基于FCM聚類算法的電能表標準裝置監測數據分析與研究

左黎斌，何　傲，王　昕，何東瑩，趙　楠

（1. 云南電網有限責任公司電力科學研究院，云南 昆明　650217；2. 南方電網電能計量重點實驗室，云南 昆明　650217；3. 昆明理工大學信息工程與自動化學院，云南 昆明　650000）

0　引言

電力企業的電量結算主要是通過電能計量裝置來完成的。電能計量管理是電力企業生產經營管理及電網安全運行的重要環節，其技術和管理水平不僅事關電力企業的發展和企業形象，而且影響貿易結算的準確、公正，涉及廣大電力客戶的利益[1]。所以，有必要最大限度降低電能計量裝置綜合誤差，保障電能計量的準確和可靠，做到公正合理計費。要保障電能計量的準確和可靠首先要保障電能計量標準裝置的準確性和可靠性。電能計量標準裝置主要分布在供電企業的各省各地州計量中心，目前，各個地州的計量裝置檢定業務人員，在實驗室通過一臺直接和電能計量標準裝置相連接的計算機來對其進行操作和監控，由于電能計量標準裝置無法實現遠程監測，如果檢定過程中發現異常和問題，檢定員只能通知管理人員趕赴實驗室才能進行維護和修復，這樣就導致發現問題不及時，解決問題周期長，效率低下，成本較高，難以適應電能計量標準裝置檢定日趨增長的需求。例如，某供電局計量中心一臺三相電能表標準裝置，共有16個檢定表位，從表面上判斷分析，3表位、4表位、11表位壓接損壞不能正常檢定三相電能表，其余表位正常工作，檢定數據也符合電能表檢定規程的要求，其中有個特殊情況是 16表位的檢定數據比其它正常工作的表位好，在維護人員進行標準裝置維護時，用了三個工作日才檢查出 16表位壓接接頭損壞比較嚴重導致數據也不正常。因檢定工作量比較大，檢定人員在檢定過程中，大部分時間里只能關注到檢定數據是否超差及電能表壓接是否正常，對于此類問題要經過很長的周期才能發現，使電能計量的準確性造成長期影響。基于此，本文首先基于區域網絡搭建電能計量準確性分析平臺，然后運用FCM聚類算法對電能計量標準裝置的實時在線監測數據進行分析，有效反映電能表標準裝置的實時運行狀態和故障差錯，及時進行維護，保障計量檢定數據的準確性和可靠性，提升電能計量服務水平。

1　電能計量準確性分析平臺搭建

1.1　系統設計

本文采用 Hadoop分布式技術構建包含覆蓋:省內各個供電局的海量數據存儲和高性能并行計算集群來應對大規模數據并行處理，并采用Nigira負載均衡技術，選用Redis作為緩存組件，提升吞吐量和系統可用性，滿足高并發請求的需求。由于需要處理實時采集的海量電網計量數據，系統采用基于Hadoop的分布式架構，應用HDFS分布式文件系統[2-6]，從計量標準裝置監測終端、實驗室檢定控制系統、計量自動化系統、營銷系統、現場檢定業務系統、半結構化或非結構化數據，然后存儲于非關系型數據庫HbaSe[5]，部分數據通過 Hive數據倉庫[6]實現離線清洗和分析[7]。電能計量準確性分析平臺的總體構架如圖1所示。

1.2　系統軟件構架

為同時滿足數據采集的高并發、高可靠和系統可擴展性的實現要求，系統擬MVC模式進行建設。其中數據采集部分采用 Nginx+Tomcat集群實現高并發高可靠的 Web服務器，后端采用隊列+進程池實現各協議和并發鏈接的多通道處理；系統采用基于J2EE的B/S架構進行建設。平臺核心技術框架采用JAVA作為開發語言，基于主流開源J2EE框架，包括Struts, Spring, Hibernate, Jquery, JBOSS SOA,JBPM, Druid等框架等。能夠支持多種異構數據庫，兼容主流WEB容器。技術結構分為基礎環境、DAO層、邏輯層、展現層四層結構，如圖2下所示。

