多源数据状态量的计量系统及评估方法

技术领域

本发明属于电力数据处理技术领域，涉及多源数据状态量的计量系统及评估方法。

背景技术

随着能源消费量的持续增长，能源已经成为国家和地区的战略资源。作为泛在电力物联网实施落地的重要应用之一，“多站融合”融合了变电站、光伏站、充换电站、储能站等多种资源，优化了城市资源配置，提高了数据感知、分析运行效率，实现了负荷的就地消纳。伴随着分布式电网的建设和发展，用户对电能质量和稳定性的要求不断提高，为解决电力供需平衡、电网可靠、能源高效利用等问题，采用云计算、大数据、人工智能等信息化手段，在拓展“多站融合”增值业务的同时，构建发电端和用户端的直接互动渠道，实现多站融合一体化运营。多站融合一体化运营产生的多源异构数据，数据种类繁多、来源广泛且协议多样化不统一，存在数据杂乱、质量不高等问题。

由于多源异构原始数据中包含大量的错误和冗余数据，而数据的优劣直接影响上层应用分析结果的可靠性及应用目标的真正实现，因此需对其数据质量进行评估以便为上层应用提供更丰富的数据信息。基于此，对异构多源多模态数据质量进行建模，针对这些多源多模态数据中存在的数据种类繁多、来源广泛且协议多样化不统一，存在数据杂乱、质量不高等问题，有必要设计一种新的多源数据状态量的计量系统及评估方法，实现对多模态数据进行采集和处理。

发明内容

为解决现有技术中的不足，本申请提供多源数据状态量的计量系统及评估方法，对计量系统中多源数据状态量进行监控、采集、存储和评估。

为了实现上述目标，本发明采用如下技术方案：

多源数据状态量的计量系统，包括综合多源数据装置、计量主站服务器和若干能源站检测节点；

每一能源站检测节点，用于采集所处站内的多类设备运行状态量信息，采集的信息传输至综合多源数据装置；

综合多源数据装置，用于接收并预处理能源站检测节点采集的多类设备运行状态量信息，信息预处理后传输至计量主站服务器；

计量主站服务器，用于接收综合多源数据装置的处理信息并进行设备状态量筛选、性能指标确定、状态评估模型构建和设备运行状态预测。

本发明进一步包括以下优选方案：

优选地，所述能源站检测节点包括变电站检测节点、储能站检测节点、光伏站检测节点、充换电站检测节点，分别采集所处变电站、储能站、光伏站、充换电站内的多类设备运行状态量信息。

优选地，每一能源站检测节点均包括采集模块、微处理器和无线发射模块；

所述采集模块，用于检测电能计量装置的电信息及其周围的环境信息；

所述微处理器，用于对采集模块检测到的电信息和环境信息进行处理，对电信息进行模数转换、将环境信息信号处理分析运算成电信息；

所述无线发射模块，用于将微处理器处理后的电信息发射出去。

优选地，所述采集模块包括温湿度采集模块、电磁场强度采集模块、接线处污秽程度采集模块、电能表采集模块、互感器参量采集模块；

所述温湿度采集模块，用于采集电能表和电力互感器附近的温度和湿度；

所述电磁场强度采集模块，用于采集电能表和电力互感器附近的电磁场强度；

所述接线处污秽程度采集模块，用于采集电能表和电力互感器附近的接线处污秽程度；

所述电能表采集模块，用于采集电能表的电压、电流、脉冲信息；

所述互感器参量采集模块，用于采集二次回路中电压互感器和电流互感器的电压电流信息。

优选地，所有能源站检测节点配置同一个综合多源数据装置，综合多源数据装置与该综合多源数据装置相连的能源站检测节点构成一个星型拓扑结构；或者，

同一类能源站检测节点配置同一个综合多源数据装置，综合多源数据装置与该综合多源数据装置相连的能源站检测节点构成一个星型拓扑结构，所有综合多源数据装置与计量主站服务器构成一个星型拓扑结构。

