葛群 葉通 王波 胡玉松 許立陽

摘 要：為解決目前我國海上平臺電氣安全管控過程中缺乏低壓交流系統(tǒng)中早期隱患預警能力的問題，研制了海上平臺低壓交流系統(tǒng)電氣安全監(jiān)測預警系統(tǒng)。該系統(tǒng)采用邊云協(xié)同架構(gòu)，在各級配電箱設置具有中早期隱患捕捉能力的邊緣計算型監(jiān)測終端，并在云端部署具有時序預測算法的隱患預警平臺。該系統(tǒng)針對復雜電磁環(huán)境、耐鹽性能和可靠性進行了加強設計，以適應海上平臺場景潮濕、高鹽和人力資源稀缺的環(huán)境特點。經(jīng)測試試點，該系統(tǒng)報警準確率高于99.95%，投入使用后電氣安全故障溯源排查平均時間從20h下降至30min，所有試點項目漸變性因素引發(fā)的電氣安全事故數(shù)為0，達到了管控電氣安全中早期隱患的效果，同時提升了電氣維護人員的工作效率。

關鍵詞：PLC;高空作業(yè)車;電氣控制系統(tǒng);蜘蛛式

中圖分類號：TP277 文獻標識碼：A 文章編號：1001-5922（2021）06-0094-05

Abstract：In order to solve the problem of lack of early warning ability of low-voltage AC system in the process of electrical safety control of offshore platforms in China， an electrical safety monitoring and early warning system of low-voltage AC system of offshore platforms is developed. The system adopts a side-cloud collaborative architecture， the edge computing monitoring terminal with the ability of catching the early and middle hidden dangers is set up in the distribution boxes at all levels， and the hidden danger warning platform with the time series prediction algorithm is deployed in the cloud. The system is designed for the complex electromagnetic environment， salt resistance and reliability to adapt to the environment characteristics of humid， high salt and scarce human resources in offshore platform scene. After testing， the alarm accuracy of the system is higher than 99.95%. After putting into use， the average time of electrical safety fault tracing and troubleshooting is reduced from 20 hours to 30 minutes. The number of electrical safety accidents caused by gradual factors in all pilot projects is 0， which achieves the effect of controlling early hidden dangers in electrical safety and improves the working efficiency of electrical maintenance personnel.

Key words：offshore platform; hidden danger warning; edge calculation; timing series prediction

0 引言

海上平臺相對于一般用電環(huán)境環(huán)境潮濕、多鹽霧，此外風浪帶來高速氣流摩擦線路和設備使供電線路產(chǎn)生諧波[1]。另外，海上平臺備件儲存更換不易、巡檢維修人力成本高、平均事故損失較大。近年來，一方面電氣安全原因?qū)е碌淖儔浩鬟^熱、儀表數(shù)據(jù)波動、電容器過載損害事故多發(fā)，已經(jīng)日漸引起重視[2];另一方面因短路、觸電等嚴重電氣安全事故導致重大人身傷亡和損失的案例并不多[3]。所以，海上平臺的電氣安全治理工作總體而言，要求高于社會平均，但主要的工作目標是低壓交流系統(tǒng)中的中小故障，因此除了加強電氣設備采購、工程環(huán)節(jié)的質(zhì)量管理，最重要的工作方式就是對電氣安全隱患早發(fā)現(xiàn)、早管控、早消除。

低壓交流系統(tǒng)中的電氣安全中早期隱患在數(shù)據(jù)特征上往往體現(xiàn)為電參數(shù)的微小擾動，持續(xù)時間通常不超過30ms，發(fā)生頻率較高時可以達到每秒幾次至幾十次，但變化幅度通常遠低于報警閾值水平。目前各國采用的低壓交流系統(tǒng)電力監(jiān)測技術，采樣芯片雖然支持每秒1萬次以上甚至更高的高頻采樣功能，但受限于全系統(tǒng)的傳輸與處理能力，只能基于傳統(tǒng)的RMS方法設計報警和保護功能，然而傳統(tǒng)RMS方法至多只能利用每秒約100次的采樣頻度，因此顯然，基于RMS方法設計的系統(tǒng)無法發(fā)現(xiàn)和分析代表早期安全隱患的信號特征。

