基于大数据的数字化电能计量误差分析

基于大数据的数字化电能计量误差分析

摘要：文章主要阐述了数字化电能计量误差来源，并围绕大数据分布式存储与计算技术，建立了电能计量误差多维分析与诊断平台，以此促进大数据背景下数字化电能计量系统的应用和发展。Keys：大数据；计量误差；诊断方案数字化电能计量系统不仅具备较强的扩展性、互操性和绝缘性，还具有较高的数据共享率和精准度等，受到业界广泛的应用和好评。但我国电能计量系统在对贸易进行结算时，还在沿用早期计量方式，数字化电能计量仅在考核线损时才会真正用到，并且该计量设备评价体系也不明确。数字式电表的评价标准、技术方法依旧以常规电表为依据，具体使用中由于环境误差导致数字式电表的首次检查误差和运行误差出现很大差别。而针对误差进行分析研究，对数字化电能计量系统在工程中的有效运用具有重要意义。1数字化电能计量误差来源基于IEC61850标准，将此计量系统分为三个层次，即过程层、间隔层以及站控层。前者智能电子设备涉及电子式仪用变压器、MU（合并单元）。间隔层智能电子设备涉及数字化电表，高压测电参数利用电子式仪用变压器依据IEC60044-8标准转化成数字化采样值报文，然后利用光纤输送到MU。在MU中，依据IEC61850-9-1/2标准打包处理符合时间的采样值报文。数据经过MU打包处理后，利用光纤输送至数字化电表，实现电能计算的目标，最终在站控层设备中实现数据存储、处理与人机交互[1]。基于数字化程度，将数字化电能计量划分成两个部分，即全数字化以及半数字化，两者在仪用变压器的选择上存在一定的差异。如果选用电子式仪用变压器，那么电能的计量方式为全数字化，相反，就是半数字化。前者计量误差多出自电子式仪用变压器计量误差和数字化电表计量误差，与普通计量方式相比，数字化计量结果更为精准。然而在工程实际运用中，电子式仪用变压器多会被早期电磁式仪用变压器所代替，用模拟量MU代替数字量MU，促使半数字化电能计量不仅可以有效利用电磁式仪用变压器的稳定性与可靠性，还能够完成电能计量的数字化、网络化以及共享化。所以说，仪用变压器误差、模拟量输入MU误差与数字化电能表误差是此误差的主要来源。2大数据背景下数字化电能计量分析该分析系统将Hadoop的分布式文件系统当作数据存储软件架构，利用Hive数据仓库工具作为管理工具，同时根据Spark框架的效率优势，进一步完成大数据的电能计量误差分析的及时存储、高效率计算与分布式并行优化处理。另外，还与Hadoop和Spark框架的计算平台有效融合，可以将相适应的存储容量、并行优化处理能力与及时计算能力提供给海量计量数据。所以，该计量系统能够分成ETL（数据采集模块）、存储计算模块、分析诊断模块与工程应用模块。数据采集模块用于现数据的实时采集、清洗、转换以及封装。存储计算模块用于实现Hadoop和Spark框架平台的数据及时存储于高效运算。分析诊断模块用于实现误差特征值的提取、分析与诊断等。工程应用模块用于显示误差的实时查询和诊断结果。在此分析诊断方案中，模块间的联系性较强，在所有环节中，每一层级都在向后续工作给予服务和支持。简单来说，计量误差分析是以数据的采集和存储为前提，计量误差的关键点就是分析诊断，而工程的实际应用属于将计量误差分析直接有效地展示给使用者的结果[2]。

为了使数据导入效率得到进一步的提升，在导入数据的过程中采用Kettle开元的ETL集群形式，在完成若干数据采集模块任务的同时，导入其分配至集群中的不同PC中。尤其是，若电能计量设备状态需要进行更新，那么不仅需要在数据库中一次性导入设备状态数据档案表，还必须要进一步更新已经更新过后的设备档案数据信息，从而完成全部数字化电能计量装置数据信息的定时灯亮导入。基础平台采取的Hadoop框架可以将实时采集的庞大数量的电能计量数据进行快速的存储，而Spark计算框架的弹性分布数据集（RDD）的优势特征可以在有效保证精准率的前提下实现即时性、高效率运算集成资源的目标。所以，将电能计量系统误差模型优化和完善，将所有设备装置的误差信息精准运算出来，就能够在Hive数据仓库中选择用SparkSQL（结构化查询语言）模块的方式，实现上卷、下钻以及切块等方面的分析诊断操作。将该分析诊断方式与现阶段较为常用的智能诊断算法有效结合，利用Spark并行优化结算能力诊断获取数字化电能计量装备的实际故障问题类型与引起故障的各种因素。

根据大数据的数字化电能计量误差分析的详细流程主要分为四个方面，其一，把来自使用者耗电信息采集系统的电网有关信息数据利用Kettle开元的ETL集群形式通过一次性定时增量的方式在大数据基础平台进行导入。其二，将数字化电能计量误差特征计算单元重点划分成3个部分，即仪用变压器误差、模拟输入MU误差以及数字化电表误差，针对上述这些误差给予误差特征值的有效提取和精准计算。其三，选择通过切片、切块以及旋转等形式多维分析和诊断数字化电能计量误差的特征值。其四，采用朴素贝叶斯（NBM）算法来诊断电能计量误差，同时对误差的类型展开判断[3]。3结束语综上所述，文章将数字化电能计量误差作为分析和研究的对象，针对模拟量MU（合并单元）、数字化电表的计量误差与误差对电能计量产生的影响展开了分析，并对根据Hadoop框架以及Spark计算框架的数字化电能计量误差分析基础平台进行了构建，本次搭建的平台通过Kettle开元的ETL集群形式实现了定时增量的一次性导入采集的数据，然后通过Spark计算框架的弹性分布数据集（RDD）快速计算了提取的故障特征值，最后利用NBM算法并行优化处理了电能计量误差的大数据分析平台，同时对误差的类型展开判断。Reference[1]牛钊.基于大数据分析的计量装置运行误差检测方法[J].信息与电脑,2021(10):190-19