优选地，能源站检测节点与综合多源数据装置之间通过PLC、ZigBee或LoRa方式进行数据传输；

综合多源数据装置与计量主站服务器之间通过4G、5G或有线以太网的方式进行数据传输。

优选地，能源站检测节点与综合多源数据装置之间的网络工作时采用网络记忆快速恢复网络。

优选地，所述综合多源数据装置内置卫星信号接收装置，用于与GPS或北斗通信，获取高精度授时信息。

优选地，所述计量主站服务器包括状态量筛选模块、状态量性能指标确定模块、状态评估模型建立模块和运行状态预测模块；

所述状态量筛选模块，用于根据预评估的对象选取对评估结果影响较大的状态量作为状态量评估模型输入变量集合；

所述状态量性能指标确定模块，用于关口计量装置的运行正常状态、故障状态及预警状态的指标确定；

所述状态评估模型建立模块，用来建立极限学习机模型，实现计量系统运行状态评估；

所述运行状态预测模块，用于根据状态量的评估结果，预测设备的运行状态。

本发明还公开了多源数据状态量的评估方法，所述方法包括以下步骤：

步骤1：站点数据采集：能源站检测节点采集对应站点多类设备运行状态量信息；

步骤2：接收并预处理能源站检测节点采集的多类设备运行状态量信息，信息预处理后传输至计量主站服务器；

步骤3：接收综合多源数据装置的处理信息并进行设备状态量筛选、性能指标确定、状态评估模型构建和设备运行状态预测。

优选地，步骤2所述预处理包括：数据打时间戳、降维、空值处理和归一化的处理。

优选地，步骤3具体包括以下步骤：

步骤301：状态量筛选：根据预评估的对象选取对评估结果影响较大的状态量作为状态量评估模型输入变量集合；

步骤302：状态量性能指标确定：用于关口计量装置的运行正常状态、故障状态及预警状态的指标确定；

步骤303：状态评估模型建立：建立极限学习机模型，进行计量系统运行状态评估；

步骤304：运行状态预测：根据状态量的评估结果，预测设备的运行状态。

优选地，步骤301中，采用互信息度量各状态量和计量性能指数间的相关性，选取对评估结果影响较大的作为状态量评估模型输入变量集合，具体包括：

步骤301.1：数据融合：多源数据状态量的计量系统将实时获取的能源站检测节点数据进行融合，形成新特征属性数据：

步骤301.2：变量编码：

将数据中关口计量装置运行状态指标中的门限类指标连续变量离散化；

对于数据中离散变量进行one-hot编码。

步骤301.3：特征相关性分析：

计算任意状态量(X,Y)的信息熵H(X)、H(Y)，及其联合熵H(XY)为：

计算X、Y共享信息量的大小，即互信息I(X；Y)：

I(X；Y)＝H(X)+H(Y)-H(XY)

对互信息的熵相关系数归一化：

选择I

优选地，步骤302具体为：

将状态量筛选模块筛选出的数据集进行切分，分成训练集和测试集；

采用K折交叉验证方法，将数据随机的分成10组，每次随机的选择9组作为训练集，剩下的1组做测试集；当完成一轮后，重新随机选择9组作为训练集，剩下的1组做测试集，通过对测试集训练，得到假设函数，把这个假设函数放到测试集上，得到分类率，计算10次求得的分类率的平均值作为10折交叉验证下分类器的性能指标。

优选地，步骤303具体为：

选择极限学习机：第i个隐藏层节点的输出方程为：

h

其中，a

则整个隐藏层输出映射为：

h(x)＝[G(h

给定N个训练样本，ELM的隐藏层输出矩阵H为：

则，具有L个隐藏节点的ELM结构的输出为：

其中，β

Hβ

目标矩阵T为：

引入正则化系数C后，其目标函数为：

求得：

则确定ELM网络各个部分的参数，从而建立计量系统运行状态评估模型。

优选地，步骤304具体为：

根据建立的计量系统运行状态评估模型，将实时采集的各类传感器数据以及用户电能表和电力互感器的数据，输入运行状态评估模型，得出计量系统实时运行状态评分结果，根据评分结果判定设备的运行状态，实现关口计量装置状态预测；

