电气设备状态监测方法研究

赵海东

（济宁市兖州区地方建材服务中心，济宁 272100）

为了更好地采取预防措施，避免发生安全事故，需要通过应用状态监测技术，及时掌握电气设备的运行状态。目前，已有较多学者开展关于状态监测技术的研究。艾精文等以输变电设备为研究对象，探讨了全景数据的输变电设备状态监测技术，通过搭建全方位全景信息模型监测输变电设备的运行状态[1]。郭西惠等以液压设备为研究对象，搭建了以工控机虚拟仪器平台为基础的状态监测模型[2]。由于网络传输路径的差异性，往往难以提前预知即将发生的问题。此外，分布式监测系统各节点在解析状态数据包时所需的时间不同，因此当状态数据流传输到数据流解析部分时，必定会出现实际发送次序与数据接收次序不同的问题，即时序混乱现象[3]。文章提出一种以数据流检测技术为基础的电气设备状态检测方法，以期获取更加准确的电气设备状态监测结果。

1 设备状态监测预处理

1.1 数据流检测下状态数据分类处理

对任务A 进行解析，获取时序性要求Q、实时性要求T、时间容错率P及其时间参数ΔTd、ΔTf等相关参数，以及数据身份标识号码（Identity Document，ID）的集合S。在状态数据流ID∈S时，经一段时间运行后，窗口即可监测到数据的抵达频率f。对所接收数据的接收时刻与发送时刻差值频率进行拟合，构建数据传输解析的时延概率密度函数P(td)[4]。求得P(td)、T、P后，可得出滑窗缓冲时间ΔT。借助数据抵达频率计算窗口数据缓冲数量K，并根据获得的ΔTd、ΔTf和Q，计算数据的抵达时刻，得出相应的处理方法。

以K为分配依据，在系统总缓冲区为监测任务A分配滑动窗口，确保单独的滑动窗口与各任务相互对应[5]。若总缓冲区缺少可分配的闲置区域，则根据比例重新分配和调整其他窗口。在任务相应分配到各个窗口后，滑动窗口开始执行数据流缓存操作，并按照数据延时情况，划分成正常数据、失效数据和延时数据3 种数据，然后按照对应顺序将数据传输到上层解析部分或丢弃。

1.2 数据流时序混乱问题解决方法

时间乱序概率主要受到数据传输时间td和发送频率的影响。在实际监测过程中，为得到具体的时间乱序概率分布形式，可对各类长拖尾型概率分布函数进行拟合。

假定网络延时概率密度函数为P(td)(0＜td＜∞)，状态数据Di的发送频率为f2，在Di有时间乱序现象时，其传输至解析部门的时间将比Di-1早。假设tdi、tdi-1分别为数据Di和Di-1的传输时长，两者的关系为

tdi-1和tdi应满足P(td)的独立同分布形式[6]，为

状态数据流经窗口处理后实时性和容错率是否满足要求是确定滑动窗口规格大小的基本原则。任务实时性要求为

式中：E(td)为发送数据到接收数据的时间差期望。E(td)的计算公式为

时间乱序概率经过ΔT规格的滑动窗口缓冲后应在P以下。如果滑动窗口中的原子状态数据有K=ΔT×f的固定缓存数量，当滑动窗口接收到数据Dj时，将传输出最前面的数据Di。

若ΔT规格的滑窗在时间tc接收到数据Dj，结合临界条件，滑窗将于时间tc-ΔT接收任务数据Di。若数据Dj传输时长为tdj，数据Di传输时长为tdi，则tc和tc-ΔT应满足的关系为

式中：Tt为时间戳。

从发送时间来看，当Dj早于Di发送时，将导致Dj时间乱序，因此将Dj排列到滑窗前边，确保只有在解析部分接收到Di时才接收Dj，尽量避免出现时序错误。整理后可得tdj和tdi应满足P(td)的独立同分布，为

为满足容错率P的要求，ΔT下限应满足的要求为

因此，为确保监测时的时序性和容错率满足要求，滑窗规格ΔT应满足的要求为

如果式（11）在计算时无解，说明容错率和实时性不满足要求，此时需调整对应的参数，以确保其有解后，执行后续操作。

2 数据流下电气设备状态监测

当采用数据流检测技术监测设备状态时，对处理时间和内存空间有较高要求，因此需采取核密度估计方法进行处理[6]。已知一组数据{x1,x2,…,xn}，其中xn为电气设备任意状态参数信息，其核密度估计为

式中：K(·)为核函数；h为数据传输速率；n为核函数需求量；Xi为核函数中心点。密度函数在宽带增加时将逐渐平滑，且密度函数越小代表密度曲线与样本的拟合程度越高。

多数情况下，简单核与M核分别代表一个数据信息的核函数与多数据信息的核函数[7]。M核的核函数为

式中：ρ为权值。

如果核函数为满足正态分布的高斯核函数，则可以描述为

若任意数据流有1 s 区间和1 ms 时间步进，则可以得到每100 ms 流量数据信息的阶跃为100 kb·s-1，其数据流统计分布曲线如图1 所示。

图1 正态分布模拟数据流

将图1 中的数据流带入式（11），结果即核密度估计曲线。按照各数据流曲线变化情况，计算误差即可获取数据流流量。

拟合中心不同的2 个核函数即可建立非标准核函数，分析数据流密度。非标准核函数为

式中：Khi与Khj为附带权值不同的核函数；Xi与Xj均为核函数对应的中心点；Xm*为中心点位；(ρi+ρj)Kh*m(x-Xm*)为ρi+ρj权值的核函数。

借助拟合时的误差值ε即可判断设备状态。借助拟合核函数替代宽带、权值均不同的2 个中心点邻近的核函数总和时，计算公式为

当核函数是高斯函数时，核函数参数应满足如下要求，即

式中：σ1、σ2均为误差值；X1、X2为2 个中心点邻近核函数的中心点；ρ1、ρ2为2 个中心点邻近核函数的权值。

拟合后误差E的计算公式为

根据式（18）所得的误差值可以推算设备状态。若误差值满足要求，则说明设备处于正常状态，反之则说明设备处于非正常状态。

3 仿真案例分析

在某数据集中随机抽取数据流数据1 000 Mb，采用本文方法、文献[1]方法以及文献[2]方法监测某电气设备状态。根据所得数据流情况，判断试验结果。

3.1 仿真监测时域

各方法下的设备监测时域情况见图2。从图2 可以看出，借助数据流对设备状态做出判断时，本文方法的判断结果接近于真实状态，而文献[1]方法和文献[2]方法波动较大，且与真实状态差距较大。

图2 设备异常状态监测时域图

3.2 监测效果对比

设备状态监测结果如表1 所示。从表1 可以看出，本文方法在数据流数据类型划分上比文献[1]方法和文献[2]方法更准确，且异常数据监测量更多，监测率约96.70%，表明本文方法的有效性更高。

表1 设备状态监测结果对比表

4 结论

（1）从电气设备运行频率监测曲线可以看出，本文方法的监测结果接近于真实状态，即本文方法在电气设备状态监测结果上有较高的准确率。

（2）从设备状态监测结果看，本文方法可监测更多异常数据，监测率达96.70%，说明查全率较高，可有效监测设备异常状态。