时间序列小电流接地故障诊断预测研究®开源边缘工业洞见软件平台参考架构的实现——借鉴英特尔

宁夏大唐国际青铜峡风电有限责任公司杨真 平高集团有限公司刘易雄 国网北京电力经济技术研究院有限公司舒彬南京好硕杰科技有限公司张永号 安徽合凯电气科技股份有限公司郭耀华 中国电力技术市场协会尹松英特尔亚太研发有限公司 孟祥宇 竺树铭 姚洋 史毅磊 王海涛 王爱喜

小电流接地故障指小电流接地系统的单相接地故障。一般来说，故障诊断包含两个方面，一个是在故障发生时，找出故障发生的位置，并给出解决的措施；另一个是对故障做出早期诊断，即故障还未发生时，就给出预测，以避免故障的产生。很多学者在这方面也做了一些工作，郭小定等提出了一种基于经验小波分析的小电流接地系统单相接地故障选线方法；邱进等提出了一种基于现场实录波形的小电流接地故障暂态选线方法；肖小兵等提出了一种适用于小电流接地系统的暂态特征型故障指示器技术研究方案；饶献文等学者提出了一系列小电流接地系统单相接地故障诊断技术。这些方法均在某些方面展现出了良好的检测效果。

时间序列的分析方法基于随机过程理论和数理统计学方法，可以根据预测目标的当前和历史数据，来推断其未来数据的变化和趋势。传统的时间序列的分析方法更多是基于经验和规则的判断，准确率不高，时效性不强。随着人工智能、大数据、工业物联网等技术的蓬勃发展，基于AI技术的时间序列预测方法在产量预测、供应链预测、销量预测、智能运维、电力负载预测等多个领域中发挥越来越重要的作用。通过AI 方法，例如回归、聚类、决策树等模型的引入，得以在海量时序数据中厘清头绪，并结合科学的逻辑推理算法来做出预测，使预测效率和准确率大为提升。

鉴于基于AI技术的时间序列方法的有效性，本文选用基于机器学习的时间序列分析方法对小电流接地故障诊断预测。

基于机器学习的时间序列分析方法

机器学习方法是时间序列预测解决方法中常见的算法，尤其是各类基于树的机器学习方法，常用的有XGBoost、随机森林以及SVM等。本文采用随机森林的方法。

随机森林是以决策树为基础的机器学习算法。作为一个树形结构，决策树构建时会将数据划分为具有相似值的子集，其每一个非叶节点都是一个特征属性的测试，并由这些测试来产生许多分支，每个分支就是某个值域的输出子集。而最终的每个叶子，就是输出预测结果的数据。

随机森林是用随机的方式构建的一个相互不关联的决策树森林，当有一个新的样本进入随机森林，就让每一棵决策树都进行一次判断，计算样本的分类，然后看被哪一类选择最多，从而得到预测样本的归类。

随机森林使用的是bagging，即从原始样本集中抽取训练集，每轮使用bootstraping的方法抽取n个训练样本，然后放回（在训练集中，有些样本可能被多次抽取到，而有些样本可能一次都没有被抽中）。经过n轮抽取，得到n个训练集（n个训练集之间是相互独立的）。每次使用一个训练集得到一个模型，n个训练集共得到n个模型。由于是随机采样，这样每次的采样集是和原始样本集不同的，和其他采样集也是不同的，这样得到的个体学习器也是不同的。再对这n个个体学习器通过集合策略来得到最终的输出。

对于结合策略，本文采用投票法，将上步得到的n个结果采用投票的方式得到分类结果。投票法类似我们生活中的投票，如果每个学习器的权值都是一样的。有绝对投票法，也就是票数过半；相对投票法，少数服从多数。如果有加权，依然是少数服从多数，只不过这里面的数是加权后的。

小电流接地故障的方法分析

为了对小电流接地故障进行分析和实验研究，我们设计了XXX-561智能监控装置，主要用于光伏系统或者分支线路的单相接地判断。如果光伏系统或者分支线路发生单相接地，则快速切断并网或者进线开关，防止影响扩大到电网。当电网测发生接地故障时，与本出线回路无关，设备不跳闸。

