基于數(shù)據(jù)挖掘技術(shù)的電能表故障分析研究

朱東升，李天陽，徐石明

（南瑞集團(tuán)（國網(wǎng)電力科學(xué)研究院）有限公司，南京 210003）

本文基于電能表拆回業(yè)務(wù)的基礎(chǔ)之上，集成省級(jí)計(jì)量生產(chǎn)調(diào)度平臺(tái)中拆回故障數(shù)據(jù)、全檢數(shù)據(jù)、營銷SG186系統(tǒng)中故障檢測等環(huán)節(jié)產(chǎn)生的故障數(shù)據(jù)、用采數(shù)據(jù)、實(shí)驗(yàn)室檢定數(shù)據(jù)、外部環(huán)境數(shù)據(jù)等構(gòu)建智能電能表故障數(shù)據(jù)庫。在電能表故障數(shù)據(jù)庫基礎(chǔ)之上，利用多維度關(guān)聯(lián)統(tǒng)計(jì)查詢，初步研究電能表故障分布規(guī)律；采用大數(shù)據(jù)相關(guān)技術(shù)和算法進(jìn)行電能表故障數(shù)據(jù)深入分析，挖掘電能表的家族性缺陷，指導(dǎo)供應(yīng)商評(píng)價(jià)，品級(jí)評(píng)價(jià)及狀態(tài)檢驗(yàn)，輔助決策電能表招投標(biāo)；采用k-means聚類算法[1]挖掘電能表異常故障，指導(dǎo)狀態(tài)檢驗(yàn)及檢定方案的改進(jìn)，提高檢定的效率和準(zhǔn)確性。通過深入挖掘和分析，建立電能表故障決策樹，實(shí)現(xiàn)故障位置，故障現(xiàn)象，故障原因，故障解決措施的關(guān)聯(lián)關(guān)系，實(shí)現(xiàn)電能表故障的準(zhǔn)確定位及迅速處理，指導(dǎo)廠商設(shè)備選型。

1 故障庫框架

故障分析框架如圖1所示，故障數(shù)據(jù)來源于國家電網(wǎng)營銷專業(yè)MDS、SG186、用電信息采集等系統(tǒng)，以及各計(jì)量中心質(zhì)檢數(shù)據(jù)，電能表運(yùn)行區(qū)域環(huán)境數(shù)據(jù)。通過聯(lián)機(jī)分析、數(shù)據(jù)挖掘算法深入分析電能表故障數(shù)據(jù)，挖掘故障信息，得到有關(guān)智能電能表家族性缺陷及異常故障等數(shù)據(jù)，指導(dǎo)日常計(jì)量生產(chǎn)運(yùn)行。

圖1 總體架構(gòu)Fig.1 Overall architecture diagram

2 故障信息收集

智能電能表從出廠、配送、運(yùn)行、拆回、報(bào)廢等全生命周期中，信息保存在眾多的信息化系統(tǒng)中。本文從MDS平臺(tái)[2]、用采系統(tǒng)、SG186等系統(tǒng)獲取電能表相關(guān)故障數(shù)據(jù)、檢定數(shù)據(jù)、資產(chǎn)信息等，并提供接口錄入智能電能表運(yùn)行區(qū)域數(shù)據(jù)及國網(wǎng)、省級(jí)計(jì)量中心的質(zhì)檢實(shí)驗(yàn)室數(shù)據(jù)。

2.1 數(shù)據(jù)源

2.1.1 MDS數(shù)據(jù)

分揀系統(tǒng)將電能表分揀實(shí)驗(yàn)項(xiàng)數(shù)據(jù)、分揀結(jié)論、故障類型等信息寫入到分揀數(shù)據(jù)庫中，電能表故障數(shù)據(jù)庫系統(tǒng)根據(jù)分揀系統(tǒng)提供的數(shù)據(jù)庫格式直接讀取分揀數(shù)據(jù)庫中的數(shù)據(jù)信息。包含故障電能表的資產(chǎn)編號(hào)、拆回類型、拆回原因及故障現(xiàn)象、到貨批次、供應(yīng)商、所屬單位、接線方式、類型、電壓、電流、準(zhǔn)確度等級(jí)等數(shù)據(jù)信息。

2.1.2 營銷系統(tǒng)數(shù)據(jù)

