楊莉萍，王海云，丁冬，于希娟，王立永，吳紅林

（1.國(guó)網(wǎng)北京市電力公司電力科學(xué)研究院，北京 100075；2.國(guó)網(wǎng)北京市電力公司，北京 100032）

電量信息采集設(shè)備將數(shù)字通信、計(jì)算機(jī)軟硬件等高科技技術(shù)通過無線傳輸完成用電數(shù)據(jù)的采集與處理，可實(shí)現(xiàn)對(duì)電力線路與設(shè)備現(xiàn)場(chǎng)用電情況的實(shí)時(shí)檢測(cè)，為電力企業(yè)管理提供技術(shù)支持的同時(shí)，還能適應(yīng)未來生產(chǎn)與經(jīng)營(yíng)管理發(fā)展需要。線損率為考核電力企業(yè)的關(guān)鍵經(jīng)濟(jì)指標(biāo)，也是表示電力系統(tǒng)設(shè)計(jì)、生產(chǎn)與運(yùn)營(yíng)情況的綜合性評(píng)價(jià)指標(biāo)。由于電力體制改革的不斷深化，降低線損率變得格外重要，它直接關(guān)系到企業(yè)經(jīng)濟(jì)效益與國(guó)家節(jié)能政策的落實(shí)。

為降低線損故障，相關(guān)領(lǐng)域也取得了研究成果。文獻(xiàn)[1]利用激光點(diǎn)云技術(shù)設(shè)計(jì)線損故障檢測(cè)系統(tǒng)。使用激光探測(cè)傳感器、信號(hào)放大器以及后臺(tái)監(jiān)控中心共同組成系統(tǒng)硬件模塊；軟件部分則利用主成分分析法獲取電力系統(tǒng)線損參數(shù)，通過激光探測(cè)傳感器采集點(diǎn)云特性，確定線損數(shù)據(jù)樣本，建立樣本特征矢量，計(jì)算判別函數(shù)，實(shí)現(xiàn)線損故障檢測(cè)；文獻(xiàn)[2]在BP神經(jīng)網(wǎng)絡(luò)基礎(chǔ)上研究一種降低線損故障的方法。將支路線損變化率與三相電壓、電流不平衡率當(dāng)作線損指標(biāo)，并對(duì)其進(jìn)行歸一化處理，完成線損故障檢測(cè)。但是兩種傳統(tǒng)方法均忽略了對(duì)輸電任務(wù)的分層處理，導(dǎo)致線損故障的檢測(cè)結(jié)果不夠準(zhǔn)確。

為解決傳統(tǒng)方法存在的問題，本文構(gòu)建電量信息采集設(shè)備線損故障自動(dòng)檢測(cè)系統(tǒng)。首先明確某時(shí)間段內(nèi)用戶類型，利用指定技術(shù)將用戶劃分到某類型中，再結(jié)合故障檢測(cè)系統(tǒng)需求與特征，利用該算法完成線損故障自動(dòng)檢測(cè)。仿真實(shí)驗(yàn)結(jié)果驗(yàn)證了本文研究成果不僅能夠提高故障檢出率，還能準(zhǔn)確劃分故障類型。

1 電量信息采集設(shè)備線損故障自動(dòng)檢測(cè)

1.1 電量信息采集系統(tǒng)

電量信息采集系統(tǒng)主要結(jié)構(gòu)包括系統(tǒng)主站、通信信道與采集終端三部分，其結(jié)構(gòu)示意圖如圖1所示。

圖1 電量信息采集系統(tǒng)結(jié)構(gòu)示意圖Fig.1 Structure diagram of electric quantity information acquisition system

由圖1可知，電量信息采集系統(tǒng)結(jié)構(gòu)中主站系統(tǒng)主要負(fù)責(zé)數(shù)據(jù)采集、管理等任務(wù)[3-4]；通信信道可實(shí)現(xiàn)主站和采集終端之間的數(shù)據(jù)傳輸；采集終端是安置在現(xiàn)場(chǎng)的計(jì)量工具，負(fù)責(zé)提供整體系統(tǒng)的初始用電情況。

1.2 線損檢測(cè)系統(tǒng)設(shè)計(jì)

1.2.1 系統(tǒng)整體架構(gòu)

