电能计量装置异常状态监测方法研究

刘卫新,胡春华

(1.国网新疆电力有限公司电力科学研究院,新疆 乌鲁木齐 830000;2.烟台东方威思顿电气有限公司,山东 烟台 264000)

0 引言

电能计量装置是电力系统中的重要组成部分,用于对电能进行测量和监测,并为电力管理和经济统计提供准确的电能数据。因此,保证电能计量装置的正常运行对于电力系统的安全、稳定和可靠运行具有重要意义。然而,电能计量装置长期存在老化、损耗和外界干扰等问题。这些问题会导致计量精度下降、误差增大、数据异常等,严重影响电能数据的准确性。因此,对电能计量装置的异常状态进行监测并及时发现和处理异常,具有重要的研究意义和实际价值[1]。

为了掌握电力系统实时运行状态、获取更精确的电能计量数据,相关学者开展了研究。于海波等[2]通过有效值主元分析法采集电能计量装置经二次信号回波后的互感器剩余统计量,并视该统计量为计量状态检测和异常参数定位的训练样本,将其输入降噪模型进行优化。经过优化的统计量在实际工况下的计量误差更大,因而可将经过优化的统计量输入支持向量机中,以实现电能计量装置状态监测。但检测信号容易受到电压影响,导致电能计量装置检测状态不稳定。王海元等[3]通过建立互感器等效电路模型,分析二次回路负荷对电能计量装置误差的影响,并在此基础上,结合部分关口计量装置实际与额定二次负载数据,定量分析二次回路负荷偏低导致的计量误差变化情况。但该方法会对计量装置产生运行不稳定的影响。于冰等[4]通过协议适配方案设计针对电能计量装置的在线监测程序,以此获取智能制造模式下电能计量装置的电能表误差、电流互感器运行误差以及二次回路误差。通过在监测程序中添加一项监控识别准确率较高的门限故障警示信号,可以实现电能计量装置状态监测。但该方法添加的信号强度波动性大,导致电能计量装置监测数据拟合难度较大。

电能计量装置状态指标数据受功率谱谐波震颤强度影响,导致指标数据呈现高度混沌状态,使数据的聚类性能存在缺陷。为此,本文提出基于改进聚类分析的电能计量装置异常状态监测方法。该方法通过改进聚类分析算法聚类电能计量装置状态指标数据,实现电能计量装置状态监测。

1 装置状态关键评估参数体系构建

使用金属元素进行镀层,一方面可以提高电能计量装置插件的测量精度,另一方面间接降低了计量专用回路的电流和电压额度。电能计量装置具有两面性,即在使用电能计量装置进行电能计量的同时,也可以通过装置的状态监测功能来监测电力系统的状态。考虑到电能计量装置的两面性,在构建电能计量装置状态评估体系时,需要将评估电能计量装置状态的指标细分为技术指标和参数指标。其中,技术指标是评价电能计量装置各部件健康状态的层次化指标。参数指标对应于技术指标,是各部件受干扰后产生的负荷电流、负荷电压、功率因素或频率波动等量化指标。本文忽略电路工况和电网环境带来的谐波影响,仅将电能计量装置在现场校验时间段内的负荷瞬变表现视为状态监测重心,根据当下电能计量装置的运行特性,深入分析与电能计量装置状态密切相关的技术指标和参数指标。

1.1 电流、电压互感器指标参数选取

电能计量装置测量回路包括电压互感器和电流互感器。电压互感器由磁通密度高、电气接触良好的标准紧固件组成,在装置中起到输送电压、辅助配置的作用。电流互感器由静电放电频率较高的硬质多股绞合线路组成,在装置中起到输送电流、分隔进线室和出线室的作用。

