用电检测（共5篇）
用电检测 篇1
国家电网公司在“2009年特高压输电技术国际会议”上提出建设坚强智能电网的目标。智能电网由高级量测体系 (AMI) 、高级配电运行 (ADO) 、高级输电运行 (ATO) 和高级资产管理 (AAM) 四大体系构成。用电信息采集系统是建设智能电网AMI、开展智能用电服务的基础, 近几年在国内被大规模的迅速推广建设。智能用电信息采集终端 (以下简称采集终端) 是用电信息采集系统的中间环节, 起着承上启下的重要作用。然而, 终端生产厂家众多、标准不一、技术多样, 如何保证终端功能实现的一致性、合理性、可靠性, 是用电信息采集系统建设成败的关键[1]。设计开发了基于IEC 62056协议的智能用电信息采集终端检测系统 (以下简称检测系统) , 并经5年的实际运行和功能优化改善, 在多个网省电力公司用电信息采集系统建设中发挥重要作用。
1 检测系统的功能作用
1.1 采集终端所处位置及作用
用电信息采集系统源于自动抄表系统 (AMR) , 对用户的用电信息进行采集、处理和实时监控, 实现用电数据的自动抄收、计量异常监测、电能质量监测、分布式能源监控、智能用电设备的信息交互等功能, 最终达到自动抄表、错峰用电、用电检查、负荷预测及节约用电成本的目的。用电信息采集系统的结构见图1, 有主站、通信信道、采集终端和计量仪表组成, 其中主站是系统的指挥调度和数据处理中心。通信信道是抄表数据传输的媒介, 主要包括通用分组无线业务 (GPRS) 、码分多址 (CDMA) 、230 MHz无线专网、公共开关电话网络 (PSTN) 、非对称数字用户环线 (ADSL) 、光纤专网及电力线载波等。计量仪表是系统的基础数据来源。采集终端是整个系统数据缓存和传输的中继站。采集终端按应用场所分为专变采集终端、集中抄表终端 (包括集中器、采集器) , 实现电能表数据的采集、数据管理、数据双向传输以及转发和执行控制命令。
1.2 采集终端检测的必要性
采集终端作为用电信息采集系统的中间环节, 是联系计量仪表和主站的桥梁, 起着承上启下的重要作用。以黑龙江省电力公司用电信息采集系统为例, 目前接入采集终端5万多台, 涉及生产厂家近百家。如此数量众多的采集终端一旦存在问题, 将影响整个用电信息采集系统的可用性和信息采集的准确可靠性。同时, 对安装到现场的采集终端进行调试升级等处理, 势必将造成大量人力、物力浪费。另外, 采集终端厂家繁多, 其技术水平与生产水平参差不齐, 很可能出现产品标准不统一、产品形式五花八门、产品质量合格率偏低等问题。由此, 建设统一、高效、全面的检测系统就势在必行。
2 检测系统设计方案
2.1 检测系统结构组成
检测系统是对整个采集终端检测过程进行管理和控制, 实现采集终端各项性能和功能自动化检测的系统。检测系统的逻辑组成结构如图2所示, 和用电信息采集系统的结构相仿, 主要有主站、通信信道、待检测采集终端和虚拟表组成。其中主站主要包括检测服务器、检测密码机和检测台体。通信信道主要包括GPRS/CDMA、以太网、串口、电力线载波、RS485等。虚拟表是通过计算机、通信技术模拟现场各类电能表的软件。
检测系统软件包括采集终端检测软件 (包括专变终端检测软件、集中器检测软件和采集器检测软件) 、虚拟表软件及外围接口。采集终端检测软件通过控制检测台体, 如改变检测台体输出的电压电流等, 对采集终端性能和功能进行自动化检测, 具有支持多种上行协议、方案配置灵活、操作便捷易用等特点。虚拟表通过计算机、通信技术模拟各类电能表, 具有支持多种表计规约、支持多通道并发处理、支持数据存储等特点。外围接口包括与用电信息采集系统接口和与生产调度平台接口等, 实现接收检测任务和上传及共享检测结果等目的。
2.2 检测流程
采集终端检测的流程包括接收检测任务、检测设备申请、检测设备出库、检测设备核对、设备性能检测、设备功能检测、检定任务完成等。在设备性能检测和设备功能检测环节又可根据具体检测的性能或功能项分解成更小更细的流程, 如图3所示。
以检测终端抄收冻结数据功能为例:首先, 需要在自动化检测之前预设终端的电表参数及相关抄表参数 (此步骤只需配置一次, 采集终端检测软件会记忆使用者对此部分的修改或更新, 减少使用者重复性的操作) 。其次, 采集终端检测软件通过终端注册, 一方面是读取待检设备的比较重要的参数并存储, 另一方面从设备管理的角度只有经过识别注册的终端才是软件需要管理和检测的设备。在前两个步骤完成后, 就可以进入到自动检测环节, 首先启动检测脚本设置电表参数及相关抄表参数;接下来设置终端时钟, 时钟要求必须是某月最后一日的23时58分, 以保证终端过日过月, 启动抄收电表冻结数据。检查终端时钟是否设置成功是非常关键的一个步骤, 如果终端时钟设置失败, 整个检测将立即结束。最后采集终端检测软件等待一定的终端抄表周期后, 读取终端日冻结和月冻结数据并与虚拟表联动校验数据的真实性。
3 检测系统的关键技术
3.1 批量自动化检测
