片，得到高精准度设备信息，再将其内存保护单元（Memory Protection Unit，MPU）的串行外设接口（Serial Peripheral Interface，SPI）传送至板载同步动态随机存储器（Synchronous Dynamic Random Access Memory，SDRAM），实时接收关口电能表的脉冲信号。另外，利用大数据技术进行打包整理，利用通信单位传送至上方主站，并对其温度收集功能进行监控。同步波形采样流程如图1 所示。

图1 同步波形采样流程

3 智能化故障诊断技术

3.1 大数据挖掘中并行计算

该方法基于并行编程环境消息传递接口（Message Passing Interface，MPI），构建电能计量设备的故障诊断并行平台。其中，MPI是利用多种会议的传输标准，从而建立起一套完整的信息传输编程模型，可以支持C 语言、Fortran 语言，保证各种操作系统顺利运行。使MPI 库实现信息的传输计算，具有兼容性和方便性高等特点。与串行计算相比，并行计算注重计算多个处理器并发的执行情况，将顺序执行的计算任务作为同步执行子任务，保障全部子任务能顺利进行，从而达到预期要求。通常并行计算最常用在计算复杂问题方面，按照程序和算法进行设计，将其分为数据并行和任务并行。数据并行是将一个主要任务分解为几个子任务；任务并行是同步执行这个主要任务，防止发生数据竞争问题，提高了数据的处理效率[2]。

3.2 支持向量机

在结构性风险最小原理和VC 维理论的基础上，提出了一种新的分类器。与常规反向传播（Back Propagation，BP）神经网络相比，支持向量机（Support Vector Machines，SVM）一般会对非线性问题进行处理，从而解决BP 神经网络样本数目过大的问题。需要指出的是，因为SVM 是一种分类模型，所以在模式识别中应使用有必要的分类模型，以确定SVM 数量[3]。

3.3 基于并行算法和SVM 的智能化故障诊断模型

通过对电能计量装置的故障进行诊断，得到了1个主节点和4 个子节点，采用数据并行和任务并行方式，通过向量机对电能计量装置的运行情况进行诊断。目前，电力系统本体故障的种类有电力表本体故障、互感器本体故障等。针对这种情况，工作人员要利用反极性检查、异常检查等方法取得真实的电流、电压数据，构建健全的故障诊断模型[4]。

3.3.1 建立数据并行化智能故障诊断模型

（1）建立数据并行化故障诊断模型。通过分析以往数据资源，对现有的数据进行诊断，从而有效利用现有的数据资源，获得不同类型故障的电流、电压等数据。将样本数据传输到处理器中，每个子节点的支撑向量机均具备多样化性能，且各子节点之间相互结合。各子节点是基于支持向量机的训练，对各个子节点的权重进行合理的统计，建立了完善的并行化故障诊断模型。

（2）采用并行算法进行分析，完善数据并行化智能故障诊断模型，对电能计量设备的操作状态进行诊断。利用数据采集装置采集现场样本，提取出电流、电压样本等信息，反映设备的运行状态，将其作为故障诊断模块的输入信息。同时，采用故障诊断模块中数据并行处理方法，通过支持向量机诊断电能计量设备的操作状态，输出各子节点的故障诊断结果。此外，利用数据并行化故障诊断模型，对各个子节点的权重进行分析，集中各节点的诊断结果，输出权重较高的装置运行状态作为总节点[5]。

3.3.2 建立任务并行化智能故障诊断模型

建立任务并行故障诊断模型。利用以前数据，得出不同类型故障和正常运行时电流、电压数据，横向分割支持向量机处理单元，将各层核函数按照处理器数量进行科学分割，然后将各层核函数分布到相应的处理器上，从而使各处理器中的核函数具有输出、输入功能，并在处理器中进行权值相连。该方法利用大数据任务并行化方法实现，选取了支持向量机输入量，将此类输出值作为输出值，对以前的数据进行训练，并构建了并行故障诊断模型。

利用任务并行化智能故障诊断模型，获得现场采样数据，提取能反映设备运行状态的相关数据，将相关信息输入故障诊断模块，支持向量机每层单独诊断电能计量设备的工作状态，科学诊断电能计量设备的实际情况。同时，利用数据并行化故障诊断模式中的各个子节点权重，对各个节点的诊断结果进行集中，输出权重更高的设备运作状态，以此来作为总节点。在总节点输出电能计量装置运行状态下，当发生故障问题时，就会产生故障类型。

采用档、打包压缩等方式传送海量的波形数据过程中，由于数据量较大，诊断流程过于复杂，工作人员要全面诊断，才能保证数据诊断的准确性。因此，文章提出大数据并行计算方法，解决了数据量大、诊断分析困难的问题，结合支持向量机SVM 智能诊断算法，进一步完善数据并行化智能故障诊断模型和任务并行化智能故障诊断模型[6-7]。

4 实例应用

针对所提出的关口电能计量设备的智能故障诊断和预警技术，利用电流、电压等取样资料，采用并行化构建智能故障诊断模型，诊断故障设备的关口电能计量装置状态，记录故障设备数据，并以多种预警方法及时通知有关人员，避免计量故障。在线自动化管理系统的可视化界面如图2 所示。

图2 在线自动化管理系统的可视化界面

5 结 论

从目前的关口电能计量设备应用情况来看，关口电能计量设备严重缺乏实时监控故障诊断技术，存在取样数据量大、诊断效果差、效率低等问题。针对该种情况，提出全新的数据采集设备，确保数据采集的准确性。利用大数据并行算法和支持向量机，构建数据并行化、任务并行化智能故障诊断模型，全面诊断电能计量设备运行故障状态，自动记录存在故障的设备，避免出现严重计量故障。