电流、电压互感器拓扑结构和线路结构如图1所示。

图1 电流、电压互感器拓扑结构和线路结构

正常情况下,电流、电压互感器具有一定的载流能力,使互感器测量回路一组绕组和二次负载产生的综合负荷始终维持在负荷点以内。但当电流、电压互感器存在缺陷时,互感器载流会产生异常[5]。当综合负荷失去低负荷点支撑,电能计量装置会在几分钟甚至几秒内出现数倍的电流和电压负荷,使电能计量装置故障。此时,电能计量装置载流量异常,处于重点监测阶段。由此可见,电流、电压互感器缺陷具有评价电能计量装置状态的价值,属于技术指标。与其对应的参数指标为载流量。载流量P为:

(1)

式中:mx为装置倍率;my为缺陷程度量化结果,%;u为互感器机械强度,MPa。

1.2 电能表缺陷指标参数选取

电能表[6-7]作为结合了现场实测电磁波数据和实时监测状态量数据的电子式合成波电能专用器件,在电能计量装置中起到记录功率谱谐波的作用。当电能表复位不及时或反复死机导致电能表缺陷时,电能计量装置丧失电磁辐射能力。电磁场干扰将加重功率谱谐波震颤强度,造成电能计量装置数据紊乱。由此可见,电能表缺陷具有评价电能计量装置状态的价值,属于技术指标。与其对应的参数指标为功率谱谐波震颤强度。功率谱谐波震颤强度L为:

(2)

式中:θj为电能表卡内数据;j为每轮迭代误差平方最小的子簇,j∈N+为正整数;a为电能表电源量;b为功率因数。

1.3 二次回路缺陷指标参数选取

二次回路由互感器二次端子、刀闸、端子间电缆和端子间电阻共同组成。电能计量装置现场运行对二次回路的要求较为严苛,需要同时满足环境湿度适宜、线缆连接不松动或脱落等多项标准限值。因此,现场运行条件下的二次回路常以合理组合配对的形式增加限值完成度。但这种形式必须承担二次回路总电阻忽高忽低的风险。当产生二次回路缺陷时,电能计量装置无法通过接点电阻连通各部件。总电阻持续增大,迫使电能计量装置多项状态量超出标准限值。因此,二次回路缺陷具有评价电能计量装置状态的价值,属于技术指标。与其对应的参数指标为总电阻。

总电阻G为:

(3)

式中:h为导线横截面积,mm2;δij为导线封闭性,%;c为二次导线的长度,m;i为簇中心标识,i∈N+为正整数。

2 电能计量装置状态监测方法的设计

2.1 数据多变量相空间重构

本节将第1节提出的电流/电压互感器指标参数、电能表缺陷指标参数、二次回路缺陷指标参数视为待采数据,以挖掘兼具时效性和合理性的电能计量装置参数指标。参数指标的挖掘结果H为:

(4)

式中:qi为分布概率,%;τ为时间延迟,ms;φ为多维混沌程度,%;yn为关联维数,维。

经过挖掘的参数指标由于存在无规则非周期的多维混沌特性,尚不能作为训练样本输入聚类算法中。想要获取精确度更高的监测结果,需要在特征向量聚类前,优先将关联维数和复杂度高的参数指标转化为有序连续型数据,以降低初始数据维数、简化数据运算体量。

多变量相空间重构[8]作为适用于智能通信技术和计算机处理相关技术的多维数据降维方法,主要通过重构无规则非周期序列,延长空间内任意时间点到邻近时间点的距离,以达到交互虚假邻点、优化空间内高维数据稀疏度并输出嵌入维数最佳的样本数据的目的。本文将参数指标与多变量相空间重构结合,可以在不改变数据从属与类别映射关系的前提下,实现参数指标的有效降维。参数指标多维混沌特性函数M的表达式如式(5)所示。

(5)

式中:a′为样本个数,个;z为经验条件熵;xn为缺失值;xn+1为信息增益比。

多变量相空间重构结果Z为:

Z=gm+γU

(6)

