大数据的电力计量装置故障智能化诊断技术探究

马 涛

（国网山西省电力公司泽州县供电公司）

0 引言

从电力企业层面分析，电力计量工作发挥着重要作用，不但会影响企业整体经济效益，同时还会影响电力用户切身利益，特别是在电力计量设备出现问题故障条件下，如果技术人员未能立即处理便会导致电力资源大量流失，为此需要加强电力计量装置故障智能化检测技术研究，确保计量装置故障问题得以准确、快速检测，提升电力企业服务质量。

1 电力计量装置常见故障和检测方法分析

电力计量装置中经常会遇到窃电、干扰和装置等方面问题。窃电作为一种常见故障形式，主要由人为因素导致，部分人员为窃电会恶意损坏计量装置和电网构件，从而影响装置正常运行，导致装置出现少测或停止测量等问题，严重情况下会破坏整个电网运行。干扰影响是指电网运行中的各种干扰因素，比如电网谐波容易使设备负荷频率出现突增问题，从而产生计量误差，严重情况下还会导致负计量。装置方面问题即设备自身不足导致监测数据异常，比如出现回路异常、显示故障和读数不符合实际等问题。

在电力计量装置出现故障后需要采取有效检测方法，通常涵盖以下几种，第一是检测电流，包括检查断路器、基变量、设备状态、三相不平衡电流等内容，判断设备能否自动恢复检查。第二是检测电压，该环节需要对电网结构、断路器状态进行检测，结合功率因数变化判断是否出现异常和设备改动问题。第三是功率因数检测，主要以数据幅值和数据大小为主，一旦发现相关数据不稳，需要及时采取有效处理技术，缓解功率因数问题。

2 大数据下电力计量装置故障的智能化诊断

2.1 创建智能诊断知识库

针对电力计量装置创建智能诊断知识库过程中，除了需要其拥有装置运行数据存储管理功能，同时还应该赋予其查询、修整和删除等功能。并向诊断知识库内及时存储各类监测、诊断数据，整个知识库内需要记录大量故障数据，还需要随装置运行发展不断更新相关数据，便于对装置故障进行准确诊断。

电力计量装置相关智能诊断知识库具体涵盖两部分，分别是专家知识库和异常特征数据库，其中不同部分都拥有其各自独立管理机制。异常特征模块对应管理机制可以分为三部分，即修改、删除以及创建等模块，而专家知识库中也分为三种模块，分别是数据导入、传输和变更调整模块。电力计量装置对应智能故障诊断知识库需要针对不同界面实施统一管理，主要基于WEB实施协调管理，知识库初步采集、存储基础数据后，需要进一步和异常特征、专家知识库等进行综合对比分析，进行科学分类。

不同故障诊断过程中，需要智能化故障诊断知识库合理构建异常特征数据库，并对电力计量装置实际运行中所遇到各类故障异常特征进行全面提取，基于基础特征创建故障模型。因为知识库内异常特征数据库无法全面记录所有异常数据，因此为进一步对异常故障特征进行快速、准确判断，需要做好定期维护、修改。通常情况下，电力计量装置对应智能分析知识库中会设置有海量异常特征信息库，为预防其占据大量空间，需要对其中某些与实际不符的异常信息库进行定期删除，确保整个智能诊断数据库保持充足空间。异常特征信息库内含有大量数据信息，相关数据更新工作十分复杂，此次主要以六种较为常见的异常字段状态信息创建异常种类表，见下表。

表 异常种类表

通过分析上表可以发现，异常种类表中细致记录了各种异常状况，基于上表能够对各种特征编码以及故障异常名字进行准确查询。解析得到异常种类后，继续研究装置异常信息。知识库内需要对各项专家规则进行详细记录，进行诊断中应该做好保存备份，基于条理性结构对在线信息实施准确记录，便于技术人员查询，改善错用、乱用等问题。各个专家规则需要形成独立逻辑，进行定期导出，做好维护更新，促进内部逻辑不断扩展。知识库内储存信息主要以逻辑规则为主，基于相关逻辑规则能够进一步解析异常特征编码与装置故障内在联系。创建基础知识库能够帮助准确诊断装置性能。

2.2 故障在线监测

基于HADOOP分布式系统针对电力计量装置做好实时监测。在具体监测过程中，首先需要对装置内部存储信息进行全面监测，内部存储信息也是整个装置运行的核心数据，会影响整个装置的稳定、安全运行，同时存在较大基数，一旦在存储数据中发现故障问题，便会影响整个电力计量装置的有序运行，为此需要注重存储数据监测。其次需要对数据访问形式进行合理监测，一般情况下计量装置相关数据信息主要利用流式数据访问，假如数据无法通过该种形式访问，便会导致问题发生。再次是对计量装置支持大文件计量与否进行监测，处于正常状态下，计量装置普遍能够支持数百GB或TB等大规模文件，并对其内部数据实施精准计量，假如无法计量大型文件，则存在较大故障几率。最后是监测数据再平衡情况，电力计量装置能够按照预先设置限值，将某监测数据点转移至另一数据点内，假如无法支持相关操作，代表装置出现故障问题［1］。

