基于模糊綜合評價模型的電能表運維技術研究

張嘉岷,李顯忠,張福州,劉棟果,何培東

(國網四川省電力公司計量中心,四川 成都 610045)

0 引言

電能表在電力系統中各環節的應用較為廣泛,為電費核算、電量測量等方面提供完善的依據[1]。為了確保電能表計量的精確度,需要對運行的電能表開展運維管理工作。該工作主要包括設備巡查、現場校驗、周期校驗、故障排查等。當前,國網系統中現場運行的電能表超過200萬個,因而提高電能表運維效率和優化運維指標[2-3]很有必要。

近年來,在電能計量裝置運維方面的研究得到廣泛關注。文獻[4]方法應用了機器學習技術,提高了自主學習、智能識別和預測的準確性,并利用聚類算法挖掘電能表的歷史運行數據信息,對電能表動態運行特征進行評價。但該方法未區分不同等級電能表的檢修精度和現場校驗周期,使得周期性運維效率較低。文獻[5]方法分析電能表運行過程中出現的主要誤差影響因素,有效綜合了電氣量、環境因素等關鍵指標對電能表進行更加精準的綜合評估,并提出了新的電能表檢驗策略。但該方法無法有效地利用電能表歷史運行數據,故數據分析效率較低、運維任務的動態響應不夠及時。文獻[6]系統利用回歸算法對電能表的運行狀態進行評價,對敏感應力作了系統性的分析研究,并針對性地提出了可靠性評價模式。但該系統未完成對電能表運行環境、運行參數等多維狀態的監測,故運維系統中的數據傳遞不夠及時。

基于上述不足,本文設計了1種電能表運維管理策略。該策略能夠有效利用電能表信息化系統中的數據信息,將這些數據信息通過人工智能分析和模糊綜合評價法實現電能表運維管理分析,以加強電能表的管控、檢驗及運維能力。

1 電能表運維管理策略研究

1.1 電能表運維管理策略設計

本文提出1種新的電能表運維管理策略。該策略提高了電能表運行質量的評價指標維度,將運維策略擴展到電能表的全壽命周期,有效利用電能表信息化系統中的數據,服務于電能表運維管理,對可能存在問題的電能表加強管控、檢驗及運維力度。該策略使用了模糊綜合評價法,基于模糊數學確定電能表的各風險權重,評價電能表各風險的風險水平,對電能表運維過程中難以量化的風險因子進行定量和定性分析[7]。

電能表運維管理策略需要選取正確的狀態量作為電能表評價的基礎,并使用電能表采集在全壽命周期流程中的檢定、配送、安裝等過程中產生的數據。電能表的狀態量信息包括電能表設備臺賬、綜合生產調度測量系統、用電信息采集系統[8]。運維系統中使用了hive數據倉庫,以存儲電能表設備編號、生產單位、設備型號、檢修時間、現場校驗數據等,從而高效地完成數據統計任務。運維系統同時支持Java數據庫連接(Java database connectivity,JDBC)、開放數據庫連接(open database connectivity,ODBC)等連接方式,以進行遠程操作[9]。

運維管理系統在開發設計中,其前端框架采用了套用于構建用戶界面的漸進式框架(簡稱“VUE”)計算,通過聲明式視圖、組件化、虛擬文檔對象模型(document object model,DOM)為系統提供響應式用戶界面。其后端開發中使用了開源框架Spring。

電能表運維管理策略整體設計如圖1所示。

圖1 電能表運維管理策略整體設計

系統采用模塊化的設計方式,包括電能表狀態量采集、運維數據管理、運維狀態評價、運維任務管理、可視化模塊等。狀態量采集模塊中,電能表狀態量數據分布在全壽命管理的各節點。對這些數據進行科學、合理的應用組合,可反映電能表的狀態信息、電能表是否存在安全缺陷、在運行過程中是否存在計量誤差。通過現場校驗情況,可得到計量性能變化情況。運維數據管理模塊采用了Apache atlas組件,針對不同類型的異構數據源提供不同的采集方式,通過配置數據鏈路和修改相關配置文件,將電能表數據導入數據庫中[10]。通過數據管理模塊對元數據信息進行修改、更新和刪除等操作,以規范數據類型、改進數據質量、對原始電能表運維進行處理,從而提升數據價值。運維狀態評價模塊中應用了模糊綜合評價模型,以明確電能表運維評價指標的權重。根據最大隸屬度原則,可確定評價模型中的最大值。根據電能表運維評價結果可調整運維策略。運維任務管理模塊采用了數據共享組件,可將電能表運維評價結果數據和運維任務數據共享到系統的各部門,從而及時發布和調整運維任務。

