基于大數據技術的電能質量信息狀態監測平臺

劉光輝，朱婷婷，張慧娥

（新疆工程學院 能源工程學院，烏魯木齊830023）

智能電網技術發展日益壯大，電能質量的狀態信息是整個智能電網運行的基礎。電能質量問題主要包含電力系統投切操作、諧波畸變和電力系統故障，表現為電壓的凸起和凹陷、暫態的脈沖和振蕩、電壓間斷等[1]。電能質量信息監測是整個智能電網運行狀態監測的重要組成部分，獲得電能質量信息有利于為解決電能質量問題制定合理措施，有助于快速挖掘隱藏在深層的電能質量問題[2]。加強分析和診斷電網動態信息和實時信息能夠向電網運行管理人員提供更為精細全面的電網質量信息，方便后續制定決定策略、控制方案等，能夠保證電網運行的高效性、安全性和經濟性[3-4]。

對各個監測點長期不間斷監測會產生數量龐大的數據，出現電能質量大數據，因此電能質量監測既需要滿足電能質量的、 數據的存儲和管理，還需要從這些大數據中挖掘出有價值的信息用于改善電能質量中存在的問題[5]。監測電能質量信息狀態時需要采集的數據既有功率因數、 總諧波畸變率、有效值等實時數據還包括實時波形數據、短時間閃變數據等，數據量非常龐大，假設每15 min 對一個監測點采集一次監測數據，一天下來累計需要存儲0.26 MB 的數據量，如果存在1000 個監測點，每天約需要存儲15 GB 的監測數據，每月存儲的采集數據約為6 TB，這還僅僅是電能質量的監測信息，如果考慮環境數據和其它設備監測信息，將存在更大的數據量，所以在實行電能質量監測時需要將大數據問題考慮進去[6-8]。

目前關于電能相關設備的研究已經取得可觀成果，有研究者提出電能質量在線監測平臺[9]，該平臺將SG-CIM 模型作為載體，經一體化平臺高效集成電能質量信息，實現電壓和電網頻率的監管，該系統具有一定可靠性，但是該平臺監測電網故障能力較差，故障電阻問題沒有被考慮進去，影響部分監測精度；還有學者研究電網電能質量遠程監測平臺[10]，該平臺使用硬件鎖相同步頻率跟蹤技術，采樣電流和電壓，降低譜間干擾，能夠實現電能質量參數的遠程監控，但是硬件技術過于復雜，實際應用時具有維護難度。

本文結合大數據技術設計電能質量信息狀態監測平臺，針對數據量龐大的電能質量信息狀態實行有效監測。

1 基于大數據技術的電能質量信息狀態監測平臺構建

1.1 平臺整體結構

電能質量信息狀態監測平臺主要包括監測儀數據采集模塊、無線通信模塊、數據管理模塊、云存儲數據庫和狀態監測模塊等，結構如圖1 所示。

圖1 平臺整體結構Fig.1 Overall structure of the platform

本文平臺在監測點使用監測儀采集電能質量信息狀態數據，通過無線通信網絡將數據傳輸至數據管理服務器中，該服務器把所用數據存儲在云存儲數據庫之內，同時該服務器也調用云存儲數據庫中的信息經監測數據提取模塊傳遞至信息狀態監測模塊，該模塊通過構建故障定位狀態估計模型，監測出電能質量信息狀態的故障位置與故障電阻，將監測結果通過平臺瀏覽界面呈現給用戶[11]。

在開展電能質量信息狀態監測工作之前，先需要對電能質量信息數據實現采集，這是平臺工作的基礎。本文平臺在各變電站線路上安裝電能質量監測儀實現電能質量各項原始數據的采集，這些工作由數據采集模塊完成。

各變電站線路一般都處于室外環境中，經電能質量監測儀采集的電能質量原始數據若要傳輸至監測平臺中，需要通過無線通信網絡，把文件以二進制形式傳遞至數據管理服務器中以便開展下一步工作。

