基于ZigBee網(wǎng)絡(luò)和視頻監(jiān)控的電力設(shè)備故障監(jiān)測(cè)與診斷

王 晟，陳新星，陳人楷

(國(guó)網(wǎng)福建省電力有限公司信息通信分公司，福建 福州 350000)

隨著電網(wǎng)建設(shè)規(guī)模不斷擴(kuò)大和電力設(shè)備覆蓋率的提高，需要調(diào)控中心監(jiān)控的電力設(shè)備數(shù)量激增，難以及時(shí)高效、準(zhǔn)確地發(fā)現(xiàn)電力設(shè)備存在的安全隱患和故障[1-2]，因此開(kāi)展電力設(shè)備故障高精度遠(yuǎn)程監(jiān)測(cè)與故障診斷，有針對(duì)性地根據(jù)實(shí)際需求進(jìn)行可靠的運(yùn)營(yíng)和維護(hù)，對(duì)提高電力部門(mén)的管理能力和保障用戶的用電安全具有重要的理論價(jià)值和實(shí)際意義。

與傳統(tǒng)通信網(wǎng)絡(luò)相比，ZigBee網(wǎng)絡(luò)具有鋪設(shè)成本低和傳輸效率高的優(yōu)點(diǎn)。本文運(yùn)用ZigBee無(wú)線網(wǎng)絡(luò)傳輸電力設(shè)備視頻監(jiān)控信號(hào)和故障信號(hào)，給出了電力設(shè)備故障監(jiān)測(cè)與診斷框架，運(yùn)用正則化極限學(xué)習(xí)機(jī)(regularized extreme learning machine ，RELM)進(jìn)行電力設(shè)備故障診斷，與極限學(xué)習(xí)機(jī)(extreme learning machine，ELM)、支持向量機(jī)(support vector machine，SVM)和前饋神經(jīng)網(wǎng)絡(luò)(backpropagation network，BPNN)相比，具有更高的診斷準(zhǔn)確率和更低的誤判率，提高了電力設(shè)備故障診斷的精度，為電力設(shè)備故障診斷研究和應(yīng)用提供了新的方法。

1 電力設(shè)備故障監(jiān)測(cè)系統(tǒng)結(jié)構(gòu)

為實(shí)現(xiàn)電力設(shè)備故障監(jiān)測(cè)與診斷，基于ZigBee網(wǎng)絡(luò)成本低和傳輸效率高的優(yōu)點(diǎn)[3]建立電力設(shè)備故障檢測(cè)系統(tǒng)，運(yùn)用ZigBee無(wú)線網(wǎng)絡(luò)傳輸電力設(shè)備視頻監(jiān)控信號(hào)和故障信號(hào)。系統(tǒng)結(jié)構(gòu)和ZigBee無(wú)線網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)結(jié)構(gòu)和ZigBee無(wú)線網(wǎng)絡(luò)結(jié)構(gòu)圖

圖中監(jiān)測(cè)模塊、主控模塊以及GPRS信號(hào)發(fā)射模塊為電力設(shè)備故障監(jiān)控終端；ZigBee網(wǎng)絡(luò)模塊和Internet網(wǎng)絡(luò)模塊負(fù)責(zé)無(wú)線網(wǎng)絡(luò)通信，傳輸電力設(shè)備視頻監(jiān)控信號(hào)和故障信號(hào)；GPRS信號(hào)接收模塊和計(jì)算機(jī)處理中心為監(jiān)控中心，負(fù)責(zé)處理數(shù)據(jù)、故障診斷和調(diào)度維護(hù)。

2 電力設(shè)備故障監(jiān)測(cè)與診斷框架

傳統(tǒng)的電力設(shè)備監(jiān)測(cè)與故障診斷分析是靜態(tài)的，屬于事后維修或預(yù)防維修，一般是等到設(shè)備無(wú)法正常工作時(shí)再進(jìn)行維修，或者是預(yù)先制定計(jì)劃定期進(jìn)行檢修或更換，存在效率低下、費(fèi)時(shí)費(fèi)力、維修成本高等缺點(diǎn)[4]。為實(shí)現(xiàn)電力設(shè)備故障監(jiān)測(cè)與診斷，本文提出如圖2所示的電力設(shè)備故障監(jiān)測(cè)與診斷架構(gòu)。

