鄧 穎
（貴州電網(wǎng)有限責任公司貴陽白云供電局，貴州 貴陽 550014）
0 引 言
電能計量裝置通常用于測量并記錄發(fā)電量與供電量、電力調(diào)度等工作�，F(xiàn)有的電能計量裝置運行一般為單元形式，設備在日常運行過程中會形成大量數(shù)據(jù)和信息。異常數(shù)據(jù)是電能計量裝置應用中較為常見的問題，為降低異常數(shù)據(jù)對電力調(diào)度和管控的影響，相關(guān)人員制定了對應的識別方法。文獻[1]和文獻[2]分別設計了傳統(tǒng)無線傳感器網(wǎng)絡（Wireless Sensor Network，WSN）動態(tài)電能計量裝置異常數(shù)據(jù)識別方法和傳統(tǒng)速度-關(guān)聯(lián)約束電能計量裝置異常數(shù)據(jù)識別方法，雖然可以實現(xiàn)預期的任務和目標，但是缺乏針對性與可靠性，對于異常數(shù)據(jù)的捕捉精度較低。此外，在外部環(huán)境和其他特定因素的影響下，電能計量裝置異常數(shù)據(jù)的識別與采集效率也會大幅降低，最終形成不可控的識別誤差[3]。因此，文章提出基于Logistic算法的電能計量裝置異常數(shù)據(jù)識別方法的設計與驗證研究。將Logistic 算法與當前的設備異常數(shù)據(jù)識別工作相融合，可以擴大當前的測試環(huán)境，在最短的時間內(nèi)捕捉到異常數(shù)據(jù)發(fā)出的異常信號，快速辨識并鎖定異常數(shù)據(jù)的位置，構(gòu)建更加靈活、多變的識別結(jié)構(gòu)[4]。
1 設計電能計量裝置異常數(shù)據(jù)Logistic 測算識別方法
1.1 提取異常數(shù)據(jù)識別特征
當前電能計量裝置在實際運行中，會形成大量具有一定的周期性規(guī)律的數(shù)據(jù)和信息[5]。在出現(xiàn)異常數(shù)據(jù)時，會形成特定的識別特征[6]。為了更好地識別這些異常數(shù)據(jù)，需要在當前的背景環(huán)境下，明確異常數(shù)據(jù)的覆蓋采集范圍，并設置一定數(shù)量異常監(jiān)測識別節(jié)點。節(jié)點通常設置為獨立的，但在實際應用時應盡量進行節(jié)點的關(guān)聯(lián)與整合，以便在預設的周期內(nèi)完成數(shù)據(jù)和信息的基礎性采集處理，從而方便后續(xù)的識別處理[7]。先設置6 個周期，每一個周期均需要設置對應的識別標準，并對基礎的指標參數(shù)進行設置，具體如表1 所示。
表1 異常數(shù)據(jù)識別特征指標參數(shù)設置表
根據(jù)表1，完成對異常數(shù)據(jù)識別特征指標參數(shù)的設置。在此基礎上，總結(jié)在一定周期內(nèi)采集的數(shù)據(jù)信息波動規(guī)律[8]。
1.2 設計SVD+多目標快速辨識矩陣
奇 異 值 分 解（Singular Value Decomposition，SVD）是一種處理開源型數(shù)據(jù)的穩(wěn)定框架，自身具有較強的針對性和可靠性。結(jié)合多目標的數(shù)據(jù)識別框架，設計組合式的快速辨識矩陣。在Client、Driver、SparkContext 識別應用模塊的輔助下，分類處理采集的數(shù)據(jù)信息文件。按照SVD 執(zhí)行異常數(shù)據(jù)識別標準，先測定異常數(shù)據(jù)的可控識別范圍，結(jié)合測定結(jié)果完成對矩陣快速識別范圍的劃定與計算，然后結(jié)合SVD框架設計多目標的矩陣執(zhí)行結(jié)構(gòu)，如圖1 所示。
圖1 SVD+多目標快速辨識矩陣執(zhí)行結(jié)構(gòu)
完成對SVD+多目標快速辨識矩陣執(zhí)行結(jié)構(gòu)的設置后，將設置的節(jié)點與矩陣融合，形成一個穩(wěn)定的識別環(huán)境。
1.3 構(gòu)建Logistic 測算電能計量裝置異常數(shù)據(jù)識別模型