線損故障檢測(cè)系統(tǒng)包括主站、通信通道[5]以及現(xiàn)場(chǎng)終端，整體結(jié)構(gòu)如圖2所示。

圖2 系統(tǒng)整體結(jié)構(gòu)圖Fig.2 Overall structure of the system

由于檢測(cè)目標(biāo)的不一致性，因此系統(tǒng)各模塊功能也具有差異，主站系統(tǒng)通過分布式結(jié)構(gòu)對(duì)數(shù)據(jù)統(tǒng)一管理，各模塊之間相互獨(dú)立[5-7]。根據(jù)系統(tǒng)整體結(jié)構(gòu)對(duì)硬件與軟件功能進(jìn)行詳細(xì)設(shè)計(jì)。

1.2.2 系統(tǒng)硬件設(shè)計(jì)

系統(tǒng)硬件結(jié)構(gòu)如圖3所示。

圖3 系統(tǒng)硬件示意圖Fig.3 Schematic of the system hardware

通過C/S分布式處理器為客戶機(jī)、中間層以及后臺(tái)提供服務(wù)[8-9]，其結(jié)構(gòu)示意圖如圖4所示。

圖4 C/S服務(wù)器結(jié)構(gòu)圖Fig.4 Schematic of the C/S server structure

客戶終端客戶端以32位單片機(jī)為設(shè)計(jì)中心，通過嵌入式形式[10]確保檢測(cè)可靠性，采用模塊組合形式，結(jié)合不同用戶需求配置終端系統(tǒng)，其分布情況如圖5所示。

圖5 終端模塊分布Fig.5 Terminal module distribution

1.2.3 系統(tǒng)軟件設(shè)計(jì)

結(jié)合硬件模塊結(jié)構(gòu)，軟件系統(tǒng)可分為儲(chǔ)存層、處理層與表示層[11-12]。儲(chǔ)存層主要任務(wù)為向網(wǎng)絡(luò)用戶提供圖形頁面，處理層主要任務(wù)為服務(wù)器應(yīng)用；表示層主要任務(wù)為提供數(shù)據(jù)庫服務(wù)器。

線損故障檢測(cè)系統(tǒng)程序設(shè)計(jì)能夠?qū)崿F(xiàn)系統(tǒng)終端參數(shù)維護(hù)，同時(shí)對(duì)線損數(shù)據(jù)檢測(cè)，用戶利用瀏覽器檢測(cè)各線路線損數(shù)據(jù)，生成報(bào)表。

1.3 負(fù)荷模式線損故障檢測(cè)方法

對(duì)于線損故障的檢測(cè)實(shí)際上就是對(duì)用戶用電數(shù)據(jù)異常的檢測(cè)，本文利用負(fù)荷模式檢測(cè)法，經(jīng)過數(shù)據(jù)處理、模式提取與模式匹配完成線損故障檢測(cè)。

1.3.1 電量信息預(yù)處理

1）數(shù)據(jù)收集

使用上文設(shè)計(jì)的檢測(cè)系統(tǒng)采集用戶負(fù)荷信息，由于用戶用電情況隨季節(jié)變化較大，因此本文的數(shù)據(jù)采集方式為按月收集方式（每月按30 d計(jì)算）[13]。系統(tǒng)每間隔20 min進(jìn)行一次負(fù)荷測(cè)量，需采集相同區(qū)域相似用戶的正常用電數(shù)據(jù)、歷史數(shù)據(jù)以及當(dāng)月負(fù)荷數(shù)據(jù)[14-15]。具體包含去年此區(qū)域N個(gè)正常用戶該月用電負(fù)荷信息：

式中：xi,j為第i個(gè)類似用戶第j天的負(fù)荷數(shù)據(jù)。則去年和前年的用戶本月正常負(fù)荷情況表示為

式中：yk,j為過去第k年此月第j天的負(fù)荷信息。

用戶當(dāng)月負(fù)載信息表示為

式中：Zj為此月第j天負(fù)載數(shù)據(jù)，全部負(fù)載信息構(gòu)成一條負(fù)載曲線。

2）數(shù)據(jù)歸一化

通常情況下，相同區(qū)域中相似用戶用電負(fù)荷之間具有相似度較高的特征，用戶負(fù)荷變化情況趨于一致，用電高峰與低谷的時(shí)間也大致相同。但由于用電絕對(duì)負(fù)荷以及電器設(shè)備種類不同，導(dǎo)致用電量存在一定差異。因此，對(duì)同一區(qū)域用戶負(fù)荷情況需強(qiáng)調(diào)變化趨勢(shì)，而針對(duì)用戶歷史負(fù)荷需重點(diǎn)關(guān)注絕對(duì)值。所以需利用不同方式對(duì)數(shù)據(jù)做預(yù)處理，即對(duì)相同用戶負(fù)荷數(shù)據(jù)做歸一化處理，而對(duì)歷史負(fù)荷數(shù)據(jù)不做任何處理。對(duì)式（1）中的數(shù)據(jù)進(jìn)行歸一化處理[16]的表達(dá)式如下：

