計量裝置故障智能診斷技術的研究與應用

符藝超，王聯智，謝 敏，周吉星，吳海杰，孟 超

(南方電網海南數字電網研究院有限公司，海南 海口 570100)

電能計量是電網企業營銷管理工作的重要組成部分，其核心任務是確保計量裝置計量的準確和安全可靠。計量裝置故障將導致用戶計量出現差錯，不僅給電網企業造成電量損失，也給后續電量追補帶來一定的難度，甚至會造成用戶與電網產生法律糾紛。因此，如何快速準確地發現計量裝置故障，及時有效地進行故障處理，以確保計量裝置的準確可靠正常運行，是電網企業亟待解決的難題[1-4]。

傳統的電能計量裝置異常發現途徑最主要有2個：①通過開展用電檢查工作，對電能計量裝置進行現場校驗；②通過計量自動化系統電能計量裝置采集數據進行數據分析[5-8]。這2種方式局限于校驗周期長以及工作人員業務水平參差不齊，且耗費時間長，工作人員無法及時發現電能計量裝置故障。為避免電能計量裝置故障的發生，減小用戶和電網企業的損失，必須將傳統的計量裝置“人工運維”方式逐步轉變為“智能運維”方式，提高用電檢查的效率，縮減故障發現的時間，實現計量故障的智能診斷[9-12]。

1 智能故障診斷技術

本文主要利用計量自動化系統所采集的電能量數據，在進行數據清洗后對計量故障中常見的失壓、失流和電流不平衡故障類型的數據展開大數據分析，利用數據挖掘算法及故障規則對相應的故障類型進行異常研究和判斷，再根據不同的故障類型，構建不同診斷模型，最后實現計量故障的遠程診斷。智能故障診斷流程如圖1所示。

圖1 故障智能診斷流程Fig.1 Flow chart of intelligent fault diagnosis

1.1 計量故障的常見表現

電力計量裝置出現不同類型的故障，故障異常判斷方法及檢測方法也會存在差異。就本文來說，主要通過失壓、失流、電流不平衡3種故障類型展開分析。計量用戶電流、電壓互感器在運行過程中，由于長時間超負荷、保險絲熔斷、線路老化、線路短路、互感器極性接觸不良、電壓電流線接觸不良、接線端子接觸不良或銹化、用戶用電不平衡等問題，將導致裝置出現失壓、失流、電流不平衡的情況[13-15]。為此，可通過計量自動化系統對此故障類型實時數據進行采集、深度分析。

1.2 計量故障判斷

在對3種不同故障類型的實時數據進行校驗后，有選擇性地抽取部分故障測量點與正常測量點的檔案信息及負荷數據，審視正常測量點與失壓、失流和電流不平衡不同類型的故障測量點數據分布特征與分布類型，利用數據挖掘算法及故障規則，對相應的故障類型進行異常研究和判斷[16-21]。

1.3 專家庫構建

針對不同故障類型，運用數據挖掘分析算法、充足的故障條件模擬及反復的對比驗證、專家分析評價參數以及計算公式得出最優的模型，并寫入專家庫中。專家庫涵蓋了專家診斷的經驗及層層篩選后的不同類型故障模型，可以對模型數據進行一系列分類，能夠以專家的推理方法、思考模式站在專業的角度準確識別計量故障，有助于計量智能診斷功能的完善，確保診斷結果的可靠性。專家庫構建流程如圖2所示。

圖2 專家庫構建流程Fig.2 Flow chart of expert database construction

(1)提取不同故障類型所需要的數據，進行初步的數據清洗，剔除采集失敗數據。

(2)確定故障類型并進一步進行數據清洗。結合實際情況，剔除在該故障類型中無效的數據。以失壓為例：只需要三相三線、三相四線的數據，剔除單相的數據。

(3)通過數據分析得到該異常數據所呈現的規律，運用充足的故障條件模擬及反復的對比驗證、專家分析評價參數以及計算公式得出異常規則。以失壓為例：經分析可以發現，裝置失壓的數據會呈現電壓與額定電壓的比值偏低，而電流與額定電流的比值在正常范圍，從而通過專家分析，確立電壓、電流、持續時長和當天異常記錄所對應的參數，當其電壓、電流、持續時長、異常記錄滿足對應參數條件時，判斷該計量裝置發生失壓故障。

(4)根據異常規則建立異常規則算法，將該異常的數據預處理和異常規則算法封裝為異常模型，并導入專家庫。

1.4 基于遺傳算法的參數優化

遺傳算法是模擬生物在自然環境中的遺傳和進化進程而形成的一種自適應全局優化概率搜索算法。其基本思想是，將待求解問題轉換成由個體組成的演化群體，經歷生成—評價—選擇操作的演化過程，反復進行選擇、交叉、變異，直到搜索到最優解[22-23]。

