谢正勇, 刘捷, 许勇, 汤远红, 许蕾

(国网安徽省电力有限公司 六安供电公司， 安徽 六安 237000)

0 引言

智能电网是将数字数据通信与传统电力系统相结合，通过检测供电侧的状态和终端侧的用户使用信息来调整配电的新型技术[1]。智能电网不同于传统的单向输电系统，其具有自检、诊断、维护和双向通信等功能[2]。通过对终端用户用电信息的反馈，电源能够实现电力分配的负载均衡。智能电网主要可分为三部分：高级计量架构(AMI)、自动抄表(AMR)和智能电表(SM)[3]。随着云计算和智能电网的快速发展，为了满足用户的需求，智能家居控制系统通过家庭环境中的传感器收集环境信息和用户习惯，为用户推断控制服务[4]。由于使用的电气设备种类太多，因此记录每种类型的电气设备、标签、特征值等较为困难。文献[5]对于大量传感器数据，采用打包分区方法在计算处理器之间划分输入数据，以处理云服务器上的预处理。为了避免记录所有信息，大部分系统都是通过智能电表采集电力数据，然后上传到云服务器上进行电气设备识别、状态分析等计算应用。在电气设备识别中，许多研究集中在针对复杂和多样化的电力数据计算性能优化或识别率上。文献[6]采用了暂定性和预测性弹性选择来提高数据压缩的性能。

为了能够使云系统具有最佳的分析效率，动态确定最适合的电力特征值类型和上传频率是智能电网数据处理的关键。本文提出了一种基于识别模型的交互式电力特征值传输方法，该方法可以动态调整上传电力特征值以实现最小化，并结合电力特征值相关性分析模块，实现传输电力数据与识别效率之间的最佳平衡。

1 基于智能电网通信的电气设备识别

通过对存储在云服务器上的电力数据进行分析，可以识别电气设备的类型和状态。当采集到的电力数据变得多样化且爆炸性增长时，可以借助云服务器构建智能电网中的电力大数据通信，如图1所示。

图1 智能电网中的电力大数据通信

目前，家用电器设备负载识别的研究都是通过截取交流信号的各种特征值来获取识别电气设备的数据样本，特征值由模数转换器(ADC)转换成数字信号，并由微控制器进行计算和处理[7]。电气设备负载识别装置通常安装在交流电源的入口处，并根据电气设备电力特征数据库中的数据进行匹配分析，从而获得电气设备类型和运行状态信息，实现自动检测并提供不同电气设备状态的电力信息。电气设备负载识别场景，其特点是安装成本低且设置简单,如图2所示。

图2 电气设备负载识别场景

2 交互式智能电网通信方法

本文所设计的交互式智能电网通信分为四个阶段：电流波形采样、电力特征值转换、动态电力特征值间隔选取和电气设备负载识别。当电气设备接入智能电表后，电表会将其测量的原始电力数据上传到物联网(IoT)网关[8]。IoT网关将原始数据转换成17个电力特征值，然后上传到云服务器并与存储的数据进行比较。云服务器将评估电子设备类别的潜在候选项，并从网关获取该设备的有用电力特征值。网关和云服务器之间的交互通信重复进行直到存储一定程度的设备识别率。

2.1 电流波形采样

为了准确捕捉瞬态电流波形并避免不同的电源频率，根据电压提取波形，所提取的电流信息是单个交流正弦波的值。为了减少冗余数据而不损失精度，每秒产生一个波形，即64个采样点以平均状态表示。电流波形采样点的示例，如图3所示。

图3 电流波形采样示例

2.2 电力特征值转换

根据电流波形的值，在IoT网关中计算出电力特征值转换,如表1所示。

表1 电力特征值定义

注：无单位的为常数

表1中列出的17个电力特征值包括有功功率、无功功率和视在功率等，这些特征值通过转换原始数据采样方法中的每秒全部电流而产生。

2.3 动态电力特征值间隔选择

在本文中，为了在10s内传输几个具有代表性的电力特征值，防止将所有电力特征值传输到云服务器增加数据包的传输量，占用多余的存储空间并增加计算复杂度。电气设备识别和组合应用有两种模式：(1)直接计算由智能电表测量的原始电力数据；(2)将电表测量的原始数据转换为特征值并传输到云服务器。为了解决网络数据包传输量和冗余数据占用云服务器硬盘空间的问题，还需动态调整传输量。当负载趋于稳态时，产生的电力波形呈现规律性变化。因此，本研究提出一种基于Z变换欧氏距离的动态电力特征值间隔选取算法。

本文采用Z变换欧氏距离对欧几里德空间中两个有限数据集的各维度值进行标准化。Z变换欧氏距离定义了两个维度，即视在功率和电流。在第T秒时，视在功率的原始功率波形集合定义为XT={x1,…,x64}，电流的原始电流波形集合定义为YT={y1,…,y64}，然后对两个集合中的点进行Z变换，各维度的平均值和标准差分别为μ和σ。当对集合XT和YT中的所有元素进行Z变换后再进行欧氏距离计算。

