大數(shù)據(jù)的電力計(jì)量裝置故障智能化診斷技術(shù)探究

馬 濤

（國(guó)網(wǎng)山西省電力公司澤州縣供電公司）

0 引言

從電力企業(yè)層面分析，電力計(jì)量工作發(fā)揮著重要作用，不但會(huì)影響企業(yè)整體經(jīng)濟(jì)效益，同時(shí)還會(huì)影響電力用戶切身利益，特別是在電力計(jì)量設(shè)備出現(xiàn)問(wèn)題故障條件下，如果技術(shù)人員未能立即處理便會(huì)導(dǎo)致電力資源大量流失，為此需要加強(qiáng)電力計(jì)量裝置故障智能化檢測(cè)技術(shù)研究，確保計(jì)量裝置故障問(wèn)題得以準(zhǔn)確、快速檢測(cè)，提升電力企業(yè)服務(wù)質(zhì)量。

1 電力計(jì)量裝置常見(jiàn)故障和檢測(cè)方法分析

電力計(jì)量裝置中經(jīng)常會(huì)遇到竊電、干擾和裝置等方面問(wèn)題。竊電作為一種常見(jiàn)故障形式，主要由人為因素導(dǎo)致，部分人員為竊電會(huì)惡意損壞計(jì)量裝置和電網(wǎng)構(gòu)件，從而影響裝置正常運(yùn)行，導(dǎo)致裝置出現(xiàn)少測(cè)或停止測(cè)量等問(wèn)題，嚴(yán)重情況下會(huì)破壞整個(gè)電網(wǎng)運(yùn)行。干擾影響是指電網(wǎng)運(yùn)行中的各種干擾因素，比如電網(wǎng)諧波容易使設(shè)備負(fù)荷頻率出現(xiàn)突增問(wèn)題，從而產(chǎn)生計(jì)量誤差，嚴(yán)重情況下還會(huì)導(dǎo)致負(fù)計(jì)量。裝置方面問(wèn)題即設(shè)備自身不足導(dǎo)致監(jiān)測(cè)數(shù)據(jù)異常，比如出現(xiàn)回路異常、顯示故障和讀數(shù)不符合實(shí)際等問(wèn)題。

在電力計(jì)量裝置出現(xiàn)故障后需要采取有效檢測(cè)方法，通常涵蓋以下幾種，第一是檢測(cè)電流，包括檢查斷路器、基變量、設(shè)備狀態(tài)、三相不平衡電流等內(nèi)容，判斷設(shè)備能否自動(dòng)恢復(fù)檢查。第二是檢測(cè)電壓，該環(huán)節(jié)需要對(duì)電網(wǎng)結(jié)構(gòu)、斷路器狀態(tài)進(jìn)行檢測(cè)，結(jié)合功率因數(shù)變化判斷是否出現(xiàn)異常和設(shè)備改動(dòng)問(wèn)題。第三是功率因數(shù)檢測(cè)，主要以數(shù)據(jù)幅值和數(shù)據(jù)大小為主，一旦發(fā)現(xiàn)相關(guān)數(shù)據(jù)不穩(wěn)，需要及時(shí)采取有效處理技術(shù)，緩解功率因數(shù)問(wèn)題。

2 大數(shù)據(jù)下電力計(jì)量裝置故障的智能化診斷

2.1 創(chuàng)建智能診斷知識(shí)庫(kù)

針對(duì)電力計(jì)量裝置創(chuàng)建智能診斷知識(shí)庫(kù)過(guò)程中，除了需要其擁有裝置運(yùn)行數(shù)據(jù)存儲(chǔ)管理功能，同時(shí)還應(yīng)該賦予其查詢、修整和刪除等功能。并向診斷知識(shí)庫(kù)內(nèi)及時(shí)存儲(chǔ)各類監(jiān)測(cè)、診斷數(shù)據(jù)，整個(gè)知識(shí)庫(kù)內(nèi)需要記錄大量故障數(shù)據(jù)，還需要隨裝置運(yùn)行發(fā)展不斷更新相關(guān)數(shù)據(jù)，便于對(duì)裝置故障進(jìn)行準(zhǔn)確診斷。