為解決上述問題，安徽先兆科技有限公司創(chuàng)新了低壓交流系統(tǒng)電氣安全預警技術體系，在保留傳統(tǒng)基于RMS方法設計的報警和保護功能同時，通過在監(jiān)測終端中增設邊緣計算模塊，于高頻采樣的同時進行數(shù)據(jù)處理，每隔預設的時間段計算出一組特征值表征該時間段的電氣安全早期隱患程度，在保留每秒1萬次以上高頻采樣數(shù)據(jù)特征的同時，極大壓縮了全系統(tǒng)需要傳輸和處理的數(shù)據(jù)量，并在此基礎上建立了配套的診斷模型和時序預測算法，為發(fā)現(xiàn)、管控和評估低壓交流系統(tǒng)早期電氣安全隱患提供了一種全新的方法。

1 技術分析

該系統(tǒng)按GB14287-2014和CCCF-CPRZ-14：2018要求設計，與單純建立在RMS方法基礎上的傳統(tǒng)電氣安全監(jiān)測技術相比，本系統(tǒng)的核心功能優(yōu)勢在于，提供基于采樣頻度不低于每秒14400次的電氣安全早期隱患預警功能。此外在適用性方面，針對海上平臺高濕高鹽的情況，對系統(tǒng)防鹽霧能力進行了加強設計，達到SJ20812標準要求;針對海上平臺輸入頻率不穩(wěn)定的情況[4]，對系統(tǒng)輸入頻率適應能力進行了加強設計，可在輸入頻率50Hz±20Hz工況下可靠工作。

2 關鍵技術

本系統(tǒng)的關鍵技術在于：①在終端硬件側(cè)增設邊緣計算模塊，捕捉此前被基于傳統(tǒng)RMS方法設計的報警保護功能所忽略的“數(shù)據(jù)毛刺”式早期預警信息;②在云端軟件側(cè)增設配套的診斷模型和時序預測算法。

2.1 邊緣計算模塊

選取STM32F103RET6芯片，在高頻采樣的同時對采樣結(jié)果進行實時統(tǒng)計運算，每隔預設的時間段計算該時間段的一組特征參數(shù)，并將其每隔預設時間段通過通訊模塊傳輸至云端服務器，匯總后進行進一步的診斷和預測分析。

具體而言，上述預警參數(shù)指的是：邊緣計算模塊每隔某時段（3min、1h和24h）依據(jù)基礎的算法計算出該時段基于負載電流、負載電壓、剩余電流實時預警采樣數(shù)據(jù)的以下衍生參數(shù)：基波剩余電流、絕緣電導（基波剩余電流與對應電壓的比值）、基波剩余功率（基波剩余電流與對應電壓乘積）、全波負載電流的時段均值、時段錯峰均值（即將預設時間段內(nèi)采樣值按大小排序后取中間的一部分采樣值計算出的均值）、偏離計數(shù)（即落在上一預設時段均值一定百分比區(qū)間外的采樣值個數(shù)）。

考慮大規(guī)模并發(fā)連接對云端服務器構(gòu)成的瞬間沖擊，邊緣計算模塊按內(nèi)置芯片編號對每個預設時間段內(nèi)數(shù)據(jù)上傳的具體時刻進行了隨機排布，使每一瞬間上傳至云端服務器的數(shù)據(jù)量盡可能均勻化。

2.2 時序預測算法

相對傳統(tǒng)技術僅對報警類型和次數(shù)進行分類統(tǒng)計，本系統(tǒng)引入了一種類卡爾曼濾波的診斷分析框架和經(jīng)典統(tǒng)計學分析方法，以便更清晰的展現(xiàn)所監(jiān)測電氣系統(tǒng)的真實狀態(tài)[5-8]。