故障勘察和故障檢測流程產(chǎn)生的數(shù)據(jù)保存在營銷業(yè)務(wù)系統(tǒng)中，包含故障原因，故障現(xiàn)象描述等數(shù)據(jù)，通過“四線一庫”接口將相關(guān)數(shù)據(jù)存入智能電能表故障庫。

2.1.3 用采系統(tǒng)數(shù)據(jù)

通過接口方式從用采系統(tǒng)中獲取運(yùn)行中的電能表異常信息[3]，獲取內(nèi)容包含：異常原因、異常時(shí)間、異常次數(shù)等信息；用采系統(tǒng)提供此接口，電能表故障數(shù)據(jù)庫系統(tǒng)調(diào)用此接口，將資產(chǎn)信息與用采系統(tǒng)中的異常信息相關(guān)聯(lián)。

2.1.4 運(yùn)行區(qū)域數(shù)據(jù)

通過人工錄入的方式將運(yùn)行區(qū)域 （溫濕度、鹽霧、海拔等）信息可與市縣關(guān)聯(lián)，不同的市縣匹配不同的數(shù)據(jù)信息，為后期該區(qū)域故障電能表的數(shù)據(jù)分析提供關(guān)聯(lián)依據(jù)。

2.1.5 質(zhì)檢實(shí)驗(yàn)室數(shù)據(jù)

從質(zhì)檢實(shí)驗(yàn)室獲取中標(biāo)批次、到貨批次送檢電能表的原器件選型、方案及比對數(shù)據(jù)、送檢電能表檢定數(shù)據(jù)、性能試驗(yàn)數(shù)據(jù)等信息；原器件比對數(shù)據(jù)可通過人工錄入或系統(tǒng)導(dǎo)入。質(zhì)檢實(shí)驗(yàn)室提供數(shù)據(jù)，電能表故障數(shù)據(jù)庫系統(tǒng)數(shù)據(jù)錄入接口。質(zhì)檢實(shí)驗(yàn)室可通過模板格式將數(shù)據(jù)批量導(dǎo)入到電能表故障數(shù)據(jù)庫系統(tǒng)中，或電能表故障數(shù)據(jù)庫系統(tǒng)亦提供數(shù)據(jù)錄入界面供質(zhì)檢實(shí)驗(yàn)室人工錄入數(shù)據(jù)信息。

2.2 采集方式

本方案采用webservice和中間庫兩種方法從各源系統(tǒng)獲取故障數(shù)據(jù)，如從MDS、SG186系統(tǒng)獲取數(shù)據(jù)，采用中間庫的模式，MDS、SG186定時(shí)將數(shù)據(jù)寫入中間庫，智能電能表故障庫通過查詢獲取相應(yīng)的信息；從用采系統(tǒng)獲取數(shù)據(jù)，由于用采系統(tǒng)的數(shù)據(jù)具有實(shí)時(shí)性的特點(diǎn)，主要采用webservice+中間庫的混合模式，用采將數(shù)據(jù)寫入中間庫，調(diào)用webservice通知智能電能表故障庫，后者從中間庫獲取數(shù)據(jù)。對于運(yùn)行區(qū)域數(shù)據(jù)及質(zhì)檢實(shí)驗(yàn)室數(shù)據(jù)，提供頁面錄入信息存入智能電能表故障庫。

3 聯(lián)機(jī)分析

通過聯(lián)機(jī)分析初步分析故障的總體分布情況，并按照故障發(fā)生時(shí)間、地點(diǎn)，電能表運(yùn)行時(shí)間、到貨批次、表齡、生產(chǎn)廠家、類型等維度分析指標(biāo)的狀態(tài)并定位問題發(fā)生的維度區(qū)域。通過對確定的區(qū)域內(nèi)各個(gè)群組的分析進(jìn)一步準(zhǔn)備定位問題發(fā)生的群組，并了解與總結(jié)問題群組的各類特征從而為解決問題提供依據(jù)和幫助。

3.1 故障統(tǒng)計(jì)查詢

通過多種因素組合檢索的方式可以使得出的分析數(shù)據(jù)更有意義，工作人員應(yīng)可以通過勾選相應(yīng)的篩選條件得到想要的數(shù)據(jù)及故障電表詳細(xì)信息。圖2所示為故障統(tǒng)計(jì)功能部分展示畫面。