2.4 电气设备负载识别

负载识别分为两个阶段：(1) 采用学习阶段的因子隐马尔可夫模型(FHMM)对初始识别进行预测；(2) 将初始预测结果用于动态电力特征值间隔选取和负载识别。

2.4.1 FHMM的预测

隐马尔可夫模型(HMM)采用连续观测值进行操作，其概率结果由连续时间内的内部转移概率和初始概率估计。本文以FHMM观测值作为有功功率，使用Viterbi算法作为内部预测。Viterbi算法是一种用于查找隐藏状态序列的动态规划算法，通过动态规划来确定所有时间点上概率最大的状态。然而，对于某个时间点，FHMM给每个状态赋予一个概率值。为了顺利引入，定义由k(k≥1)个子集组合成的集合H，其中由FHMM预测的每个多重组合概率值为P(Ci)，1≤i≤k。

2.4.2 有效电力特征值的选择

电力特征值间隔选择分为两个部分：当前信息组合和电力特征值组合。如果将所有负载工况组合创建文件，则数据存储空间随负载数量呈指数增长，不仅延长了训练时间，而且延长了负载识别时间。因此，本文设计了现行的信息组合机制。利用单个电气设备状态的主要电流记录，将FHMM状态波形的预测组合合并。为了快速获得所有状态组合的电力特征值并降低识别时间的复杂度，将组合波形作为电气设备配置文件。在验证负载波形组合后，引入动态电力特征值间隔选择。在此阶段，提出了用电力特征值评估评分法来预测FHMM的多负载组合。电力特征值组合分数(PECS)的基本目的是为多负载组合计算T个电力特征值的组合分数。电力特征值的组合分数处理，如图4所示。

图4 电力特征值的组合分数处理

如果通过FHMM预测负载组合，则先前的电力特征值标准化(PES)将所有内部负载条件下的电力特征值,如式(1)。

(1)

当计算该电力特征值组合时，得到负载组合得分集(LCSS)，该集合表示组合Ci中电力特征值的总和,如式(2)。

LCSS(Ci)={PECS(f1),…,PECS(fT)}

(2)

对于动态电力特征值间隔选取，本文定义了集合,如式(3)。

F=Top(k%,Ci)

(3)

集合收集LCSS(Ci)中的最大(T×k%)电力特征值，集合的元素数量为(T×k%)个。

3 实验评价

在实验过程中，由智能电表以4ksps的采样频率对电力波形进行采样，然后获取平均波形，在此波形中每秒产生一个波形及其电力特征值。在上述过程中，完成所有负载的单态波形提取、电力特征值转换和标准化，并建立FHMM及其高斯混合模型。

3.1 电力特征值的转换和标准化

在电力特征值转换中，利用CS5463电力计量芯片计算有功功率、无功功率、原始电流波形、原始电压波形、功率因数等电能信息。选取17个电力特征值进行电气设备负载识别。对17个特征值进行了归一化处理。根据具体负载对17个电力特征值进行排序，值越大表示等级越高，即能更好地表示该电气设备的电力特征值。为了检验动态电力特征值间隔选取与负载识别的关系，还需对负载工况组合进行分析。为了模拟负载的同时开启/关闭，可使用多孔延长线进行辅助，从而可以同时打开多个电气设备。在本文中，识别时间约为1h，由于识别次数是通过电力特征值转换间隔算法计算，因此每次识别的负载工况组合的识别量可能不同。

3.2 随机电气设备识别

电气设备负载识别使用FHMM预测来动态选取电力特征值间隔。本文分别选取前25%、50%和75%三种情况的电力特征值进行讨论，并进行了负载识别分析。随机单个负载下的电力特征值转换数量和FHMM第一阶段的预测识别结果,如表2和表3所示。

表2 随机单个负载下的电力特征值转换数量

由于本文选取17个电力特征值，因此，前25%为4种(17×25%)，50%为8种(17×50%)，75%为12种(17×75%)。此外，在动态电力特征值间隔选取时，本文定义了LCSS集和Top集，其中Top集使用指定的百分比作为参数，并将LCSS集中前几个得分较高的电力特征值反馈给后续识别。在表2和表3中，在随机单个负载的情况下，选择前75%的电力特征值具有最大的识别率。

表3 随机单个负载下FHMM第一阶段的预测识别结果

4 总结

本文提出了一种面向大数据流量的交互式智能电网通信方法，包括电流波形采样、电力特征值转换、动态电力特征值间隔选取和电气设备负载识别四个阶段，利用动态电力特征值间隔算法的智能仪表测量原始电力数据并且进行动态电力特征值的识别。电力数据通过智能电表传输到云服务器，可以调节各种电气设备的电力特征值以节省带宽，还可以通过云中心监控设备的使用状态。将动态电力特征值传输到云中心进行分析和预测，减轻了对智能电表计算能力的需求以及大数据传输导致的网络带宽冲突。有效降低智能电表与云计算中心之间的网络带宽消耗，从而为智能电网提供更好的服务。