本文所建立的專家庫中的異常模型依賴人工制定初始閾值，主觀因素較大，可能會導致模型并不是最優模型。本文提出一種基于遺傳算法的參數優化，由初始參數出發，以準確率為適應度函數，通過遺傳算法尋找最優參數。算法實現步驟：①初始化控制參數、種群規模、遺傳代數、變異概率等參數以及尋優范圍；②判斷參數因子是否超過尋優范圍，并對超過范圍的進行調整；③利用初始參數引導種群的生成，并計算適應度函數；④判斷適應度或迭代次數是否滿足閾值，滿足則輸出尋優結果；⑤進行選擇、交叉、變異等操作；⑥根據適應度進行個體排序，將適應度高的個體替換掉上一代個體，并進入步驟④。

本文采用構建專家庫的失壓數據和個體參數作為初始參數，種群規模為10，尋優范圍為初始參數上下浮動的20%，如圖3所示，在迭代到50步時，適應度趨于平穩，取迭代步數為50作為停止條件，代入遺傳算法，得到適應度為0.956 3，代表模型準確率95.63%，與初始參數為92.06%相比，模型的準確率得到了提高，最后輸出個體結果，將該個體參數替換失壓模型的初始參數，并存入專家庫中。參數優化結果見表1。

圖3 適應度變化趨勢Fig.3 Fitness trend chart

表1 參數優化結果Tab.1 Parameter optimization results

1.5 模型評估

以失壓、失流、電流不平衡3種故障類型展開分析(表2)，可見專家庫可以有效地識別異常，均達到90%以上。經過遺傳算法優化參數后，模型的準確率得到進一步提升，在誤差允許的范圍內，可以極大地縮短人工檢測所需要的時間，完成人工檢測到智能檢測的轉變。

2 智能檢測

計量裝置出現故障會使計量數據發生異常，計量裝置故障智能診斷技術就是通過一系列的計量故障診斷規則模型構建專家庫，基于專家庫對每日的計量數據進行檢測，實現對故障的智能化診斷及計量裝置的動態監測。其最大的特點是計量裝置設備與計量主站設備在空間上處于分隔的狀態，利用信息化提前實現了遠程故障檢測。

表2 優化比對Tab.2 Optimization comparison %

基于專家庫的智能檢測技術，通過計量自動化系統采集表碼、電壓、電流、功率等數據，經過初步預處理后完成數據的提取、數據庫數據格式向專家庫所需數據格式轉換的工作，然后從專家庫中提取計量智能診斷模型，按照不同的模型傳入其所需的數據，根據專家庫已有模型完成計量裝置的異常檢測，最后利用計量故障在線診斷完成診斷結果的可視化。基于專家庫的智能檢測流程如圖4所示。

圖4 基于專家庫的智能檢測流程Fig.4 Intelligent detection flow chart based on expert database

3 應用效果

陵水供電局2020年6月通過計量裝置異常發現陵水椰林北斗花園路千島商務大酒店告警電流異常343次，經計量人員現場查明，證實A相二次電流存在開路導致實際抄表少計用戶電量，故追補2019年6月4日至2020年6月4日少計電量，共追補41 320 kWh。中電科海洋信息技術研究院有限公司告警電流異常12次，經現場查明，證實A相電流接地線接錯導致電流不平衡，追補223 820 kWh。海南魯宏祥達實業有限公司5月、6月告警電壓異常8次，經計量人員現場查明，證實B相失壓，但因7月開始電壓已恢復正常，用戶不愿追補，目前正在協商。

很明顯，在計量故障智能診斷平臺的實時檢測下，工作人員可以較為及時地發現計量故障問題，就出現的問題尋找正確的解決措施。在該功能模塊的幫助下，電量或電費追補工作可以以合理的方式開展，計算過程也具有說服力，可以減少電網企業與用電客戶之間的矛盾。

4 結語

總的來說，計量自動化系統建設的不斷加快及改造，大大提高了電網的運行效率及信息化應用水平。但計量設備故障在線診斷技術目前未在海南電網加以應用，整體而言這項技術屬于初級階段，鑒于電力系統的復雜性以及運行方式的多樣性及故障類型的不確定性，在應用計量設備故障在線診斷技術的基礎上，能夠不斷加強計量裝置設備管理，并根據自身實際情況及需求進行合理應用，從而能夠更好地實現遠程設備在線檢測及設備故障診斷，減輕工作人員的工作量，提高工作人員工作效率及電力企業管理水平，加速電力企業發展。