式中：t為月數(shù)。

1.3.2 基于果蠅算法的判斷函數(shù)

果蠅算法屬于一種模仿果蠅尋食行為的智能搜索算法。結(jié)合果蠅尋食過程中對(duì)嗅覺與視覺的利用，設(shè)置搜索操作，經(jīng)過不斷迭代實(shí)現(xiàn)對(duì)果蠅群體中心位置的優(yōu)化，進(jìn)而得到近似最佳解。

基于果蠅算法整體流程如下：

Cooper wrote the famous The Last of the Mohicans in his hometown,which is near the American Indian reservation,to describe the lives of the Native American Indians.That’s why Cooper made Magua say“the tumbling river”and“healing spring”instead of the direct“waterfall”and“hot spring”.

步驟一：對(duì)于種群中心位置進(jìn)行初始化處理；

步驟二：嗅覺搜尋，在種群中心附近，隨機(jī)形成NP個(gè)鄰域解；

步驟三：評(píng)判個(gè)體，利用評(píng)價(jià)機(jī)制，獲取所有個(gè)體適應(yīng)度值；

步驟四：視覺搜尋，挑選最佳鄰域解，將其當(dāng)作最佳種群中心位置；

步驟五：判斷是否符合終止條件，如果符合則輸出最佳解，反之，回到步驟二重新開始。

任意一個(gè)果蠅均代表一個(gè)解，利用負(fù)荷矢量F=[f1,f2,...,f72]描述，矢量中每個(gè)元素均表示不同時(shí)間點(diǎn)的負(fù)荷情況。通過隨機(jī)方式對(duì)種群中的解進(jìn)行初始化處理，則根據(jù)下述方法進(jìn)行：

式中：a為隨機(jī)數(shù)。

式中：d為符合曲線總數(shù)；sg表示第g條曲線負(fù)荷情況。則本文構(gòu)建的味道判斷函數(shù)為

在上述嗅覺操作程序與評(píng)價(jià)機(jī)制基礎(chǔ)上，經(jīng)過不斷優(yōu)化迭代，獲得種群中最佳果蠅個(gè)體，其描述的負(fù)荷矢量就是果蠅算法提取出的模式。其迭代機(jī)制為判斷是否符合終止條件，如果符合則輸出最佳解，反之，回到步驟二重新開始[17]。利用該方法可以獲得包含歸一化的相同區(qū)域用戶的負(fù)荷模式曲線L[l1,l2,...,l72]，將其記為SLD；用戶過往負(fù)載模式曲線H=[h1,h2,...,h72]，記作HLD。

1.3.3 負(fù)載模式匹配

利用果蠅算法判斷函數(shù)獲取用戶負(fù)載模式后，利用時(shí)間序列方法對(duì)負(fù)載模式進(jìn)行匹配。負(fù)載模式注重用戶和SLD的變化趨勢(shì)以及HLD的絕對(duì)值匹配。因此分別利用相關(guān)系數(shù)與相對(duì)距離指標(biāo)實(shí)現(xiàn)時(shí)間序列的模式匹配。

在進(jìn)行匹配前，需結(jié)合用戶此月真實(shí)負(fù)載情況，確定負(fù)載模式[18-19]。先將用戶該月負(fù)載zj做歸一化處理，獲得歸一化后的該月負(fù)載z′j，根據(jù)如下形式獲得線損模式曲線U=[u(1),u(2),...,u(72)]與歸一化之后的模式曲線U′=[u′(1),u′(2),...,u′(72)]，其中

因此，獲得用戶負(fù)載曲線和相似用戶負(fù)載曲線的匹配度m1表示為

經(jīng)過歸一化處理后的匹配度m2表示為

式中：h(t)為線損后的負(fù)載模式曲線。

1.3.4 線損故障檢測(cè)的實(shí)現(xiàn)

獲得用戶負(fù)載曲線和相似用戶負(fù)載曲線的匹配度m1，以及經(jīng)過歸一化處理后的匹配度m2后，結(jié)合線損后的負(fù)載模式曲線與歸一化處理模式曲線確定兩個(gè)匹配度的偏好程度ω1與ω2，通過加權(quán)獲得用電正常度η：

