物聯(lián)網(wǎng)環(huán)境下配電網(wǎng)端設備監(jiān)測方法研究

國網(wǎng)遼寧省電力有限公司鞍山供電公司 李萬亮 王浩廷 趙 輝

1 緒論

1.1 物聯(lián)網(wǎng)技術在配電網(wǎng)中的應用狀況

目前配電物聯(lián)網(wǎng)成為電力物聯(lián)網(wǎng)的重要組成部分，配電物聯(lián)網(wǎng)能夠為用戶提供豐富的用能服務，進而提升了配電網(wǎng)絡的信息化和自動化水平，更大程度保障了用戶的安全用電水平。

當前有很多方法檢測物聯(lián)網(wǎng)終端數(shù)據(jù)的異常情況，這些方法多數(shù)利用物聯(lián)網(wǎng)量測數(shù)據(jù)診斷設備故障、量測傳感器離群值、識別離群數(shù)據(jù)。較少有對配電物聯(lián)網(wǎng)LTU網(wǎng)端設備數(shù)據(jù)異常檢測的研究，因此配電網(wǎng)端設備和主站設備的工作狀態(tài)難以及時進行自檢，也無法時時監(jiān)控和識別故障設備，網(wǎng)端設備量測數(shù)據(jù)的準確性無法得到保障。

1.2 本研究的主要內容

本研究在總結配電物聯(lián)網(wǎng)數(shù)據(jù)異常檢測基礎上，結合物聯(lián)網(wǎng)數(shù)據(jù)異常來源識別的研究現(xiàn)狀，提出了配電物聯(lián)網(wǎng)端設備數(shù)據(jù)異常的監(jiān)測方法，建構了異常狀態(tài)在線監(jiān)測的整體框架，闡述了監(jiān)測方法的關鍵技術。

2 相關理論研究

2.1 配電物聯(lián)網(wǎng)的概念

配電物聯(lián)網(wǎng)是新一代物聯(lián)網(wǎng)技術在配電網(wǎng)領域的具體應用，綜合應用物聯(lián)網(wǎng)、云計算、大數(shù)據(jù)、移動通信及人工智能技術實現(xiàn)用戶、用電設備、電網(wǎng)企業(yè)互聯(lián)，采用數(shù)字化技術滿足配電網(wǎng)供電安全需求，提升電能質量，提高管理效益水平。

2.2 配電物聯(lián)網(wǎng)數(shù)據(jù)的特征

配電物聯(lián)網(wǎng)數(shù)據(jù)的特征包括以下幾個方面。

一是數(shù)據(jù)結構化，數(shù)據(jù)多為數(shù)值型的結構化數(shù)據(jù)，電流、電壓用4個字節(jié)的標準浮點數(shù)據(jù)類型表示。二是流式數(shù)據(jù)，數(shù)據(jù)是一個動態(tài)的數(shù)據(jù)集合，集合是由大量的有序、迅速、連續(xù)到達的數(shù)據(jù)組成的一組序列，例如配電物聯(lián)網(wǎng)主站每天接收網(wǎng)端傳送的以“流”的形式匯集來的測量數(shù)據(jù)，這些數(shù)據(jù)不僅包括量測量，還包括量測時間等[1]。三是時序性，網(wǎng)端設備按照配電物聯(lián)網(wǎng)云主站設定的周期上傳數(shù)據(jù)，前一個時間節(jié)點的數(shù)據(jù)對于后續(xù)數(shù)據(jù)分析計算十分重要。四是高維性，數(shù)據(jù)具有大量的高維度性。五是時間相關性，因為網(wǎng)端設備周期性地上傳數(shù)據(jù)，所以相鄰時間間隔的量測數(shù)據(jù)具有連續(xù)性的同時具有高度的相關性，這種滿足特定的函數(shù)關系相關性叫做配電物聯(lián)網(wǎng)數(shù)據(jù)的時間相關性[2]。六是空間相關性，配電物聯(lián)網(wǎng)任意節(jié)點的量測數(shù)據(jù)同其物理距離相近、同監(jiān)測區(qū)內的數(shù)據(jù)具有高度相關性，同時滿足特定的函數(shù)關系，稱之為空間相關性。七是多源異構性。

