基于數據挖掘技術的電能質量在線監測系統設計研究

鐘云南， 曾智， 鄭蔚濤， 李霄銘， 吳少平

(1.國網福建省電力有限公司， 福建,福州 350000； 2.國網福建省電力有限公司三明供電公司, 福建,三明 365001； 3.國網福建省電力有限公司信息通信分公司， 福建,福州 350000； 4.國網信通億力科技有限責任公司， 福建,福州 350003)

0 引言

電能質量直接反映出供電企業提供的電流品質，理想情況下供電企業應該提供頻率恒定、正弦波標準、電壓穩定的持續電能，但實際生活中總會出現各類問題，主要表現在電壓、電流及頻率偏差。由于電能不方便存儲，生產、傳輸、分配、轉換及消耗幾乎是在同時進行，其中生產方、傳輸方、消費方是動態變化的一個整體，共同影響電能質量。監測的各項指標也一直處于動態變化之中，擾動因素又具有極大的危害性和廣泛的傳播性，基于以上種種因素，開發一個電能質量監測系統顯得尤為重要，通過對原始數據的采集、篩選、處理達到質量監測、分析，挖掘潛在的根本原因，為針對性的制定改進措施提供數據基礎。

1 系統需求分析

1.1 大數據環境下分析趨勢

大數據時代，利用大數據存儲模型保存海量的電能質量監測數據，通過大數據邏輯架構構建基于大數據的電能質量分析指標體系，利用數據挖掘技術對電能質量數據進行關聯分析，進而快速配網，提升電能質量成為了最新趨勢[1]。

1.2 系統設計原則

(1) 實用性：電能質量監測分析必須先將核心功能做精做細，實用第一。

(2) 先進性：采用先進技術架構、分析算法，提高結構化程度，提升系統的可擴展性、兼容性。

(3) 容災性：為確保系統可在不同硬件、網絡、操作系統中穩定運行，需保證設計時的容錯性及自我修復能力。

(4) 安全性：充分考慮網絡安全、數據安全因素，提供賬密權限控制。

(5) 標準性：采用主流技術，提供標準化接口，提升系統擴展性，形式業務模式。

2 數據挖掘體系模型構建

2.1 電能質量監測指標

電能質量分析主要包括穩態分析和暫態分析兩大類，其中穩態分析包括諧波、電壓閃變、頻率偏差等，暫態分析包括電壓驟升驟降、電壓中斷等。國家相關部門也制定了相對合理的電能質量標準，指標特征如表1所示。

表1 電能質量一覽表

(1) 諧波

諧波是不同頻率和幅值的電壓及電流引起的畸變正弦波，非線性電力電子設備，開關電源、變頻器、逆變器等都會誘發諧波的生成。總諧波畸變率THD是關鍵指標。

(1)

(2) 三相不平衡是指A相、B相、C相之間電壓電流幅值差不為0且超出合理范圍。其中不平衡度是關鍵指標，分為事故性和正常性兩類[2]。

(2)

(3)

其中,α表示旋轉算子,V1表示正序分量,V2表示負序分量,VA、VB、VC表示三相電壓。

(3) 電壓閃變

電壓閃變簡而言之就是說電壓有效值波動，表現在日常生活中就是燈光亮度變化，直接感官可察不穩定效果，關鍵指標是電壓長時間閃變。

(4)

其中,PIt表示上時閃變值,N表示測量時段內短時閃變值個數,Pstj表示短時閃變值。

(4) 電壓驟升驟降

在額定值基礎上瞬時提升1到8個百分點或瞬時下降1到9個百分點，持續時間和幅值都是關鍵參數。

2.2 數據存儲方案

MongoDB是一種介于關系數據庫與非關系數據庫之間的分布式存儲系統，支持松散的數據結構，采用內存映射，對于結構復雜的數據類型非常適合。Redis是開源的鍵值對模型數據庫，性能很快，屬于內存數據庫，數據寫入寫出速率大幅提升，而且具備數據持久化特性，并提供多種API接口，支持的存儲類型多樣，與MongoDB一樣均可應用到電能質量監測系統的數據存儲方案之中，兩者比較如表2所示。

表2 MongoDB與Redis對比

由此可得出結論，這2種數據存儲在海量數據處理方便各有優勢，本文設計了結合兩種數據庫的存儲架構，既利用MongoDB的高效讀寫性能，也利用Redis的原子性持久性，以此解決電能質量監測系統的存儲難題，總體結構如圖1所示。

圖1 大數據存儲總體結構

2.3 數據挖掘模型

MapReduce可通過對輸入的大批量數據進行自動分割，以此實現分布式計算，在MapReduce模型中，通過Map和Reduce 2個接口的調用完成并行計算任務，計算步驟如下。