圖2 故障統(tǒng)計(jì)Fig.2 Fault statistics

3.2 故障趨勢跟蹤

基于多元線性回歸方程模型分析電能表的故障趨勢：

式中：i=1，2，…，n；k 為解釋變量的數(shù)目；βj（ j=1，2，…，k）

將故障電能表的首檢誤差、分揀誤差、表齡等相關(guān)維度數(shù)據(jù)代入多元線性回歸方程擬合出誤差趨勢線，通過趨勢計(jì)算誤差是否可控。圖3所示為根據(jù)多元線性回歸方程擬合的故障隨時(shí)間的變化趨勢。

圖3 故障趨勢Fig.3 Fault tendency

4 指標(biāo)挖掘

4.1 電能表家族性缺陷

APRIORI是由Rakesh Agrawal和Ramakrishnan Srikant兩位博士在1994年提出的關(guān)聯(lián)規(guī)則挖掘算法，目的就是在一個(gè)數(shù)據(jù)集中找出項(xiàng)與項(xiàng)之間的關(guān)系，也被稱為購物籃分析（market basket analysis）。本文基于APRIORI算法建立故障與相關(guān)因素的關(guān)系，找出引起某類故障可能的最大因素。通過關(guān)聯(lián)規(guī)則分析預(yù)測，提前進(jìn)行設(shè)備故障預(yù)警。

4.1.1 構(gòu)建項(xiàng)集組合

首先構(gòu)建項(xiàng)集組合，項(xiàng)集組合表示所有可能同時(shí)出現(xiàn)的屬性組合。構(gòu)建基于招標(biāo)批次、表齡、故障發(fā)生地點(diǎn)、生產(chǎn)廠家、電能表類型、接線方式、參比電壓、參比電流、準(zhǔn)確度等級(jí)、到貨批次號(hào)，故障類型等十二個(gè)維度的構(gòu)建項(xiàng)集組合。

令φ為本模型要建立的項(xiàng)集組合。φ1=X1∪X2∪X3∪X4∪X5∪X6∪X7∪X8∪X9∪X10∪X11，則 φ1為項(xiàng)集組合φ中所含項(xiàng)數(shù)為1的項(xiàng)集組合的子集，令φ2為項(xiàng)集組合φ中所含項(xiàng)數(shù)為2的項(xiàng)集組合的子集，同理，定義 φ4，φ5，…，φi。 則有 φ=φ1∪φ2∪…φi。

4.1.2 生成頻繁項(xiàng)集

首先計(jì)算每個(gè)項(xiàng)集的支持度，找到頻繁項(xiàng)集，再從頻繁項(xiàng)集中挖掘出關(guān)聯(lián)規(guī)則。

支持度表示項(xiàng)集｛X，Y｝在總項(xiàng)集里出現(xiàn)的概率。以生產(chǎn)廠家和故障類型的關(guān)聯(lián)分析為例，公式為

將生產(chǎn)廠家和故障類型代入公式，計(jì)算某廠家與故障類型同時(shí)出現(xiàn)的概率。定義最小支持度的值是3%，去除非頻繁項(xiàng)集，得到頻繁項(xiàng)集列表和頻繁項(xiàng)集對應(yīng)的可能的關(guān)聯(lián)規(guī)則。

4.1.3 關(guān)聯(lián)規(guī)則挖掘

計(jì)算關(guān)聯(lián)規(guī)則的可信度，公式為

P（X）表示某一生產(chǎn)廠家在所有廠家的概率，結(jié)算結(jié)果表示某一生產(chǎn)廠家發(fā)生時(shí)對應(yīng)的故障現(xiàn)象發(fā)生的概率。

計(jì)算生產(chǎn)廠家對故障類型的可信關(guān)聯(lián)規(guī)則的提升度，公式為

根據(jù)上述計(jì)算公式得到可信關(guān)聯(lián)規(guī)則的提升度如表1所示。

表1 提升度數(shù)值表Tab.1 Lifting degree value

如果Lift（X→Y）=1，說明兩個(gè)條件沒有關(guān)聯(lián)規(guī)則，如果小于1則說明兩個(gè)條件相斥，一般默認(rèn)值大于3的時(shí)候表示挖掘的關(guān)聯(lián)規(guī)則是有價(jià)值的。