2.3 配電物聯(lián)網(wǎng)數(shù)據(jù)的處理方式

依據(jù)配電物聯(lián)網(wǎng)數(shù)據(jù)的特征，配電物聯(lián)網(wǎng)數(shù)據(jù)的處理方式應滿足以下需求。

一是應在歷史數(shù)據(jù)和實時量測數(shù)據(jù)結合的基礎上對配電物聯(lián)網(wǎng)數(shù)據(jù)進行分析與處理，這樣能夠大大提高數(shù)據(jù)的利用率。二是配電物聯(lián)網(wǎng)數(shù)據(jù)具有大量的高維度性，在進行數(shù)據(jù)處理時要首先降維處理，這樣可以減少對系統(tǒng)的內存占用，從而提高計算速度。三是配電物聯(lián)網(wǎng)的數(shù)據(jù)是流式數(shù)據(jù)，監(jiān)測方法要能夠實時分析連續(xù)到達的數(shù)據(jù)，具備數(shù)據(jù)實時監(jiān)測能力。

2.4 配電物聯(lián)網(wǎng)技術架構

配電物聯(lián)網(wǎng)技術架構如圖1所示，由感知層、網(wǎng)絡層、平臺層以及應用層等四個層面組成。

圖1 配電物聯(lián)網(wǎng)技術架構

一是感知層。感知層位于最末端，由電表、傳感器等各種類型的用電設備組成，這些終端設備能夠實時反映配電網(wǎng)絡的運行環(huán)境，同時能夠提供海量數(shù)據(jù)為智能決策做支持[3]，例如：對具有邊緣計算能力的智能開關可以實現(xiàn)自動控制，使拓撲結構的調整更加靈活，使配電網(wǎng)絡供電的可靠性、安全性得以保障和提升。

二是網(wǎng)絡層。網(wǎng)絡層指有線/無線傳輸網(wǎng)絡、移動通信網(wǎng)等通信方式。網(wǎng)絡層提供不同的通信方式，是配電網(wǎng)匯聚、傳輸信息和遠程控制的智能化平臺，數(shù)據(jù)傳輸通道中各種通信方式也可以融合，使應用更加靈活，當前網(wǎng)絡通信技術愈加先進，保障了末端數(shù)據(jù)的低延遲性傳輸，也能夠保障可靠性。

三是平臺層。感知層提供的海量數(shù)據(jù)存儲在平臺層，平臺層運用大數(shù)據(jù)技術、云計算技術對海量的數(shù)據(jù)進行聚合、分析與挖掘，對感知層的數(shù)據(jù)不斷更新與存儲，解決了數(shù)據(jù)冗余問題，能夠充分利用數(shù)據(jù)的價值，為應用層的智能決策提供數(shù)據(jù)支撐，實現(xiàn)數(shù)據(jù)高級應用[4]。

四是應用層。應用層綜合處理配電網(wǎng)絡系統(tǒng)的數(shù)據(jù)，針對不同業(yè)務提供數(shù)據(jù)支撐，實現(xiàn)智能決策。例如：配電網(wǎng)絡網(wǎng)絡架構優(yōu)化、功率平衡、負荷預測、故障診斷、智能運維等，再如為用戶提供用電服務等個性化服務需求，對電動汽車提供柔性負荷接入支持，這些應用提升了配電網(wǎng)絡的綜合服務水平。

3 配電物聯(lián)網(wǎng)網(wǎng)端設備數(shù)據(jù)異常檢測方法

3.1 配電物聯(lián)網(wǎng)網(wǎng)端設備異常狀態(tài)在線監(jiān)測整體策略

配電物聯(lián)網(wǎng)網(wǎng)端設備異常狀態(tài)監(jiān)測分為兩個方面，分別是：基于改進DBSCAN算法的LTU節(jié)點數(shù)據(jù)異常在線監(jiān)測、基于模糊邏輯系統(tǒng)的節(jié)點數(shù)據(jù)異常來源識別[5]。配電物聯(lián)網(wǎng)網(wǎng)端設備異常狀態(tài)監(jiān)測整體框架如圖2所示。