圖2 電力設(shè)備故障監(jiān)測(cè)與診斷架構(gòu)

電力設(shè)備故障監(jiān)測(cè)與診斷架構(gòu)包括3層，分別為狀態(tài)監(jiān)測(cè)層、故障診斷層和維修方案層。狀態(tài)監(jiān)測(cè)層主要負(fù)責(zé)采集電力設(shè)備監(jiān)測(cè)數(shù)據(jù)并通過(guò)ZigBee網(wǎng)絡(luò)進(jìn)行傳輸；故障診斷層主要負(fù)責(zé)關(guān)鍵數(shù)據(jù)的分析與處理，進(jìn)行故障診斷，并與電力設(shè)備監(jiān)測(cè)的歷史數(shù)據(jù)庫(kù)、設(shè)備故障庫(kù)等的數(shù)據(jù)對(duì)比；維修方案層主要根據(jù)故障診斷結(jié)果，制定科學(xué)合理的維修方案。

3 正則化極限學(xué)習(xí)機(jī)

ELM的數(shù)學(xué)模型為[5-6]：

(1)

式中：x,fL(x)分別為輸入、輸出變量；L為ELM模型的隱含層神經(jīng)元數(shù)；βi為第i個(gè)隱含層神經(jīng)元對(duì)于輸出神經(jīng)元的權(quán)重系數(shù)，βi∈R；G(ai,bi,x)為第i個(gè)隱含層神經(jīng)元的輸出函數(shù)，ai,bi分別為第i個(gè)隱含層神經(jīng)元的輸入權(quán)重和偏置，ai∈Rn，bi∈R，n為樣本數(shù)量。輸出函數(shù)G(ai,bi,x)為：

G(ai,bi,x)=g(ai·x+bi)

(2)

(3)

公式(3)的矩陣形式為：

Hβ=Y

(4)

其中：

(5)

式中：h(xi)=[G(a1,b1,xi) …G(aL,bL,xi)]。為提高ELM模型的準(zhǔn)確性，在ELM模型中引入正則化因子λ，即為RELM，則求解β的過(guò)程為：

(6)

式中：εl為訓(xùn)練偏差。根據(jù)Karush-Kuhn-Tucker條件[7]，式(6)的優(yōu)化問(wèn)題可轉(zhuǎn)化為：

(7)

式中：al,j為L(zhǎng)agrange乘數(shù)，Karush-Kuhn-Tucker乘數(shù)；εl,j為第l個(gè)隱含層第j個(gè)單元的偏置；yl,j為期望輸出值。則β的最優(yōu)解為：

(8)

式中：I為最小化損失函數(shù)。

通過(guò)以上分析可知，隱含層神經(jīng)元數(shù)L和正則化因子λ的參數(shù)選擇直接影響RELM的性能。

4 實(shí)驗(yàn)與結(jié)果分析

為了驗(yàn)證本文算法的有效性，選擇蘇正220 kV變電站10 kV#1電容器組正常狀態(tài)、外殼滲漏油、電容器瓷套管炸裂、電容器擊穿和熔斷器熔斷等5種信號(hào)樣本數(shù)據(jù)為研究對(duì)象，不同信號(hào)樣本數(shù)據(jù)見(jiàn)表1。

表1 信號(hào)樣本數(shù)據(jù)

選擇準(zhǔn)確率TR和誤判率FR作為評(píng)價(jià)電力設(shè)備故障診斷系統(tǒng)性能的指標(biāo)[7-8]，其中，對(duì)于準(zhǔn)確率TR，若電力設(shè)備故障類(lèi)型的總數(shù)為T(mén)otal，被正確識(shí)別的電力設(shè)備故障類(lèi)型數(shù)為Acc，則電力設(shè)備故障診斷的準(zhǔn)確率為T(mén)R=Acc/Total。對(duì)于誤判率FR，若第i類(lèi)電力設(shè)備故障的實(shí)際數(shù)量為H，而將第i類(lèi)電力設(shè)備故障誤判為第j類(lèi)電力設(shè)備故障的數(shù)量為G，則電力設(shè)備故障類(lèi)型的誤判率為Fij=G/H。