1.2 電能表風險等級評價方法

為了使評價指標能夠更加全面、科學地反映實際情況,指標之間應相互獨立、不受彼此影響,以規避重復評價。本文構建的模糊綜合評價模型將不能直接量化的概念定義為模糊概念,使用熵將獲取到的信息的不確定性用量度的形式表示,并基于熵權法對各層級風險指標權重進行分解[11]。模糊綜合評價模型對電能表風險等級的評價流程如圖2所示。

圖2 模糊綜合評價模型對電能表風險等級的評價流程

模糊綜合評價模型的中級評價指標的一級評價因素集為:

U={U1,U2,L,UN}

(1)

二級評價因素集為:

Ui={Ui1,Ui2,L,UiN}

(2)

某個一級指標的二級風險指標有N個,則一級指標下的專家評價矩陣[12]可表示為:

(3)

式中:A為模糊綜合評價模型中的一級指標;m×n為專家評價矩陣的大小;M、L為矩陣中行、列向量的個數。

本文將初始專家評價矩陣中各指標統一度量化,則風險因素指標值對應的比重為:

(4)

式中:bij為專家評價矩陣中的風險評價指標。

本文通過式(4)完成指標的度量化,從而建立測量度向量矩陣[13]。根據專家評價矩陣和電能表相關專業知識得到的各風險因素結果,建立電能表風險的評價集:

V={v1,v2,...,vn}

(5)

式(5)中,電能表風險等級評價中二級指標與評價集的模糊關系矩陣可表示為:

(6)

本文利用熵權法對風險評價指標的權重進行確定[14],基于確定的二級評價指標權重對二級評價指標進行一級綜合評價。其計算式為:

Bi=Wi×Ri

(7)

式中:Bi為一級評判結果;Wi為評價指標的權重;Ri為整體風險評價矩陣。

根據式(7)計算的評價指標的一級綜合評判結果,可以得到一級模糊綜合風險指標的評價值。其計算式為:

Yi=Bi×XT

(8)

式中:XT為電能表風險的總參數列向量[15]。

本文通過式(8)計算出一級模糊綜合風險指標的評價值。本文根據參數化處理總評價結果,并結合總參數列向量,計算電能表風險的總評價值。

S=W×R×XT

(9)

通過上述方式,可實現風險數據信息評估。

1.3 改進智能電能表的可靠性硬件設計

本文對智能電能表進行改進和優化,以加強電能表的可靠性、增加其抗電磁干擾能力和計量精度、降低運維策略中電能表的運維壓力。硬件設計使用高精度穩壓芯片進行穩壓設計。優化電能表的電源使電源輸出穩定、可靠的直流電流。本文加入了數據加密安全模塊,以防止電能表采集到的電力數據受到篡改。這增加了數據傳輸過程中的安全性。

改進后的智能電能表使用了具有Cortex-M0內核的HT6035微處理器。該微處理器具有4路通用異步收發傳輸器(universal asynchronous receiver/transmitter,UART)、2路推薦標準RS-485、1路載波模塊通信、1路UART口帶38 kHz調制功能供遠紅外通信[16]。串行外設接口(serial peripheral interface,SPI)連接計量通信、存儲器通信和加密模塊。

電源模塊使用了線性變壓器。三相交流電經過壓敏電阻和三路復合正溫度系數熱敏電阻(positive temperature coefficient,PTC),再經過三路變壓器降壓,從而輸出高精度、低靜態電流。電源模塊使用MP2460高頻降壓開關穩壓器,可有效提供高達0.6 A的輸出電流,從而在電流模式控制下快速環路響應[17]。計量模塊使用HT7032高精度三相電能專用計量芯片,連接電流和電壓采樣電路,實現高精度的電力數據采集和計算。異常檢測模塊主要用于檢測電能表負荷開關的拉閘和合閘是否可靠,并控制電路與主控芯片之間的光耦隔離。

改進后的智能電能表硬件模塊如圖3所示。

圖3 改進后的智能電能表硬件模塊

異常檢測電路如圖4所示。

圖4 異常檢測電路

由圖4可知:CON802為負荷開關上的異常檢測線,處于合閘狀態時為導通狀態;信號引腳relay_CHK為高電平。當檢測電路通過內部檢測開關的輸出端時,負荷斷開,CON802的引腳斷開[18],VCC 3.3 V_PER與電阻的連接斷開,relay_CHK變為低電平。主控模塊引腳檢測到電平變化,則負荷開關的狀態變為斷開。