4.2 故障異常報(bào)警機(jī)制

常規(guī)的誤差檢測是通過已知故障的特性，通過一定的手段檢測出相應(yīng)的故障現(xiàn)象，目前的智能電能表全檢以及拆回表檢定都是采用此類方法，按照一定的檢定方案檢測智能電能表的性能。隨著智能電能表上線運(yùn)行的規(guī)模越來越大，環(huán)境日益復(fù)雜，一些新型故障現(xiàn)象并不能通過廠家、國網(wǎng)、省級(jí)實(shí)驗(yàn)室常規(guī)檢定方案檢出[4]。異常故障預(yù)警是通過正常模式建立正常模型，然后通過當(dāng)前狀態(tài)與正常模型之間的關(guān)系來確認(rèn)異常行為[5]。本章節(jié)通過k-means分類算法實(shí)現(xiàn)異常故障自動(dòng)聚類分析，能夠及時(shí)發(fā)現(xiàn)異常故障，建立異常故障報(bào)警機(jī)制。k-means是一種聚類算法，通過不斷的取離樣本點(diǎn)最近均值的算法實(shí)現(xiàn)數(shù)據(jù)的聚類。

4.2.1 樣本點(diǎn)的選擇

樣本的點(diǎn)的選擇對最終的結(jié)果具有非常大的意義，為了更精確地得到聚類的數(shù)據(jù)，采用首檢合格電能表的檢測數(shù)據(jù)為模板，計(jì)算平均值作為kmeans的樣本點(diǎn)，選擇影響電能表性能的7個(gè)參數(shù)作為數(shù)據(jù)集：基本電流誤差值（IB_ERRLIMIT），感性負(fù)載電流誤差值（NDUCTIVELOAD_ERR），輕載電流誤差值（UNDERLOAD_ERR），總功率因數(shù)引用誤差 值 （POWERFACTOR_ERRLIMIT_TOTAL），總 有功功率引用誤差值（POWER_ERRLIMIT_TOTAL），總無功功率引用誤差值（REACTIVE_POWER_ER RLIMIT_TOTAL），無功功率引用誤差閾值（REACTIVE_POWER_ERRLIMIT）。對每一個(gè)參數(shù)計(jì)算平均值：

得出所有的平均值 a1，a2，a3，a4，a5，a6，a7，代表了上述7個(gè)參數(shù)對應(yīng)的樣本點(diǎn)。

4.2.2 k-means聚類計(jì)算

根據(jù)計(jì)算的結(jié)果，初始聚類中心為 c=｛a1，a2，a3，a4，a5，a6，a7｝。 數(shù)據(jù)集如下所示，其中橫向代表 7 個(gè)影響電能表性能的參數(shù)，縱向代表了數(shù)據(jù)集的個(gè)數(shù)。

針對每個(gè)樣本，計(jì)算它到聚類中心的距離并將其分布到距離最小的聚類中心所對應(yīng)的類中，重新計(jì)算它的聚類中心直至聚類中心的位置不再變化。通過分析可知，落在聚類中心以外的點(diǎn)說明此類電能表具有故障。

表2 結(jié)果對比Tab.2 Result contrast

從結(jié)果，通過k-means算法能夠覆蓋檢定方案檢測出的故障現(xiàn)象，并能檢測出檢定方案檢測不到的故障表計(jì)，實(shí)現(xiàn)了故障異常檢定的功能。

5 目標(biāo)

在分揀數(shù)據(jù)的基礎(chǔ)上進(jìn)行延伸，構(gòu)建電能表故障數(shù)據(jù)庫，對電能表的故障數(shù)據(jù)溯源，采用參數(shù)異常閾值判定，分類聚類算法，趨勢判定控制算法，數(shù)據(jù)關(guān)聯(lián)性分析等，結(jié)合神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)模型，及時(shí)發(fā)現(xiàn)電能表家族性缺陷，預(yù)測電能表性能參數(shù)，異常預(yù)警，對電能表業(yè)務(wù)流程和管理模式提供指導(dǎo)，供國網(wǎng)電能表現(xiàn)場計(jì)劃修的排程提供依據(jù)，同時(shí)根據(jù)故障庫反饋的信息，因地制宜，改進(jìn)具體的修程內(nèi)容。

