基于檢定數(shù)據(jù)自相關(guān)性的低壓智能電能表局部異常點(diǎn)檢測(cè)方法

李佳瑩,楊 嫻,王丕適,黃雪玫,黃開來

(海南電網(wǎng)有限責(zé)任公司,海南 ?？?570203)

0 引言

我國(guó)能源需求日益緊張,高能耗的生產(chǎn)生活方式在造成環(huán)境污染威脅的同時(shí),還給電力能源供給帶來巨大挑戰(zhàn)。所以當(dāng)前局勢(shì)下,提高能源利用效率、淘汰落后產(chǎn)能及發(fā)展新型能源技術(shù)成為全球共識(shí),智能電網(wǎng)應(yīng)運(yùn)而生[1-2]。智能電能表作為智慧電網(wǎng)中重要組成部分,在電網(wǎng)安全運(yùn)行過程中起到至關(guān)重要的作用,若智能電能表正常運(yùn)作時(shí)出現(xiàn)故障,將對(duì)智能電網(wǎng)的安全運(yùn)行產(chǎn)生重大影響,因此,針對(duì)智能電能表開展必要的局部異常點(diǎn)檢測(cè),成為亟待解決的問題。

近年來,許多學(xué)者針對(duì)電能表的異常檢測(cè)問題,開展了相關(guān)檢測(cè)方法的研究。文獻(xiàn)[3]提出改進(jìn)人工蜂群算法優(yōu)化SVM的電能表故障診斷研究;文獻(xiàn)[4]提出基于觀測(cè)點(diǎn)機(jī)制的異常點(diǎn)檢測(cè)算法。

上述方法在開展智能電能表局部異常點(diǎn)檢測(cè)時(shí),由于未能及時(shí)采用檢定自相關(guān)函數(shù)對(duì)電能表運(yùn)行數(shù)據(jù)實(shí)施去噪控制,導(dǎo)致檢測(cè)效果差。為解決上述智能電能表局部異常點(diǎn)檢測(cè)過程中存在的問題,提出基于檢定數(shù)據(jù)自相關(guān)性的低壓智能電能表局部異常點(diǎn)檢測(cè)方法。

1 智能電能表結(jié)構(gòu)分析

1.1 智能電能表組成結(jié)構(gòu)

智能電能表[5-7]內(nèi)部大部分為電路硬件,具體可分為電源、電壓電流互感器、計(jì)量芯片和控制器等。其中,電源主要為電能表提供動(dòng)力,通常用變壓器實(shí)現(xiàn)電壓轉(zhuǎn)換流程;電壓電流互感器負(fù)責(zé)電壓電流的采樣,將大型電壓電流轉(zhuǎn)換為可測(cè)量的小電壓電流,獲取瞬時(shí)功率;再經(jīng)由計(jì)量芯片獲取功率濾波有功功率;最后芯片將計(jì)算結(jié)果傳輸至單機(jī)片中完成存儲(chǔ)顯示,向用戶傳遞用電信息。智能電能表內(nèi)部硬件結(jié)構(gòu)如圖1所示。

圖1 智能電能表內(nèi)部硬件結(jié)構(gòu)

1.2 變壓器、電壓電流互感器動(dòng)力分析

1.2.1 變壓器分析

智能電表變壓器[8-9]通常由閉合的鐵心和高低壓繞組構(gòu)成,且2個(gè)繞組之間存在耦合關(guān)系。在第1繞組中引入交變電壓,使第1繞組與第2繞組之間產(chǎn)生交變磁通,獲取變壓器繞組的交變感應(yīng)電動(dòng)勢(shì)為w1、w2。

設(shè)定第1繞組中加入的電壓為正弦交流電壓,一次計(jì)算鐵心中的主磁通值,過程為

(1)

N1、N2為變壓器內(nèi)部第1、第2線圈匝數(shù);f為信號(hào)頻率;α為鐵心中的主磁通值;αm為變壓器繞組磁通量;sinωt為正弦交流電壓;W1、W2為變壓器繞組的交變感應(yīng)電動(dòng)勢(shì)實(shí)際有效值。

基于上述獲取的線圈匝數(shù)以及感應(yīng)電動(dòng)勢(shì)有效值,完成變壓器內(nèi)部一次線圈電壓與二次線圈電壓比計(jì)算,結(jié)果為

(2)

β為線圈電壓比計(jì)算結(jié)果。可以看出,在空載、負(fù)載狀態(tài)下,鐵心的最大磁通量是不變的,但由于鐵心的磁導(dǎo)率很高,故其空載電流的計(jì)算相對(duì)較小,通?？芍苯雍雎圆挥?jì),變壓器主副繞組電流比為二者之間匝數(shù)倒數(shù)。

1.2.2 電壓電流互感器運(yùn)動(dòng)分析

電壓互感器[10-11]次級(jí)繞組的匝數(shù)越小,繞組的圈數(shù)越多,而電流互感器的繞組則恰恰相反,設(shè)定互感器變換系數(shù)為K,以此基于上述計(jì)算結(jié)果對(duì)其展開計(jì)算,結(jié)果為

