基于大数据技术的电能质量信息状态监测平台

摘要：该文提出基于大数据技术的电能质量信息状态监测平台，解决电能质量信息大数据存储问题，提升电能质量信息状态监测的准确性。该平台使用监测仪在监测点采集电能质量信息，经无线通信网络传输至数据管理服务器，该服务器将海量电能数据存储到云存储模块，同时该服务器也从云存储模块调用监测数据至信息状态监测模块，该模块使用节点阻抗矩阵计算短路故障类型，通过最小二乘法构建电能状态估计模型，使用粒子群优化算法将二者结合起来构建故障定位模型，实现电能质量信息状态监测。经验证，该平台能够实现海量数据存储且运行时间短、能耗平衡性强，在普通环境和噪声干扰环境下始终具有良好的监测准确性。

关键词：大数据;电能质量;信息状态监测;最小二乘法;粒子群

智能电网技术发展日益壮大，电能质量的状态信息是整个智能电网运行的基础。电能质量问题主要包含电力系统投切操作、谐波畸变和电力系统故

障，表现为电压的凸起和凹陷、暂态的脉冲和振荡、电压间断等[1]。电能质量信息监测是整个智能电网运行状态监测的重要组成部分，获得电能质量信息

有利于为解决电能质量问题制定合理措施，有助于快速挖掘隐藏在深层的电能质量问题[2]。加强分析和诊断电网动态信息和实时信息能够向电网运行管理人员提供更为精细全面的电网质量信息，方便后续制定决定策略、控制方案等，能够保证电网运行的高效性、安全性和经济性[3-4]。

对各个监测点长期不间断监测会产生数量庞大的数据，出现电能质量大数据，因此电能质量监测既需要满足电能质量的、数据的存储和管理，还需要从这些大数据中挖掘出有价值的信息用于改善电能质量中存在的问题[5]。监测电能质量信息状态时需要采集的数据既有功率因数、总谐波畸变率、有效值等实时数据还包括实时波形数据、短时间闪变数据等，数据量非常庞大，假设每15min对一个监测点采集一次监测数据，一天下来累计需要存储0.26MB的数据量，如果存在1000个监测点，每天约需要存储15GB的监测数据，每月存储的采集数据约为6TB，这还仅仅是电能质量的监测信息，如果考虑环境数据和其它设备监测信息，将存在更大的数据量，所以在实行电能质量监测时需要将大数据问题考虑进去[6-8]。

目前关于电能相关设备的研究已经取得可观

成果，有研究者提出电能质量在线监测平台[9]，该平台将SG-CIM模型作为载体，经一体化平台高效集成电能质量信息，实现电压和电网频率的监管，该系统具有一定可靠性，但是该平台监测电网故障能力较差，故障电阻问题没有被考虑进去，影响部分监测精度;还有学者研究电网电能质量远程监测平台[10]，该平台使用硬件锁相同步频率跟踪技术，采样电流和电压，降低谱间干扰，能够实现电能质量参数的远程监控，但是硬件技术过于复杂，实际应用时具有维护难度。

本文结合大数据技术设计电能质量信息状态监测平台，针对数据量庞大的电能质量信息状态实行有效监测。

1基于大数据技术的电能质量信息状态监测平台构建

1.1平台整体结构

电能质量信息状态监测平台主要包括监测仪数据采集模块、无线通信模块、数据管理模块、云存储数据库和状态监测模块等，结构如图1所示。

本文平台在监测点使用监测仪采集电能质量信息状态数据，通过无线通信网络将数据传输至数据管理服务器中，该服务器把所用数据存储在云存储数据库之内，同时该服务器也调用云存储数据库中的信息经监测数据提取模块传递至信息状态监测模块，该模块通过构建故障定位状态估计模型，监测出电能质量信息状态的故障位置与故障电阻，将监测结果通过平台浏览界面呈现给用户[11]。

