楊莉萍，王海云，丁冬，于希娟，王立永，吳紅林

（1.國網(wǎng)北京市電力公司電力科學研究院，北京 100075；2.國網(wǎng)北京市電力公司，北京 100032）

電量信息采集設備將數(shù)字通信、計算機軟硬件等高科技技術通過無線傳輸完成用電數(shù)據(jù)的采集與處理，可實現(xiàn)對電力線路與設備現(xiàn)場用電情況的實時檢測，為電力企業(yè)管理提供技術支持的同時，還能適應未來生產與經營管理發(fā)展需要。線損率為考核電力企業(yè)的關鍵經濟指標，也是表示電力系統(tǒng)設計、生產與運營情況的綜合性評價指標。由于電力體制改革的不斷深化，降低線損率變得格外重要，它直接關系到企業(yè)經濟效益與國家節(jié)能政策的落實。

為降低線損故障，相關領域也取得了研究成果。文獻[1]利用激光點云技術設計線損故障檢測系統(tǒng)。使用激光探測傳感器、信號放大器以及后臺監(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)，通過激光探測傳感器采集點云特性，確定線損數(shù)據(jù)樣本，建立樣本特征矢量，計算判別函數(shù)，實現(xiàn)線損故障檢測；文獻[2]在BP神經網(wǎng)絡基礎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、電流不平衡率當作線損指標，并對其進行歸一化處理，完成線損故障檢測。但是兩種傳統(tǒng)方法均忽略了對輸電任務的分層處理，導致線損故障的檢測結果不夠準確。

為解決傳統(tǒng)方法存在的問題，本文構建電量信息采集設備線損故障自動檢測系統(tǒng)。首先明確某時間段內用戶類型，利用指定技術將用戶劃分到某類型中，再結合故障檢測系統(tǒng)需求與特征，利用該算法完成線損故障自動檢測。仿真實驗結果驗證了本文研究成果不僅能夠提高故障檢出率，還能準確劃分故障類型。

1 電量信息采集設備線損故障自動檢測

1.1 電量信息采集系統(tǒng)

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

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

由圖1可知，電量信息采集系統(tǒng)結構中主站系統(tǒng)主要負責數(shù)據(jù)采集、管理等任務[3-4]；通信信道可實現(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)場的計量工具，負責提供整體系統(tǒng)的初始用電情況。

1.2 線損檢測系統(tǒng)設計

1.2.1 系統(tǒng)整體架構

線損故障檢測系統(tǒng)包括主站、通信通道[5]以及現(xiàn)場終端，整體結構如圖2所示。

圖2 系統(tǒng)整體結構圖Fig.2 Overall structure of the system

由于檢測目標的不一致性，因此系統(tǒng)各模塊功能也具有差異，主站系統(tǒng)通過分布式結構對數(shù)據(jù)統(tǒng)一管理，各模塊之間相互獨立[5-7]。根據(jù)系統(tǒng)整體結構對硬件與軟件功能進行詳細設計。

1.2.2 系統(tǒng)硬件設計

系統(tǒng)硬件結構如圖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、中間層以及后臺提供服務[8-9]，其結構示意圖如圖4所示。

圖4 C/S服務器結構圖Fig.4 Schematic of the C/S server structure

客戶終端客戶端以32位單片機為設計中心，通過嵌入式形式[10]確保檢測可靠性，采用模塊組合形式，結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)軟件設計

結合硬件模塊結構，軟件系統(tǒng)可分為儲存層、處理層與表示層[11-12]。儲存層主要任務為向網(wǎng)絡用戶提供圖形頁面，處理層主要任務為服務器應用；表示層主要任務為提供數(shù)據(jù)庫服務器。

線損故障檢測系統(tǒng)程序設計能夠實現(xiàn)系統(tǒng)終端參數(shù)維護，同時對線損數(shù)據(jù)檢測，用戶利用瀏覽器檢測各線路線損數(shù)據(jù)，生成報表。

1.3 負荷模式線損故障檢測方法

對于線損故障的檢測實際上就是對用戶用電數(shù)據(jù)異常的檢測，本文利用負荷模式檢測法，經過數(shù)據(jù)處理、模式提取與模式匹配完成線損故障檢測。

1.3.1 電量信息預處理

1）數(shù)據(jù)收集

使用上文設計的檢測系統(tǒng)采集用戶負荷信息，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計算）[13]。系統(tǒng)每間隔20 min進行一次負荷測量，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)以及當月負荷數(shù)據(jù)[14-15]。具體包含去年此區(qū)域N個正常用戶該月用電負荷信息：

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

式中：yk,j為過去第k年此月第j天的負荷信息。

用戶當月負載信息表示為

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

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荷之間具有相似度較高的特征，用戶負荷變化情況趨于一致，用電高峰與低谷的時間也大致相同。但由于用電絕對負荷以及電器設備種類不同，導致用電量存在一定差異。因此，對同一區(qū)域用戶負荷情況需強調變化趨勢，而針對用戶歷史負荷需重點關注絕對值。所以需利用不同方式對數(shù)據(jù)做預處理，即對相同用戶負荷數(shù)據(jù)做歸一化處理，而對歷史負荷數(shù)據(jù)不做任何處理。對式（1）中的數(shù)據(jù)進行歸一化處理[16]的表達式如下：