(3)

I1、I2為第1繞組和第2繞組的電流值。根據(jù)以上計(jì)算結(jié)果,可以將電壓電流互感器的大電壓、大電流值轉(zhuǎn)換為小電壓、小電流值,電壓互感器電壓表度數(shù)與交換系數(shù)乘積為大電壓數(shù)值;而電流互感器則是將大電流轉(zhuǎn)換成小電流,電流表度數(shù)與交換系數(shù)乘積即為大電流數(shù)值,若上述2處位置發(fā)生故障,會(huì)直接影響電能表正常運(yùn)行,降低使用壽命。因此,低壓智能電能表異常檢測(cè)時(shí),需著重注意變壓器與電壓電流互感器位置異常。

2 基于自相關(guān)檢定的電能表異常點(diǎn)檢測(cè)方法

基于上述智能電能表動(dòng)力分析結(jié)果,采集低壓電能表運(yùn)行狀態(tài)數(shù)據(jù),通過對(duì)數(shù)據(jù)的自相關(guān)去噪控制,提取低壓智能電能表運(yùn)行特征,建立局部異常點(diǎn)檢測(cè)模型,實(shí)現(xiàn)對(duì)低壓智能電能表的局部異常點(diǎn)檢測(cè)。

2.1 基于自相關(guān)檢定的數(shù)據(jù)去噪算法

智能電能表狀態(tài)數(shù)據(jù)中存在大量噪聲,因此需要基于IMF階次方法完成數(shù)據(jù)的信號(hào)噪聲去噪。由于自相關(guān)函數(shù)能夠有效反映數(shù)據(jù)信號(hào)在不同時(shí)刻的相關(guān)程度,因此設(shè)定電能表數(shù)據(jù)隨機(jī)信號(hào)為x(t),建立狀態(tài)數(shù)據(jù)的自相關(guān)函數(shù),過程為

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

(4)

Ex(t1,t2)為建立的自相關(guān)函數(shù);B為自相關(guān)系數(shù)。基于上述數(shù)據(jù)自相關(guān)函數(shù)計(jì)算數(shù)據(jù)的IMF分量,以此辨識(shí)數(shù)據(jù)中噪聲數(shù)據(jù)主體IMF分量。

數(shù)據(jù)噪聲IMF分量確定后,基于小波閾值去噪方法建立閾值函數(shù),實(shí)現(xiàn)數(shù)據(jù)噪聲的有效濾除,過程為

(5)

基于上述計(jì)算結(jié)果實(shí)現(xiàn)噪聲數(shù)據(jù)的有效濾除[12],為電能表異常點(diǎn)檢測(cè)實(shí)施有效的噪聲控制。

2.2 特征提取

在低壓智能電能表中,異常數(shù)據(jù)的參數(shù)波動(dòng)情況能夠直觀反映出電能表的異常行為,因此,提取電能表狀態(tài)數(shù)據(jù)參數(shù)特征值尤為必要。

設(shè)定a、b不同時(shí)刻流經(jīng)智能電能表的電流值為Ia、Ib,電壓值為Ua、Ub,以此計(jì)算電能表在不同時(shí)刻的電壓、電流變化率,結(jié)果為

(6)

ι為電能表在不同時(shí)刻的電流電壓估計(jì)值。其中,智能表不同時(shí)刻的電壓值為

(7)

由于實(shí)際操作時(shí),電能表變壓器與用戶之間存在相關(guān),因此通常電壓不會(huì)出現(xiàn)變化,且火線、零線流入支流的電流電壓同樣不會(huì)發(fā)生變化,基于此項(xiàng)分析對(duì)式(6)擴(kuò)展,過程為

(8)

最后,基于獲取的相關(guān)參數(shù)建立電能表狀態(tài)數(shù)據(jù)特征矩陣,提取電能表狀態(tài)數(shù)據(jù)特征值,過程為

(9)

T為電能表狀態(tài)數(shù)據(jù)特征矩陣;UNh為各電壓向量。

2.3 建立局部異常點(diǎn)檢測(cè)模型

基于上述確定的低壓智能電能表狀態(tài)特征值,結(jié)合BP-AdaBoost復(fù)合神經(jīng)網(wǎng)絡(luò)[13-14]建立電能表的局部異常點(diǎn)檢測(cè)模型,通過建立的模型實(shí)現(xiàn)低壓電能表的局部異常點(diǎn)檢測(cè)。模型具體結(jié)構(gòu)如圖2所示。

