基于检定数据自相关性的低压智能电能表局部异常点检测方法

李佳莹,杨 娴,王丕适,黄雪玫,黄开来

(海南电网有限责任公司,海南 海口 570203)

0 引言

我国能源需求日益紧张,高能耗的生产生活方式在造成环境污染威胁的同时,还给电力能源供给带来巨大挑战。所以当前局势下,提高能源利用效率、淘汰落后产能及发展新型能源技术成为全球共识,智能电网应运而生[1-2]。智能电能表作为智慧电网中重要组成部分,在电网安全运行过程中起到至关重要的作用,若智能电能表正常运作时出现故障,将对智能电网的安全运行产生重大影响,因此,针对智能电能表开展必要的局部异常点检测,成为亟待解决的问题。

近年来,许多学者针对电能表的异常检测问题,开展了相关检测方法的研究。文献[3]提出改进人工蜂群算法优化SVM的电能表故障诊断研究;文献[4]提出基于观测点机制的异常点检测算法。

上述方法在开展智能电能表局部异常点检测时,由于未能及时采用检定自相关函数对电能表运行数据实施去噪控制,导致检测效果差。为解决上述智能电能表局部异常点检测过程中存在的问题,提出基于检定数据自相关性的低压智能电能表局部异常点检测方法。

1 智能电能表结构分析

1.1 智能电能表组成结构

智能电能表[5-7]内部大部分为电路硬件,具体可分为电源、电压电流互感器、计量芯片和控制器等。其中,电源主要为电能表提供动力,通常用变压器实现电压转换流程;电压电流互感器负责电压电流的采样,将大型电压电流转换为可测量的小电压电流,获取瞬时功率;再经由计量芯片获取功率滤波有功功率;最后芯片将计算结果传输至单机片中完成存储显示,向用户传递用电信息。智能电能表内部硬件结构如图1所示。

图1 智能电能表内部硬件结构

1.2 变压器、电压电流互感器动力分析

1.2.1 变压器分析

智能电表变压器[8-9]通常由闭合的铁心和高低压绕组构成,且2个绕组之间存在耦合关系。在第1绕组中引入交变电压,使第1绕组与第2绕组之间产生交变磁通,获取变压器绕组的交变感应电动势为w1、w2。

设定第1绕组中加入的电压为正弦交流电压,一次计算铁心中的主磁通值,过程为

(1)

N1、N2为变压器内部第1、第2线圈匝数;f为信号频率;α为铁心中的主磁通值;αm为变压器绕组磁通量;sinωt为正弦交流电压;W1、W2为变压器绕组的交变感应电动势实际有效值。

基于上述获取的线圈匝数以及感应电动势有效值,完成变压器内部一次线圈电压与二次线圈电压比计算,结果为

(2)

β为线圈电压比计算结果。可以看出,在空载、负载状态下,铁心的最大磁通量是不变的,但由于铁心的磁导率很高,故其空载电流的计算相对较小,通常可直接忽略不计,变压器主副绕组电流比为二者之间匝数倒数。

1.2.2 电压电流互感器运动分析

电压互感器[10-11]次级绕组的匝数越小,绕组的圈数越多,而电流互感器的绕组则恰恰相反,设定互感器变换系数为K,以此基于上述计算结果对其展开计算,结果为

(3)

I1、I2为第1绕组和第2绕组的电流值。根据以上计算结果,可以将电压电流互感器的大电压、大电流值转换为小电压、小电流值,电压互感器电压表度数与交换系数乘积为大电压数值;而电流互感器则是将大电流转换成小电流,电流表度数与交换系数乘积即为大电流数值,若上述2处位置发生故障,会直接影响电能表正常运行,降低使用寿命。因此,低压智能电能表异常检测时,需着重注意变压器与电压电流互感器位置异常。

2 基于自相关检定的电能表异常点检测方法

基于上述智能电能表动力分析结果,采集低压电能表运行状态数据,通过对数据的自相关去噪控制,提取低压智能电能表运行特征,建立局部异常点检测模型,实现对低压智能电能表的局部异常点检测。

2.1 基于自相关检定的数据去噪算法

智能电能表状态数据中存在大量噪声,因此需要基于IMF阶次方法完成数据的信号噪声去噪。由于自相关函数能够有效反映数据信号在不同时刻的相关程度,因此设定电能表数据随机信号为x(t),建立状态数据的自相关函数,过程为

Ex(t1,t2)=B[x(t1),x(t2)]

(4)