为缩短采集终端的检测时间, 提高检测工作效率, 终端检测应是并发、批量、自动化的。检测系统采用J2EE作为基础技术架构, 而Java语言提供功能强大多线程编程的API。Java虚拟机允许应用程序并发地运行多个执行线程。但在一个Java虚拟机里创建太多的线程可能会导致系统因过度消耗引起资源不足而发生崩溃, 即程序需要采取有效方法来限制任何时刻处理请求的线程数量[2]。因此系统软件采用池化技术来管理线程。线程池通过对多个并发任务重用线程来分摊对资源的开销, 并且通过调整线程池中的活动的线程数量来控制并发。
实现自动化检测的前提是用户可以根据自己的实际需要设计灵活可变、任意合理的检测方案, 这对系统软件的实现无疑是个很大的难题。在充分理解用户的实际需求和细致分析每个检测环节后, 系统软件创建了一个完善的检测流程模型。模型将检测终端某个具体性能或功能项定义为步骤, 检测流程是各个步骤的任意组合。模型又将流程描述和执行过程分开, 用户定义的只是一个流程描述。系统软件通过XML技术、Io C模式来实现此模型。XML是一种元标注语言, 定义了用于定义其他特定领域有关语义的、结构化的标记语言。XML能够更精确地声明内容, 提供了一种描述结构数据的格式, 并作为数据交换的标准格式, 因此它常被称为智能数据文档。这正契合了用户自定义检测流程描述的需求。而Io C设计模式中最基本的Java技术就是“反射”编程。通过“反射”可以将描述检测流程的XML文件转化成可执行程序代码。另外, 为使用户更加方便快捷的操作软件, 系统软件会记忆存储用户对检测方案的修改或更新。此部分的实现主要应用了Java对象序列化技术及内存数据库技术。
3.2 支持多种上下行协议
上行协议是指采集终端与采集终端检测软件的主站通信协议, 目前支持IEC 62056和Q/GDW 376.1协议。下行协议是指采集终端与虚拟表软件的电表通信协议, 目前支持DL/T 645—1997、DL/T 645—2007、IEC 62056-21、DLMS、Mk6E协议。对上下行通信协议的软件实现可以说是设计开发检测系统的核心工作。系统软件采用组件化的设计思路, 每个组件实现了一组服务 (每个服务可理解为一组接口) , 同时符合系统软件订立的规范, 例如, 初始化、配置、销毁。系统软件把不同协议的解析程序划分若干个完整的组件, 为界面应用程序提供一组服务接口。这样, 系统软件根据用户对上下行协议的实际需求通过拼接的方式将协议解析组件与界面应用程序整合在一起。此部分的实现主要应用了Java RMI技术。Java RMI能够让在某个Java虚拟机上的对象调用另一个Java虚拟机中的对象上的方法, 是J2EE中最简单、最有效的底层接口技术。
3.3 支持多种通信方式
采集终端与采集终端检测软件的通信方式有GPRS/CDMA、230 MHz无线专网、以太网和RS232串口。检测系统采用Socket技术实现采集终端与采集终端检测软件的TCP通信。相对于以太网, 采集终端每次连接到GPRS/CDMA无线网络时, 都会被分配一个不同的IP地址, 这就使采集终端检测软件不能通过固定的IP地址创建连接来访问采集终端。所以, 采集终端需要主动与采集主站创建Socket连接并且通过周期性的发送心跳来保持这个连接。那么, 采集终端检测软件就需要有效的管理这些建立好的Socket连接与采集终端进行通信[3]。传统的方式是通信程序创建一个Server Socket实例, 通过监听某个端口来提供Socket通信服务。这会产生两个问题, 一是建立连接前会造成阻塞, 二是过多的连接请求时会导致CPU使用率过高和大量内存被占用。所以, 采集终端检测软件采用java.nio.channels包中的最新的实现Socket技术的API来完成Socket的创建、断开、销毁等管理。对于230 MHz和RS232串口通信, 采集终端检测软件通过第三方组件将其转化为Socket方式来实现通信。
4 结语
检测系统是使采集终端无缝接入主站的前提, 是保证采集终端功能实现可靠性、合理性、一致性的重要手段。通过实时接口将采集终端检测结果上传至主站或其他生产系统, 避免未经检测设备非法接入, 实现检测与生产的闭环管理。检测系统与以往系统相比具有很多优势, 为各电力公司在采集终端检测方面提供了一种合理有效的解决方案。同时检测系统在对现场设备在线检测、远程集控等方面仍有待进一步完善。随着国内智能电网建设的逐步深入, 此系统一定会得到更加广泛的应用和发展。
摘要：针对智能用电信息采集系统建设、运行和应用中可能出现的未经检测设备非法接入、监测生产闭合性能不佳等问题, 结合系统建设和系统应用实际, 提出基于IEC62056协议的智能用电信息采集终端检测系统方案, 探讨了智能用电信息采集终端检测系统的设计方案及关键技术, 为国内智能用电信息采集终端检测提供有益的指导和借鉴。
关键词：智能电网,用电信息采集系统,终端检测系统
参考文献
[1]张文亮, 刘壮志, 王明俊, 等.智能电网的研究进展及发展趋势[J].电网技术, 2009, 33 (13) :1-11.
[2]李永茂.网络化远程自动抄表系统的设计及实现[J].现代电子技术, 2010 (19) :38-40.
[3]贾丽萍, 茹世文, 弭勇, 任峰.用电信息采集终端自动化检测系统构建[J].产业与科技论坛, 2012, 11 (17) :67-68.