其中接入的多站，每个站点独立进行计量系统运行状态评估。

本申请所达到的有益效果：

本发明从变电站、光伏站、充换电站、储能站等多个站点采集资源中提取各参量监测关键数据，并对采集数据进行预处理，状态量筛选，性能指标确定，计算各参量的运行状态指标，将评估模型应用于状态评估，从而确定各个站点的参量状态是否正常。本发明解决了电力数据种类繁多、来源广泛且协议多样化不统一，存在数据杂乱、质量不高等问题，还解决了各个站点传统状态评估技术中按照人的主观期望进行区分和判别、失误率较大的问题。本发明方案能够较灵敏地识别出异常状况，有效提高状态诊断的准确性与全面性。

附图说明

图1是本发明多源数据状态量的计量系统的第一实施例结构图；

图2是本发明多源数据状态量的计量系统的第二实施例结构图；

图3是本发明各能源站检测节点结构图；

图4是本发明多源数据状态量的评估方法流程图。

具体实施方式

下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。

如图1和2所示，本发明的多源数据状态量的计量系统，包括综合多源数据装置、计量主站服务器和若干能源站检测节点；

每一能源站检测节点，用于采集所处站内的多类设备运行状态量信息，采集的信息传输至综合多源数据装置；

综合多源数据装置，用于接收并预处理能源站检测节点采集的多类设备运行状态量信息，信息预处理后传输至计量主站服务器；

如图1所示，所有能源站检测节点配置同一个综合多源数据装置，综合多源数据装置与该综合多源数据装置相连的能源站检测节点构成一个星型拓扑结构；或者，

如图2所示，同一类能源站检测节点配置同一个综合多源数据装置，综合多源数据装置与该综合多源数据装置相连的能源站检测节点构成一个星型拓扑结构，所有综合多源数据装置与计量主站服务器构成一个星型拓扑结构。

具体实施时，所述能源站检测节点包括变电站检测节点、储能站检测节点、光伏站检测节点、充换电站检测节点，分别采集所处变电站、储能站、光伏站、充换电站内的多类设备运行状态量信息。

如图3所示，每一能源站检测节点均包括采集模块、微处理器和无线发射模块；

所述采集模块，用于检测电能计量装置的电信息及其周围的环境信息；

所述采集模块包括温湿度采集模块、电磁场强度采集模块、接线处污秽程度采集模块、电能表采集模块、互感器参量采集模块；

所述温湿度采集模块，用于采集电能表和电力互感器附近的温度和湿度；

所述电磁场强度采集模块，用于采集电能表和电力互感器附近的电磁场强度；

所述接线处污秽程度采集模块，用于采集电能表和电力互感器附近的接线处污秽程度；

所述电能表采集模块，用于采集电能表的电压、电流、脉冲信息；

互感器参量采集模块，用于采集二次回路中电压互感器和电流互感器的电压电流信息。

所述微处理器，用于对采集模块检测到的电信息和环境信息进行处理，对电信息进行模数转换、将环境信息信号处理分析运算成电信息；

所述无线发射模块，用于将微处理器处理后的电信息发射出去。

能源站检测节点与综合多源数据装置之间通过PLC(电力线在线通信)、ZigBee或LoRa方式进行数据传输；

综合多源数据装置与计量主站服务器之间通过4G、5G或有线以太网的方式进行数据传输。

4G方式兼具组建方便和成本低廉的优点，5G方式确保传输数据的实时性、可靠性、海量性以及保密性。

能源站检测节点与综合多源数据装置之间的网络工作时采用网络记忆快速恢复网络，当某个站的检测节点断开或重启时，无需重新加入网络就可以直接进行工作，其中对应站的检测节点的信息及地址等信息记录在片内的Flash中，对应站的检测节点在每次上电后读取Flash存储的信息，若信息有效，即非0，则通过监听同步后直接工作。