電力計(jì)量裝置相關(guān)智能診斷知識(shí)庫(kù)具體涵蓋兩部分，分別是專家知識(shí)庫(kù)和異常特征數(shù)據(jù)庫(kù)，其中不同部分都擁有其各自獨(dú)立管理機(jī)制。異常特征模塊對(duì)應(yīng)管理機(jī)制可以分為三部分，即修改、刪除以及創(chuàng)建等模塊，而專家知識(shí)庫(kù)中也分為三種模塊，分別是數(shù)據(jù)導(dǎo)入、傳輸和變更調(diào)整模塊。電力計(jì)量裝置對(duì)應(yīng)智能故障診斷知識(shí)庫(kù)需要針對(duì)不同界面實(shí)施統(tǒng)一管理，主要基于WEB實(shí)施協(xié)調(diào)管理，知識(shí)庫(kù)初步采集、存儲(chǔ)基礎(chǔ)數(shù)據(jù)后，需要進(jìn)一步和異常特征、專家知識(shí)庫(kù)等進(jìn)行綜合對(duì)比分析，進(jìn)行科學(xué)分類。

不同故障診斷過(guò)程中，需要智能化故障診斷知識(shí)庫(kù)合理構(gòu)建異常特征數(shù)據(jù)庫(kù)，并對(duì)電力計(jì)量裝置實(shí)際運(yùn)行中所遇到各類故障異常特征進(jìn)行全面提取，基于基礎(chǔ)特征創(chuàng)建故障模型。因?yàn)橹R(shí)庫(kù)內(nèi)異常特征數(shù)據(jù)庫(kù)無(wú)法全面記錄所有異常數(shù)據(jù)，因此為進(jìn)一步對(duì)異常故障特征進(jìn)行快速、準(zhǔn)確判斷，需要做好定期維護(hù)、修改。通常情況下，電力計(jì)量裝置對(duì)應(yīng)智能分析知識(shí)庫(kù)中會(huì)設(shè)置有海量異常特征信息庫(kù)，為預(yù)防其占據(jù)大量空間，需要對(duì)其中某些與實(shí)際不符的異常信息庫(kù)進(jìn)行定期刪除，確保整個(gè)智能診斷數(shù)據(jù)庫(kù)保持充足空間。異常特征信息庫(kù)內(nèi)含有大量數(shù)據(jù)信息，相關(guān)數(shù)據(jù)更新工作十分復(fù)雜，此次主要以六種較為常見(jiàn)的異常字段狀態(tài)信息創(chuàng)建異常種類表，見(jiàn)下表。

表 異常種類表

通過(guò)分析上表可以發(fā)現(xiàn)，異常種類表中細(xì)致記錄了各種異常狀況，基于上表能夠?qū)Ω鞣N特征編碼以及故障異常名字進(jìn)行準(zhǔn)確查詢。解析得到異常種類后，繼續(xù)研究裝置異常信息。知識(shí)庫(kù)內(nèi)需要對(duì)各項(xiàng)專家規(guī)則進(jìn)行詳細(xì)記錄，進(jìn)行診斷中應(yīng)該做好保存?zhèn)浞荩跅l理性結(jié)構(gòu)對(duì)在線信息實(shí)施準(zhǔn)確記錄，便于技術(shù)人員查詢，改善錯(cuò)用、亂用等問(wèn)題。各個(gè)專家規(guī)則需要形成獨(dú)立邏輯，進(jìn)行定期導(dǎo)出，做好維護(hù)更新，促進(jìn)內(nèi)部邏輯不斷擴(kuò)展。知識(shí)庫(kù)內(nèi)儲(chǔ)存信息主要以邏輯規(guī)則為主，基于相關(guān)邏輯規(guī)則能夠進(jìn)一步解析異常特征編碼與裝置故障內(nèi)在聯(lián)系。創(chuàng)建基礎(chǔ)知識(shí)庫(kù)能夠幫助準(zhǔn)確診斷裝置性能。

2.2 故障在線監(jiān)測(cè)