用电检测 篇2
随着智能电网建设的推进, 现场用电数据采集成为智能化用电管理基础, 用电信息采集至关重要。现场采集设备通过SIM卡在移动公网环境下拨号连接公网, 上传计量设备的用电数据, 获取远程主站的命令对计量设备进行控制和信息查询, 顺利开展计量设备异常排查、线损管理、公变台区管理、自动核抄、有序用电等工作。
但实际应用中, 中国移动、中国联通、中国电信三大运营商所建设的信号覆盖设施投入安装位置、数量不同, 导致在一些区域信号覆盖存在不同的盲点, 如地下室的配电房、偏僻山区等, 这些位置的无线公网信号弱, 不能支持稳定可靠的终端通信。另一方面, 用电数据采集是通过运营商的SIM卡来实现的, 公网信号和终端均正常但SIM卡出现故障则无法通信。因此, 如何快速检测现场公网信号和SIM卡成为用电信息采集系统建设与运维首先需解决的问题。传统方法采用手机进行公网信号和SIM卡的检测, 但是这种方法较繁琐, 检测精度低 (如信号检测正常但无法进行网络通信连接的SIM卡无法检测) 。
针对上述问题, 本文开发了一款用电信息采集信号现场检测仪, 实现了现场公网信号和SIM卡的有效检测, 并结合实际工作提出多种用电信息采集信号解决方案。
1 用电信息采集信号现场检测仪设计
1.1 主要电路设计
电路板由主CPU主板和按键板两大部分组成。主CPU主板主要是由CPU与三个通讯模块进行通讯, 外围存储器、电池管理、液晶显示等设备进行连接, 如图一所示。
设备采用锂电池供电, 设计了电源管理电路, 对CPU电压进行保护, 并可进行充电管理。充电接口采用与手机一致的USB接口, 电路设计原理图如图二所示。
1.2 手机模块设计
手机模块采用2个GPRS模块和1个CDMA模块, 支持3个模块同时运行, 设计原理图如图三所示。
1.3 显示及外观设计
液晶显示器使用160*160阵列显示, 在阳光直射的情况下, 不影响查看, 使用并口输出, 设计如图四所示。
按键板与主CPU板进行连接, 采用了3x4阵列分布, 将按键信息传输给主CPU, 如图五所示。
用电信息采集信号现场检测仪SIM卡安装、外观分别如图六、图七所示。
2 用电信息采集信号现场检测仪应用
2.1 信号检测
开机后显示信号检测界面, 如要进行其他操作, 点击确认键进入主菜单根据需求进行操作, 按返回键可返回到信号检测界面。在现场同时对三大运营商中国联通、中国移动、中国电信的信号测试时, 根据所插入SIM卡进行读取, 如设备中不插入SIM卡, 界面显示“未知信号SIM NO”, 然后2分钟会循环检测SIM卡, 检测成功后会根据SIM卡所对应的网络, 显示出网络信号强度, 比如移动卡会显示“中国移动25”。SIM卡插入正常, 会每隔1秒钟刷新一次最新的检测结果, 显示指度为0~32, 指度越大信号越强, 小于10的不适合采集设备进行GPRS通信, 测试结果简单易懂, 如图八所示。当出现测试设备与终端测试结果差距比较大时, 也可以用于对比排查终端的信号接收故障 (可排查采集终端天线是否被损坏或接触不好等故障) 。此功能可以用于现场查勘人员确定采集施工方案和采集运维人员维护采集信号类故障。
2.2 SIM卡检测
进入主菜单, 点击SIM卡检测菜单, 设备会对模块关机重启, 让模块读取SIM卡信息并根据预置的IP地址参数进行登录主站。整个检测过程显示与手机模块通讯成功、SIM卡读取成功、信号轻度、发送登录报文、登录成功等主要要点, 如整个流程执行完成, 显示检测结果SIM检测成功, 否则显示SIM检测失败。SIM卡检测如图九所示。用电信息采集信号现场检测仪在SIM卡安装上采用了按压的方式, 简单方便, 接口对SIM卡不会造成损坏, 使用寿命在百万次以上, 内部电路设计上支持SIM卡的带电热插拔, 无需开关机, 且可同时对三张SIM卡进行测试。
3 用电信息采集信号管理
3.1 优化用电信息采集建设流程
为快速推进采集系统建设, 现场查勘时未对采集信号进行核实, 直接进行采集建设, 采集投运后发现信号存在问题再联系移动运营商处理, 这种模式造成较多的采集信号问题, 且处理速度慢。针对此问题, 可优化采集建设流程, 如图十所示。现场查勘人员根据新装用户现场情况选择采集方式, 确定采集方案, 合理选择运营商, 避免安装后多次现场维护和更改采集方式, 提高采集信号强度和稳定性。
3.2 优化采集方式
目前, GPRS无线采集器+RS485线的采集方式应用较多, 但对于部分表计在485电缆架设时因距离太远或布线困难, 难以与无线采集器进行连接, 可在485电缆分支点增加中继器, 通过无线传输来代替485电缆传输, 中继器点对点传输距离可达500米。对于部分表计处于信号弱的区域, 不适宜安装无线采集器, 可通过中继器进行数据传输到附近的有信号的无线采集器上。缺点是中继器通过无线电方式点对点的方式进行485信号中转, 无线波容易受到干扰, 数据传输可靠性不高, 可作为采集器与表计之间传输的一种辅助手段。
传输距离远可采用GPRS集中器载波方式, 在一个台区下安装一台集中器, 集中器通过电力载波与表计下的载波采集器进行数据交互, 集中器具有GPRS功能, 可以与远程主站交互。这种方式传输距离远, 可达1000米以上, 安装简单, 在信号利用上有较大优点, 只要台区下具有一个信号点满足通讯, 就可解决整个台区的GPRS通信问题。缺点是数据传输实时性和可靠性不高, 维护比较繁琐。
3.3 采用信号增益设备
为保证采集信号稳定, 采集设备大都采用外置天线, 只要天线外置端处于信号强的区域, 采集器就能接收到信号正常通信。GSM天线一般是3米或1.5米, 基本能满足绝大部分地区的信号接收问题。但对于部分信号盲区或信号差的区域, 须选用加长型GSM天线提升信号强度, 如选用与此类GSM天线同类型阻抗为50欧姆的加长型10米或20米的天线, 通过将天线延伸到信号较强的区域来解决采集器通讯的可靠性。除了加长型天线外, 可使用信号放大器, 在数百米外信号强度较好的区域安装天线, 通过通信电缆引入盲区进行放大发射, 解决区域性信号覆盖问题, 类似于移动运营商的直放站, 但该设备功率较小, 辐射信号面积在100平米左右。
4 结束语
本文结合实际工作, 研究开发了用电信息采集信号现场检测仪, 实现了对三大运营商 (中国移动、中国联通、中国电信) 的信号同时检测和三张SIM卡同时测试, 可应用于采集覆盖、SIM卡管理、现场网络信号改进等工作, 减少人为失误因素, 提升采集信号质量的管理, 实现用电信息采集信号流程化管理、科学化管理, 降低采集建设、采集运维成本。在用电信息采集信号检测基础上, 本文提出了优化用电信息采集建设流程、优化采集方式、采用信号增益设备等用电信息采集信号管理办法。
参考文献
[1]Q/GDW373—2009.电力用户用电信息采集系统功能规范[S].北京:中国电力出版社, 2009.