為了確保電能計量裝置的穩(wěn)定運行，需要實時監(jiān)測設備運行狀態(tài)，獲取周期性數(shù)據(jù)。綜合Logistic算法，設計電能計量裝置異常數(shù)據(jù)識別模型。分階段進行異常數(shù)據(jù)的篩選，并設置識別結(jié)構(gòu)，如圖2 所示。
圖2 Logistic 測算異常數(shù)據(jù)識別模型結(jié)構(gòu)
整合異常數(shù)據(jù)，同時設計識別時序，利用Logistic 算法計算識別限值差。結(jié)合當前的測定，完成對識別值差的計算，將其設置在識別模型中，明確對應的識別區(qū)域，加強對識別誤差的控制，提高模型的整體應用效果。
1.4 多區(qū)間邊界修正實現(xiàn)數(shù)據(jù)識別處理
通過多區(qū)間邊界修正的方式強化異常數(shù)據(jù)的識別效果。結(jié)合實際的識別需求，先設定一個約束區(qū)間，建立集合Sr（r=1,2,…,m），并制定約束邊界標準，即
2 方法測試
考慮最終測試結(jié)果的可靠性，對傳統(tǒng)WSN 動態(tài)電能計量裝置異常數(shù)據(jù)識別測試組、傳統(tǒng)速度-關(guān)聯(lián)約束電能計量裝置異常數(shù)據(jù)識別測試組以及文章設計的Logistic 算法電能計量裝置異常數(shù)據(jù)識別測試組進行對比分析，驗證設計方法的實際應用效果。
2.1 測試準備
布設一個主節(jié)點裝置，另一個為輔助檢測控制裝置。按照SVD 原理，采集普通數(shù)據(jù)和異常數(shù)據(jù)，對數(shù)據(jù)進行分類處理。先提取出基礎的異常數(shù)據(jù)特征，并對數(shù)據(jù)進行范圍篩查，如圖3 所示。
圖3 異常數(shù)據(jù)范圍篩查結(jié)構(gòu)
調(diào)整當前異常數(shù)據(jù)的識別范圍，并利用節(jié)點對各個電能計量裝置進行實時監(jiān)測，完成對測試環(huán)境的搭建。
2.2 測試過程及結(jié)果分析
隨機選定5 臺關(guān)聯(lián)的電能計量裝置搭接附近的監(jiān)測節(jié)點，并在一定周期內(nèi)實現(xiàn)數(shù)據(jù)采集。將預先設定的異常測試指令導入測試程序，形成異常數(shù)據(jù)。通過Logistic 算法測定異常數(shù)據(jù)的識別速率，結(jié)合當前測定結(jié)果完成對測試結(jié)果的對比分析，如圖4 所示。
圖4 測試結(jié)果對比分析
根據(jù)圖4，與傳統(tǒng)WSN 動態(tài)電能計量裝置異常數(shù)據(jù)識別測試組、傳統(tǒng)速度-關(guān)聯(lián)約束電能計量裝置異常數(shù)據(jù)識別測試組相比，文章設計的Logistic 算法電能計量裝置異常數(shù)據(jù)識別測試組最終得出的異常數(shù)據(jù)識別速率均可以達到6 Mb/s 以上，表明所設計的異常數(shù)據(jù)識別效果更佳，誤差可控，具有較好的實際應用價值。
3 結(jié) 論
與初始的電能計量裝置異常數(shù)據(jù)識別結(jié)構(gòu)相比，結(jié)合Logistic 算法構(gòu)建的異常數(shù)據(jù)識別方法更加靈活、多變，具有更強的穩(wěn)定性與針對性。該方法能夠根據(jù)不同的設備運行環(huán)境、電能計量裝置的運行狀態(tài)及負荷情況，提取異常數(shù)據(jù)的特征量，并采用SVD 框架輔助測算，從多個角度進行異常數(shù)據(jù)的識別、分類和篩選，逐步提高識別精準度。通過這種改進的異常數(shù)據(jù)識別方法，可以明確劃分正常數(shù)據(jù)與異常數(shù)據(jù)，同時大幅提升異常數(shù)據(jù)的辨識速率，擴大識別的覆蓋范圍，為電力計量設備后續(xù)的實踐應用提供一定的幫助，改善電力系統(tǒng)的穩(wěn)定性和可靠性。
