謝正勇, 劉捷, 許勇, 湯遠紅, 許蕾

(國網(wǎng)安徽省電力有限公司 六安供電公司， 安徽 六安 237000)

0 引言

智能電網(wǎng)是將數(shù)字數(shù)據(jù)通信與傳統(tǒng)電力系統(tǒng)相結(jié)合，通過檢測供電側(cè)的狀態(tài)和終端側(cè)的用戶使用信息來調(diào)整配電的新型技術(shù)[1]。智能電網(wǎng)不同于傳統(tǒng)的單向輸電系統(tǒng)，其具有自檢、診斷、維護和雙向通信等功能[2]。通過對終端用戶用電信息的反饋，電源能夠?qū)崿F(xiàn)電力分配的負載均衡。智能電網(wǎng)主要可分為三部分：高級計量架構(gòu)(AMI)、自動抄表(AMR)和智能電表(SM)[3]。隨著云計算和智能電網(wǎng)的快速發(fā)展，為了滿足用戶的需求，智能家居控制系統(tǒng)通過家庭環(huán)境中的傳感器收集環(huán)境信息和用戶習慣，為用戶推斷控制服務(wù)[4]。由于使用的電氣設(shè)備種類太多，因此記錄每種類型的電氣設(shè)備、標簽、特征值等較為困難。文獻[5]對于大量傳感器數(shù)據(jù)，采用打包分區(qū)方法在計算處理器之間劃分輸入數(shù)據(jù)，以處理云服務(wù)器上的預處理。為了避免記錄所有信息，大部分系統(tǒng)都是通過智能電表采集電力數(shù)據(jù)，然后上傳到云服務(wù)器上進行電氣設(shè)備識別、狀態(tài)分析等計算應用。在電氣設(shè)備識別中，許多研究集中在針對復雜和多樣化的電力數(shù)據(jù)計算性能優(yōu)化或識別率上。文獻[6]采用了暫定性和預測性彈性選擇來提高數(shù)據(jù)壓縮的性能。

為了能夠使云系統(tǒng)具有最佳的分析效率，動態(tài)確定最適合的電力特征值類型和上傳頻率是智能電網(wǎng)數(shù)據(jù)處理的關(guān)鍵。本文提出了一種基于識別模型的交互式電力特征值傳輸方法，該方法可以動態(tài)調(diào)整上傳電力特征值以實現(xiàn)最小化，并結(jié)合電力特征值相關(guān)性分析模塊，實現(xiàn)傳輸電力數(shù)據(jù)與識別效率之間的最佳平衡。

1 基于智能電網(wǎng)通信的電氣設(shè)備識別

通過對存儲在云服務(wù)器上的電力數(shù)據(jù)進行分析，可以識別電氣設(shè)備的類型和狀態(tài)。當采集到的電力數(shù)據(jù)變得多樣化且爆炸性增長時，可以借助云服務(wù)器構(gòu)建智能電網(wǎng)中的電力大數(shù)據(jù)通信，如圖1所示。

圖1 智能電網(wǎng)中的電力大數(shù)據(jù)通信

目前，家用電器設(shè)備負載識別的研究都是通過截取交流信號的各種特征值來獲取識別電氣設(shè)備的數(shù)據(jù)樣本，特征值由模數(shù)轉(zhuǎn)換器(ADC)轉(zhuǎn)換成數(shù)字信號，并由微控制器進行計算和處理[7]。電氣設(shè)備負載識別裝置通常安裝在交流電源的入口處，并根據(jù)電氣設(shè)備電力特征數(shù)據(jù)庫中的數(shù)據(jù)進行匹配分析，從而獲得電氣設(shè)備類型和運行狀態(tài)信息，實現(xiàn)自動檢測并提供不同電氣設(shè)備狀態(tài)的電力信息。電氣設(shè)備負載識別場景，其特點是安裝成本低且設(shè)置簡單,如圖2所示。

圖2 電氣設(shè)備負載識別場景

2 交互式智能電網(wǎng)通信方法

本文所設(shè)計的交互式智能電網(wǎng)通信分為四個階段：電流波形采樣、電力特征值轉(zhuǎn)換、動態(tài)電力特征值間隔選取和電氣設(shè)備負載識別。當電氣設(shè)備接入智能電表后，電表會將其測量的原始電力數(shù)據(jù)上傳到物聯(lián)網(wǎng)(IoT)網(wǎng)關(guān)[8]。IoT網(wǎng)關(guān)將原始數(shù)據(jù)轉(zhuǎn)換成17個電力特征值，然后上傳到云服務(wù)器并與存儲的數(shù)據(jù)進行比較。云服務(wù)器將評估電子設(shè)備類別的潛在候選項，并從網(wǎng)關(guān)獲取該設(shè)備的有用電力特征值。網(wǎng)關(guān)和云服務(wù)器之間的交互通信重復進行直到存儲一定程度的設(shè)備識別率。