[2]Q/GDW 374.2—2009.电力用户用电信息采集系统型式规范:集中抄表终端技术规范[S].北京:中国电力出版社, 2009.
[3]夏桃芳.面向用电信息采集的公网信号覆盖解决方案探讨[J].电力与电工, 2011, 31 (01) :38-39.
[4]陈盛, 吕敏.电力用户用电信息采集系统及其应用[J].供用电, 2011, 28 (04) :45-49.
用电检测 篇3
1 虚拟仪器构成原理
一般认为, 虚拟仪器是硬件和软件的有机结合, 其中对数据进行测试、采集和控制的工作由硬件来完成, 而计算机软件主要负责的是对数据的处理和分析, 并将数据上传和展示出来[1]。不同的软件程序能够完成不同的操作, 通过点击显示器屏幕上的软件图标, 可以完成对仪器的控制。
1.1 虚拟仪器的优点
和传统仪器相比, 虚拟仪器主要有三大优点:
第一, 虚拟仪器结合了强大的计算机硬件功能, 能够实现传统仪器所不能完成的对电器内部相关数据的采集、显示、处理、存储等操作, 在很大程度上提升了传统仪器的功能。
第二, 计算机具有强大的软件资源, 和计算机的结合, 一方面能够使虚拟仪器的部分硬件得到软件资源的控制和协调, 提升了仪器系统灵活性, 另一方面, 软件程序和正确的算法应用, 能够使虚拟仪器自身实现对数据的处理和分析, 而不用再将数据导出, 另用仪器处理。
第三, 虚拟仪器可以利用模块化仪器的总线和计算机的总线, 实现系统化和模块化的硬件改造, 有效降低系统规模, 便于模块化仪器的建立。
1.2 虚拟仪器的构成
虚拟仪器的功能分为三大块:信号的控制与采集、信号的处理与分析、处理结果的输出与表达, 三个模块之间是有密切联系的。
1.3 虚拟仪器的硬件构成
虚拟仪器的硬件包括两大部分:测控功能硬件和计算机硬件平台。
1.3.1测控功能硬件
按测控功能硬件一般可分为DAQ、PXI、VXI和GPIB四种。
DAQ数据采集, 是以计算机标准总线为基础的内置功能插卡, 能够做到“一机多用”、“一机多型”。
PXI是仪器领域中PCI的拓展, 是一种模块化的、开放性的、以Microsoft Windows软件和Compact PCI结构为核心的仪器总线规范。PXI是对PCI的改进, 加设了相邻模块间的局部总线, 用于高速通信;加设了星型触发总线, 以提升定时的精确性;加设了参考时钟和触发总线, 以实现多板同步运行。
VXI是仪器领域中对VME总线的拓展, 是基于IEEE488标准、Eurocard标准和VME总线, 并针对开放性仪器由制造商共同制定的总线标准。VXI系统的灵活性极强, 系统的功能模块可以依据功能需求进行更换。它的硬件是依照标准制定的, 具有通用性, 其良好的系统开放性, 能确保系统的运行收到较好效果。人们普遍认为VXI模块化仪器在多种硬件平台中是最理想的, 标志着仪器硬件的拓展方向。
GPIB通用接口总线, 它为仪器和计算机的通讯设立了标准协议, 广泛应用于仪器配置当中。GPIB测试系统的最具代表性的构成包括:若干GPIB仪器、一块GPIB接口卡和计算机。在这个系统中每台GPIB仪器的编号是唯一的, 统一由计算机系统控制。
1.4 虚拟仪器的软件系统
使用计算机的软件和硬件资源而实现系统功能的扩展, 是虚拟仪器的核心技术。从顶层到底层, 虚拟仪器的软件架构可分为三层:应用软件、仪器驱动程序、VISA库。
用户直接面对的是应用软件, 通过对应用软件的操作实现自动测试。软件能够为用户提供友好的操作界面, 以实现测控、数据处理和分析等功能。
仪器驱动程序是应用软件的基础, 是一种实现仪器的通信和控制的软件程序, 通过它才能在应用软件上实现仪器控制。
VISA是虚拟仪器软件体系结构的简称, 包括标准的I/O函数库和与其相关的规范。这里的I/O函数库通常称其为VISA库。在计算机系统中, VISA实现的是仪器总线的作用, 在软件层对仪器和计算机起到连接的作用, 以完成对仪器的控制。
2 测量原理与应用实例
本文将以对家用电器的功率及其使用的电流、电压等的测量为例向大家介绍虚拟仪器技术在家电检测方面的应用。
2.1 检测原理
对电流、电压等的计算公式可以通过电流、电压值和平均功率推导出来。
2.2 硬件方面
硬件系统主要由信号调理电路、信息采集卡、PC计算机等部分构成。一般情况下, 信号采集卡包括:数字量输入/输出、定时/计数器、D/A、A/D等功能, 直接插在计算机上, 就可以通过总线与计算机连接, 实现上述功能。信号调理电路对检测信号进行调理使其满足信号采集卡输入和输出的要求。在这一过程中, PC机组要实现的是对数据的输入、输出、存储、处理、运算、分析和测试等。经由V/I转换电路, 电流和电压信号可转换成弱电信号, 之后经过A/D电路转换成数字信号进行传输。
2.3 检测结果方面
检测结果可直接通过计算机显示器显示出来, 并根据项目的合格程度对项目进行标注, 家电检测的结果也可通过打印机打印出来。将这种检验应用于检测线上时, 可将待检样本进行编号, 检测结果可按编号显示, 也可按编号打印出来。
3 总结
与传统检测仪器相比, 虚拟仪器有更多优势, 在对家用电器进行检测时, 使用虚拟仪器技术是较好的选择。虚拟仪器技术在检测方面的应用将会越来越广泛, 同时对虚拟仪器进行更大的改进, 使其预计的情况与现实情况的符合程度更高也是科研人员所面临的重要问题。
参考文献
[1]王亚芹.陈云明.虚拟仪器技术在汽车检测中的应用[J].电子技术, 2010, 5 (25) :28-29.