（1）具體而言，該類卡爾曼濾波的診斷分析框架可敘述為以下6個步驟：①將云端服務器收到的報警、預警數(shù)據(jù)統(tǒng)稱為實測值，將實測值構(gòu)成的時間序列記為Xi，設置預測時段時長為T，第N個時段結(jié)束時刻，用時序預測算法L（·）處理前N個時段的Xi，得到第N+1時段的預測值時間序列Xi;②持續(xù)監(jiān)測至N+1時段結(jié)束時刻，得到第N+1時段的數(shù)據(jù)實測值構(gòu)成的時間序列Xi，將Xi加在前N個時段的Xi末尾，得到前N+1個時段的Xi;③基于第N+1時段Xi與Xi的差別修正時序預測算法的參數(shù)，并以修正后的時序預測算法L（·）處理前N+1個時段的Xi，得到第N+2時段的預測值時間序列Xi。④迭代步驟①～步驟③，得到參數(shù)不斷自動調(diào)優(yōu)的時序預測算法L（·）和不斷更新的時間序列Xi與Xi;⑤設置事件規(guī)則庫P處理時間序列Xi與Xi，基于Xi生成的事件稱預警事件，對預警事件進行預警;基于Xi和Xi生成的事件稱預測事件，設每隔預測時間段預測事件次數(shù)構(gòu)成的時間序列為Mi;⑥以處理Xi的方法處理Mi，得到參數(shù)不斷自動調(diào)優(yōu)的時間序列預測算法和不斷更新的時間序列Mi和Mi，以類似設置P的方式設置事件規(guī)則庫Q處理Mi和Mi，得到二階預警事件，對二階預警事件進行預警。

（2）上述時序預測算法L（·）目前暫時取經(jīng)典ARIMA算法，此時步驟③具體為：①基于擴展卡爾曼濾波算法處理第N+1時間的Xi正態(tài)分布和Xi正態(tài)分布，得到控制函數(shù)Φ，②用控制函數(shù)Φ修正實測值數(shù)列Xi并據(jù)此更新數(shù)列Xi，并生成更新后數(shù)列Xi的ACF函數(shù)和PACF函數(shù);③判定更新后數(shù)列Xi的ACF函數(shù)和PACF函數(shù)拖尾和截尾情況，據(jù)此更新ARIMA模型的的參數(shù)p、d和q的取值;④由更新后的ARIMA模型生成N+2時段的預測值時間序列Xi。

（3）上述事件規(guī)則庫P指的是：實測值超出區(qū)間A1時生成預警事件，對預警事件進行預警，A1按行業(yè)標準要求設定;預測值超出區(qū)間A2時生成預測事件，統(tǒng)計每月預測事件發(fā)生次數(shù)，據(jù)此構(gòu)成相應的時間序列，A2按以下方式自動生成并調(diào)優(yōu)：①做數(shù)列Xi的STL分解，得到Xi的周期性數(shù)列Xi1、趨勢性數(shù)列Xi2、隨機擾動數(shù)列Xi3;②從數(shù)列Xi1中提取周期參數(shù)t，從數(shù)列Xi2中提取趨勢參數(shù)d，從數(shù)列Xi3中提取擾動參數(shù)r;③將數(shù)列Xi按周期參數(shù)t分段，每段取中位數(shù)M，均值E，方差D;用以下規(guī)則定義穩(wěn)態(tài)開始事件和穩(wěn)態(tài)終止事件：A、第n+1分段D小于r，且相對第n分段M、E的變化率中絕對值較小值與d同正負時小于d的，或與d不同正負時絕對值小于d絕對值的1/10時，發(fā)生穩(wěn)態(tài)開始事件;B、第n+1分段相對第n分段M、E的變化率中絕對值較大值大于d絕對值大于d時，發(fā)生穩(wěn)態(tài)終止事件;C、連續(xù)發(fā)生的穩(wěn)態(tài)開始事件后一個不計，連續(xù)發(fā)生的穩(wěn)態(tài)終止事件后一個不計;④定義最近m個（m為敏感度參數(shù)可在1～10間人為設定）穩(wěn)態(tài)開始事件到穩(wěn)態(tài)終止事件的時段中數(shù)列Xi的極大值Xmax與極小值Xmin組成的區(qū)間為A2。