2.3 异常信息诊断

通常情况下，各种异常信息会引发故障问题，通过对异常信息数据进行诊断便可以判断装置故障，针对监测数据和数据库信息进行对比分析，辨别装置是否产生故障，假如确定故障问题，应该继续对故障分布位置进行判断，包括异常信息的数量、大小和种类。具体诊断方向分为三种形式，即是否属于计量异常信息、采集异常信息或用电设备异常数据。此次研究中主要以第一种计量异常信息诊断为主，计量装置具体故障异常可以从以下层面表现出来：系统电力回路问题、电压回路故障、时钟记录错误、电能表出现异常以及电池电压不足等问题，电能表故障具体表现为显示数值下降、飞走、停走等。电力计量装置一旦发生故障问题需要即刻上报。

前文创建的专家知识库内含有各种异常组合数据，全面、细致地记录了各类异常信息发生几率以及形成原因，为此可以借助知识库进行故障诊断。此次研究中主要围绕异常诊断下的故障原因进行分析。

将历史异常特征统计结果设置为M。

将历史异常原因统计结果设置为N。

基于M、N创建朴素贝叶斯网络，具体如图1所示。

图1 朴素贝叶斯网络

将内含异常特征的样本设置为Mi，则：

对应含有该类特征样本发生故障原因概率是P（Ni）。

式中，n表示历史数据中产生异常数据次数。

式中，P（Ni｜M1，M3，…，Mn）属于历史数据内特定特征样本记录对应异常信息发生故障的原因概率。将阈值设置成0.5，并针对所得概率结果和阈值进行对比分析。

如果所得结果如上述内容，则诊断结果为是此原因造成的故障问题。

如果最终显示为上述结果，则最终诊断结果是并非此原因造成的故障问题。结合上述计算活动辅助装置故障诊断。把电流故障融入整个诊断计算活动中，假如诊断电流故障发生几率超出0.5，则判断是电流故障影响，使计量装置产生运行故障，假如电流故障诊断发生几率小于0.5，在判断电流故障并非造成计量装置运行误差的主要因素［2］。

3 实验验证

进行实验主要目的是检测此次智能诊断方法的实际效果，并和传统诊断措施进行对比分析，获得最终结论。相关实验参数设置如下：此次诊断通信系统为无线WIFI通信系统；运行电压是500V；运行电流是500A；网络通信协议为TCP／IP通信协议；SRAM容量为192KB；传输网络主要是以太网；定时器设置16个；时钟频率设置为168MHz；线性度为0.01%；串口接口数量设置为6个；电流变比是1mA：1mA；采样电路是A／D电路；数据库设置为ORACLE数据库；诊断时间是1h；工作频率是1200Hz；诊断速度为150Mbps。

基于上述参数开展实验分析，利用此次研究中的诊断技术和传统诊断模式进行对比分析，对相同电力计量装置展开同步诊断分析故障问题，设此装置对应电能表、电压回路以及时钟序列各拥有六处缺陷故障，并对具体诊断结果准确率和诊断效率进行全面记录，最终所得实验结果如图2所示。

图2 诊断效率检测结果

通过分析图2可以发现，在诊断过程中，随时间增加，两种方法所检测故障数量相继扩大，但基于大数据的故障诊断技术能力要超出传统技术诊断能力。传统诊断模式下过度依赖人工经验，无法准确辨别某些小型或新型故障。但利用智能故障诊断技术能够对实际故障数量进行精准判断。其中差距最为突出的以时钟序列故障诊断为主，在诊断30min后，智能诊断技术初步得到准确的故障数量，但传统方法却无法侦测出来。通过分析电压电流波形可以发现智能诊断方法下，所检测有功功率误差最大值是0.028%，但传统检测误差最大为1.251%，由此判断智能诊断方法拥有更好的准确度［3］。

4 结束语

综上所述，传统模式下的人工检测电力计量装置故障存在诸多缺陷不足，而利用大数据技术实施智能故障检测，能够进一步提升检测结果准确性，优化检测效率，提高检测过程智能化水平，降低故障几率。为此需要加强相关技术研究，合理构建诊断知识库，对装置运行状态实施全面监测，及时采集各种异常信息，做好故障预警，辅助故障快速处理，保障计量装置的平稳运行。