[2]叶佳晖.虚拟仪器技术在传感器智能检测系统中的应用与研究[D].上海:东华大学, 2012.
用电检测 篇4
在管道泄漏检测定位技术中关于漏失的预防、检测和确定位置的方法主要分为生物分析法、质量/体积平衡法、瞬态模型法、分布式光纤法、声波法、电学法、用双层壁内贮存的流体传输信号的方法等。其中电或声学方法与传统测试方法相比具有诸多优点:灵敏度高、定位精度高、误报率低、检测时间短、适应性强;电学法检测应用范围较宽, 其包括报警器或检测管道内外部电连接等, 反馈迅速及时;声波法测量的是管线流体中的微弱动态压力变化量, 与管线运行压力的绝对值无关, 声波法的响应频率更宽, 检测范围更宽;因而电或声学方法在管道泄漏检测领域应用较为广泛。
2 数据采集说明
在国际专利分类表中, 涉及用电或声学方法进行管道泄漏定位技术的小组是F17D 5/06。笔者通过中国专利摘要数据库CNABS、德温特摘要数据库DWPI中运用上述分类号对用电或声学方法进行管道泄漏定位技术进行检索, 数据采集的范围是截止到2014年5月之前的所有文献, 检索到相关中国专利申请共343篇, 外国专利申请共804篇。
3 用电或声学方法进行管道泄漏定位技术专利申请整体分析
3.1 国内专利申请量趋势分析
为了研究用电或声学方法进行管道泄漏定位技术的发展情况, 笔者对该领域国内专利申请数据按时间序列进行了统计分析, 见图1所示。从1985年开始第一份申请, 从该图历年申请量来看, 用电或声学方法进行管道泄漏定位技术中国专利申请经历了逐步上升的发展过程, 大致可分为3个阶段。第一阶段是1985~2000年, 这一时期该领域中国专利申请的总量不高, 增速缓慢, 不高于25件。这与当时我国用电或声学方法进行管道泄漏定位技术处于起步阶段有关, 企业的研发热情不高, 这一时期属于技术引入期。第二阶段是2001~2008年, 这一时期的特点是申请量快速增长, 2001~2008年期间申请量接近于100件。第三阶段是2009~2014年, 这一期间专利申请量飞速发展, 其申请量超过250件。
3.2 国内专利申请区域分析
在用电或声学方法进行管道泄漏定位技术的343件中国专利申请中, 申请量排名前5的省市分别是北京 (75件) 、江苏 (28件) 、天津 (19件) 、山东 (19件) 、重庆 (15件) , 随后分别是沈阳、浙江、上海、成都, 除此之外其他省市和地区的申请量占申请总量的38.7%。由此可见, 北京的申请量占据总申请量的23.08%, 是国内用电或声学方法进行管道泄漏定位技术研发的主要区域。
3.3 国内专利申请人类型分析
针对国内专利申请人类型分析可知, 申请量最大的是企业 (230件) , 其次是个人 (64件) , 大学占46件, 其它申请人有3件。由此可见, 用电或声学方法进行管道泄漏定位技术的专利申请人很大一部分是企业, 说明该领域的产业化程度较高, 有利于将新研发的专利技术投入生产。
3.4 专利申请各国申请量分析
对于用电或声学方法进行管道泄漏定位技术的专利申请各国申请量的分析中, 国内外相关专利共包括1191件申请, 其中排名前5位的国家分别是中国 (304件) 、日本 (270件) 、德国 (138件) 、俄罗斯 (92件) 、美国 (91件) , 随后分别是英国和法国, 除此之外其它国家的申请量占总申请量的16.96%。由此可见, 中国和日本现今是研究用电或声学方法进行管道泄漏定位技术的重要国家。
3.5 国际主要专利申请人申请量分析
对用电或声学方法进行管道泄漏定位技术的1150件专利进行主要专利申请人申请量分析可知, 排名前11的申请人分别是OSAG (33件) 、MATU (32件) 、TOLG (28件) 、BEIJ (20件) 、HITA (19件) 、CHEN (16件) 、ZHAN (15件) 、CNPC (14件) 、DIKA (14件) 、GAZP (12件) 、YAZA (12件) 。申请量前11位的申请人申请量之和占总申请量的18.70%, 其反映出这个行业的集中度一般。其中, OSAKA GAS CO LTD高居首位, 其申请量占2.87%。
4 结语
本综述针对管道检测领域的用声或电学方法进行管道泄漏检测定位的专利技术进行了分析, 对该领域的专利从国内专利申请量趋势、国内专利申请区域、国内专利申请人类型、专利申请各国申请量及国际主要专利申请人申请量五个方面进行分析, 总结其领域发展趋势。
在用声或电学方法进行管道泄漏检测定位技术中, 国外发展较快, 然而我国近些年的发展也是极快速的, 但由于专利本身的时效性以及专利技术的不断更新, 我国专利的发展还应当继续保持对该领域相关技术研发的高度重视, 尽可能地开发具有自主知识产权的技术, 并建立起有效的专利保护体系。
摘要：用电或声学方法对管道泄漏进行检测定位的技术不断发展, 本文在分析管道泄漏检测定位技术背景的基础上, 在中国专利摘要数据库CNABS、德温特摘要数据库DWPI中对分类号F17D5/06进行检索, 进而从国内专利申请量趋势、国内专利申请区域、国内专利申请人类型、专利申请各国申请量及国际主要专利申请人申请量五个方面对用电或声学方法进行管道泄漏检测定位技术专利申请整体分析。
关键词：声波,电学,管道泄漏,检测,专利
参考文献
用电检测 篇5
随着电力公司用电信息采集系统“全覆盖、全采集、全费控”的推进,截至2013年年底,国家电网公司累计安装智能电能表1.82亿只,实现用电信息采集1.91亿户,智能电能表应用量占全球的一半,其用电信息采集系统成为世界上最大的电能计量自动化系统[1],针对大规模电能表的快速实时信息采集,将逐渐生成电力系统中的用电大数据。以100万只电能表计,如果采集频率为15 min,则一年收集的数据量将达到3.18TB,如果采集频率提高到1s,则数据量将高达11.2PB[2],而现有的采集规模远远超过100万台的数量。
