基于大数据分析技术的电网计量故障识别方法研究

陈莹 王雷 张靳予 张合强

[摘    要] 电网计量设备的准确性是保证用电客户电费核算的公平公正，通过采用传统的计量故障识别方法效率低下，准确性与实时性很难保证。随着智能电网、移动通信、大数据技术等发展，通过构建电网计量故障识别模型，对海量的计量运行数据进行分析，是提升计量故障识别效率及准确度的重要手段。

[关键词] 计量故障;故障识别;大数据分析

doi ： 10 . 3969 / j . issn . 1673 - 0194 . 2019. 11. 069

[中图分类号] TP311;V242.3    [文献标识码]  A      [文章编号]  1673 - 0194（2019）11- 0160- 04

1      引    言

传统的计量故障识别方法，大多是通过客户报修、现场抽检等人工方式进行，不仅识别效率低下，而且难以做到全面地识别与监控。近年来智能电表和用电管理终端的大力推广，逐步达成了用电信息采集系统的全覆盖，使得通过数据分析的手段识别计量故障成为可能。随着大数据分析等技术的快速发展，加大数据分析技术在计量故障识别等方面的科技创新，提高管理科学性，已经成为提升计量精益化管理的新手段。

2      现状及背景

2.1   计量故障识别的现状

目前计量装置故障的发现仍大量依靠运维人员现场检查、客户报修等人工方式，实时监控效果不佳，人工工作量大，系统海量数据未得到应用。

故障识别就是通过对设备运行信息的检测、分析和处理，判别设备的工作状况，分析故障成因，预测劣势趋势，以达到提高设备效率和运行可靠性。智能化故障识别方法主要有专家系统故障诊断法、模糊故障诊断法、灰色模型故障诊断法、神经网络故障诊断法、信息融合故障诊断法和基于范例推理的故障诊断法等。

故障智能识别技术可以结合数据库中的各种故障数据，按照不同的故障情况进行综合分析、判断，定位故障点。主要对状态监测所得到的信息进行融合，然后结合层次诊断模型，按照深浅结合的推理层次进行诊断。

根据数据结构，针对性地应用故障智能识别技术取代人工作业，提高准确率、效率及数据应用效果，是当前大数据应用下的必然趋势。计量自动化系统的海量数据，其数据类型、数据量均具备故障智能识别技术的应用条件，可以切实提高工作质量和工作效率。

2.2    大数据分析在电网行业的应用情况

大数据正在改变着各行各业，电商的成功、互联网业的爆发式增长以及互联网金融的高速发展向各大行业展现了互联网与行业融合的巨大发展潜力和独特的创新路径。而在这其中，大数据扮演着核心角色。互联网的本质是信息的互联和處理，而信息则以数据为载体。电力行业蕴含了巨大的数据资源，同时也呈现出突出的数据价值需求。据测算，云南电力行业的生产、管理、用户、计量、资产等方面数据已达到20 PB。来自复杂大电网的调度运行、新能源与负荷的时空变异、电力资产寿命与运行状态、主动配电与需求响应等都存在着巨大的以数据为支撑的决策与配置需求。

运用大数据实现公司应用服务化改造，大数据存储、建模、分析，对突破信息化发展体制障碍、提高企业经营服务能力、降低企业成本、提高信息化安全保障能力等方面都具有十分重要的意义。通过数据中心、大数据平台及相关服务的建设，可实现从数据服务、应用服务到能力服务的发展转变，有助于电网管制性业务水平的提高，有助于支撑开展竞争性业务，拓展市场、创新业务、创造价值。

3      实现思路

3.1   构建计量故障识别模型

目前所有的计量数据采集工作都依靠计量自动化系统完成，数据类型多、数据量大，具备应用基础。同时，计量运维人员对计量故障的分析工作、计量装置故障处理仍大量依靠运维人员现场检查、客户报修等人工方式进行，计量自动化系统海量数据未得到应用，而计量故障的质量高低直接影响计量准确性和供电服务满意度，计量运维人员的运维压力比较大。

项目将结合目前电力行业的计量典型故障，根据电网行业的计量故障分析与排查经验，通过计量故障数据特征值分析，构建计量故障池实现对海量计量数据的挖掘与分析工作，从而提取出有计量故障的计量数据，通过异常数据初步判断故障类型并进行业务分类，并提供故障处理的指导意见。

表1举例说明几种典型计量故障的判别依据及故障处理措施。

3.2   海量运行数据的计算分析

3.2.1   分布式计算

采用业界开源的LTS作为任务调度框架，LTS支持实时任务、定时任务和Cron任务，有较好的伸缩性，扩展性，健壮稳定性。

基于故障识别模型，通过拆分不同的计量故障分析任务，分别按供电单位、台区等维度，分析用户日冻结表码、功率曲线、电压电流曲线、负载率等数据。

其处理流程如图1所示。

3.2.2   分布式数据存储

针对计量故障的数据分析，需要连续分析一段时间周期内的数据，而计量运行采集数据为每15分钟采集一个点，而一个地市上百万只表计，数据存储压力比较大，通过构建分布式的数据存储方式，提升数据的读写速度，提升分析效率。

其数据存储如图2所示。

3.3   故障分析结果的展示及判别

基于计量故障识别模型，对海量的计量运行数据进行计算分析，识别出不同故障类型的计量故障情况。图3通过大数据分析后得出的不同故障类型结果。

针对每一种不同的故障类型，以可视化的形式进行展示，基层计量业务人员可以结合分析的数据，重点进行相关计量设备的排查，指导计量业务精益化管理的开展。如图4、图5所示，针对电能表倒走和电能表停走的故障，进行可视化展现。

4      结    语

计量故障产生的方式是多种多样的，故障类型也不尽相同，现在业界对于发生的计量故障，基本是结合人工经验和现场的数据进行分析，逐步地进行故障的排查和处理，这种处理模式效率低下、分析难度大、分析结果不准确、监测效果不佳。本文提出基于大数据分析技术的电网计量故障识别方法，通过分析计量故障数据特征值分析，实现对海量计量数据的挖掘与分析工作，从而提取出有计量故障的计量数据，最终定位该计量故障是哪种类型的故障，此方法是计量故障分析方法的突破和创新。

主要参考文献

[1]周志华.机器学习[M].北京：清华大学出版社，2016.

[2]陈波.基于计量自动化系统平台的典型计量故障分析[J].贵阳电力技术，2016，19（11）：42-44.

[3]危阜胜.肖勇，陈锐民.故障诊断技术在计量自动化系统中的应用[J].电器测量及仪器，2013（8）：93-97.

[4]常青，严小文，陶晓峰，等.基于大数据技术的智能电表运行状态分析系统研究[J].电气测量及仪器，2015（12）：4-6.