框架展現層通過集成ExtJS和Echarts，封裝常用展現標簽，并結合平臺權限管理機制，研發基礎通用展現界面，實現對JS、HTML、CSS、JSP等技術的規范化管理，建立平臺的展現組件和框架。控制層設計采用服務總線模式來管理和簡化平臺核心功能、基礎組件、及開發應用之間的集成拓撲結構，以開放的接口服務標準為基礎來支持各核心應用之間在消息、事件和服務的級別上動態的互連互通。平臺采用統一的持久化管理，主要包括兩個方面的內容：第一，數據庫配置管理。采用Hibernate的緩存機制，實現數據庫實體表與JAVA對象的O/R映射和管理，并實現對數據庫對象的展現和監控，實現對數據庫表、視圖、索引、觸發器、約束、OR映射關系等對象的圖形化展現。第二，連接池管理。連接池的管理需要具備較高的資源重用度，并能夠提供更快的響應速度和效率，對數據庫連接會話的分配管理高效，不出現連接資源的泄露和獨占等異常問題。平臺采用Druid作為數據庫連接池管理的基礎，提供一個高效、功能強大、可擴展性好的數據庫連接池，并能實現對數據庫訪問性能的實時監控。

圖1　電能計量準確性分析平臺的總體構架Fig.1　Overall framework of accuracy analysis platform for electric energy metering

圖2　技術平臺架構Fig.2　Technology platform architecture

構建基于OLAP技術的電能計量云數據中心，通過可編程接口和 ETL（抽取 extract、轉換transform、加載 load）工具抽取電力能量系統、交易系統、計量系統和營銷系統數據，構建云數據中心，實現不同系統在數據級的共享和融合。實現電能計量裝置的開機、試驗過程、工作效率、標準表的工作狀態進行在線監測等，對電能計量裝置的檢定信息進行全面掌握和追溯，建立電能計量網絡實驗室，為區域內的電能計量提供準確性的評價與管理，促進區域內計量管控水平。建立云南省電能計量網絡地圖，包括：購電、售電、供電、線損考核和企業自備電廠計量點等，結合營配集成的“站-線-變-戶”電網拓撲關系，構成網絡拓撲結構圖，按分壓（電壓等級）、分類（購、售、供）和分級（省、市、縣）等多維度描述電力企業的各類計量點及計量網絡關系，建立起全省電能計量點的戰略網絡圖，動態掌握、管控全省關口電能計量點布局、設備配備、運行工況、定位、檔案管理等信息。

1.3　系統硬件架構

在電力內部網絡上建立計量中心專用網絡，安裝進行加密通訊。VPN網關通過對數據包的加密和數據包目標地址的轉換實現遠程訪問。通過服務器、硬件、軟件等多種方式實現 VPN代理服務器。在VPN網關對數據包進行處理時，有兩個參數對于VPN通訊十分重要：原始數據包的目標地址（VPN目標地址）和遠程VPN網關地址。根據VPN目標地址，VPN網關能夠判斷對哪些數據包進行 VPN處理，對于不需要處理的數據包通常情況下可直接轉發到上級路由；遠程VPN網關地址則指定了處理后的VPN數據包發送的目標地址，即VPN隧道的另一端VPN網關地址。由于網絡通訊是雙向的，在進行VPN通訊時，隧道兩端的VPN網關都必須知道VPN目標地址和與此對應的遠端VPN網關地址。通過虛擬專用網絡使得計量中心網絡更加人性化、軟件化和智能化，為滿足電能計量數據通信對網絡動態重組的需求，提供安全、可控和靈活的資源調度能力。解決網絡安全與監控、MAC地址追蹤、虛擬機管理程序安全弱點問題。系統硬件架構如圖 3所示：

圖3　系統硬件架構圖Fig.3　System hardware architecture diagram

2　算法介紹

2.1　FCM聚類算法

聚類的過程，可以看成是一個歸類的過程。將一個數據對象集合劃分成多個類的過程，在劃分的時候，能夠使每個類內部對象具有很高的相似性，與類外對象具有不同的性質，類與類的距離達到最大化[8]。

與分類不同，聚類是一種典型的無監督學習，在聚類之前，我們不告訴算法聚類的依據，算法根據規則自己學習，然后找到合理的聚類。聚類算法可以分為兩種，一種是硬聚類，另外一種是軟聚類。硬聚類是按照一定的原則，將集合中的對象嚴格的劃分到某一類別中，這種聚類生硬且界限明確，一個樣本只能夠完全屬于某個類或者完全不屬于某個類。軟聚類也可稱為模糊聚類，該算法將模糊集理論中的相關內容與聚類算法結合，在聚類時對數據集進行隸屬度計算，數據集中的某個對象在類別劃分的時候有一個該類隸屬度值，允許一個對象屬于一個或者多個類，最后根據該值確定是否屬于這個類別[9]。軟聚類相比較硬聚類來說對數據集的聚類過程更加合理和完善。