所述综合多源数据装置内置卫星信号接收装置，用于与GPS或北斗通信，获取高精度授时信息。

计量主站服务器，用于接收综合多源数据装置的处理信息并进行设备状态量筛选、性能指标确定、状态评估模型构建和设备运行状态预测。

所述计量主站服务器包括状态量筛选模块、状态量性能指标确定模块、状态评估模型建立模块和运行状态预测模块；

所述状态量筛选模块，用于根据预评估的对象选取对评估结果影响较大的状态量作为状态量评估模型输入变量集合；

所述状态量性能指标确定模块，用于关口计量装置的运行正常状态、故障状态及预警状态的指标确定；

所述状态评估模型建立模块，用来建立极限学习机模型，实现计量系统运行状态评估；

所述运行状态预测模块，用于根据状态量的评估结果，预测设备的运行状态。

如图4所示，本发明的多源数据状态量的评估方法，所述方法包括以下步骤：

步骤1：站点数据采集：能源站检测节点采集对应站点多类设备运行状态量信息；

步骤2：接收并预处理能源站检测节点采集的多类设备运行状态量信息，信息预处理后传输至计量主站服务器；

所述预处理包括：数据打时间戳、降维、空值处理和归一化的处理。

通过数据打时间戳，不同数据在使用时可以关联，同步。根据同步的数据包计算的参量准确性更高，避免出现由于数据包时间不同步导致根据该数据包计算的信息准确度低的情况。

同时，对于多维影响量，在建立神经网络模型时，由于多维数据的输入，模型在训练时会消耗大量计算资源，并且，由于冗余的数据存在，导致模型训练效果较差。因此，需要对数据进行降维处理。

步骤3：接收综合多源数据装置的处理信息并进行设备状态量筛选、性能指标确定、状态评估模型构建和设备运行状态预测，具体包括以下步骤：

步骤301：状态量筛选：根据预评估的对象选取对评估结果影响较大的状态量作为状态量评估模型输入变量集合：

具体实施时，采用互信息度量各状态量和计量性能指数间的相关性，选取对评估结果影响较大的作为状态量评估模型输入变量集合，具体为：

1)数据融合

多源数据状态量的计量系统将实时获取的能源站检测节点数据进行融合，形成新特征属性数据。

对于PT二次压降合成误差，根据多源数据状态量的计量系统运行数据中二次回路的电能表的电压和电压互感器的电压，计算二次压降特征参数比差f(％)(A、B、C相)、角差δ(＇)(A、B、C相)，将其转换为电压互感器压降合成误差进行度量，实现特征参数融合处理。

例如：

(a)PT二次压降合成误差

对于PT二次压降合成误差，根据多源数据状态量的计量系统运行数据，即检测节点采集的数据中二次回路的电能表的电压和电压互感器的电压，计算二次压降特征参数比差f(％)(A、B、C相)、角差δ(＇)(A、B、C相)，将其转换为电压互感器压降合成误差进行度量，实现特征参数融合处理。

对于二次回路压降，运行数据是指采集的二次回路中电能表的电压和电压互感器的电压。

关口电能计量装置二次回路压降合成误差计算公式如下：

(b)三相电压、电流监测值变差

多源数据状态量的计量系统运行数据中A、B、C相电压、电流值转换为三相电压测量值变差、三相电流测量值变差。计算公式如下：

2)变量编码

将关口计量装置运行状态指标中的门限类指标连续变量离散化，例如，电能表误差指标根据电能表准确度级别进行划分分类。

对于数据中离散变量(比如运行状态：正常、预警及故障)进行one-hot编码。举例对应于对应电能表采集模块采集的电能表电压、电流、脉冲信息，从而计算电能表误差。

3)特征相关性分析

随机变量(X,Y)的信息熵H(X)、H(Y)，及其联合熵H(XY)定义为：

互信息I(X；Y)表示变量X、Y共享信息量的大小：

I(X；Y)＝H(X)+H(Y)-H(XY)