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。結合果蠅尋食過程中對嗅覺與視覺的利用，設置搜索操作，經過不斷迭代實現(xiàn)對果蠅群體中心位置的優(yōu)化，進而得到近似最佳解。

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：對于種群中心位置進行初始化處理；

步驟二：嗅覺搜尋，在種群中心附近，隨機形成NP個鄰域解；

步驟三：評判個體，利用評價機制，獲取所有個體適應度值；

步驟四：視覺搜尋，挑選最佳鄰域解，將其當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。

任意一個果蠅均代表一個解，利用負荷矢量F=[f1,f2,...,f72]描述，矢量中每個元素均表示不同時間點的負荷情況。通過隨機方式對種群中的解進行初始化處理，則根據(jù)下述方法進行：

式中：a為隨機數(shù)。

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

在上述嗅覺操作程序與評價機制基礎上，經過不斷優(yōu)化迭代，獲得種群中最佳果蠅個體，其描述的負荷矢量就是果蠅算法提取出的模式。其迭代機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)域用戶的負荷模式曲線L[l1,l2,...,l72]，將其記為SLD；用戶過往負載模式曲線H=[h1,h2,...,h72]，記作HLD。

1.3.3 負載模式匹配

利用果蠅算法判斷函數(shù)獲取用戶負載模式后，利用時間序列方法對負載模式進行匹配。負載模式注重用戶和SLD的變化趨勢以及HLD的絕對值匹配。因此分別利用相關系數(shù)與相對距離指標實現(xiàn)時間序列的模式匹配。

在進行匹配前，需結合用戶此月真實負載情況，確定負載模式[18-19]。先將用戶該月負載zj做歸一化處理，獲得歸一化后的該月負載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，獲得用戶負載曲線和相似用戶負載曲線的匹配度m1表示為

經過歸一化處理后的匹配度m2表示為

式中：h(t)為線損后的負載模式曲線。

1.3.4 線損故障檢測的實現(xiàn)

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

電力企業(yè)根據(jù)該值設定線損故障閾值，若用電正常度η高于預警值，則斷定線損正常，反之斷定線損故障，并結合用戶過往用電情況，判斷出故障類型。

2 實驗分析

為驗證本文檢測方法的應用性能，選取某地區(qū)實際運行的低壓配電網(wǎng)為實驗環(huán)境，該配電網(wǎng)中節(jié)點總數(shù)量為80個，其中用戶節(jié)點為40個，均屬于單相用戶，三相供電線路共50段。供電線路長度較短，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%，單臺區(qū)域線損率為0.5%。

為驗證本文構建的檢測系統(tǒng)檢測線損的適應能力，分別與文獻[1]提出的激光點云技術設計的線損故障檢測系統(tǒng)、文獻[2]基于BP神經網(wǎng)絡的降低線損故障的方法進行對比，不同方法適應度對比如表1所示。

表1 不同方法適應度對比表Tab.1 Comparison of different methods

結合上述參數(shù)，對比文獻[1]、文獻[2]及本文方法的適應能力，實驗對比結果如圖6所示。

設定完全滿足要求的適應度為數(shù)值1，由圖6可知，本文方法與文獻[1]方法適應度值都較高，但是本文方法在迭代次數(shù)為20后趨于平穩(wěn)，而文獻[1]方法在迭代次數(shù)為25后才呈現(xiàn)出平穩(wěn)狀態(tài)。這表明本文檢測方法具有較強適應能力，局部收斂性能更強。為進一步對比三種方法對線損故障檢測的全面性，對檢出率進行測試，測試結果如圖7所示。

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

由圖7可知，隨著信息采集設備運行時間的推移，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。這是因為本文構建的檢測系統(tǒng)信息處理能力更強，可有效處理海量采集信息。對于線損故障檢測而言，不僅要全面檢測出故障發(fā)生概率，還要準確判斷故障類型，不同方法對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比表Tab.2 Comparisonoffaulttypejudgmentabilitywithdifferentmethods

通過表2可以看出，本文方法對于饋線數(shù)據(jù)丟失的故障類型可以完全判斷正確，對于其他故障判斷準確率也高達95%以上。主要因為果蠅算法能夠有效獲取不同故障類型特征，提高判斷精準度。

3 結論

隨著電量信息采集技術的不斷發(fā)展，在線損故障檢測中引入智能化管理方式，為線損管理帶來新的機遇。本文利用模式匹配方法將線損故障檢測轉換為用戶異常用電分析問題，設定預警閾值，若高于閾值則表示存在線損故障。仿真實驗證明，本文方法不但可以全面檢測出故障問題，還能對故障進行準確分類。在上述研究基礎上要進一步制定降損方案，達到提高能源利用效率，構建綠色電網(wǎng)的目的。