基于支持向量机的多回路关口电能表在线监测方法研究

陈龙瑾,邢菁,吴达雷,戚斌,陈育培

(海南电网有限责任公司电能计量中心,海口 570100)

0 引 言

电能计量作为电力系统核心技术之一,其技术的优劣衡量着供电企业的管理水平,并将直接影响企业的经济效益;电能表作为电能计量的重要单元,其可靠性运行对供电企业和电力用户都存在重要意义,因此,通过科学有效的技术和管理手段保证其正常稳定运行是十分必要的[1]。

传统电能表在运行周期内采用到货抽检、出库全检、定时巡检、周期校验及抽检的方式来保证电能表的可靠性运行和准确计量,但其存在监测时差性,评估维度较少等缺点;同时,因不具备对电能表进行实时动态性能追踪及周期性评价的功能,故障隐患将不能够及时排除,最终带来计量异常甚至用户安全隐患。

随着智能电网的兴起及发展,国家电网公司于2009年发布了智能电能表制造、检验、运行等系列标准;至此,智能电能表得到了广泛的推广及应用。当前,智能电能表已具备了计量、实时监控、自动控制及数据处理等功能,在一定程度上规避了传统电能表带来的用电风险。但是,现今智能电能表依旧不具备在线监测功能,只能依据简单的参数计算进行逻辑控制[2-3];考虑到电网整体需要面对峰谷用电管理、用电负荷预测及调度、危险及复杂工况的追踪及排查,因此,对电能表进行实时在线监测分析将十分重要[4]。

近年来,对电能表的在线监测有了大范围的研究。文献[5-6]中采用决策树算法,主要利用计量装置历史运行数据作为特征,实现对计量装置进行状态评估。文献[7-8]以用户历史用电数据作为样本数据,采用数据挖掘手段对收集的样本数据进行特征提取,建立了用电异常识别模型,从而实现用电异常诊断。文献[9-12]分析了现有技术手段下,电能计量装置维护、管理中存在的一些问题,以及电能计量装置在线监测系统的研究现状,进一步介绍了计量装置在线监测系统设计的总体结构。文献[13-14]建了一种基于负控终端的电子式电能表远程在线检测系统。提出了对电子式电能表在特定负荷下实施在线检测的机制。所搭建系统可检测出电子式电能表的电能计量性能是否处于正常范围。

但经研究发现,监测系统均缺乏统一的通信标准以及系统架构,采用的样本数据均来自于用户历史数据,数据准确性不高,同时,受制于监测环境的复杂性、监测设备的广泛性、通信标准及故障特征的多样性,致使电能表的在线监测一直不能进行大范围的有效推广。

综上,文中首先搭建了以多回路关口电能表、采集器、集中器、配变监测计量终端等电能计量自动化设备整体智能检测平台;以综合评价、现场工况智能分析为目标,模拟搭建了多个电能表异常工况模型,提出了一种基于支持向量机算法(SVM)的多回路关口电能表在线监测方法。通过对电能表数据的采集与处理,利用数据挖掘技术,实现电能表运行工况的分析和诊断,确定电能表是否处于正常运行状态。

1 多回路关口电能表故障模型的搭建

现实中,电能表发生异常时所产生的特征信号经常会被多种电磁波信号所干扰,这将直接影响收集数据的质量,同时,电能表故障种类较难收集完全且在复杂工况下数据采集极为困难;这些因素将致使数据分析难度增加并间接影响着监测系统的准确性。为了保证采集数据的高质量,同时,验证监测系统的有效性,搭建典型的电能表故障模型将十分必要。

文中利用某公司的809CJ系列装置三相电能测试柜的功能,通过调整输出三相电流、电压信号到该模型中,建立并模拟和电能表连接形成主要的计量二次回路,搭建形成基本的硬件测试和分析模型。

基于此,针对电能表运行过程中各种不同的异常状况,文中进一步将三相试验电压设定固定值的条件下,通过调整三相电流相序的不同接入方式,实现对电能表电流回路的故障模拟。因电流相序的变化对电能表计量有功功率的影响变化最为明显,通过对其进行一定范围的异常模拟,能更多的为之后的小波包能量谱特征分析提供数据支持。试验条件如表1所示。其中,三相试验电压均设为57.7 V,三相试验电流均设为1 A,样本个数均为6,包括训练样本和试验样本,对应的训练样本数据均为5个。根据工作经验分析得到,采用每个训练样本包含2 min的有功功率信息为最佳,当样本训练时间超过2 min时将加大模型的复杂度,且过长的数据亦有可能导致模型陷入凸优化,失去模式识别性能。