5.1 指導(dǎo)供應(yīng)商評(píng)價(jià)

供應(yīng)商評(píng)價(jià)包括履約評(píng)價(jià)、售后服務(wù)、質(zhì)量監(jiān)督三部分。質(zhì)量監(jiān)督中運(yùn)行質(zhì)量故障率占比的分值最高。根據(jù)本方案計(jì)算的電能表家族性缺陷，發(fā)現(xiàn)廠家的故障分布情況及故障表的比率，帶入運(yùn)行質(zhì)量故障率計(jì)算公式：

更精確地反應(yīng)供應(yīng)商的評(píng)價(jià)情況，從而指導(dǎo)電能表招投標(biāo)。

5.2 改進(jìn)檢定方案

根據(jù)故障率的分布和異常故障情況，指導(dǎo)檢定方案的改進(jìn)。得出某些具有代表性，影響性能的新類型故障，通過在檢定方案中新增某些項(xiàng)目，及時(shí)發(fā)現(xiàn)此類故障。對于某些已通過產(chǎn)品設(shè)計(jì)，性能提升等不會(huì)大量出現(xiàn)的問題，可在檢定方案中去除此檢定項(xiàng)目。

5.3 建立智能電能表故障樹

通過建立故障決策樹的形式，建立電能表故障位置、故障現(xiàn)象、故障原因、解決方法之間的聯(lián)系，為電能表性能改進(jìn)和廠家性能提升提供依據(jù)。故障決策樹類似于經(jīng)驗(yàn)庫、知識(shí)庫。通過建立故障產(chǎn)生的位置→故障現(xiàn)象→故障原因→解決措施建立電能表故障決策樹，提升計(jì)量性能，快速定位并解決電能表的問題，增強(qiáng)故障排查效率，故障決策樹示例如圖4所示，以電池單元為例，電池現(xiàn)象黑屏主要由四類故障原因引起，通過數(shù)據(jù)挖掘與經(jīng)驗(yàn)分析，由晶振異常引起的電池單元黑屏可通過檢查晶振輸出，焊接氧化，晶振虛焊等問題并解決。

圖4 電能表故障樹Fig.4 Fault tree of electric energy meter

6 結(jié)語

本文基于Apriori，k-means等數(shù)據(jù)挖掘技術(shù)，通過建立智能電能表故障庫，深入分析電能表的數(shù)據(jù)價(jià)值，作為日常業(yè)務(wù)的管控依據(jù)，提前進(jìn)行設(shè)備故障預(yù)警，規(guī)范拆回分揀業(yè)務(wù)，并為供應(yīng)商評(píng)價(jià)提供數(shù)據(jù)支撐，配合網(wǎng)省公司進(jìn)行規(guī)范各市縣單位的拆回及裝拆業(yè)務(wù)的工作質(zhì)量。各網(wǎng)省單位根據(jù)故障現(xiàn)象庫的統(tǒng)計(jì)、分析結(jié)果，開展進(jìn)一步的深度檢測工作，保存各單位的故障診斷報(bào)告，用戶根據(jù)此功能可查看故障報(bào)告實(shí)現(xiàn)故障的快速處理機(jī)制，并反饋廠家改進(jìn)表計(jì)質(zhì)量。

[1]陳莊，羅告成.一種改進(jìn)的Kmeans算法在異常檢測中的應(yīng)用[J].重慶理工大學(xué)學(xué)報(bào)，2015（5）：66-70.

[2]張英，張建民，程昱舒.省級(jí)計(jì)量中心生產(chǎn)調(diào)度平臺(tái)架構(gòu)研究[J].科技資訊，2014，12（18）：12-13.

[3]陳馳.基于用電信息采集系統(tǒng)的運(yùn)行電表故障智能分析[J].電測與儀表，2014，51（15）：18-22.

[4]祝宇楠，徐晴，劉建，等.數(shù)據(jù)挖掘在智能電能表故障分析中的應(yīng)用[J].電力工程技術(shù)，2016，35（5）：19-23.

[5]賀寧.智能電表故障大數(shù)據(jù)分析研究[J].中小企業(yè)管理與科技旬刊，2016（19）：142-145.