式中:gm为邻接数据之间的曼哈顿距离;γ为重构序列间隔;U为交互信息量。

经过多变量相空间重构的参数指标,在维度适配性上较为优越。想要通过聚类的方式实现电能计量装置状态监测,则需要在优化参数指标的基础上提取互感器载流量、功率谱谐波震颤强度和总电阻的特征向量。从宏观视角来看,特征向量指数据中最具识别特性的从属值。其提取方法并不局限于单一内容,而是随样本数据的变化而变化。由于电流、电压互感器指标参数和电能表缺陷指标参数以及二次回路缺陷指标参数均属于电能计量装置参数指标,因此这个参数特征向量在提取方式上较为统一。通过计算数据任意边缘点与中心点间的距离,搜索两点间凝聚力最大的子集,以确定最优特征与最优分割点,从而实现从属值即特征向量的提取。边缘点与中心点间的距离K为:

(7)

式中:λ为递归调用系数;s为计量管控水平。

(8)

式中:fik为三相电压测量值误差,V;fjk为电能表有功误差。

2.2 改进聚类分析算法

聚类分析按度量模式具体分为K-Means聚类、均值漂移聚类、最大期望(expectation maximization,EM)算法等。在众多聚类算法中,K-Means聚类[9]以其较为优越的深层信息剖析能力和计量自动化能力,常用于电力电子器件的状态监测工作中。

K-Means聚类流程如图2所示。

图2 K-Means聚类流程图

由图2可知,将参数指标的特征向量作为训练样本与K-Means聚类结合后,算法通过选择聚类中心[10]、计算特征向量与聚类中心距离,以实现特征向量的簇族分类。K-Means聚类过程为:

(9)

式中:dij为聚类中心的个数,个;i×j为簇族中心距离。

为了进一步提升K-Means聚类效率,本文引入蚁群算法优化聚类算法[11],利用该算法的数据获取、处理、分析环节,明确簇族分类之间的关联程度。具体改进步骤如下。

①输入电能计量装置状态监测任务队列。

我感到老婆的双手一片冰凉，从她的体温中，在她的眼神里，我感觉到了她对我的关爱，我还有什么理由拒绝她呢？更何况，听说气管里长东西，我的心也提到了嗓子眼，也更加倾向于在哈尔滨做。

②任务参数化。

③定义蚁群算法的相关参数。

④种群初始化。

⑤将相关参数代入到目标函数中,定义相似度参数,并计算数据捡拾和遗弃概率。

在观察不同路径的周围区域时,本文通过蚁群优化聚类算法建立一个捕获位置节点,在周围网格区域中获取最优路径,得到最优相似度参数。本文假设蚂蚁在t0时刻的所处位置为d。本文对具有相似特征数据的路径进行串联,得到的相似度结果如式(10)所示。

(10)

式中:ω为相似数值;L为欧几里得距离函数。

根据式(10),可得对影响因素的捡拾概率p1和遗弃概率p2为:

(11)

式中:λ1为浅层影响数据之间的关联程度;λ2为深层影响数据之间的关联程度。

⑥从大到小排列相似度值,并保留最大的个体为算法的最优个体。

⑦结合最优个体的相似度更新信息素矩阵并获取转移概率化解矩阵,以推动群体向最优路径移动,并剔除对电能计量装置状态监测没有帮助的其他因素。

⑧判断是否满足结束条件。若满足结束条件,则输出求解结果;否则,回到步骤⑤。

根据上述求解结果,可以判断电能计量装置各项参数指标的劣化程度,实现电能计量装置状态监测。

3 试验与结果

3.1 试验设置

为了验证改进聚类分析的电能计量装置状态监测的整体有效性,需进行试验。

试验场景如图3所示。

图3 试验场景

试验使用的电能计量装置型号为CPMT-1600。该装置相关参数如下:电压测量精度为0.05%RD;电流测量精度为0.02%RD;电能测量精度为0.05%(10～1 000 V,1～300 A);输出电能脉冲最高频率为100 kHz;输入电能脉冲频率不大于500 Hz;电平为0～5 V。