FCM 算法就是其中的一個經典軟聚類算法。FCM算法先對數據點構建隸屬度矩陣，是一種以隸屬度來確定每個數據點屬于某個類別程度的算法。隸屬度是指一個對象屬于某個類別的程度。這種軟聚類算法是傳統硬聚類算法的一個子集。

有數據集 X =｛x1, x2,...,xn｝，將其聚集成c類，U表示其模糊矩陣， Uij表示第i個樣本屬于第 j類的隸屬度。FCM算法目的就是求出聚類目標函數最小化的劃分矩陣U和聚類中心V，數學表達如式 1所示[10]：

其中，n為數據集樣本個數，m為加權指數，ijd表示樣本點與聚類中心的歐氏距離。

FCM算法描述如下：

Step1：確定數據集所要聚類個數，初始化聚類中心和相關模糊指標；

Step2：更新隸屬度矩陣；

Step3：更新聚類中心矩陣；

Step4：計算目標函數，若兩次目標函數差值小于最小誤差跳轉step5，否則跳轉Step2；

Step5：依據隸屬度矩陣將樣本點分類。

2.2　聚類數選擇

合理的聚類數對聚類算法十分重要[11-12]，如果一個聚類算法劃分的粒度過大，則模型容易過于粗糙，不能將數據所有含義表達出來，此時模型陷入知識匱乏，如果將聚類數據劃分粒度過小，此時聚類模型對數據敏感度很高，很多數據沒有表達的意思也可能會被模型學習到。

常用的聚類數目選擇方法有以下幾種：

（1）經驗法

（2）肘方法

當聚類數增加時，模型可以對數據有更細粒度的劃分，此時每個類別內的數據點都是極為相似的，類內數據點的方差和也很低。但是如果類別劃分過多，存在數據點方差和邊緣效應下降的可能。

定義為：給定聚類數(0)k k＞，計算類內數據方差和。繪制關于方差和曲線，曲線的第一個或者最顯著的拐點為合理類別數。

2.3　聚類有效性評定

（1）聚類有效性函數 F P( U, c)

該函數數學表達如式2所示[11]：

其中，U為隸屬度矩陣，c為分類數目

F( U, c)稱為劃分系數，計算方式如式3所示：

P( U, c)稱為可能性劃分系數，計算式如式4所示：

存在(*,*)Uc，滿足式5：

稱(*,*)Uc為最優有效性聚類。

（2）聚類有效性函數

該函數數學表達如式6：

其中，n為樣本個數； xi為樣本， i=1 ,2,...,n；c為聚類個數； Vj為第 j個聚類中心， j=1 ,2,...,c；U為隸屬度矩陣可能性劃分系數；為樣本距0V距離為樣本中心。

當 P ′( U: c)取得最大值時，為最佳分類結果。

3　電能表標準裝置運行狀態在線監測模型

電能表標準裝置運行狀態在線監測模型構建步驟如圖4：

監測模型流程說明如下：

步驟1：選取云南電網14家供電局計量中心80臺單相電能表標準裝置、62三相電能表標準裝置通過電能表標準裝置監測儀實時在線監測142個臺體的檢定數據。在電能計量準確性分析平臺的數據庫中導出電能表標準裝置檢定數據，并整理。實驗數據為2018年1月-2018年3月共計三個月的142臺電能表標準裝置的實時在線檢定數據。

步驟 2：電能表檢定數據清洗與預處理。選用142個電能表標準裝置臺體的實時在線檢定數據后，將這 142個電能表標準裝置臺體監測數據進行清洗，主要涉及重復數據刪除、缺失數據填充、異常數據修復、無效數據剔除等，并將監測到的檢定數據進行標準化處理，為監測模型速度優化奠定基礎。