3 試驗試用

3.1 與RMS方法的對比試驗

為驗證本系統(tǒng)相對基于RMS方法的傳統(tǒng)電氣監(jiān)控系統(tǒng)在電氣安全管控實務中的性能提升，于2019年10月在貴陽進行了對比實驗，在某居民社區(qū)用本系統(tǒng)監(jiān)測終端設立監(jiān)測點537個;同步基于RMS方法的傳統(tǒng)電氣監(jiān)測終端共3個品牌，在本系統(tǒng)設立的監(jiān)測點中隨機選取60個，使用傳統(tǒng)監(jiān)測終端重復設立監(jiān)測點，每品牌20個，觀察這60個本系統(tǒng)監(jiān)測點和相應60個傳統(tǒng)技術監(jiān)測點進行數(shù)據(jù)對比;所有用于對比試驗的品牌試驗設備均有國家消防電子產(chǎn)品質(zhì)量監(jiān)督檢驗中心出具的型式試驗合格報告和出廠合格證，所有監(jiān)測點位置為隨機選取，自2019年10月12日同步運行至2020年1月12日，記錄原始運行數(shù)據(jù)得到以下對比結(jié)果，如表1所示。

3.1.1 報警能力對比

由表1可以看出，本系統(tǒng)在較大范圍集中應用中，與基于RMS方法的傳統(tǒng)電氣監(jiān)控系統(tǒng)在報警功能方面無明顯差異，其中漏電報警方面，因為本系統(tǒng)排除了諧波剩余電流超限而基波剩余電流不超限情況下的報警，故報警數(shù)較低，如圖1所示。

3.1.2隱患預警能力對比

篇幅所限，僅對比一組具有代表性的監(jiān)測點。基于RMS方法的傳統(tǒng)電氣安全監(jiān)控系統(tǒng)受限于通訊能力，只能以每3min一次的采樣頻度記錄剩余電流歷史數(shù)據(jù)作為分析依據(jù)，其試驗期數(shù)據(jù)形態(tài)如圖2所示。

顯然，這種3min一次采樣頻度的歷史數(shù)據(jù)丟失了大量的原始數(shù)據(jù)特征，呈現(xiàn)出較強的隨機性，使用Python中的 statsmodels 模塊對該組數(shù)據(jù)進行ADF檢驗得到：

對該組數(shù)據(jù)進行一階差分滯后再次進行ADF檢驗，同樣不通過;檢驗所有60個傳統(tǒng)技術監(jiān)測點歷史數(shù)據(jù)，ADF檢驗均不能通過;受篇幅所限不一一載明。事實上，僅靠目測就已經(jīng)可以初步判定，基于RMS方法的傳統(tǒng)電氣安全監(jiān)控系統(tǒng)提供的3min/次采樣頻度下歷史數(shù)據(jù)不平穩(wěn)，不適合進行時間序列分析，不適合用于基于時間序列分析的隱患診斷和預測。

本系統(tǒng)的隱患預警分析數(shù)據(jù)基于邊緣計算模塊得到的電氣火災風險參數(shù)，該參數(shù)的生成依賴預設時間段，分為小時、日、月三級，因為本次試點僅持續(xù)3個月故不考慮月級別，其試驗期小時、日級別的數(shù)據(jù)形態(tài)如圖3、圖4所示。

同樣使用Python中的 statsmodels 模塊對相對應的60個監(jiān)測點電氣火災風險參數(shù)試驗期的小時、日數(shù)據(jù)構(gòu)成的時間序列進行ADF檢驗，120組數(shù)據(jù)中，117組顯著通過，3組在進行一階差分后顯著通過。

