基于大数据分析的电力计量装置故障诊断技术研究

李仁杰，陈有为

（国网安徽省电力有限公司滁州供电公司，安徽 滁州 239000）

0 引 言

电力企业中，电力计量装置能够实时监测和统计供电量和用户侧的用电量数据，对企业的生产经营具有十分重要的意义。在电力计量装置中安装数据采集系统，通过远程信息采集实时获取用户的电量使用情况，不仅节省了很多时间，而且提高了电力企业的经济效益[1]。在各种通信方式下，采集系统能够将主站与现场终端连接在一起。随着社会经济的发展，人们对智能产品的使用要求越来越高，供电数据呈现迅猛发展的态势，使得电力信息的收集数量迅速增长。为保证系统对大量用电数据的准确收集，需要对采集系统进行周期性检查和维修，防止出现错误，影响电能计量设备的安全和稳定工作。

吴瀛等人为了解决目前电能计量装置运行中存在的工作效率低和可靠性差等问题，提出了一种新的电能计量装置运行状态监控和故障诊断方法[2]。将特高压电能计量装置的工作状况与云计算技术相融合，实现远程实时监控与管理特高压电能计量装置。文章通过分析电力计量装置的故障大数据，提出一种故障诊断技术，通过采集电能计量装置的远程数据，结合数据融合处理方法，设计故障数据的预处理和分析模块，判断设备是否故障。结果显示，与传统诊断方法相比，所提出的方法能够对电能计量装置进行实时监测，判断电能计量装置在运行中的状态，为电能计量装置的管理提供了可靠的数据支持，从而保证电力计量装置在运行中的安全性。

1 电力计量装置故障诊断技术设计

1.1 分析电力计量装置的故障数据

电力计量装置中，定义Ih表示故障处的回路电流，在脉冲磁场的影响下，故障磁势为Φs。故障信号产生的基波分量对电力计量装置的运行会产生一定威胁，忽略电力计量装置的高次谐波，可以计算电力计量装置的脉冲磁势。其公式为

式中：f表示故障处回路电流的基波频率；T表示电力计量装置的运行时间；φ表示电力计量装置在脉冲磁场下的极对数；θ表示机械角度[3]。

如果电力计量装置的内部结构对称，那么气隙磁密Bq与脉冲磁势Φs和磁导U的乘积成正比。然而，在脉冲磁场的作用下，电力计量装置的内部转子会失去平衡，同时会对气隙磁导产生影响[4]。通过分析磁场大数据，可以计算电力计量装置的磁导。其公式为

式中：Ug表示电力计量装置的磁导分量；Ue表示磁势分量；fs表示电力计量装置内部转子的旋转频率。正常运行状态下，电力计量装置中的Ug比Ue大，而磁力与气隙磁密的平方同样成正比例关系，根据这种关系，可以推导出电力计量装置的磁力。其公式为

式中：ξ表示比例系数；γ表示辅助推导系数。

将式（1）的脉冲磁势数据和式（2）的磁导数据带入式（3），可以计算出电力计量装置故障信号的最大谐波分量。在电力计量装置中，电磁力波能够带动转子和定子振动。振动过程中，回路电流的基波频率和电力计量装置的转动频率之间存在一定关系。转子和定子的转动信号可以反映电力计量装置的谐波分量。

1.2 设计电力计量装置故障诊断算法

以电力计量装置的故障数据分析为依据，对装置的故障信号进行稀疏分解，提取故障诊断需要的信号特征[5]。

根据电力计量装置运行的现场条件，调整共振稀疏分解系数，得到高频共振分量和低频共振分量[6]。电力计量装置故障信号的稀疏分解图如图1 所示。

图1 电力计量装置故障信号的稀疏分解图

根据电力计量装置故障信号的稀疏分解结果，建立故障特征搜索模型[7]。提取电力计量装置的故障特征参数，公式为

式中：φk表示电力计量装置故障的特征值；ζk表示故障特征之间的关联系数。

根据电力计量装置的运行特性，无法确定发生故障的具体位置，因此需要根据故障信号的运行周期，计算故障信号的特性，公式为

式中：ϑi表示电力计量装置故障信号的特征阈值；A(t)表示故障信号的特性数量。

通过将电力计量装置故障信号的初始特征向量与正常运行信号相乘，得到电力计量装置故障信号的特征向量，将其与故障数据统计量进行匹配，构建故障诊断函数f(x)，表示为

式中：δx,k,A和δx,k,D表示故障信号对应的统计值分量，δi,k,A和δi,k,D表示第i类电力计量装置故障的特征值[8]。当i=0时，说明电力计量装置没有发生故障；当i=1时，说明电力计量装置发生了故障。

利用式（6）的函数诊断电力计量装置的故障，即可保证电力计量装置的安全运行。

2 实验对比分析

为验证文中技术在电力计量装置故障诊断中的合理性，进行模拟实验。

2.1 搭建实验平台

使用Standalone 单机模拟集群环境，在Linux 系统下搭建故障诊断实验平台，其结构如图2 所示。

图2 实验平台结构图

利用该实验平台，通过变换故障数据的采集频率，验证文中技术对故障的诊断精度，故障信号的采样周期设置为5 min。

2.2 诊断结果

实际运行过程中，电力计量装置采集了电压故障数据和电流故障数据，如表1 所示。

表1 实际电压数据和电流数据

确定了电力计量装置的实际电压和电流之后，利用基于云平台的故障诊断技术与文中技术诊断表1中电力计量装置的电压和电流，并进行对比。故障数据诊断精度对比结果，如图3 所示。

图3 故障数据诊断精度对比分析

由图3 的结果可知，在不同的采样时刻下，采用基于云平台的故障诊断技术时，诊断得到的电压数据和电流数据与实际值之间的误差较大，原因是云平台虽然可以实时监控电力计量装置的状态，但是在故障大数据分析中还存在欠缺。而采用基于大数据分析的电力计量装置故障诊断技术时，诊断得到的电压数据和电流数据与实际值更加接近，说明文中技术对电力计量装置中电压数据和电流数据的诊断精度更高。

3 结 论

文章提出了基于大数据分析的电力计量装置故障诊断技术研究，经过实验测试发现，该技术在电力计量装置的故障诊断中，可以有效提高诊断精度。文章研究虽然取得一定成果，但是仍存在一些需要改进的地方。未来，希望可以在电力计量装置中安装一个报警设备，避免不法行为对电力计量装置的运行产生影响，促进电力企业能够健康和稳定地发展。