步驟3：利用FCM聚類算法找出電能表標準裝置監測數據的合理分類數及類中心線。

步驟 4：完成步驟 3以后，我們根據電能表標準裝置的檢定數據將電能表標準裝置監測儀監測數據具體的分類進行標記，以監測數據分類中心線作為該類別每個電能表標準裝置的運行狀態曲線。通過計算每個電能表標準裝置的運行狀態曲線和電能表標準裝置檢定規程中規定的誤差限距離，通過距離判斷電能表標準裝置是否偏移正常運行時的誤差限值，將是否偏移否偏移正常運行時的誤差限值作為判斷電能表標準裝置是否存在檢定異常的標準。本文實驗判斷電能表標準裝置的運行狀態曲線和電能表標準裝置檢定規程中規定的誤差限距離使用歐式距離，公式為式7：

步驟 5：判斷距離是否合理，如果距離超過閾值，則將該電能表標準裝置納入電能表標準裝置運行異常庫。閾值的選擇根據實際電能表電能過程中中遇到的問題及規程規定的誤差限來設定。

3.1　數據預處理

在得到電能表標準裝置的監測數據后，先了解每個檢定點的具體含義。選取單相電能表標準裝置的20個檢定點作為參數值，三相電能表標準裝置的28個檢定點作為參數值，取單相及三相電能表標準裝置三個月的監測數據，將三個月的監測數據通過檢定點相加取平均值作為最后該點的總體檢定點。然后通過歸一化公式將單相電能表標準裝置的監測數據變換到[0,1]之間的取值，將三相電能表標準裝置的監測數據變換到[0,1]之間的取值，統一量綱。表3-1、表3-2分別為單相臺體和三相臺體歸一化后的數據表。

表1　單相臺體歸一化后輸入數據表Tab.1　The single phase body is normalized and the data table is entered

表2　三相臺體歸一化后輸入數據表Tab.2　The three-phase body is normalized and the data table is entered

3.2　電能表標準裝置監測數據聚類分析及結果

根據電能計量準確性分析平臺導出的電能表標準裝置監測數據，選取142個電能表標準裝置監測數據作為待分類樣本，采用FCM聚類算法對電能表標準裝置監測數據進行研究，根據前面聚類質量評估中確定的聚類有效性指標(;)P U c′，通過式（6）計算聚類結果得到從3類到7類過程中(;)P U c′的變化，當c=5時，(;)P U c′取得最大值，因此該樣本的最佳分類數為5類。

分別選取不同地州供電局計量中心的5個單相電能表標準裝置、5個三相電能表標準裝置三個月的監測數據，根據上述方法得出單相、三相電能表標準裝置運行狀態聚類曲線如圖5、圖6所示：

圖5　單相電能表標準裝置運行狀態聚類曲線Fig.5　Cluster curve of single phase electric energy meter standard device running state

圖6　三相電能表標準裝置運行狀態聚類曲線Fig.6　Clustering curve of three phase electric energy meter standard device running state

電能表標準裝置運行狀態聚類曲線對分析電能電表標準裝置每天或某段時間內電能表標準裝置的運行狀態具有實際的指導意義。如圖5中單相電能表標準裝置的單相臺體5連續脫離其正常值的范圍的距離，可以判斷出這個臺體可能存在運行故障，我們就可以立即聯系供電局運維人員或生產廠家到實驗室進行故障檢查或故障處理，這樣就可以提升電能表日常檢定的效率，同時也提高了電能計量檢定的質量。如圖6三相電能表標準裝置的三相臺體4運行狀態聚類距離長期出現忽遠忽近的情況，經我們現場驗證，發現此三相臺體電流回路和電壓回路存在搭接的情況，經廠家運維人員處理，三相臺體運行正常。通過聚類分析，將云南電網14家供電局計量中心142個電能表標準裝置臺體根據其運行規律分成5類進行管理，提高了電能表標準裝置故障處理能力，也提升了電能計量檢定的質量。

4　結論

針對電能計量標準裝置檢定日趨增長的需求，為進一步優化整合計量資源,提高檢定效率,提高計量質量，提升計量服務水平，電能計量標準裝置在線監測，對電能計量標準裝置的準確性和運行狀態實時掌控,提供實時、準確、有效的管控需求。本文提出一種基于 FCM 聚類算法的電能表標準裝置監測數據分析方法，經試驗對比，該方法可以及時發現存在運行異常的電能計量標準裝置，有效縮短電能計量標準裝置的運行維護和檢修周期，提升電能計量的準確性。