在开展电能质量信息状态监测工作之前，先需要对电能质量信息数据实现采集，这是平台工作的基础。本文平台在各变电站线路上安装电能质量监测仪实现电能质量各项原始数据的采集，这些工作由数据采集模块完成。

各变电站线路一般都处于室外环境中，经电能质量监测仪采集的电能质量原始数据若要传输至监测平台中，需要通过无线通信网络，把文件以二进制形式传递至数据管理服务器中以便开展下一步工作。

1.2云存储模块

云存储模块主要由规模解析子模块、数据接入、分析计算层和HBase数据库与Hadoop分布式存储组成，该模块的结构如图2所示。

在云存储模块中，数据接入子模块负责解压缩数据和解析规约，依据用户发送请求时所需的是历史数据还是实时数据，判定是将数据存入HBase数据库还是直接显示给用户。为使网络数据传输量降低，监测仪检测数据后会对数据实行压缩再传输至数据管理服务器，zlib(数据压缩函式库)技术是最常使用的压缩算法[12]，本文平台所使用的高级语言已经提供了完整的zlib解压缩接口，便于应用实时调用。分析计算子模块主要是通过电压，其中故障电流的值与故障电阻zf以及故障距编程技术对电能质量数据实行分析，分析内容包含电能质量评价和计算统计报表等内容。MapReduce离p相关;Z阻抗。

1.3.2构建故障定位模型

对故障定位时，测量量是监测点各项电压理计算。Map阶段主要过滤监测点或某条通道的数据，，状态量是故障电阻zf以及故障距离p，使关键内容包含对某时间段中的平均、最大、最小值用最小二乘法构建电能状态估计模型：

|(，)觶觶觶

在Reduce阶段，依据关键字i分类统计数据，计算平均值avg、最大值max、最小值min。以键值对形式输出结果：(i(avg，min，…，max))，以相似方式计算其它统计值。

HBase数据库以键值对的形式将数据组织到一起，组织完成后经Hadoop分布式程序在集群中存储数据，完成本文平台中电能质量信息状态大数据式中：Um与q分别表示测量列向量和监测点总数;U(p，zf)与U觶mi分别表示状态量的电压估计向量和监分布式存储。HBase数据库和普通关系数据库不同，能够对非结构化数据实现高效存储。而且HBase数测点i的测量值;测量量的状态估计值与元据库使用基于列的存储模式，保证存储后数据读取

效率更高。

1.3故障定位方法

信息状态监测模块主要是根据云存储模块中的数据信息监测电能线路中的故障位置和详细信息。通过监测确定故障线路和故障位置，识别故障类型判断电能线路运行状态获得电能质量监测结果。

1.3.1计算短路

调用云存储模块中的电能数据，通过计算获得素对应，估计状态之前需要保证状态量的个数低于测量量的个数。

对状态估计模型求解时，考虑到计算U(p，zf)时会涉及到节点导纳矩阵的求逆运算与修改，所以需要使用优化算法实现数值求解。

由于粒子群优化算法具有较快的收敛速度和较简单的运算过程[15]，所以使用粒子群优化算法求解故障电阻数值zf与故障距离p。

为基础[14]，计算短路故障类型不同之下的节点电压：现电能数据的良好存储，但是本文平台的数据存储量最大，说明本文平台使用云存储技术能够实现大数据的存储，保证系统能够平稳运行，更好地实现电能质量信息状态监测。

由于监测电能质量信息时数据量过于庞大，数据量的大小影响平台运行时间，如果存储时间过长很容易延长平台的响应时间，因此对比不同数据量下平台运行时间情况，结果如图4所示。通过图4可知，数据量不断增加，平台的运行时间也逐渐上升，当数据量达到90×106条时对比平台的运行时间分别达到6s和7s以上，而本文平台仍然保持2s以下的运行时间，整体来看，本文平台的运行时间较平稳，随着数据条数量的增加，运行时间始终没有出现明显波动，说明本文平台具有较好的性能。