圖2 電能表局部異常點(diǎn)檢測(cè)模型

檢測(cè)模型完成構(gòu)建后,將獲取的低壓電能表狀態(tài)特征整合成訓(xùn)練集輸入模型中,通過模型的訓(xùn)練結(jié)果實(shí)現(xiàn)低壓智能電能表的局部異常點(diǎn)檢測(cè),具體流程如圖2所示。

a.輸入樣本數(shù)據(jù)。

在獲取的電能表特征數(shù)據(jù)組成的樣本空間中隨機(jī)選取n個(gè)數(shù)據(jù)。

b.初始化神經(jīng)網(wǎng)絡(luò)。

對(duì)選取的樣本數(shù)據(jù)實(shí)施初始化,確定網(wǎng)絡(luò)權(quán)值Qι(i)以及迭代次數(shù)τ。

c.計(jì)算分類誤差及權(quán)重值。

訓(xùn)練BP神經(jīng)網(wǎng)絡(luò),設(shè)定模型的實(shí)際輸出結(jié)果為fτ,期望輸出結(jié)果為gτ,以此計(jì)算神經(jīng)網(wǎng)絡(luò)檢測(cè)誤差以及網(wǎng)絡(luò)對(duì)應(yīng)權(quán)重,過程為

(10)

ει為計(jì)算出的檢測(cè)誤差;?ι為網(wǎng)絡(luò)對(duì)應(yīng)權(quán)值;εi為電能表特征數(shù)據(jù)權(quán)重。

d.調(diào)整權(quán)值建立分類函數(shù)。

基于上述計(jì)算出的訓(xùn)練權(quán)值對(duì)下一輪訓(xùn)練權(quán)值展開調(diào)整,并根據(jù)調(diào)整結(jié)果建立分類檢測(cè)函數(shù),獲取模型最優(yōu)解,實(shí)現(xiàn)低壓智能電能表的局部異常點(diǎn)檢測(cè),結(jié)果為

(11)

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證上述智能電能表局部異常點(diǎn)檢測(cè)方法的整體有效性,需要對(duì)此方法進(jìn)行測(cè)試。

測(cè)試過程中,將基于檢定數(shù)據(jù)自相關(guān)性的低壓智能電能表局部異常點(diǎn)檢測(cè)方法(本文方法)、改進(jìn)人工蜂群算法優(yōu)化SVM的電能表故障診斷方法(文獻(xiàn)[3]方法)和基于觀測(cè)點(diǎn)機(jī)制的智能電能表異常點(diǎn)檢測(cè)算法(文獻(xiàn)[4]方法)作為測(cè)試方法,通過對(duì)比測(cè)試驗(yàn)證本文方法在異常檢測(cè)時(shí)的可行性。

方法驗(yàn)證過程中,將電能表繞組頻率固定在14 kHz,故障樣本數(shù)據(jù)采樣間隔約為1.48 ms,信號(hào)分解系數(shù)為0.38。利用本文方法開展電能表異常檢測(cè)時(shí),基于各項(xiàng)方法檢測(cè)時(shí)的誤差、置信度測(cè)試結(jié)果驗(yàn)證本文方法在電能表異常檢測(cè)時(shí)的可靠性,結(jié)果如圖3所示。

圖3 本文方法可靠性測(cè)試結(jié)果

分析圖3可知,在圖3a中,當(dāng)電能表開始異常點(diǎn)檢測(cè)時(shí),若誤差曲線超出誤差置信區(qū)間,說明該時(shí)刻的檢測(cè)值為實(shí)際異常值;在圖3b中,基于測(cè)試結(jié)果,能夠明確看出實(shí)際異常值及檢測(cè)值2個(gè)線條之間能夠有效擬合,說明本文方法在檢測(cè)電能表異常時(shí),檢測(cè)可靠性較好。

基于上述測(cè)試流程,繼續(xù)對(duì)文獻(xiàn)[3]方法以及文獻(xiàn)[4]方法開展可靠性測(cè)試,測(cè)試結(jié)果如圖4和圖5所示。

圖4 文獻(xiàn)[3]方法可靠性測(cè)試結(jié)果

圖5 文獻(xiàn)[4]方法可靠性測(cè)試結(jié)果

分析圖4和圖5可知,在圖4a和圖5a中,文獻(xiàn)[3]方法和文獻(xiàn)[4]方法在電能表異常檢測(cè)時(shí),檢測(cè)可靠性低于本文方法,在圖4b和圖5b中,檢測(cè)值與實(shí)際異常值曲線之間的擬合效果明顯低于本文方法,由此可證明,文獻(xiàn)[3]方法和文獻(xiàn)[4]方法在開展電能表異常值檢測(cè)時(shí),可靠性低于本文方法。

4 結(jié)束語(yǔ)

隨著電能表使用時(shí)間的不斷增加,低壓電能表的異常檢測(cè)就顯得尤為重要。針對(duì)傳統(tǒng)電能表異常檢測(cè)方法中存在的問題,提出基于檢定數(shù)據(jù)自相關(guān)性的低壓智能電能表局部異常點(diǎn)檢測(cè)方法。該方法基于電能表內(nèi)部結(jié)構(gòu)動(dòng)力分析結(jié)果,采集低壓電能表運(yùn)行狀態(tài)數(shù)據(jù),通過對(duì)數(shù)據(jù)的檢定自相關(guān)函數(shù)實(shí)現(xiàn)數(shù)據(jù)去噪,提取低壓智能電能表運(yùn)行特征,建立局部異常點(diǎn)檢測(cè)模型,實(shí)現(xiàn)對(duì)低壓智能電能表的局部異常點(diǎn)檢測(cè)。