接地判断通过零序电流或者零序电压幅值，加进线零序方向和出线零序电流平衡度来判断。

本装置采用实时计算各保护元件的方式，不再设置专门的启动元件，所有元件均实时计算出，相对简化了保护逻辑，以利于提高保护装置的整体可靠性。

下面以5路出线的光伏系统为例来说明，如图1所示。

I0jx：进线零序电流；I01～I05：出线零序电流；3U0：母线开口三角电压。

装置取进线零序电流I0jx、出线零序电流I01～I05以及开口电压3U0作为接地方向判断。

取每一路出线开关的一副常闭位置接点，当开关处于分位时，此路出线不参与判断逻辑。

零序电流最大值I0max:

进线零序电流I0jx以及所有有效出线（开关合位）零序电流的最大值。

单相接地：

装置取零序电流最大值I0max或者3U0作为是否产生接地的判断，大于设置的定值时，判断为接地。接地的方向通过进线零序电流I0jx的方向元件和出线零序电流平衡度I0ph来综合判断。当最大零序电流发生在出线时，零序电流方向元件自动失效，通过出线零序平衡度来判断接地侧。

借鉴英特尔®开源边缘工业洞见软件平台参考架构，加速时间序列应用部署

上文中详细介绍了小电流故障诊断预测系统的实现原理、过程与方法，其中包括了数据采集、数据存储、数据分析与数据显示，本部分将介绍如何借鉴英特尔®开源边缘洞见软件平台的集成软件与算法作为边缘计算架构和基础算法框架参考，将诊断预测机制快速部署到边缘计算平台中。

英特尔®开源工业边缘洞见平台

英特尔®工业边缘洞见软件平台（Edge Insights for industrial）是英特尔®为加速工业应用在边缘平台上快速落地与部署而开发的开源软件框架。该框架易于部署在最接近数据产生源头的边缘设备上，通过传输相关控制信息来使视觉数据或时序数据的快速注入，并快速完成对数据的存储与分析，将分析结果展现在输出设备中。

图2 工业边缘洞见软件平台软件框图

开源软件框架简介

图2为英特尔®开源边缘洞见软件平台的框架图。该系统中使用了Docker 容器化技术，为开发者设计了众多容器化组件如视觉注入组件（Video Ingestion）来适配类视觉输入设备，完成图像的预处理或编解码；视觉分析组件（VideoAnalytics）来对视觉数据进行AI 分析，桥组件（Bridge）用来连接外部边缘应用等等。这些分立的容器化组件最终都连接到了一条内部的高速总线（EIS internal messagebus）上来进行相互信息的传递与同步。该高速总线在设计时使用了第三方开源消息库ZeroMQ，并对其进行了抽象与封装，使各容器可以在该总线上使用TCP或者IPC模式进行消息的订阅与发布。算法和软件开发者也可设计符合自身产品特性的容器挂载在总线中，集成自己的场景应用。

时序数据边缘应用部署的关键问题

针对本文在小电流接地故障诊断系统中所使用的基于时间序列的机器学习分析方法，英特尔®在开源边缘洞见软件平台中设计了“时间敏感型数据注入与分析”组件，帮助开发者将该基于时间序列的小电流接地故障诊断预测方案快速部署在边缘智能设备中。时序数据的应用通常需要解决以下四类问题。

（1）时序数据收集-电力世界中数据的来源方式众多，它可能来自各类应用程序、电力传感器、网络路由器、电力设备，甚至是我们手边的巡检设备如手持仪表、巡检机器人等。如何收集这些数据并对他们进行可靠的管理，为最终的分析做准备，是时序数据应用需要解决的首要问题。

（2）时序数据存储-数据收集之后，如何对数据进行存储，以及及时地更新与调度。

（3）时序数据处理-如何将算法注入，并对数据进行分析，诊断即将出现问题的原因，给出警告，作出预防。

（4）时序数据显示-如何创建一个友好的人机交互界面帮助运维人员快速理解分析结果，并掌握其工作模式。

时间敏感型数据注入与分析组件

为了解决上述提及的时间序列应用部署的四个关键问题，英特尔®在开源的边缘洞见软件平台中设计了“时间敏感型数据注入与分析”组件，如图3 所示，其中集成并封装了“TICK”四大开源组件。

（1）Telegraf-Telegraf是一款开源代理程序，使用该程序及其众多的开源插件，可以轻松完成数据收集、处理以及整合。

图3 时间敏感型数据注入与分析组件

（2）InfluxDB-InfluxDB 是由InfluxData 开发的一款开源实时型数据库，可以高效完成数据查询，并存储时序数据，在物联网领域有着广泛的应用场景。

（3）Chronograf-Chronograf 是由InfluxData 开发的开源可视化人机交互界面，可以在网页中清晰展示存储在InfluxDB中的时序数据。