基于HADOOP分布式系統(tǒng)針對(duì)電力計(jì)量裝置做好實(shí)時(shí)監(jiān)測(cè)。在具體監(jiān)測(cè)過(guò)程中，首先需要對(duì)裝置內(nèi)部存儲(chǔ)信息進(jìn)行全面監(jiān)測(cè)，內(nèi)部存儲(chǔ)信息也是整個(gè)裝置運(yùn)行的核心數(shù)據(jù)，會(huì)影響整個(gè)裝置的穩(wěn)定、安全運(yùn)行，同時(shí)存在較大基數(shù)，一旦在存儲(chǔ)數(shù)據(jù)中發(fā)現(xiàn)故障問(wèn)題，便會(huì)影響整個(gè)電力計(jì)量裝置的有序運(yùn)行，為此需要注重存儲(chǔ)數(shù)據(jù)監(jiān)測(cè)。其次需要對(duì)數(shù)據(jù)訪問(wèn)形式進(jìn)行合理監(jiān)測(cè)，一般情況下計(jì)量裝置相關(guān)數(shù)據(jù)信息主要利用流式數(shù)據(jù)訪問(wèn)，假如數(shù)據(jù)無(wú)法通過(guò)該種形式訪問(wèn)，便會(huì)導(dǎo)致問(wèn)題發(fā)生。再次是對(duì)計(jì)量裝置支持大文件計(jì)量與否進(jìn)行監(jiān)測(cè)，處于正常狀態(tài)下，計(jì)量裝置普遍能夠支持?jǐn)?shù)百GB或TB等大規(guī)模文件，并對(duì)其內(nèi)部數(shù)據(jù)實(shí)施精準(zhǔn)計(jì)量，假如無(wú)法計(jì)量大型文件，則存在較大故障幾率。最后是監(jiān)測(cè)數(shù)據(jù)再平衡情況，電力計(jì)量裝置能夠按照預(yù)先設(shè)置限值，將某監(jiān)測(cè)數(shù)據(jù)點(diǎn)轉(zhuǎn)移至另一數(shù)據(jù)點(diǎn)內(nèi)，假如無(wú)法支持相關(guān)操作，代表裝置出現(xiàn)故障問(wèn)題［1］。

2.3 異常信息診斷

通常情況下，各種異常信息會(huì)引發(fā)故障問(wèn)題，通過(guò)對(duì)異常信息數(shù)據(jù)進(jìn)行診斷便可以判斷裝置故障，針對(duì)監(jiān)測(cè)數(shù)據(jù)和數(shù)據(jù)庫(kù)信息進(jìn)行對(duì)比分析，辨別裝置是否產(chǎn)生故障，假如確定故障問(wèn)題，應(yīng)該繼續(xù)對(duì)故障分布位置進(jìn)行判斷，包括異常信息的數(shù)量、大小和種類。具體診斷方向分為三種形式，即是否屬于計(jì)量異常信息、采集異常信息或用電設(shè)備異常數(shù)據(jù)。此次研究中主要以第一種計(jì)量異常信息診斷為主，計(jì)量裝置具體故障異常可以從以下層面表現(xiàn)出來(lái)：系統(tǒng)電力回路問(wèn)題、電壓回路故障、時(shí)鐘記錄錯(cuò)誤、電能表出現(xiàn)異常以及電池電壓不足等問(wèn)題，電能表故障具體表現(xiàn)為顯示數(shù)值下降、飛走、停走等。電力計(jì)量裝置一旦發(fā)生故障問(wèn)題需要即刻上報(bào)。

前文創(chuàng)建的專家知識(shí)庫(kù)內(nèi)含有各種異常組合數(shù)據(jù)，全面、細(xì)致地記錄了各類異常信息發(fā)生幾率以及形成原因，為此可以借助知識(shí)庫(kù)進(jìn)行故障診斷。此次研究中主要圍繞異常診斷下的故障原因進(jìn)行分析。

將歷史異常特征統(tǒng)計(jì)結(jié)果設(shè)置為M。

將歷史異常原因統(tǒng)計(jì)結(jié)果設(shè)置為N。

基于M、N創(chuàng)建樸素貝葉斯網(wǎng)絡(luò)，具體如圖1所示。

圖1 樸素貝葉斯網(wǎng)絡(luò)

將內(nèi)含異常特征的樣本設(shè)置為Mi，則：

對(duì)應(yīng)含有該類特征樣本發(fā)生故障原因概率是P（Ni）。

式中，n表示歷史數(shù)據(jù)中產(chǎn)生異常數(shù)據(jù)次數(shù)。

式中，P（Ni｜M1，M3，…，Mn）屬于歷史數(shù)據(jù)內(nèi)特定特征樣本記錄對(duì)應(yīng)異常信息發(fā)生故障的原因概率。將閾值設(shè)置成0.5，并針對(duì)所得概率結(jié)果和閾值進(jìn)行對(duì)比分析。