当前用电信息采集数据分析模式以静态离线数据分析为主[3,4,5,6],然而这种方式存在与生产运行系统结合不紧密,不能快速反映系统运行状态和及时发现异常现象等问题。而在用电信息采集系统中,某些情况下期望随着实时到达的数据同步处理,从而有利于更快速发现和报警各种异常问题,如用户的窃电行为、系统故障等。但是,用电信息采集系统普遍采用省电力公司集中部署方式,需要面对以千万计的电能表固定频率数据采集和各种异常上传任务,将面临大规模数据流的汇集和快速处理的挑战[3]。
针对大规模数据流的处理需要借助流式计算技术的支持。流式计算是指随着实时到达的数据快速分析,具有更好的实时性和处理速度[7],且与生产系统结合紧密,能快速反映生产系统的运行状态,因此,可以用于处理用电信息采集的数据流。而传统以批处理为主的离线数据分析方式,由于性能和计算模式的问题,很难应对这种在线数据流的快速分析。当前电力系统的多个环节都面临着大规模数据流快速分析的挑战[8,9,10],如针对大范围内输变电设备或发电设备的在线监测、能源互联网广域范围内的信息采集处理等,大规模流式计算技术也是大数据与电力系统深度融合的关键技术之一,是利用大数据技术提高实时生产系统的运行效率和安全性的有效手段。
当前主流的流式计算平台包括Storm和Spark Streaming[11]等,这些平台提供了分布式数据流处理框架。借助成熟的流式计算平台,可以提高系统的安全性和可扩展性,使开发人员更多地关注业务处理。其中Spark是继Hadoop之后的新一代大数据分布式处理框架,基于内存计算技术,从而具有更高的计算效率。Spark Streaming是Spark针对数据流处理的扩展,适合处理高可扩展性、高吞吐率和容错机制的实时数据流。Spark Streaming广泛应用于实时数据流处理的多个领域,包括实时竞价、点击流分析等,因此,可以使用Spark Streaming处理用电数据流。
通过以天或小时为单位的相同类型用户的用电行为具有较强的相似性[6],根据用户类型形成不同的聚类;另一方面,同一用户的历史用电行为也表现出聚类特性。而当用户的用电行为与其聚类不符或不属于任何一个聚类时,表明该用户需要重点关注,有可能用户存在某些违法行为或采集系统的某个环节出现了问题。国网常州供电公司通过将生产数据、用电信息采集数据和用户基本信息数据进行综合对比,创新提出了基于电力大数据分析的反窃电检查新模式,提高了反窃电工作的针对性和效率[12]。聚类技术已广泛应用于电力系统数据分析中[13,14,15],密度聚类算法DBSCAN(density-based spatial clustering of applications with noise)具有抗干扰力强、能发现任意形状的聚类和从数据中同时发现聚类及异常点的特征。因此,基于流式DBSCAN技术和实时到达的用电数据流,通过与相似类型用户及本用户海量历史数据对比,可发现用户异常行为,为电力公司提供参考。
1 流式计算与电力系统
1.1 流式计算概述
当前,大数据的主流计算模式划分为批处理计算(batch computing)和流式计算(stream computing)两种,批量计算和流式计算分别适用于不同的大数据应用场景[7]。其中批处理计算模式(Hadoop MapReduce),首先将数据存储起来,然后再对存储的静态数据进行离线集中计算。而流式计算是当流动的在线数据到来后在内存中直接进行数据的实时计算,适用于对实时响应要求更高的情境。流式计算与生产系统结合更为紧密,能够快速反映系统的状态,并及时发现存在的问题。通常流式计算模式可以用图1表示。图中:圆形表示数据的计算节点,箭头表示数据的流动方向。
通常输入数据流是一个带有时间戳(TimeStamp)的多维数据集合x1,x2,…,xn,每一个数据点xi是包含D维的多维向量。例如在用电数据流中,每个数据点x表示某用户某个时间点的所有采集数据向量。数据流中的异常点N表示与数据集中的一般行为和模型不一致的点,通过聚类或分类技术可以发现异常点。流式计算过程通常用有向无环图(directed acyclic graph,DAG)表示,用于描述数据流的计算过程,类似于流水线处理方式,如图1所示。最终结果也是以流的方式输出。
1.2 流式计算在电力系统中的应用
在电力系统的多个环节中都面临着大规模数据流快速分析的挑战,如在输变电设备在线监测系统中,随着监测范围扩大和深度加强,众多量测和传感装置采集的大量多源异构数据实时发送到监测中心,形成大规模数据流,而监测中心需要高效率地处理这些流数据。调度是电力系统的中枢神经,随着大量分布式能源的并网,电网规模不断扩大且结构越来越复杂;同时电力系统的能量流由单向变为双向,调度的合理性和准确性在很大程度上取决于全景实时数据的快速采集和准确分析,而全系统的数据也将以数据流的形式汇集到调度中心。未来电力系统的部分核心功能将建立在流式计算的基础上,图2展示了流式计算在电力系统输变电设备监测中的应用前景。
当前流式计算在互联网领域应用广泛,但在电力系统中的应用还有待进一步深化。与批处理模式不同,流式计算需要与生产系统进一步融合,并可能影响系统的安全性,因而其应用需要更加慎重。文献[8]较早意识到数据流技术在电网自动化中的应用,以及利用实时数据分析技术提高电网自动化水平,展望了电网实时数据流处理的架构。但文献主要针对单一数据流,没有考虑大规模数据流场景。文献[9]研究了能量管理系统(EMS)数据流管理框架,该框架能够根据流速不同对采集数据进行分类处理。作为当前研究的热点,能源互联网利用互联网的思维实现广域范围内的发电、负荷及其他资源的动态平衡,其首要任务是全景实时数据采集,而对大范围内系统数据采集监测也需要流式计算技术的支撑[16]。
2 流式DBSCAN聚类算法
2.1 聚类技术在电力系统中的应用