電力企業(yè)根據(jù)該值設(shè)定線損故障閾值，若用電正常度η高于預(yù)警值，則斷定線損正常，反之?dāng)喽ň€損故障，并結(jié)合用戶過往用電情況，判斷出故障類型。

2 實(shí)驗(yàn)分析

為驗(yàn)證本文檢測(cè)方法的應(yīng)用性能，選取某地區(qū)實(shí)際運(yùn)行的低壓配電網(wǎng)為實(shí)驗(yàn)環(huán)境，該配電網(wǎng)中節(jié)點(diǎn)總數(shù)量為80個(gè)，其中用戶節(jié)點(diǎn)為40個(gè)，均屬于單相用戶，三相供電線路共50段。供電線路長(zhǎng)度較短，輕載狀況比較顯著。該地區(qū)過去一年線損情況如下：電網(wǎng)整體線損率為40%，配電線損率為15%，低壓線損率為0.5%，單臺(tái)區(qū)域線損率為0.5%。

為驗(yàn)證本文構(gòu)建的檢測(cè)系統(tǒng)檢測(cè)線損的適應(yīng)能力，分別與文獻(xiàn)[1]提出的激光點(diǎn)云技術(shù)設(shè)計(jì)的線損故障檢測(cè)系統(tǒng)、文獻(xiàn)[2]基于BP神經(jīng)網(wǎng)絡(luò)的降低線損故障的方法進(jìn)行對(duì)比，不同方法適應(yīng)度對(duì)比如表1所示。

表1 不同方法適應(yīng)度對(duì)比表Tab.1 Comparison of different methods

結(jié)合上述參數(shù)，對(duì)比文獻(xiàn)[1]、文獻(xiàn)[2]及本文方法的適應(yīng)能力，實(shí)驗(yàn)對(duì)比結(jié)果如圖6所示。

設(shè)定完全滿足要求的適應(yīng)度為數(shù)值1，由圖6可知，本文方法與文獻(xiàn)[1]方法適應(yīng)度值都較高，但是本文方法在迭代次數(shù)為20后趨于平穩(wěn)，而文獻(xiàn)[1]方法在迭代次數(shù)為25后才呈現(xiàn)出平穩(wěn)狀態(tài)。這表明本文檢測(cè)方法具有較強(qiáng)適應(yīng)能力，局部收斂性能更強(qiáng)。為進(jìn)一步對(duì)比三種方法對(duì)線損故障檢測(cè)的全面性，對(duì)檢出率進(jìn)行測(cè)試，測(cè)試結(jié)果如圖7所示。

圖7 不同方法故障檢出率對(duì)比圖Fig.7 Comparison of fault detection rate with different methods

由圖7可知，隨著信息采集設(shè)備運(yùn)行時(shí)間的推移，系統(tǒng)采集到的信息量不斷增多，因此三種方法檢出率均有所下降，但本文方法的檢出率始終處于較高水平。這是因?yàn)楸疚臉?gòu)建的檢測(cè)系統(tǒng)信息處理能力更強(qiáng)，可有效處理海量采集信息。對(duì)于線損故障檢測(cè)而言，不僅要全面檢測(cè)出故障發(fā)生概率，還要準(zhǔn)確判斷故障類型，不同方法對(duì)故障類型的判斷能力如表2所示。

表2 不同方法故障類型判斷能力對(duì)比表Tab.2 Comparisonoffaulttypejudgmentabilitywithdifferentmethods

通過表2可以看出，本文方法對(duì)于饋線數(shù)據(jù)丟失的故障類型可以完全判斷正確，對(duì)于其他故障判斷準(zhǔn)確率也高達(dá)95%以上。主要因?yàn)楣壦惴軌蛴行Й@取不同故障類型特征，提高判斷精準(zhǔn)度。

3 結(jié)論

隨著電量信息采集技術(shù)的不斷發(fā)展，在線損故障檢測(cè)中引入智能化管理方式，為線損管理帶來新的機(jī)遇。本文利用模式匹配方法將線損故障檢測(cè)轉(zhuǎn)換為用戶異常用電分析問題，設(shè)定預(yù)警閾值，若高于閾值則表示存在線損故障。仿真實(shí)驗(yàn)證明，本文方法不但可以全面檢測(cè)出故障問題，還能對(duì)故障進(jìn)行準(zhǔn)確分類。在上述研究基礎(chǔ)上要進(jìn)一步制定降損方案，達(dá)到提高能源利用效率，構(gòu)建綠色電網(wǎng)的目的。