首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于多源信息和机器学习算法的电能表故障诊断研究

基于多源信息和机器学习算法的电能表故障诊断研究

2024-10-20 91 上传者：管理员

摘要：为提升电能表的自动化管理水平，设计了基于多源信息和机器学习算法的电能表故障诊断方法。首先采集电能表的检定数据、用电数据、运行电压等多源信息，利用一致性判断方法融合所采集的电能表多源信息，然后选取独立成分分析(Independent Component Correlation Algorithm,ICA)方法利用ICA变换处理电能表多源信息融合结果，提取多源信息中包含的电能表故障特征，最后提取的电能表故障特征作为支持向量机的输入，利用人工蜂群算法优化支持向量机，输出电能表故障诊断结果。实验结果表明，该方法可以有效诊断电能表的电池欠压、继电器损坏等不同类型故障，为电能表故障分析提供依据。

关键词：
多源信息
故障诊断
机器学习
独立成分分析
电能表
加入收藏

电能表是测量电能的仪器，是人类生活以及工业生产制造中必不可少的重要设备。电能表运行过程中，受到设备性能、人为因素等众多因素影响，容易出现故障。精准、快速诊断电能表故障[1]，是电力领域亟待解决的重要问题。采集电能表多源信息，依据所采集的电能表多源信息，诊断电能表常见故障，实现电力系统的电量计量以及电力营销管理的良好结合，为电力企业的电量管理提供依据[2]。伴随智能电网快速发展，电力系统用电信息爆炸式增长，提升了电能表故障诊断难度。电能表多源信息中包含众多有用信息，所采集电能表多源信息中的数据关联性存在差异[3]。对所采集的电能表多源信息进行融合分析，有助于提升电能表故障诊断精度。

目前针对电能表故障诊断的研究众多，韩彤等人利用支持向量机方法诊断电能表故障[4]，由于未采集电能表多源信息，影响电能表故障诊断精度；陈亮等人利用电能表运行数据[5]，明确电能表运行过程中可能存在的故障，确定电能表的失效机理，精准定位电能表故障，可以实现电能表批量管理，为电能表现场故障分析提供依据。以上两种方法均可以实现电能表故障诊断，但是由于并未考虑电能表运行过程中，众多因素对电能表故障诊断性能的影响，造成电能表故障诊断应用性较差的缺陷[6]。

针对当前电能表故障诊断时存在的问题，提出基于多源信息和机器学习算法的电能表故障诊断方法，采集电能表多源信息，利用机器学习算法中的支持向量机方法，依据电能表多源信息的特征提取结果，诊断电能表故障。通过实验验证该方法可以有效诊断电能表故障，应用性能较高。

1、基于多源信息和机器学习算法的电能表故障诊断方法具体设计

1.1 一致性判断的电能表多源信息融合

利用多传感器采集电能表的检定数据、用电数据、运行电压等多源信息，利用一致性判断方法对所采集的电能表多源信息进行融合处理，利用融合后的电能表多源信息提取电能表故障特征。xi与xj分别表示传感器i与传感器j采集的电能表测量值，δi与δj分别表示传感器i与传感器j对应的标准差。α与k1-α/2分别表示置信水平以及此置信水平下标准正态随机变量的门限值。仅满足条件时，表示两个电能表多源信息的正态分布均值不同，此时电能表多源信息具有融合必要性[7]。电能表多源信息融合前，需要对电能表多源信息进行一致性判断，避免电能表多源信息存在异常，影响融合效果。利用距离函数dij度量传感器i与传感器j所采集电能表多源信息相互支持程度，距离函数为：

式中，dij与Z分别表示概率距离以及服从标准正态分布的随机变量，Pr表示概率值。

利用式(1)所获取的概率距离，判定随机两个电能表多源信息间的一致性关系，判断公式如下：

式中，rij表示一致性判断函数。

通过式(2)获取的一致性判断结果中，当rij=1与rij=0时，分别表示电能表多源信息具有一致性以及不具有一致性，具有一致性的电能表多源信息可以参与融合处理。

设采集电能表多源信息的传感器数量为n，电能表多源信息融合过程如下：

(1)计算传感器i与传感器j所采集电能表多源信息的概念距离dij，利用所获取的概念距离结果构建一致性判断矩阵；

(2)利用所构建的一致性判断矩阵，获取可以满足条件的传感器i与传感器j。对所获取的两个传感器做出判定如下：

1)当时，传感器i与传感器j采集的电能表多源信息融合公式如下：

式中，xi,j表示融合后的电能表多源信息，表示融合后电能表多源信息的标准差，具体为：

电能表多源信息融合结果返回至步骤(1)，进行迭代处理；

2)当时，转至步骤(3);

(3)电能表多源信息融合结果主要包括如下两种情况：

1)将全部电能表多源信息融合至一类，融合结果为电能表多源信息的最终一致性融合结果；

2)将电能表多源信息融合为各类别，电能表多源信息无法通过一致性判断检验时，从各类中获取电能表多源信息的一致性数据融合结果。具有最高融合精度的数据，即电能表多源信息的一致性融合结果。