(1) 將大批量數據進行拆分，拆為多個Splits，由一組鍵值對表示，相應的對應一個Map函數。

(2) 每個Split由一個task進行處理，有多少個Split就有多少個task。

(3) Map函數處理后一另一種鍵值對形式輸出中間結果

(4) Reduce對多個中間結果匯總后也分別并行運算

(5) 最終匯總所有的Reduces結果，得到最終計算值[3]。

由上述內容可知，該模型的關鍵在于：

Map函數

輸入：鍵值對(key1，value1)

輸出：加工后的中間鍵值對(key2，value2)

函數模型：

Map:Key1,Value1→List(Key2,Value2)

Reduce函數

輸入：經過內部排序編組的(key2，List(value2))

輸出：(key3，value3)

函數模型：

Reduce:(Key2,List(Value2))→Key3,Value3

3 系統總體設計

3.1 設計思路

本文設計的電能質量監測系統將監測裝置采集的數據存入基于MogonDB+Redis搭建的數據存儲之中，通過數據挖掘模型處理后構建電能質量監測系統，用于監測數據展示、分析、預警與查詢。

3.2 系統功能架構

本系統從層級上劃分為源數據層、采集層、處理層、存儲層、計算層、訪問層，功能上主要包括數據采集、數據存儲、分析計算、應用分析等功能，整體架構如圖2所示。

圖2 功能架構圖

3.3 數字化電能質量監測系統硬件框架

3.3.1 數據監測裝置

由于穩態參數包括電壓及頻率偏差、三相電壓不平衡、電壓波動閃變等，暫態參數包括電壓驟升驟降中斷、振蕩、脈沖暫態等信號，因此本系統設計監測裝置框如圖3所示，主要采用：

圖3 監測裝置框圖

(1) 數據采集：電壓互感器陣列、信號調理電路、CD4051模擬開關、前置調理電路、ADC電路;

(2) 數據處理：NiosⅡ軟核、FFT變換IP核、FIR濾波器、頻率檢測IP核、電壓有效值、三相不平衡IP核等;

(3) 數據展示：基于ARM核顯示屏。

3.3.2 監測裝置精度測試

采用上述裝置針對幾項關鍵指標進行了監測準確性驗證，結果表明，改裝置可滿足監測要求[4]。各項測試結果如下，其中S1、S2為標準值和實測值。電壓監測測試結果如表3所示。

表3 電壓監測結果

相位監測誤差低于4%，準確度在合理范圍，結果如表4所示。

表4 相位監測結果

頻率監測結果精度達到0.01 Hz，處于合理范圍，滿足要求，結果如表5所示。

表5 頻率監測結果

4 數字化電能質量監測系統軟件設計

4.1 開發環境

開發語言：Java

框架模式：MVC

數據庫：MongoDB+Redis

操作系統：Server 2008 64位

4.2 數據處理流程

對于電能數據監測裝置采集到的原始數據進行數據清洗、數據變化、數據整合之后得到最終有效的電能質量監測數據，為應用系統查詢、展示、分析提供有價值的數據集。處理流程如圖4所示。

圖4 數據處理流程

4.3 軟件系統模塊構成

基于大數據的數字化電能質量分析系統主要包括監測數據查詢、電能質量分析、統計分析報表以及系統管理模塊，系統結構如圖5所示。

圖5 系統功能模塊圖

(1) 監測數據查詢模塊：包括電能質量指標查詢、地區查詢等。

(2) 電能質量分析模塊：包括預警、評估及預測。根據實時監測結果判斷是否超出閾值，是否觸發告警,分析大數據集，挖掘出不達標的指標數據，進一步通過關聯規則和分析算法找出內部規律，深挖影響質量根原因，為質量提升尋找突破口，并結合歷史數據、實時數據、線路分布及地理位置等信息，對后續電能質量進行預測。

(3) 統計分析模塊：主要包括監測數據統計、根據監測點、監測類型、監測區域、指標類型等多維度統計并分析結果。

(4) 系統管理模塊：主要包括用戶、設備及數據的各項配置。

4.4 實測效果驗證

為了驗證本文設計系統是實用性，在國內某市選擇不同區域設立了監測點采集原始數據，通過本文的算法進行了數據分析，以電壓偏差為例，測試結果如表6所示。

表6 實測結果表

由上表可知，A1、A4地區電壓超限時間分別占比12.09%、7.57%、64.36%、16.02%，因此可得出結論：A3地區影響最大，其次為A4，應重點關注A3地區晚上8-12點的超限時間[5]。

5 總結

本文分析了電能質量監測的現狀與大數據時代數據分析的發展趨勢，針對性的提出了基于大數據存儲與數據挖掘技術的電能質量監測體系，實測驗證可實現從海量數據分析出影響最大的指標及區域，在后續的研究中，需不斷完善數據挖掘技術，為電能質量監測提供了實用性方案。