聚类是一种重要的数据划分方法,同一个聚类中的对象彼此相似,而与其他聚类中的对象相异。在大数据时代,由于聚类需要较少的人工干预、数据驱动和较强的大数据适应能力等特点,是处理大数据的有效方式之一。聚类技术也广泛应用于电力系统多个环节的数据处理中。文献[13]提出对高速采集的海量录波数据通过半监督聚类技术进行划分,实现了多通道海量录波数据中故障数据集的有效筛选,减少了人工工作量。文献[15]针对电动汽车移动储能特点,提出了基于模糊k-means算法的电动汽车应急供电聚集方案。文献[4]针对采用传统方式难以处理用电信息采集大数据的问题,研究了MapReduce k-means聚类技术,实现了基于数据驱动的用户分类。但这些技术主要采用静态聚类方案,适合于离线数据,而不能直接用于数据流处理。
2.2 数据流上的DBSCAN
在用电信息采集系统中,用户的用电数据以流的形式到达,需要随着数据到达的频率动态计算更新聚类,从而迅速发现异常数据。流式DBSCAN(Streaming DBSCAN)算法或增量算法[17]可以实现此功能,并可通过参数来控制历史数据的延迟和遗忘度。
当一个新的数据点x到来时,可能建立一种新的密度连接,存在以下4种可能状态。
1)x是异常数据。当新数据x在邻域内没有核心点时,将x标记为异常数据。
2)生成新的聚类。新数据x是一个核心点,且满足x不属于任何一个已有的聚类和在x密度可达的点中不存在已有聚类的核心点,这时将创建一个新的聚类。
3)并入现有聚类。新数据点x与某个聚类中的核心点密度可达,则将x加入此聚类中。
4)合并多个聚类。当数据点x插入后,使不同聚类之间的核心点实现了密度可达,这时数据点x和这些相邻的聚类合并为一个新的聚类。
Streaming DBSCAN在插入一个新的数据点时,相当于执行DBSCAN算法的最后一个步骤,因此两个算法具有等价性,也就是增量计算结果和原始算法的聚类结果是一致的。
针对删除操作,本文采用批量删除后,依据新的数据重新计算聚类的方式实现,但考虑历史数据对聚类的影响,设置延迟因子α来综合考虑历史数据对新数据的影响程度,α=1表示历史数据和新数据具有同等影响,α=0则忽略历史数据。对每批新到达的数据xt,依据上一时刻或历史数据聚类情况ct计算新的聚类ct+1,新聚类中包含的数据点个数nt+1为历史数据个数nt和新到达数据个数mt之和。新聚类计算过程如下:
式中:ct+1为当前时刻聚类情况;ct为上一个时刻的聚类情况;nt+1为当前聚类中点的个数;nt为上一个时刻聚类中点的个数;xt为新加入聚类中的点;mt为新加入点的个数。
3 Spark中的流式DBSCAN算法
3.1 Spark Streaming介绍
大规模实时数据流处理对系统的性能、安全性等具有较高的要求,通常需要集群技术的支撑。为方便数据流处理,满足高性能和容错机制的分布式流式计算框架得到了广泛应用,Spark Streaming是当前主流的流式计算框架之一[18]。
Spark是开源类Hadoop MapReduce的通用内存并行计算框架,但不同于MapReduce直接读写磁盘,Spark Job中间输出和结果可以保存在内存中,而不需要读写Hadoop分布式文件系统(Hadoop distribute file system,HDFS),因此Spark能更好地适用于数据挖掘与机器学习等需要多次迭代的算法。弹性分布式数据集(resilient distributed dataset,RDD)是Spark的最基本数据结构,是对分布式内存的抽象使用,实现了以操作本地集合的方式来操作分布式数据集。
Spark Streaming是Spark针对数据流处理的扩展,支持多种数据源的接入,并提供高层次的函数,如map,reduce,windows(滑动窗口)等来分析数据流。DStreams(discretized Streams)是Spark针对数据流的抽象,用于表示持续的数据流或从其他数据源接收的数据。DStreams表示连续的序列RDDs,每个RDD包含一段特定时间间隔的数据,如图3所示。
3.2 大规模用电数据流DBSCAN聚类算法
基于Spark Steaming平台,实现了用电数据流的Streaming DBSCAN算法。具体计算过程包含以下几个步骤。
1)步骤1:数据归一化处理
由于用电数据的特征量包含不同的量纲和单位,需要通过归一化消除指标之间的量纲影响。归一化处理也是数据挖掘的一项基础工作,因为不同评价指标往往具有不同的量纲和单位,这样的情况会影响数据分析的结果及数据指标之间的可比性。原始数据经过数据标准化处理后,各指标处于同一数量级,适合进行综合比对评价。min-max标准化(min-max normalization)方法是一种有效的归一化方法,也称为离差标准化,是通过对原始数据x的线性变换,使结果值映射到[0,1]之间的x*。转换函数如下:
式中:xmax为样本数据的最大值;xmin为样本数据的最小值。
这种方法的缺陷就是当有新数据加入时,可能导致xmax和xmin的变化,需要重新定义。在Streaming DBSCAN算法中,xmax和xmin的值会根据聚类数据的更新重新计算。
2)步骤2:利用历史数据计算聚类
选取典型历史数据(训练数据集),使用传统DBSCAN算法对数据聚类,并对每个数据点进行标注。标注后的数据点格式为:
式中:y为点所属的聚类;xi为点的各个属性;z为数据点的类型,包括核心点、异常点和边缘点3类。
历史数据的选取应具有较好的代表性和较大的数据量,以保证不同类别用户的用电特征选取;随着系统正常运行后,此部分数据更新为包含多个时间间隔的真实数据。在Spark Streaming平台上,这部分数据作为广播变量(broadcast)分发到所有节点。
3)步骤3:计算以天或小时为单位的数据向量
当前用电信息采集系统通常每隔15 min采集一次数据,数据项包括:电压、电流、相角及用电量信息等,根据系统实时性要求可以计算出以天或小时为单位的电压、电流有效值和用电量,作为用户用电数据的特征量。结合其他用户信息,如家庭人数、房屋面积及家用电器数等,综合得到数据点向量。