Ex(t1,t2)为建立的自相关函数;B为自相关系数。基于上述数据自相关函数计算数据的IMF分量,以此辨识数据中噪声数据主体IMF分量。

数据噪声IMF分量确定后,基于小波阈值去噪方法建立阈值函数,实现数据噪声的有效滤除,过程为

(5)

基于上述计算结果实现噪声数据的有效滤除[12],为电能表异常点检测实施有效的噪声控制。

2.2 特征提取

在低压智能电能表中,异常数据的参数波动情况能够直观反映出电能表的异常行为,因此,提取电能表状态数据参数特征值尤为必要。

设定a、b不同时刻流经智能电能表的电流值为Ia、Ib,电压值为Ua、Ub,以此计算电能表在不同时刻的电压、电流变化率,结果为

(6)

ι为电能表在不同时刻的电流电压估计值。其中,智能表不同时刻的电压值为

(7)

由于实际操作时,电能表变压器与用户之间存在相关,因此通常电压不会出现变化,且火线、零线流入支流的电流电压同样不会发生变化,基于此项分析对式(6)扩展,过程为

(8)

最后,基于获取的相关参数建立电能表状态数据特征矩阵,提取电能表状态数据特征值,过程为

(9)

T为电能表状态数据特征矩阵;UNh为各电压向量。

2.3 建立局部异常点检测模型

基于上述确定的低压智能电能表状态特征值,结合BP-AdaBoost复合神经网络[13-14]建立电能表的局部异常点检测模型,通过建立的模型实现低压电能表的局部异常点检测。模型具体结构如图2所示。

图2 电能表局部异常点检测模型

检测模型完成构建后,将获取的低压电能表状态特征整合成训练集输入模型中,通过模型的训练结果实现低压智能电能表的局部异常点检测,具体流程如图2所示。

a.输入样本数据。

在获取的电能表特征数据组成的样本空间中随机选取n个数据。

b.初始化神经网络。

对选取的样本数据实施初始化,确定网络权值Qι(i)以及迭代次数τ。

c.计算分类误差及权重值。

训练BP神经网络,设定模型的实际输出结果为fτ,期望输出结果为gτ,以此计算神经网络检测误差以及网络对应权重,过程为

(10)

ει为计算出的检测误差;ϑι为网络对应权值;εi为电能表特征数据权重。

d.调整权值建立分类函数。

基于上述计算出的训练权值对下一轮训练权值展开调整,并根据调整结果建立分类检测函数,获取模型最优解,实现低压智能电能表的局部异常点检测,结果为

(11)

3 实验结果与分析

为了验证上述智能电能表局部异常点检测方法的整体有效性,需要对此方法进行测试。

测试过程中,将基于检定数据自相关性的低压智能电能表局部异常点检测方法(本文方法)、改进人工蜂群算法优化SVM的电能表故障诊断方法(文献[3]方法)和基于观测点机制的智能电能表异常点检测算法(文献[4]方法)作为测试方法,通过对比测试验证本文方法在异常检测时的可行性。

方法验证过程中,将电能表绕组频率固定在14 kHz,故障样本数据采样间隔约为1.48 ms,信号分解系数为0.38。利用本文方法开展电能表异常检测时,基于各项方法检测时的误差、置信度测试结果验证本文方法在电能表异常检测时的可靠性,结果如图3所示。

图3 本文方法可靠性测试结果

分析图3可知,在图3a中,当电能表开始异常点检测时,若误差曲线超出误差置信区间,说明该时刻的检测值为实际异常值;在图3b中,基于测试结果,能够明确看出实际异常值及检测值2个线条之间能够有效拟合,说明本文方法在检测电能表异常时,检测可靠性较好。

基于上述测试流程,继续对文献[3]方法以及文献[4]方法开展可靠性测试,测试结果如图4和图5所示。

图4 文献[3]方法可靠性测试结果

图5 文献[4]方法可靠性测试结果

分析图4和图5可知,在图4a和图5a中,文献[3]方法和文献[4]方法在电能表异常检测时,检测可靠性低于本文方法,在图4b和图5b中,检测值与实际异常值曲线之间的拟合效果明显低于本文方法,由此可证明,文献[3]方法和文献[4]方法在开展电能表异常值检测时,可靠性低于本文方法。

4 结束语

随着电能表使用时间的不断增加,低压电能表的异常检测就显得尤为重要。针对传统电能表异常检测方法中存在的问题,提出基于检定数据自相关性的低压智能电能表局部异常点检测方法。该方法基于电能表内部结构动力分析结果,采集低压电能表运行状态数据,通过对数据的检定自相关函数实现数据去噪,提取低压智能电能表运行特征,建立局部异常点检测模型,实现对低压智能电能表的局部异常点检测。