2.1 電流波形采樣

為了準確捕捉瞬態(tài)電流波形并避免不同的電源頻率，根據(jù)電壓提取波形，所提取的電流信息是單個交流正弦波的值。為了減少冗余數(shù)據(jù)而不損失精度，每秒產(chǎn)生一個波形，即64個采樣點以平均狀態(tài)表示。電流波形采樣點的示例，如圖3所示。

圖3 電流波形采樣示例

2.2 電力特征值轉(zhuǎn)換

根據(jù)電流波形的值，在IoT網(wǎng)關(guān)中計算出電力特征值轉(zhuǎn)換,如表1所示。

表1 電力特征值定義

注：無單位的為常數(shù)

表1中列出的17個電力特征值包括有功功率、無功功率和視在功率等，這些特征值通過轉(zhuǎn)換原始數(shù)據(jù)采樣方法中的每秒全部電流而產(chǎn)生。

2.3 動態(tài)電力特征值間隔選擇

在本文中，為了在10s內(nèi)傳輸幾個具有代表性的電力特征值，防止將所有電力特征值傳輸?shù)皆品?wù)器增加數(shù)據(jù)包的傳輸量，占用多余的存儲空間并增加計算復雜度。電氣設(shè)備識別和組合應用有兩種模式：(1)直接計算由智能電表測量的原始電力數(shù)據(jù)；(2)將電表測量的原始數(shù)據(jù)轉(zhuǎn)換為特征值并傳輸?shù)皆品?wù)器。為了解決網(wǎng)絡(luò)數(shù)據(jù)包傳輸量和冗余數(shù)據(jù)占用云服務(wù)器硬盤空間的問題，還需動態(tài)調(diào)整傳輸量。當負載趨于穩(wěn)態(tài)時，產(chǎn)生的電力波形呈現(xiàn)規(guī)律性變化。因此，本研究提出一種基于Z變換歐氏距離的動態(tài)電力特征值間隔選取算法。

本文采用Z變換歐氏距離對歐幾里德空間中兩個有限數(shù)據(jù)集的各維度值進行標準化。Z變換歐氏距離定義了兩個維度，即視在功率和電流。在第T秒時，視在功率的原始功率波形集合定義為XT={x1,…,x64}，電流的原始電流波形集合定義為YT={y1,…,y64}，然后對兩個集合中的點進行Z變換，各維度的平均值和標準差分別為μ和σ。當對集合XT和YT中的所有元素進行Z變換后再進行歐氏距離計算。

2.4 電氣設(shè)備負載識別

負載識別分為兩個階段：(1) 采用學習階段的因子隱馬爾可夫模型(FHMM)對初始識別進行預測；(2) 將初始預測結(jié)果用于動態(tài)電力特征值間隔選取和負載識別。

2.4.1 FHMM的預測

隱馬爾可夫模型(HMM)采用連續(xù)觀測值進行操作，其概率結(jié)果由連續(xù)時間內(nèi)的內(nèi)部轉(zhuǎn)移概率和初始概率估計。本文以FHMM觀測值作為有功功率，使用Viterbi算法作為內(nèi)部預測。Viterbi算法是一種用于查找隱藏狀態(tài)序列的動態(tài)規(guī)劃算法，通過動態(tài)規(guī)劃來確定所有時間點上概率最大的狀態(tài)。然而，對于某個時間點，F(xiàn)HMM給每個狀態(tài)賦予一個概率值。為了順利引入，定義由k(k≥1)個子集組合成的集合H，其中由FHMM預測的每個多重組合概率值為P(Ci)，1≤i≤k。

2.4.2 有效電力特征值的選擇

電力特征值間隔選擇分為兩個部分：當前信息組合和電力特征值組合。如果將所有負載工況組合創(chuàng)建文件，則數(shù)據(jù)存儲空間隨負載數(shù)量呈指數(shù)增長，不僅延長了訓練時間，而且延長了負載識別時間。因此，本文設(shè)計了現(xiàn)行的信息組合機制。利用單個電氣設(shè)備狀態(tài)的主要電流記錄，將FHMM狀態(tài)波形的預測組合合并。為了快速獲得所有狀態(tài)組合的電力特征值并降低識別時間的復雜度，將組合波形作為電氣設(shè)備配置文件。在驗證負載波形組合后，引入動態(tài)電力特征值間隔選擇。在此階段，提出了用電力特征值評估評分法來預測FHMM的多負載組合。電力特征值組合分數(shù)(PECS)的基本目的是為多負載組合計算T個電力特征值的組合分數(shù)。電力特征值的組合分數(shù)處理，如圖4所示。