通过电流有效值来刻画用户的用电特性,电流有效值是获取一定时间内对得到的采样值利用公式计算得出:
式中:T为采样周期;i(t)和I为采样时刻值;N为一个采样周期内的采样点个数。
利用Spark Streaming计算时间间隔内接收到的数据点,为每个家庭用户生成一个向量,计算过程包括Map和Reduce两个阶段。Map阶段对数据进行解析,提取需要的数据;Reduce阶段规约数据,将数据根据用户进行分类汇总,最终得到每个用户每个时间间隔的记录(向量)。
4)步骤4:与用户基本信息做join操作
用电信息数据通过join(连接)操作与家庭其他信息合并,生成最终包含家庭和用电信息的向量。join操作利用家庭编号实现两个RDD数据集的合并,Spark Streaming提供了join算子。
5)步骤5:Streaming DBSCAN算法
针对转化后的用电数据向量,实时判断向量的聚类特征,发现异常数据,以供相关人员参考。用电数据在纵向(历史数据)和横向(相似用户)上表现出聚类特性。对一个用户来讲,其每天的用电信息与历史上某天的用电数据具有相似性,形成聚类特性。对同一类型用户,如具有相似的房屋面积、人口数和电器数量,则用电特征具有相似性,也会表现为聚类特征。在样本数据足够丰富的情况下,如果用户的数据与历史数据不符或与同类用户不符,则可能存在问题,需要特别关注。判断过程如下:如果用电数据在纵向和横向上表现出聚类特征,则标记为正常数据,否则标记为异常数据。
6)步骤6:根据历史数据的延迟因子α,将最近一段时间间隔内的数据作为训练数据集,重复步骤2 至步骤5。
整个处理过程如图4所示。
用电数据流按时间间隔组成DStreams,对DStreams中的每一条记录做归一化处理和选取有意义的字段,通过Map操作完成;然后以用户和时间间隔为单位汇总数据,用以描述用户的用电行为,此操作使用Reduce操作完成,最终生成以用户为单位的用电特征向量,如图4中的操作(1,3)。用户用电特征量和其他信息特征量通过join操作整合为新的特征量,如图4中的操作(4)。新的特征量以Streaming DBSCAN方式处理,并实时发现异常数据。当新数据达到一定规模后,部分替换历史数据,并生成新的聚类结果。
4 试验验证
4.1 平台建设和试验系统的设计和实现
为验证算法的执行效率和正确性,利用单机Standalone模式模拟Spark Streaming集群环境(Spark版本为1.4.1)对算法进行测试。试验数据为模拟数据,以某省级电网公司用户采集的正常数据作为参考。试验包括两个方面:大规模用电数据流的快速异常检测及检测的正确性。
通常在用电信息采集系统中通过通信前置机接收各种终端发送过来的数据,在测试环境中使用Java编写的程序来模拟生成用电数据流,并将数据流推送到Spark Streaming集群处理,利用StreamingContext的socketTextStream方法(该方法将接收的文本数据流转换为DStreams)在服务器指定端口接收数据流,并实时处理,最后将数据保存到HDFS中,而异常数据则实时输出。测试环境的架构如图5所示。
4.2 仿真实验
通过程序自动生成模拟用电数据,基于Java的Socket多线程编程实现,依据计算机拥有的CPU核心个数,创建对应的线程数,线程每隔一定时间间隔向服务器的Socket端口发送用电数据。例如:模拟100万个用户每隔15min采集一次数据,每1h接收数据条目400万条,如果是4个线程,则每个线程发送数据的间隔约为4 ms。在Spark Streaming中首先创建StreamingContext对象,并设定接收线程个数和DStreams的时间间隔,其设置语句如下。
利用Spark中LabeledPoint对象表示数据向量,LabeledPoint是一种标签数据,数据结构分为标签(Label)和特征(Features)两部分。具体结构为(label index1:value1index2:value2…),其中label为标签数据,index1和index2为特征值序号,value1和value2为特征值。用Vectors对象表示LabeledPoint数据集合。
对实时到达的用电数据流,利用socketTextStream方法从对应端口接收并转化为文本数据,用DStreams表示和缓存;然后基于Streaming DBSCAN对新数据点进行判断,并标注为属于某个聚类或异常点,利用DStreams的map操作多个数据点并行处理。具体计算流程如图4所示。
通过变换用户数和采集频率,验证了算法的效率,实验结果表明Spark Streaming可以支持大规模用电数据流处理,Streaming DBSCAN算法能快速检测异常数据。表1展示了每4s生成一条数据,每120s计算一次的算法。从表中可以看出,系统能够接收数据,并在有效时间内处理完成。
变换数据采集频率,在1s生成10条数据、120s大约生成1 200条数据的情况下测试算法性能,结果如表2所示。算法总处理时间控制在秒级。由于Streaming DBSCAN其时间复杂度与历史数据规模相关为O(n),在集群规模情况下,算法具有线性加速比,因此可以适应更大规模的数据流。
为验证算法的正确性,首先利用传统DBSCAN算法对测试数据(历史数据和新数据)进行聚类划分,生成聚类结果和异常点;然后,基于Streaming DBSCAN算法对新数据实时聚类计算,比较两种算法的最终生成聚类个数和异常点个数。在不同测试数据情况下的实验结果如表3所示。实验结果表明,Streaming DBSCAN与原始DBSCAN算法具有同等准确性。
5 结语
本文探讨了流式计算技术在电力系统中的应用和展望,提出利用流式计算技术处理大规模用电数据流,基于Spark Streaming平台和Streaming DBSCAN算法,结合用电数据的聚类特性,实现了对用电数据流的快速检测。