1.2 电能表故障特征提取

利用独立成分分析(Independent Component Correlation Algorithm,ICA)方法提取电能表多源信息融合结果中包含的故障特征。ICA方法是通过线性非正交变换方法实现数据有效表示的重要方法，可以有效挖掘电能表多源信息中包含的有用信息，为电能表故障的精准诊断提供基础。电能表故障特征可以表示为，利用ICA方法对融合后的电能表多源信息进行变换，获取基函数加权处理的线性组合。ICA特征提取的表达式如下：

式中，xi,j与A分别表示输入的融合后电能表多源信息样本数据以及基函数，S表示电能表故障特征系数。

通过式(6)可以看出，电能表故障特征可以利用电能表故障样本与基函数获取。对于电能表多源信息的样本xi,j，利用式(5)估计样本的特征系数表达式如下：

式中，Y表示S的估计，M表示基函数A的广义逆矩阵。

将ICA特征提取模型，应用于电能表故障特征提取中，对完成融合处理的电能表多源信息进行首次ICA变换处理，获取电能表多源信息特征S1的估计矩阵Y1。用Y1i表示估计矩阵的列向量，将所获取估计矩阵的列向量作为第二次ICA算法的输入，提取该通道电能表多源信息的特征基以及相应系数集{Y21,…,Y2i,…,Y2N，}，作为电能表故障诊断模型的输入特征。通过二次ICA运算提取电能表故障特征，首次ICA运算的电能表故障特征提取表达式为：

获取最终电能表故障特征提取表达式如下：

式中，S2i与Y2i分别表示二次ICA运算的电能表源信号向量以及估计向量，A2i表示二次ICA运算的基函数，M2i表示信号特征基矩阵，Y1i表示Y1的列向量。

1.3 人工蜂群算法优化支持向量机

设置所提取的电能表故障特征作为电能表故障诊断基础，利用人工蜂群算法优化支持向量机诊断电能表故障。支持向量机是一种随机二值分类的机器学习算法，将电能表故障特征值映射至高维空间中，在高维空间中诊断电能表故障。电能表故障诊断属于非线性的多分类问题，将支持向量机构建在不同类型的故障分类之间，电能表故障类别数量为k时，需要构造k(k-1)/2个支持向量机分类器，所构建的每个分类器需要依据不同类别数据训练。设存在电能表故障类别分别为i与j的数据，利用支持向量机求解i类与j类分类的问题。通过训练一个支持向量机，求解i类与j类数据分类的二次规划问题。表示包含数量为N个样本的多源信息特征训练集，yn与k分别表示电能表故障标签数量以及特征向量维数。电能表故障诊断分类问题的支持向量机表达式为：

式中，φ()表示样本输入空间至支持向量机特征空间的非线性映射函数，C与b表示惩罚参数以及偏置向量，w与ξ表示法向量与松弛变量[8]。

支持向量机诊断电能表故障的决策函数表达式如下：

1.4 机器学习算法的电能表故障诊断过程

利用人工蜂群算法优化支持向量机，提升支持向量机算法诊断电能表故障的运算性能。电能表故障诊断的流程如图1所示。

分析图1电能表故障诊断流程，获取利用人工蜂群算法优化支持向量机，诊断电能表故障的流程如下：

(1)采集电能表多源信息，融合处理所采集的多源信息，提取融合后多源信息中包含的电能表故障特征；

图1电能表故障诊断流程图

(2)设定人工蜂群算法的种群数量，蜜蜂数量、最大迭代次数等人工蜂群算法的初始值；

(3)通过混沌映射方法形成人工蜂群算法的初始解，利用初始解引领人工蜂群搜索蜜源即支持向量机的运算领域；

(4)依据蜜源搜索结果，计算人工蜂群算法中，各跟随蜂的适应度值；

(5)迭代运算以上步骤，直至人工蜂群算法中存在蜜源，即算法的解不再变化时，保留此时人工蜂群算法的最优解；

(6)若人工蜂群算法中的解不断变化，设置人工蜂群算法的迭代次数达到最大迭代次数时的最优解作为支持向量机的参数；

(7)将输入支持向量机的电能表故障诊断样本划分为训练集以及测试集，利用通过人工蜂群算法获取的支持向量机参数训练支持向量机模型，利用完成训练的支持向量机输出电能表故障诊断结果。

2、电能表故障诊断实例分析

2.1 相关参数设置

为了验证所研究基于多源信息和机器学习算法的电能表故障诊断方法，诊断电能表故障性能，选取某电力企业的PZ72-E4/C型交流电能表，作为电能表故障诊断的研究对象。该交流电能表通过交流采样技术，可以测量电力系统中不同用电用户的电流、电压、功率等电能参数。该电能表利用RS485通讯接口实现线路接通，具有输入开关量、输出开关量和模拟数据量转换等众多功能。设置应用于电能表故障诊断的PZ72-E4/C型交流电能表数量为100个，利用100个电能表采集电流企业某供电区域电能数据。PZ72-E4/C型电能表的技术参数如表1所示。采集100个测试电能表运行过程中的检定数据、用电数据、运行电压、运行电流以及环境数据等多源信息，构建电能表故障诊断的数据集。采用本文方法对电能表多源信息进行融合，利用融合后的电能表多源信息，作为电能表故障诊断的基础。