电压电平波形如图4所示。

图4 电压电平波形

本文利用监视器(示波器)输出电能计量装置运行过程中产生的电压电平波动情况,并以此为依据进行试验。

3.2 结果分析

①箱型图。

箱型图又称盒须图或者箱线图,由多组近似箱盒的四边体组成。由于箱盒包括上界、下四分位线和下界,因此常作为限定标准以识别分散数据的异常情况。本文分别采用所提方法、文献[2]方法和文献[3]方法监测一年内电能计量装置状态。通过对比不同方法的监测结果,可以判断不同方法对电能计量装置状态的监测性能。

不同方法的监测结果如图5所示。

图5 不同方法的监测结果

由图5可知,大于或小于箱盒设定的上下界的数值即为异常值。采用所提方法监测电能计量装置状态,其异常值检出率较高,说明所提方法的监测性能较强。这是因为所提方法在监测电能计量装置状态前,优先构建电能计量装置状态评估体系,深入分析与电能计量装置状态密切相关的技术指标与参数指标,并以此为基础确定数据挖掘对象。采用文献[2]方法和文献[3]方法监测电能计量装置状态的异常值的检出率较低。这说明文献[2]方法和文献[3]方法的监测性能较差。经上述对比可知,所提方法对电能计量装置状态的监测性能明显优于传统方法。

②回归图。

回归技术常用于验证预测算法的准确性。为了进一步验证所提方法的实用性,试验分别采用所提方法、文献[2]方法和文献[3]方法监测电能计量装置状态,并视不同方法监测到的正常值、异常值和预警值为预测值。试验利用回归方程将各预测值映射至三维空间,以观察预测值与回归平面的位置关系。若预测值排列在回归平面上,则说明预测值与实际值的拟合率高。若预测值散乱地分布在回归平面的四周,则说明预测值与实际值背离。回归方程为:

A=β×κ

(12)

式中:A为预测值和实际值在回归平面中的位置;β为预测值;κ为实际值。

不同方法的回归图如图6所示。

图6中,X、Y和Z为自变量、因变量和影响因素的取值。本文参考图6中预测值与实际值的拟合率,在两百台样本量下计算经不同方法监测所获取的正常值、异常值和预警值的准确率。其中:所提方法的异常值、正常值和预警值分别为98%、100%和96%;文献[2]方法的异常值、正常值和预警值分别为78%、89%和77%;文献[3]方法的异常值、正常值和预警值分别为86%、91%和83%。因此,所提方法下各项预测值与实际值的拟合率和准确率较高,说明所提方法监测到的电能计量装置状态贴近实际工况。文献[2]方法和文献[3]方法下各项预测值与实际值的拟合率和准确率较低,说明文献[2]方法和文献[3]方法监测到的电能计量装置状态脱离实际工况。上述对比进一步验证了所提方法的实用性。

4 结论

为了保证电能计量装置在任意工况环境下都能输出可靠数据,本文提出了基于蚁群算法改进聚类分析的电能计量装置异常状态监测方法。本文在分析电流/电压互感器缺陷、电能表缺陷和二次回路缺陷的基础上,构建电能计量装置状态评估体系。在此基础上,本文通过多变量相空间重构监测数据,利用蚁群算法优化聚类分析算法,获取最优监测数据和任务序列,实现电能计量装置状态监测。本文通过试验得出以下结论。

①箱型图对比试验结果表明,用所提方法监测电能计量装置状态,其异常值检出率较高。这说明所提方法的监测性能较强,对电能计量装置状态的监测性能明显优于传统方法。

②回归图对比试验结果表明,所提方法下各项预测值与实际值的拟合率和准确率较高。这说明所提方法监测到的电能计量装置状态更贴近实际工况,进一步验证了所提方法的实用性。

综上可知,所提方法具有较好的监测精准度和监测性能。