2平台性能的测试

将某省大型电力公司相关电能信息作为实验

对象，在Matlab仿真平台输入该供电公司提供的电能数据，在仿真环境中模拟电能运行情况。为使实验结果具有对比性，采用文献[9]和文献[10]的平台进行对比测试。

由于电能质量监测属于大数据环境，因此需要验证平台在数据存储方面的性能情况，三种平台在数据存储能力方面的实验对比结果如图3所示。从图3能够看出，随着运行时间的增加，三种平台的数据存储量都呈现上升趋势，说明三种平台均能实能耗平衡性是验证存储性能的重要指标之一，分析三种平台能耗标准方差变化情况，结果如图5所示。由图5能够看出，本文平台具有良好的能耗平衡性，随着数据量的增加，三种平台的能耗标准方差均呈现上升趋势，其中本文平台的能耗标准方差均始终高于两种对比平台，说明本文平台的能耗均衡性强，提升平台的监测效果。

平台设计的初衷，就是实现电能质量信息状态监测，收集实验对象实时电能质量信息状态，统计电能真实故障结果，分析平台监测均方误差结果，详情如图6所示。分析图6可知，本文平台的监测数据与真实电能质量信息状态结果最为接近，说明本文平台能够准确监测出电能质量中的各种故障内容，在监测电能质量信息状态时具有较高准确率。

态监测平台，使用云存储实现电能大数据的存储与调用;利用粒子群优化算法实现电网中故障节点定位。二者相互协作，结合其它硬件与软件共同构成本文平台。通过Matlab仿真平台输入真实电力公司数据构建仿真模拟环境，验证本文平台性能，实验显示，由于本文平台使用云存储技术，在数据存储量方面具有绝对优势，而且由于云存储能够保障大数据存储所以提高了平台的运行时间和能耗平衡性，使得本文平台具有良好的性能，在电能质量信息状态监测方面，本文平台在噪声干扰下和普通环境下始终具有较好的监测结果，与同类平台相比呈现出较高的优势。

为进一步验证平台监测的准确性，在仿真环境中添加50%噪声干扰，分析监测结果情况，结果见图7。从图7中能够看出，添加噪声干扰后，三种方法的监测均方误差均有所上升，本文平台的监测结果也与真实数据发生误差，但是整体来看仍旧是本文平台的监测结果最为接近真实数据内容，由此可以看出，即使在噪声干扰下，本文平台仍然具有较高的监测准确性。

参考文献：

[1]胡红钱，施伟锋，兰莹，等.基于以太网的船舶电力系统动态电能质量监测与故障诊断系统设计[J].中国舰船研究，2018，13(1)：120-126.

[2]卓金宝，施伟锋，兰莹，等.基于物联网技术的电力推进船舶电能质量监视系统设计[J].中国舰船研究，2019，14(2)：118-125.

[3]解大，吴汪平，苗洁蓉，等.双馈型风电机组谐波信息的大数据聚类分析[J].中国电机工程学报，2017，37(24)：7067-7076+7421.

[4]燕凯，岳振宇，高嘉浩.基于大数据的电力计量设备运行状态评估与故障诊断方法研究[J].电子器件，2019，42(5)：1095-1098+1121.

[5]李俊楠，李伟，李会君，等.基于大数据云平台的电力能源大数据采集与应用研究[J].电测与仪表，2019，56(12)：104-109.

[6]张国斌，张叔禹，刘永江，等.基于大数据与人工智能技术的电力在线技术监督平台建设方案[J].热力发电，2019，48(9)：94-100.

[7]万勇，杨星磊，王宏兵，等.基于概率分布的风电场电能质量综合评估[J].电力电容器与无功补偿，2017，38(4)：171-176.

[8]欧阳波，易灵芝，何巨龙，冯江.风电接入的电力系统电能质量扰动的检测与定位[J].电力系统保护与控制，2018，46(6)：143-150.