由此對比試驗可知，本系統(tǒng)相對以RMS方法為基礎的傳統(tǒng)電氣安全監(jiān)測技術，在報警功能方面沒有差異，但在隱患預警分析功能方面具備顯著優(yōu)勢。

3.2 有效性對比試驗

為驗證本系統(tǒng)相對基于RMS方法的傳統(tǒng)電氣監(jiān)控系統(tǒng)在電氣安全管控實務中的效果，在2019年12月在山西省晉中市某養(yǎng)老院進行了對比試驗，該院為華北地區(qū)最大規(guī)模養(yǎng)老院，2017年已安裝傳統(tǒng)電氣安全監(jiān)控系統(tǒng)，2019年12月增設了427個本系統(tǒng)監(jiān)測點，覆蓋了院內(nèi)老年人住宿樓、賓館、食堂、澡堂、配電房等主要用電區(qū)域，2020年1季度末該院電工部門工作報告顯示：

從表3可以看出，加裝本系統(tǒng)后，電氣安全事故統(tǒng)計項目下各項指標均有明顯下降，電氣安全管控工作項目下各項指標均有明顯提升，說明本系統(tǒng)相對傳統(tǒng)基于RMS方法的電氣安全監(jiān)控系統(tǒng)，在電氣安全管控實務中明顯更為有效。

試點情況表明，本系統(tǒng)達到了全部設計目標，減輕了相關電氣安全責任人員工作強度。所有試點項目運行期間未發(fā)生電氣安全隱患轉(zhuǎn)為事故的情況，受到了用戶的肯定。

4 結(jié)論

該海上平臺電氣安全監(jiān)測預警系統(tǒng)的設計滿足國家相關標準要求，針對我國目前電氣火災報警監(jiān)控系統(tǒng)誤報率過高導致普遍被閑置棄用的現(xiàn)狀，通過增設邊緣計算模塊并引入類卡爾曼濾波的時序預測算法，將電氣安全隱患早期的數(shù)據(jù)特征納入監(jiān)測和分析范圍，實現(xiàn)了電氣安全監(jiān)測預警功能，使有條件治理早期電氣安全隱患的用戶能用相對較低的成本實現(xiàn)對電氣安全隱患的早發(fā)現(xiàn)早消除，為提升電氣安全管控水平提供了有力的工具。

該系統(tǒng)兼容目前的電氣火災報警監(jiān)控功能，大大提升了復雜線路環(huán)境中的適用性;該系統(tǒng)針對連續(xù)多次或長時間的報警、預警信息進行了優(yōu)化，能為項目自動生成一段時間的電氣安全分析報告，有助于電氣安全責任人員高效獲取隱患信息，降低巡檢排查等工作的難度。

參考文獻

[1]王超.海上平臺電力繞組短路電流復合故障檢測方法[J].艦船科學技術，2017，41（ 7A）：130-131.

[2]余穎，王新剛. 海上平臺電力系統(tǒng)諧波分析及仿真研究[J].石油機械，2006，34（12）：10-11.

[3]徐衛(wèi)東.海洋石油工作員工不安全行為特征研究[D].武漢：中國地質(zhì)大學，2013.

[4]葉芳.海上平臺電力系統(tǒng)綜合故障診斷系統(tǒng)的研制[D].北京：華北電力大學，2012.

[5]李賽.基于多模型的狀態(tài)估計及其組合方法的故障預報研究[D].武漢：華中科技大學，2018.

[6]劉洋.基于GRU神經(jīng)網(wǎng)絡的時間序列預測研究[D].成都：成都理工大學，2017.

[7]劉海洋.復雜環(huán)境下時間序列預測方法研究[D].北京：北京交通大學，2019.

[8]朱家明.基于時間序列特征驅(qū)動分解的多尺度組合預測模型及其應用[D].合肥：安徽大學，2019.