表1电能表技术参数

2.2 电能表故障诊断提取效果分析

利用ICA算法提取电能表多源信息中包含的故障特征，电能表多源信息中，故障特征与非故障特征提取结果如图2所示。通过图2实验结果可以看出，采用本文方法可以有效提取电能表多源信息中，包含的用于电能表故障诊断的特征。所提取电能表多源信息故障特征与非故障特征存在明显差异，实验结果验证所提取电能表特征，可以作为电能表故障精准诊断的有效依据。

图2电能表多源信息特征提取结果

2.3 本方法的电能表故障诊断效果分析

统计采用本文方法对100个电能表于2020年11月1到30日，运行30天的故障诊断结果。统计结果如表2所示。通过表2实验结果可以看出，采用本文方法可以有效诊断电能表在不同时间发生的电池欠压、继电器损坏等不同类型故障，具有较高的电能表故障诊断有效性。电能表实际应用过程中，精准诊断电能表故障，有助于电能表管理人员针对电能表故障情况，及时制订解决措施，快速解决电能表故障，提升电能表在电力系统中的应用性。

实验随机选取100个电能表中的31号电能表作为验证对象，对31号电能表进行浅层故障诊断，验证31号电能表是否存在绕组故障。31号电能表绕组输出的电流数据如图3所示。

表2电能表故障诊断结果

图3 31号电能表输出电流

以图3中的31号电能表输出电流作为分析对象，利用电能表输出电流值，获取该电能表绕组的振荡幅值，统计结果如图4所示。通过图4实验结果可以看出，31号电能表绕组的振荡结果总体来说呈现稳定状态，电能表的振荡幅值存在直线上升情况。电能表振荡幅值上升时，表明电能表存在绕组故障。图4实验结果验证采用本文方法诊断的31号电能表故障准确率较高。实验结果验证本文方法可以实现电能表故障的精准诊断，提升电能表故障的诊断水平。

图4 31号电能表振荡幅值

2.4 与其他方法的电能表故障诊断效果对比分析

为了测试本文设计的电能表故障诊断方法的优越性，选择单源信息和机器学习算法的电能表故障诊断方法[9]进行对比实验，两种方法分别进行5次仿真实验，每一次诊断500个电能表故障，统计每一次电能表故障诊断正确，结果如图5所示。从图5可以看出，本文方法的电能表故障诊断正确率远高于对比方法，对比结果验证了本文方法用于电能表故障的优越性。

图5与其他方法的电能表故障诊断正确率对比

3、结束语

依据电能表多源信息，将机器学习算法应用于电力系统的电能表故障诊断中，为电能表故障诊断提供指导性，为此设计了基于多源信息和机器学习算法的电能表故障诊断方法，采集电能表多源信息，对所采集的多源信息进行融合处理，利用机器学习算法中的支持向量机方法，依据多源信息融合结果，实现电能表故障的有效诊断。通过实验验证，通过采集电能表运行数据、环境数据等多源信息，利用支持向量机可以有效诊断不同类型的电能表故障，提升电能表的应用性能。

参考文献:

[1]郭斌,冯兴兴,何圣川,许丽娟.电能计量装置在线故障诊断系统设计[J].科技通报,2021,37(7):62-67.

[2]滕永兴,曹国瑞,杨霖,等.基于混合威布尔分布的电能表寿命预测研究[J].电气传动,2021,51(1):61-66.

[3]刘光界,李翔,陈叶,等.基于属性一致性理论的电能表软件可靠性测试结果处理及评估研究[J].电测与仪表,2021,58(11):170-178.

[4]陈亮,黄友朋,路韬,等.基于失效物理的电能表故障定位与复现方法研究[J].电子器件,2021,44(4):946-952.

[5]程诗尧,武赫,朱锦山,袁铭敏,曾纬和.批量智能电能表故障率预测方法的研究[J].仪器仪表与分析监测,2022(2):11-16.

[6]许涛,张闯,刘洋,等.基于LoRa技术的智能电能表研究[J].电测与仪表,2023,60(8):194-200.

[7]朱赞明.基于信息融合的电力系统继电保护整定计算方法[J].自动化技术与应用,2024,43(9):167-171.

[8]石黄霞,李文亮,杨白洁.小波分析和支持向量机的电力系统局部放电检测方法[J].自动化技术与应用,2021,40(6):6-9,14.

[9]韩彤,杨正宇,陈叶,赵振刚.改进人工蜂群算法优化SVM的电能表故障诊断研究[J].机床与液压,2022,50(6):192-196.

基金资助:国网青海省电力公司营销服务中心营销项目(63283422000A);

文章来源:马斌,韩洁琼,龙存玉,等.基于多源信息和机器学习算法的电能表故障诊断研究[J].自动化技术与应用,2024,43(10):60-64.