圖2 配電物聯(lián)網(wǎng)網(wǎng)端設備異常狀態(tài)監(jiān)測整體框架

3.2 基于改進DBSCAN算法網(wǎng)端設備異常監(jiān)測方法

基于改進DBSCAN算法網(wǎng)端設備異常監(jiān)測過程為：劃分數(shù)據(jù)時間片段→算法訓練→檢測異常數(shù)據(jù)。

3.2.1 劃分數(shù)據(jù)時間片段

對于配電物聯(lián)網(wǎng)中任意兩個LTU節(jié)點Xm和Xn在某一時刻相等的兩個量測時間序列：

本研究推導后提出判斷時間序列相似性準則：

式中，Djsd為Xm和Xn兩個時間序列間概率分布的相異性，其值由JS散度計算得出；Djsd為Xm和Xn兩個時間序列間幅值間的相似性，Dmis由歐氏距離計算得出；為錯誤模式距離。

3.2.2 算法訓練與異常監(jiān)測

本研究提出的DBSCAN異常監(jiān)測流程如圖3所示。DBSCAN異常監(jiān)測方法解決了傳統(tǒng)監(jiān)測方法動態(tài)性差、配電物聯(lián)網(wǎng)數(shù)據(jù)維數(shù)高、計算時間長、檢測實時性低等問題。DBSCAN異常監(jiān)測方法充分利用了配電物聯(lián)網(wǎng)數(shù)據(jù)的時間相關性原理，將LTU量測數(shù)據(jù)的時間序列分為若干個時間片段，再采用算法對時間相關性進行訓練，算法訓練的結果為異常數(shù)據(jù)在線監(jiān)測提供決策，這樣大大降低了數(shù)據(jù)維度。

圖3 DBSCAN異常監(jiān)測流程

時間維度方面，DBSCAN異常監(jiān)測方法中將LTU節(jié)點的量測數(shù)據(jù)劃分為一定周期長度L的時間片段，這個片段是能夠反映量測的一個時間序列。此方法中，設定周期長度為1d，再將整個周期進一步劃分為長度l的時間子片段，設定為15min。每個子時間片段作為整個時間片段的一個維度，該數(shù)據(jù)維度為： L/1。對于某個LTU節(jié)點Ω，設其兩個相鄰時間片段為Fi和Fj，根據(jù)公式1計算得出聚類分析輸入的數(shù)據(jù)點之間距離為：

在線監(jiān)測實現(xiàn)方面，本研究采用基于DBSCAN聚類的LTU節(jié)點異常數(shù)據(jù)在線監(jiān)測方法。具體過程分為兩個階段，基于DBSCAN聚類的LTU節(jié)點異常數(shù)據(jù)在線監(jiān)測如圖4所示。

圖4 基于DBSCAN聚類的LTU節(jié)點異常數(shù)據(jù)在線監(jiān)測

第一階段流程為：預處理歷史量測數(shù)據(jù)→選取訓練數(shù)據(jù)集→節(jié)點訓練。其中，訓練數(shù)據(jù)集從預處理結果中選取一定天數(shù)（L）的數(shù)據(jù)，數(shù)據(jù)集時序長度為Ntrain·L的訓練集，再訓練節(jié)點，根據(jù)訓練結果判斷每個LTU節(jié)點量測區(qū)域內數(shù)據(jù)是否為合理的數(shù)據(jù)變化特征集，結果中包含i個核心數(shù)據(jù)點即符合要求，核心數(shù)據(jù)點集為CorePts(i)。

第二階段流程為：計算核心數(shù)據(jù)點距離→判斷工作狀態(tài)。使用公式（2），將第一階段選取的數(shù)據(jù)點集進行計算，獲得新數(shù)據(jù)點與所有核心數(shù)據(jù)點的距離。再對該值進行判斷，數(shù)據(jù)點如果在某核心點的鄰域范圍內則為正常量測數(shù)據(jù)，如果不在范圍內則作為異常數(shù)據(jù)上報云主站，由物聯(lián)配電網(wǎng)主站分析異常數(shù)據(jù)來源。

3.3 評價指標

異常數(shù)據(jù)監(jiān)測矩陣見表1，由表中混淆矩陣數(shù)據(jù)可知，異常數(shù)據(jù)檢測分類結果中包含異常數(shù)據(jù)為P類的需要檢測對象，正常數(shù)據(jù)為負類則不需要監(jiān)測。

表1 異常數(shù)據(jù)監(jiān)測矩陣

4 結語

本研究提出了基于聚類的DBSCAN物聯(lián)配電網(wǎng)端設備異常監(jiān)測方法，探討了相關的數(shù)據(jù)計算公式及異常數(shù)據(jù)判斷方法，能夠較好解決異常數(shù)據(jù)源的判斷與分析問題。