圖4 電力特征值的組合分數(shù)處理

如果通過FHMM預測負載組合，則先前的電力特征值標準化(PES)將所有內(nèi)部負載條件下的電力特征值,如式(1)。

(1)

當計算該電力特征值組合時，得到負載組合得分集(LCSS)，該集合表示組合Ci中電力特征值的總和,如式(2)。

LCSS(Ci)={PECS(f1),…,PECS(fT)}

(2)

對于動態(tài)電力特征值間隔選取，本文定義了集合,如式(3)。

F=Top(k%,Ci)

(3)

集合收集LCSS(Ci)中的最大(T×k%)電力特征值，集合的元素數(shù)量為(T×k%)個。

3 實驗評價

在實驗過程中，由智能電表以4ksps的采樣頻率對電力波形進行采樣，然后獲取平均波形，在此波形中每秒產(chǎn)生一個波形及其電力特征值。在上述過程中，完成所有負載的單態(tài)波形提取、電力特征值轉(zhuǎn)換和標準化，并建立FHMM及其高斯混合模型。

3.1 電力特征值的轉(zhuǎn)換和標準化

在電力特征值轉(zhuǎn)換中，利用CS5463電力計量芯片計算有功功率、無功功率、原始電流波形、原始電壓波形、功率因數(shù)等電能信息。選取17個電力特征值進行電氣設(shè)備負載識別。對17個特征值進行了歸一化處理。根據(jù)具體負載對17個電力特征值進行排序，值越大表示等級越高，即能更好地表示該電氣設(shè)備的電力特征值。為了檢驗動態(tài)電力特征值間隔選取與負載識別的關(guān)系，還需對負載工況組合進行分析。為了模擬負載的同時開啟/關(guān)閉，可使用多孔延長線進行輔助，從而可以同時打開多個電氣設(shè)備。在本文中，識別時間約為1h，由于識別次數(shù)是通過電力特征值轉(zhuǎn)換間隔算法計算，因此每次識別的負載工況組合的識別量可能不同。

3.2 隨機電氣設(shè)備識別

電氣設(shè)備負載識別使用FHMM預測來動態(tài)選取電力特征值間隔。本文分別選取前25%、50%和75%三種情況的電力特征值進行討論，并進行了負載識別分析。隨機單個負載下的電力特征值轉(zhuǎn)換數(shù)量和FHMM第一階段的預測識別結(jié)果,如表2和表3所示。

表2 隨機單個負載下的電力特征值轉(zhuǎn)換數(shù)量

由于本文選取17個電力特征值，因此，前25%為4種(17×25%)，50%為8種(17×50%)，75%為12種(17×75%)。此外，在動態(tài)電力特征值間隔選取時，本文定義了LCSS集和Top集，其中Top集使用指定的百分比作為參數(shù)，并將LCSS集中前幾個得分較高的電力特征值反饋給后續(xù)識別。在表2和表3中，在隨機單個負載的情況下，選擇前75%的電力特征值具有最大的識別率。

表3 隨機單個負載下FHMM第一階段的預測識別結(jié)果

4 總結(jié)

本文提出了一種面向大數(shù)據(jù)流量的交互式智能電網(wǎng)通信方法，包括電流波形采樣、電力特征值轉(zhuǎn)換、動態(tài)電力特征值間隔選取和電氣設(shè)備負載識別四個階段，利用動態(tài)電力特征值間隔算法的智能儀表測量原始電力數(shù)據(jù)并且進行動態(tài)電力特征值的識別。電力數(shù)據(jù)通過智能電表傳輸?shù)皆品?wù)器，可以調(diào)節(jié)各種電氣設(shè)備的電力特征值以節(jié)省帶寬，還可以通過云中心監(jiān)控設(shè)備的使用狀態(tài)。將動態(tài)電力特征值傳輸?shù)皆浦行倪M行分析和預測，減輕了對智能電表計算能力的需求以及大數(shù)據(jù)傳輸導致的網(wǎng)絡(luò)帶寬沖突。有效降低智能電表與云計算中心之間的網(wǎng)絡(luò)帶寬消耗，從而為智能電網(wǎng)提供更好的服務(wù)。