（4）Kapacitor-Kapacitor是最后一个开源技术栈，它是一套专用于时序数据处理的开源引擎，支持流数据（stream）和批数据（batch）两种类型的数据处理模式，用户可以根据产品的需求，编写用户定义函数（UDF-User defined functions）集成到Kapacitor中，通过脚本配置来定义报警的规则及对应的服务。

在本文中基于“机器学习的时间序列分析方案”在终端部署时，我们使用Telegraf 采样“智能监控装置”中的电流数据，开发人员可以使用Mqtt 等网络通信协议获取监控装置中的数据，并通过洞见平台中的高速总线（EIS internal messagebus）将所有的历史数据存入实时数据库InfluxDB中。将推理所需要的“随机森林bagging抽取模式以及投票法则”编写为AI 应用（python，C++，go 皆可）集成进Kapacitor 开源引擎中，进行小电流接地的故障诊断。运维人员可以通过Chronograf展示的人机交互界面清晰地看到数据的处理结果，快速发现故障设备并进行准确地定位与抢修。

图4 Chronograf人机交互界面数据展示

小电流接地故障的判断结果

根据小电流故障接地的几种情况，进行了相应的实验设计，包括弧光接地、金属接地和电阻接地（500 欧姆和1000欧姆），下面根据实验结果分别进行分析。

弧光接地

弧光接地的实验设计包括内网和外网，每种情况又分为母线和其他线路，实验结果如图5至图8所示。

由图5至图6可以看出，在内网和外网故障下，零序电流的时间序列有很大差别，可以看出，线路对地绝缘劣化存在薄弱点，发生了弧光接地，可以进一步根据各个线路之间零序电流的时间序列排列比较，推断出故障点所在线路。

图5 内网母线弧光接地

图6 内网线路弧光接地

图7 外网母线弧光接地

图8 外网线路弧光接地

金属接地

金属接地的实验设计包括内网和外网，每种情况又分为母线和其他线路，实验结果如图6至图9所示。

由图9 至图12 可以看出，在内网和外网故障下，零序电流的时间序列不同，可以看出，因导体搭接接地，接地相和大地之间形成稳定的阻性通路，进一步根据各个线路之间零序电流的时间序列排列比较，可以推断出故障点所在线路。

图9 内网母线金属接地

图11 外网母线金属接地

图12 外网线路金属接地

电阻接地

电阻接地的实验设计包括内网和外网，每种情况又分为母线和其他线路。针对电阻的欧姆值不同，设计了500欧姆和1000欧姆两种情况的实验，500欧姆的实验结果如图10至图13所示。

1000欧姆的实验结果如图17至图18所示。

图13 内网母线500欧姆电阻接地

图14 内网线路500欧姆电阻接地

图15 外网母线500欧姆电阻接地

图16 外网线路500欧姆电阻接地

图17 内网线路1000欧姆电阻接地

图18 外网母线1000欧姆电阻接地

由图13至图18可以看出，电阻接地的情况下，在内网和外网故障下，零序电流的时间序列不同，可以看出，电阻接地时，接地相和大地之间形成稳定的较大阻值通路。因导体搭接接地，接地相和大地之间形成稳定的阻性通路，根据各个线路之间零序电流的时间序列排列比较，可以进一步推断出故障点所在线路。

总结

本文主要利用基于机器学习的时间序列分析方法对小电流接地故障诊断进行预测，提出了一种全新的处理接地故障的新思路，并针对弧光接地、金属接地、电阻接地（包括500欧姆和1000 欧姆）三种情况分别进行了实验设计，实验结果也表明了本文所提方法的有效性。同时，基于英特尔®边缘工业洞见软件平台中的时间敏感型数据注入与分析组件，充分利用已集成的TICK 四大开源程序完成数据收集、数据存储、数据处理、数据显示四大关键步骤，将该时间序列分析方法快速部署到边缘设备中，完成算法的落地与产品化。

实际应用表明本文所提的方法在保证100%判断准确性的基础上，将判断的速度从百毫秒级提高到了十毫秒级，大大提高了判断效率。该方法能够快速准确判别接地点故障是发生在公网还是光伏厂区内，以便合凯快速断路器主动干预接地相故障，在毫秒级的响应周期快速截断接地点放弧电流。该算法不仅预防了接地事故蔓延，增强了新能源项目安全水平，还能维持光伏电厂继续发电，提高了经济效益。■