1)診斷流程。

基于ZigBee網(wǎng)絡(luò)和視頻監(jiān)控的電力設(shè)備故障監(jiān)測(cè)與診斷流程為：首先由各類(lèi)傳感器采集電力設(shè)備故障信號(hào)數(shù)據(jù)；其次利用小波包3層分解和重構(gòu)電力設(shè)備故障信號(hào)數(shù)據(jù)提取小波包能量特征(共8個(gè)頻帶的小波包能量特征)；再次將提取的特征數(shù)據(jù)分成訓(xùn)練樣本和測(cè)試樣本，將訓(xùn)練樣本的電力設(shè)備故障信號(hào)特征數(shù)據(jù)和根據(jù)特征數(shù)據(jù)獲得的故障類(lèi)型(正常狀態(tài)、外殼滲漏油、電容器瓷套管炸裂、電容器擊穿和熔斷器熔斷)作為RELM模型的輸入和輸出，建立電力設(shè)備故障的RELM識(shí)別模型，之后運(yùn)用測(cè)試樣本驗(yàn)證電力設(shè)備故障RELM識(shí)別模型的有效性。

2)結(jié)果分析。

為了驗(yàn)證本文電力設(shè)備故障診斷方法的效果，將RELM與ELM、SVM和BPNN進(jìn)行對(duì)比，對(duì)比結(jié)果如表2和圖3～圖6所示。

表2 診斷結(jié)果 %

圖3 RELM診斷結(jié)果

圖4 ELM診斷結(jié)果

圖5 SVM診斷結(jié)果

圖6 BPNN診斷結(jié)果

圖3～圖6直觀地展示了電力設(shè)備故障的診斷類(lèi)別和電力設(shè)備故障的實(shí)際類(lèi)別，其中“*”表示電力設(shè)備故障的診斷類(lèi)別，“○”表示電力設(shè)備故障的實(shí)際類(lèi)別。當(dāng)“*”和“○”重合時(shí)，電力設(shè)備故障的診斷類(lèi)別和電力設(shè)備故障實(shí)際類(lèi)別一致，說(shuō)明診斷結(jié)果正確；當(dāng)“*”和“○”不重合時(shí)，電力設(shè)備故障的診斷類(lèi)別和電力設(shè)備故障實(shí)際類(lèi)別不一致，此時(shí)電力設(shè)備故障診斷錯(cuò)誤。由表2和圖3～圖6可知，RELM的電力設(shè)備故障診斷準(zhǔn)確率和誤判率分別為99.45%和0.55%，優(yōu)于ELM的96.28%和3.72%，SVM的96.43%和3.57%以及BPNN的92.33%和2.67%。與ELM、SVM和BPNN對(duì)比發(fā)現(xiàn)，運(yùn)用本文算法RELM進(jìn)行電力設(shè)備故障診斷具有更高的診斷準(zhǔn)確率和更低的誤判率，提高了電力設(shè)備故障診斷的精度，為電力設(shè)備故障診斷研究和應(yīng)用提供了新的方法。

5 結(jié)束語(yǔ)

為實(shí)現(xiàn)電力設(shè)備故障監(jiān)測(cè)與高精度診斷，本文提出了一種基于ZigBee網(wǎng)絡(luò)和視頻監(jiān)控的電力設(shè)備故障監(jiān)測(cè)與診斷方法。與ELM、SVM和BPNN相比，運(yùn)用本文方法進(jìn)行電力設(shè)備故障診斷具有更高的準(zhǔn)確率和更低的誤判率，為電力設(shè)備故障診斷提供了新的方法。但本文只提取了電力設(shè)備故障信號(hào)的8個(gè)頻帶的小波包能量特征，所提取的故障特征較少，下一步將研究包括更多特征的電力設(shè)備故障診斷方法。