表1 电能表故障缺陷模型试验条件

试验中,电流反向的模拟通过调整电流通道输入输出接线,使电流输入信号接入该系统电流输出端,将该系统电流输入端接809CJ装置三相电能测试柜的输出端中进行实现。电流相序错误的模拟通过调整三相电能测试柜A、B、C相的不同接法,如电流ACB:使C相与B相电流互换、电流BAC:使A相与B相电流互换以及电流BCA:三相电流互换来实现。

基于上述试验条件进行,得到的6类电能表故障缺陷模型三相有功功率时域图,如图1所示。

图1 电能表故障缺陷模型三相有功功率时域图(部分)

其中,Pa0、Pb0、Pc0为正常运行状态下的三相有功功率时域分布;Pa、Pb、Pc为故障缺陷模型下的三相有功功率时域分布,不同故障缺陷对应的三相有功功率时域信号相差较大,为基于SVM的模式识别提供了基础。

2 基于SVM的电能表故障模型的模式识别

文中构建了基于SVM算法的多分类SVM模型,将提取的特征参数归一化后转化为特征向量输入给SVM模型进行参数化训练,最终实现电能表实时状态在线监测的功能。

经试验及研究发现,样本数据特征提取是影响SVM性能优劣的重要因素[13]:特征提取不理想,SVM的训练参数必定达不到一个理想的状态。因此,故障模型样本数据的特征提取将对状态监测性能产生十分重要的影响。

2.1 基于小波包能量谱的故障模型特征参数提取

经上文分析可知,在测试过程中,不同的电能表故障缺陷会产生不同特征的三相有功功率时域图谱,为更好的表征不同电能表故障缺陷有功功率的差异性,需对其进行特征参数的提取;考虑到样本数据即三相有功功率时域信号表征为频率高、奇异值多且向量维度高的特点,同时,考虑到系统噪声的影响,采用常用的小波分析及傅立叶分析将不能很好的反应电能表故障缺陷时域信号特征;基于此,通过参考大量的文献并结合工程实践的可行性,文中采用基于时频分析的小波包分析法对时域信号进行特征提取。

小波包分析的特征之一就是对时频信号进行多尺度、多分辨率分析其具备多尺度分解和多分辨的优点[15]。而能量分析是实现信号多频段拆解的重要手段,小波包能量谱可反应电能表各种故障缺陷有功功率信号中各个频带中状态信号的能量大小,因此文中选取小波包能量谱作为多关口电能表故障缺陷有功功率信号的特征向量。

如图2所示,为3层小波包分解树结构图,分解关系为:

图2 3层小波包分解树结构图

S=AAA3+DAA3+ADA3+DDA3+AAD3+DAD3+ADD3+DDD3

(1)

式中,A为低频部分;D为高频部分;末尾的序号为小波包分解的层数(即尺度数),为3层。

(2)

现对经高速示波器所采集到的一组多关口电能表A相电流反相故障缺陷三相有功功率时域信号进行小波包分解,提取小波包能量谱特征参数[16-18],详细步骤如图3所示。

图3 小波包能量谱特征提取步骤

根据奈奎斯特采样定律通过50 kHz/s采样速率为对电流反相故障缺陷时的三相有功功率时域信号经小波包三层分解,得出对应不同子频带的小波包分解系数,得到的8个子频带如表2所示。

表2 50 kHz采样信号小波包三层分解后子频带

可得特征向量x可以表示为:

x=(x1,x2,x3,…,x80)

(3)

对每个频带归一化后的能量谱值如表3所示(部分),即可表示出A相电流反相故障缺陷时的特征向量。从而可得SVM输入层具有5×8=40个输入量(5为缺陷模型对应的样本数量)。进一步的对所得40个输入特征量进行归一化处理后,即可用于下一步的模型识别。

表3 电能表故障缺陷电流信号特征向量(部分)

2.2 基于SVM的电能表故障缺陷模型模式识别

支持向量机(Support Vector Machines, SVM)是与相关的学习算法有关的监督学习模型,可以分析数据,识别模式,用于分类和回归分析[19]。给定一组训练样本,每个标记属于两类,一个SVM训练算法建立了一个模型,分配新的实例为一类或其他类,使其成为非概率二元线性分类。

经研究发现,除了进行二元线性分类,SVM可以使用所谓的核技巧,它们的输入隐含映射成高维特征空间中有效地进行非线性多分类[19]。这将非常适用于文中所涉及的电能表多类故障缺陷模式识别。

基于此,文中建立了基于SVM的电能表故障缺陷模式识别模型流程图,如图4所示。

图4 基于SVM电能表故障缺陷模式识别模型流程图

针对图4所示,具体可描述为:通过模型的输入量、输出量的控制,结合模型内部的数据处理和分析,实现对缺陷模型的训练和检验,确认模型有效性。

故障模型的输入量即为经小波包能量铺分析归一化后得到的6类故障缺陷的40个特征向量。模型的输出量为O可以表示为:

(4)

式中O1为正常状态;O2…O7分别为电能表的故障缺陷,具体故障缺陷如表3所示。

文中采用Matlab2019b实现SVM的电能表故障缺陷模式识别[19],同时,文中将训练样本数和试验样本数进行5:1分配,模型的核函数采用在模式识别领域较为卓越的RBF核函数,RBF核函数中核宽函数g和惩罚系数c对模式识别性能有较大的影响[20-24],文中在Matlab2019b中采用cross validation的方法得到bestc=0.5,bestg=1,bestacc=98.876 4%;接近98%的准确率证明了该模型的有效性。

文中通过LabVIEW2012b结合Matlab2019b混合开发上位机在线监测系统。

3 监测系统的有效性验证

3.1 监测系统的搭建

为验证SVM的电能表故障缺陷模型识别的有效性。文中通过搭建多回路关口电能表在线监测系统设计如图5所示。系统分别开发有采集单元、通信单元、数据处理单元及上位机显示单元,采集电能表三相电压及三相电流数据,通过计算得到三相有功功率时域信号作为输入进行数据分析;在采集单元中分别通过三相的模拟量采样方案,用分压电阻和信号放大器分别对A、B、C三相电压进行采集,用电流互感器和信号放大器分别对A、B、C三相电流进行采集;内部8通道的转换电路用于实现对不同相别的模拟量进行转换并提供给数据处理单元;为更好的控制三相电压、三相电流的精度和准确的相位,采用过零比较电路实现;系统内部各模块和电路之间采用RS485通信,提供统一切换控制,并通过485线缆传输采样相应电压、电流等数据[25]。上位机模块采用LabVIEW2017b结合MATLAB2019b的混合编程技术,通过LabVIEW开发系统显示、分析、存储功能,并将基于Matlab开发的模式识别模型生成m文件内置于LabVIEW中作为监测系统的决策机构,最终将开发完成生成的exe文件安装于PC机中作为上位机监测系统。

图5 多回路关口电能表在线监测系统框图

3.2 试验环境的搭建

综上研究,文中基于SVM的多回路电能表在线监测系统搭建和试验环境如图6所示。电能表的6类故障缺陷模型由809CJ系列装置的电能测试柜模拟实现的,使用该系统分段存储技术采集各模型的三相电流、电压等瞬时量信号,并通过RS485通信将采集到的数据上传至上位机进行模式识别,识别结果将在上位机监测系统的显示界面进行明显的错误类别提示。

图6 电能表故障缺陷在线试验环境

3.3 试验与结果输出

根据表1的实验条件和对应介绍的模拟接线方法,分别进行6类电能表故障缺陷的模拟试验并通过误差识别模型在监测系统中识别,识别结果如图7～图12所示。其中图7～图9通过单相电流的反向接线模拟试验,在该系统中实时展示电压、电流信号和向量关系,并准确识别并输出了单相反向异常告警信息。图10～图12通过电流相序的变换接线模拟试验,均能在该系统中准确识别并输出告警信息。结果验证了基于支持向量机的多回路关口电能表在线监测技术能准确识别故障类型可靠准确。

图7 A相电流反向模式识别

图8 B相电流反向模式识别

图9 C相电流反向模式识别

图10 电流相序错误ACB模式识别

图12 电流相序错误BCA模式

3.4 应用效果

结合上述试验输出结果,进一步的通过增加样本试验数量,缺陷样本为30个,正常样本为30个。通过工作人员根据肉眼观察数据分析的方式进行样本识别并记录分析结果,同一时刻该系统在相同试验条件下,通过SVM算法识别并输出结果。人工识别与基于SVM算法的在线监测系统之间的识别率如表4所示。

表4 识别率对比

数据显示SVM算法识别率高于人工识别方式,能在实际应用中提升故障识别准确性。论证了基于SVM的监测方法能实时、准确的识别故障类型,是可行且有效的。

4 结束语

文中通过对多回路关口电能表电流故障的多种缺陷模型的搭建,收集了电能表多种故障缺陷模型的电压及电流数据,通过采样计算得到三相有功功率时域信号,对其进行小波包能量谱分析并归一化操作后得到了各模型的特征向量;同时,文中基于SVM搭建了电能表故障缺陷模式识别模型,定义了模型的输入及输出;基于以上研究,对监测系统的总体架构及其主要功能模块进行了研究设计,确定了采用LabVIEW和MATLAB软件平台混合开发上位机系统。最后,对监测系统进行了验证,基于SVM的多回路关口电能表在线监测系统有着较为准确的诊断性能,可提高运行中电能表的故障判别和性能诊断,并具备着较好的应用前景。