为方便比较互信息大小，对互信息的熵相关系数归一化：

根据互信息的大小，选择互信息小的状态量作为模型输入。

例如，最终选取电能表有功误差(误差、变差)、电能表无功误差(误差、变差)、二次压降(A、B、C相)、PT二次负荷(A、B、C相)、PT二次压降合成误差、三相电压监测值一致性、三相电流监测值一致性、线损误差指标作为特征属性。举例对应于对应电能表采集模块采集的电能表电压、电流、脉冲信息；互感器参量采集模块采集的二次回路中电压互感器和电流互感器的电压电流信息。

步骤302：状态量性能指标确定：用于关口计量装置的运行正常状态、故障状态及预警状态的指标确定，具体为：

将状态量筛选模块筛选出的数据集进行切分，分成训练集和测试集；

采用K折交叉验证方法，将数据随机的分成10组，每次随机的选择9组作为训练集，剩下的1组做测试集；当完成一轮后，重新随机选择9组作为训练集，剩下的1组做测试集，通过对测试集训练，得到假设函数，把这个假设函数放到测试集上，得到分类率，计算10次求得的分类率的平均值作为10折交叉验证下分类器的性能指标。

例如，关口计量装置正常状态指标如下：

(1)电能表有功误差(0.2S等级)：误差：≤0.16％，变差：≤0.10％；

(2)电能表无功误差(2等级)：误差：≤1.6％，变差：≤1.0％；

(3)二次压降及合成误差：误差：≤0.16％，变差：≤0.06％；

(4)PT二次负荷：2.5VA～80％额定二次负荷(Sn＞10VA)；

(5)CT二次负荷：3.75VA～80％额定二次负荷(Sn＞10VA,In＝5A)；

(6)三相电压监测值：变差：≤2％；

(7)三相电流监测值：变差：≤10％。

关口计量装置预警状态指标如下：

(1)电能表有功误差(0.2S等级)：误差：0.16％～0.20％，变差：0.10％～0.20％；

(2)电能表无功误差(2等级)：误差：1.6％～2％，变差：1％～2％；

(3)二次压降及合成误差：误差：0.16％～0.20％，变差：0.06％～0.18％；

(4)PT二次负荷：80％～100％额定二次负荷(Sn＞10VA)；

(5)CT二次负荷：80％～100％额定二次负荷(Sn＞10VA,In＝5A)；

(6)三相电压监测值：变差：2％～4％；

(7)三相电流监测值：变差：10％～50％。

关口计量装置故障状态即运行数据处于正常范围及预警范围之外。

步骤303：状态评估模型建立：建立极限学习机模型，进行计量系统运行状态评估，具体为：

选择极限学习机：

第i个隐藏层节点的输出方程为：

h

其中a

h(x)＝[G(h

给定N个训练样本，ELM的隐藏层输出矩阵H为：

则，具有L个隐藏节点的ELM结构的输出为：

其中，β

Hβ

目标矩阵T为：

引入正则化系数C后，其目标函数为：

可求得：

则可确定ELM网络各个部分的参数，从而建立计量系统运行状态评估模型。

步骤304：运行状态预测：根据状态量的评估结果，预测设备的运行状态，具体为：

根据建立的计量系统运行状态评估模型，将实时采集的各类传感器数据以及用户电能表和电力互感器的数据，输入运行状态评估模型，得出计量系统实时运行状态评分结果，根据评分结果判定设备的运行状态，实现关口计量装置状态预测；

其中接入的多站，每个站点独立进行计量系统运行状态评估。

具体实施时，设备的运行状态和运维策略规则为表1：

表1设备的运行状态和运维策略规则

本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。