2 試驗測試

本文通過測試,檢驗系統和評價模型的有效性。本文用Windows 10操作系統進行試驗。試驗搭建了算法模型的仿真環境,以MATLAB軟件完成電能表數據特征值的提取。試驗測試環境如圖5所示。

圖5 試驗測試環境

試驗計算機的處理器使用Intel kurui i5 12600KF;內存為HyperX Predator 5 GB DDR4 3200;硬盤為1 000 GB RD20;操作系統為Ubuntu20.04;數據框架為Hadoop3.3.0和Spark3.0.2;數據工具為Pytorch1.7.1和Django3.1;編程語言為Python3.7.6;數據庫為MYSQL8.0。試驗數據集如表1所示。

表1 試驗數據集

電能表運維試驗在某地區的配電臺區進行。該臺區包含了6 550個電能計量裝置。臺區面積約為18 534 m2。對電能表的運維管理試驗主要包括現場檢驗、巡視巡查與故障處理。不同的運維方式和策略消耗的物資與運維時間都不一樣。本文從系統中存儲的電能表信息中抽取部分樣本作為試驗數據集。

電能表風險評價試驗使用文獻[3]方法、文獻[4]方法與本文方法進行對比。文獻[3]方法基于電能表狀態進行評價,稱之為方法1。文獻[4]方法使用了層次分析法,稱之為方法2。

本文所提電能表運維策略,對傳統的電能表周期檢驗、現場校驗等方面進行了優化。本文以模糊綜合評價模型為主導,制定運維策略時考慮到電能表的風險等級、設置狀態評價、計量等級等因素,得到的電能表運維策略如表2所示。

表2 電能表運維策略

試驗在臺區內隨機選擇2 000個電能表進行評價。1級風險表示電能表的安全性和可靠性非常高。2級風險表示電能表的安全性和可靠性較高,但在特殊環境或極端情況下可能存在一些較小的風險。3級風險表示電能表存在一定的潛在風險,可能在特定條件下(如高負載、高溫等)存在較高的風險。4級風險表示電能表的安全性和可靠性存在較大的問題和風險,可能在正常使用條件下都存在嚴重的問題。5級風險表示飛禽碰觸。試驗時間設定為500 min。評價結果中,部分電能表風險等級如表3所示。

表3 部分電能表風險等級

由表3可知,在各電能表樣本上,各方法得出的風險等級存在一定的差異。方法1和方法2中出現較多次數的評價錯誤,風險等級評價結果與實際情況存在差距。方法2得到的評價結果中的風險等級比實際情況高。本文方法得到風險等級錯誤的次數較少,能夠更加真實地反映電能表實際情況。試驗將評價結果與電能表實際情況進行對比,計算出如圖6所示的各方法評價準確率。

圖6 評價準確率

對比各方法的評價準確率可知,方法1的評價準確率出現較大波動,整體準確率在90%以上,其中最高可達到98.2%。方法2的評價準確率在樣本范圍300～700時較低,其中準確率最低為89.2%。本文方法的評價準確率在95%以上,其中最高可達到100%。本文方法能夠綜合考慮電能表風險因素的影響,準確得到真實的風險等級。

本文將1 000個試驗電能表分為6組進行運維。本文設定運維范圍為5 000 m2,使用3種方法根據對應的運維策略對相同數量的電能表進行運維。運維時間對比如表4所示。

表4 運維時間對比表

由表4可知,方法1和方法2的運維時間較多,多個試驗電能表組的運維時間超過5 h。其中:方法1在第6組電能表的運維時間高達5.9 h;方法2的運維時間最高為15.6 h,運維策略中的運維工作量較多。本文方法的運維時間最短。其中:在第1組電能表的運維時間最短為1.5 h;在第6組電能表的運維時間不超過5 h;調整后的運維策略使用時間更短。這說明本文方法具有更高的運維效率。

3 結論

本文提出了1種電能表運維策略。該策略綜合考慮電能表運維過程中的多維度因素,建立了模糊綜合評價模型,科學選取電能表風險評價指標,根據模型輸出的電能表評價結果制定和及時調整運維策略,動態化調整運維人員組織架構,分配合理的運維資源和設備。模糊綜合評價模型中結合了熵權法,明確了評價模型中各評價指標的權重,劃分了清晰的電能表風險等級,能夠科學、全面地完成電能表的風險評價。

后續研究還需對運維策略中的評價模型進行優化,以確保評價模型的合理性和適用性,并需要結合大量應用結果與實測數據進一步完善評價模型和運維策略。