如果所得結(jié)果如上述內(nèi)容，則診斷結(jié)果為是此原因造成的故障問(wèn)題。

如果最終顯示為上述結(jié)果，則最終診斷結(jié)果是并非此原因造成的故障問(wèn)題。結(jié)合上述計(jì)算活動(dòng)輔助裝置故障診斷。把電流故障融入整個(gè)診斷計(jì)算活動(dòng)中，假如診斷電流故障發(fā)生幾率超出0.5，則判斷是電流故障影響，使計(jì)量裝置產(chǎn)生運(yùn)行故障，假如電流故障診斷發(fā)生幾率小于0.5，在判斷電流故障并非造成計(jì)量裝置運(yùn)行誤差的主要因素［2］。

3 實(shí)驗(yàn)驗(yàn)證

進(jìn)行實(shí)驗(yàn)主要目的是檢測(cè)此次智能診斷方法的實(shí)際效果，并和傳統(tǒng)診斷措施進(jìn)行對(duì)比分析，獲得最終結(jié)論。相關(guān)實(shí)驗(yàn)參數(shù)設(shè)置如下：此次診斷通信系統(tǒng)為無(wú)線WIFI通信系統(tǒng)；運(yùn)行電壓是500V；運(yùn)行電流是500A；網(wǎng)絡(luò)通信協(xié)議為TCP／IP通信協(xié)議；SRAM容量為192KB；傳輸網(wǎng)絡(luò)主要是以太網(wǎng)；定時(shí)器設(shè)置16個(gè)；時(shí)鐘頻率設(shè)置為168MHz；線性度為0.01%；串口接口數(shù)量設(shè)置為6個(gè)；電流變比是1mA：1mA；采樣電路是A／D電路；數(shù)據(jù)庫(kù)設(shè)置為ORACLE數(shù)據(jù)庫(kù)；診斷時(shí)間是1h；工作頻率是1200Hz；診斷速度為150Mbps。

基于上述參數(shù)開(kāi)展實(shí)驗(yàn)分析，利用此次研究中的診斷技術(shù)和傳統(tǒng)診斷模式進(jìn)行對(duì)比分析，對(duì)相同電力計(jì)量裝置展開(kāi)同步診斷分析故障問(wèn)題，設(shè)此裝置對(duì)應(yīng)電能表、電壓回路以及時(shí)鐘序列各擁有六處缺陷故障，并對(duì)具體診斷結(jié)果準(zhǔn)確率和診斷效率進(jìn)行全面記錄，最終所得實(shí)驗(yàn)結(jié)果如圖2所示。

圖2 診斷效率檢測(cè)結(jié)果

通過(guò)分析圖2可以發(fā)現(xiàn)，在診斷過(guò)程中，隨時(shí)間增加，兩種方法所檢測(cè)故障數(shù)量相繼擴(kuò)大，但基于大數(shù)據(jù)的故障診斷技術(shù)能力要超出傳統(tǒng)技術(shù)診斷能力。傳統(tǒng)診斷模式下過(guò)度依賴人工經(jīng)驗(yàn)，無(wú)法準(zhǔn)確辨別某些小型或新型故障。但利用智能故障診斷技術(shù)能夠?qū)?shí)際故障數(shù)量進(jìn)行精準(zhǔn)判斷。其中差距最為突出的以時(shí)鐘序列故障診斷為主，在診斷30min后，智能診斷技術(shù)初步得到準(zhǔn)確的故障數(shù)量，但傳統(tǒng)方法卻無(wú)法偵測(cè)出來(lái)。通過(guò)分析電壓電流波形可以發(fā)現(xiàn)智能診斷方法下，所檢測(cè)有功功率誤差最大值是0.028%，但傳統(tǒng)檢測(cè)誤差最大為1.251%，由此判斷智能診斷方法擁有更好的準(zhǔn)確度［3］。

4 結(jié)束語(yǔ)

綜上所述，傳統(tǒng)模式下的人工檢測(cè)電力計(jì)量裝置故障存在諸多缺陷不足，而利用大數(shù)據(jù)技術(shù)實(shí)施智能故障檢測(cè)，能夠進(jìn)一步提升檢測(cè)結(jié)果準(zhǔn)確性，優(yōu)化檢測(cè)效率，提高檢測(cè)過(guò)程智能化水平，降低故障幾率。為此需要加強(qiáng)相關(guān)技術(shù)研究，合理構(gòu)建診斷知識(shí)庫(kù)，對(duì)裝置運(yùn)行狀態(tài)實(shí)施全面監(jiān)測(cè)，及時(shí)采集各種異常信息，做好故障預(yù)警，輔助故障快速處理，保障計(jì)量裝置的平穩(wěn)運(yùn)行。