1.2 云存儲模塊

云存儲模塊主要由規模解析子模塊、 數據接入、 分析計算層和HBase 數據庫與Hadoop 分布式存儲組成，該模塊的結構如圖2 所示。

圖2 云存儲模塊結構Fig.2 Cloud storage module structure

在云存儲模塊中，數據接入子模塊負責解壓縮數據和解析規約，依據用戶發送請求時所需的是歷史數據還是實時數據，判定是將數據存入HBase 數據庫還是直接顯示給用戶。為使網絡數據傳輸量降低，監測儀檢測數據后會對數據實行壓縮再傳輸至數據管理服務器，zlib（數據壓縮函式庫）技術是最常使用的壓縮算法[12]，本文平臺所使用的高級語言已經提供了完整的zlib 解壓縮接口，便于應用實時調用。

分析計算子模塊主要是通過MapReduce 并行編程技術對電能質量數據實行分析，分析內容包含電能質量評價和計算統計報表等內容。MapReduce屬于并行編程模型，Map 和Reduce 兩個階段共同組成算法，該算法適合本文平臺這種大規模數據處理計算。

Map 階段主要過濾監測點或某條通道的數據，關鍵內容包含對某時間段中的平均、最大、最小值查詢。監測儀測量出的某個電壓63 次諧波數據是輸入數據：（v1，v2，…，v63），Map 操作轉換數據獲得電流、電壓畸變率作為值，次數i 作為關鍵字的鍵值對：（i（v1i，v2i，…，vki）），這些鍵值對也就是Reduce 階段的輸入[13]。

在Reduce 階段，依據關鍵字i 分類統計數據，計算平均值avg、最大值max、最小值min。以鍵值對形式輸出結果：（i（avg，min，…，max）），以相似方式計算其它統計值。

HBase 數據庫以鍵值對的形式將數據組織到一起，組織完成后經Hadoop 分布式程序在集群中存儲數據，完成本文平臺中電能質量信息狀態大數據分布式存儲。HBase 數據庫和普通關系數據庫不同，能夠對非結構化數據實現高效存儲。而且HBase 數據庫使用基于列的存儲模式，保證存儲后數據讀取效率更高。

1.3 故障定位方法

信息狀態監測模塊主要是根據云存儲模塊中的數據信息監測電能線路中的故障位置和詳細信息。通過監測確定故障線路和故障位置，識別故障類型判斷電能線路運行狀態獲得電能質量監測結果。

1.3.1 計算短路

調用云存儲模塊中的電能數據，通過計算獲得零序阻抗、正阻抗和復阻抗，同時獲得故障發生之前被監測點的電壓數據，以節點阻抗矩陣U=ZI 作為基礎[14]，計算短路故障類型不同之下的節點電壓：

1.3.2 構建故障定位模型

式（3）為式（2）約束條件：

式中：Um與q 分別表示測量列向量和監測點總數；U（p，zf）與分別表示狀態量的電壓估計向量和監測點i 的測量值； 測量量的狀態估計值與元素對應，估計狀態之前需要保證狀態量的個數低于測量量的個數。

對狀態估計模型求解時，考慮到計算U（p，zf）時會涉及到節點導納矩陣的求逆運算與修改，所以需要使用優化算法實現數值求解。

由于粒子群優化算法具有較快的收斂速度和較簡單的運算過程[15]，所以使用粒子群優化算法求解故障電阻數值zf與故障距離p。

使用粒子群算法更新位置和速度：

綜合以上計算方法構建粒子群優化算法的故障定位模型具體過程如下：

（1）將粒子實行初始化處理；

（2）依據式（1）和式（2）計算獲得適應度函數：J（p，zf）；

（3）依據式（4）、式（5）和式（6）將粒子位置和速度更新；

（4）判斷更新后的粒子位置與速度是否滿足式（3），如果不滿足則返回上一步；如果滿足可以跳轉到步驟（2）；

（5）判斷結果是否滿足迭代終止條件，如果不滿足返回到步驟（3），如果滿足，可以結束計算獲得故障定位結果。

2 平臺性能的測試

將某省大型電力公司相關電能信息作為實驗對象，在Matlab 仿真平臺輸入該供電公司提供的電能數據，在仿真環境中模擬電能運行情況。為使實驗結果具有對比性，采用文獻[9]和文獻[10]的平臺進行對比測試。

由于電能質量監測屬于大數據環境，因此需要驗證平臺在數據存儲方面的性能情況，三種平臺在數據存儲能力方面的實驗對比結果如圖3 所示。從圖3 能夠看出，隨著運行時間的增加，三種平臺的數據存儲量都呈現上升趨勢，說明三種平臺均能實現電能數據的良好存儲，但是本文平臺的數據存儲量最大，說明本文平臺使用云存儲技術能夠實現大數據的存儲，保證系統能夠平穩運行，更好地實現電能質量信息狀態監測。

由于監測電能質量信息時數據量過于龐大，數據量的大小影響平臺運行時間，如果存儲時間過長很容易延長平臺的響應時間，因此對比不同數據量下平臺運行時間情況，結果如圖4 所示。通過圖4可知，數據量不斷增加，平臺的運行時間也逐漸上升，當數據量達到90×106條時對比平臺的運行時間分別達到6 s 和7 s 以上，而本文平臺仍然保持2 s 以下的運行時間，整體來看，本文平臺的運行時間較平穩，隨著數據條數量的增加，運行時間始終沒有出現明顯波動，說明本文平臺具有較好的性能。

能耗平衡性是驗證存儲性能的重要指標之一，分析三種平臺能耗標準方差變化情況，結果如圖5所示。由圖5 能夠看出，本文平臺具有良好的能耗平衡性，隨著數據量的增加，三種平臺的能耗標準方差均呈現上升趨勢，其中本文平臺的能耗標準方差均始終高于兩種對比平臺，說明本文平臺的能耗均衡性強，提升平臺的監測效果。

圖3 數據存儲量對比Fig.3 Comparison of data storage capacity

圖4 運行時間對比Fig.4 Running time comparison

圖5 能耗均衡性比較Fig.5 Comparison of energy consumption balance

平臺設計的初衷，就是實現電能質量信息狀態監測，收集實驗對象實時電能質量信息狀態，統計電能真實故障結果，分析平臺監測均方誤差結果，詳情如圖6 所示。分析圖6 可知，本文平臺的監測數據與真實電能質量信息狀態結果最為接近，說明本文平臺能夠準確監測出電能質量中的各種故障內容，在監測電能質量信息狀態時具有較高準確率。

圖6 監測均方誤差Fig.6 Mean square error of monitoring

為進一步驗證平臺監測的準確性，在仿真環境中添加50%噪聲干擾，分析監測結果情況，結果見圖7。從圖7 中能夠看出，添加噪聲干擾后，三種方法的監測均方誤差均有所上升，本文平臺的監測結果也與真實數據發生誤差，但是整體來看仍舊是本文平臺的監測結果最為接近真實數據內容，由此可以看出，即使在噪聲干擾下，本文平臺仍然具有較高的監測準確性。

3 結語

圖7 噪聲干擾下監測結果Fig.7 Monitoring results under noise interference

本文提出基于大數據技術的電能質量信息狀態監測平臺，使用云存儲實現電能大數據的存儲與調用；利用粒子群優化算法實現電網中故障節點定位。二者相互協作，結合其它硬件與軟件共同構成本文平臺。通過Matlab 仿真平臺輸入真實電力公司數據構建仿真模擬環境，驗證本文平臺性能，實驗顯示，由于本文平臺使用云存儲技術，在數據存儲量方面具有絕對優勢，而且由于云存儲能夠保障大數據存儲所以提高了平臺的運行時間和能耗平衡性，使得本文平臺具有良好的性能，在電能質量信息狀態監測方面，本文平臺在噪聲干擾下和普通環境下始終具有較好的監測結果，與同類平臺相比呈現出較高的優勢。