基于物聯網的電氣設備傳感信號分析方法研究

國網福建省福鼎市供電有限公司 吳謀凡

實現智能電網，電網設備和線路的數據應用是技術關鍵。應用各類傳感器采集高壓電氣設備的局部放電信號,將高頻傳感器的超高頻信號進行低噪的放大，濾除干擾信號后進行轉換得到高精度信號波形?；虿杉O備的機械振動及溫度信號，采用物聯網傳輸方式提高網絡通信質量，解決有線傳輸中信號線引入的采集誤差，應用太陽能、風能等電源輔助系統，便于傳感器安裝維護。這些傳感技術應用計算機系統進行信號的計算和分析，在電網設備上實現數據應用和共享[1]。

1 應用和發(fā)展方向

電氣設備傳感器在電力系統中主要應用于設備狀態(tài)監(jiān)測和定位，在保證設備安全和不影響設備運行的前提下使用傳感設備。不科學的安裝傳感設備和錯誤的分析計算方式，將導致數據偏差大甚至無法使用，對設備的狀態(tài)監(jiān)測功能失效，也無法對設備運行情況進行正確分析。在生產環(huán)節(jié)中使用電氣設備要有便利性和準確性，不能出現因傳感器安裝負擔影響設備運行和人員現場檢查的額外工作負擔，為此需經濟有效的方法來進行監(jiān)測和數據傳輸，以防止設備安全風險[2]。

電氣設備傳感信號分析技術不僅在設備質量檢查和試驗環(huán)境中、且在生產環(huán)境監(jiān)測和設備運行方式變更方面都有可能改變設備運行性能和使用壽命，這些與傳統遙測信號設備相比更具有優(yōu)越性和先進性，能進行高頻和連續(xù)采樣的信號監(jiān)測，縮短采集間隔而不對通信系統和服務器產生額外性能開銷。目前只有少量設備可從合理準確的設備信號量進行可靠設備運行狀態(tài)分析，這些電氣設備大多數與監(jiān)測的電壓電流信號有關，而不是與設備本身物理數據關聯。

隨著物聯網技術發(fā)展，基于物聯網的電氣設備傳感可實時和持續(xù)檢測重要的設備信號，與設備關鍵部位緊密對接，更全面的分析設備運行狀態(tài)和信號變量。從電氣設備如變壓器等發(fā)出的機械聲學信號包含有關變壓器運行診斷的重要信息，利用加速計和接觸式音頻采集元件的特性，可獲取高品質的機械聲學信號。傳感器用于獲取故障設備的對照組的信號分析圖譜，并在已知故障情況的電氣設備上評估其在檢測弱機械聲信號中的可行性，從而提高數據準確可用率和數據精度[3]。

電氣設備裝載的傳感器可通過物聯網從理論上連續(xù)不間斷地監(jiān)視設備信號測量值，如開關狀態(tài)量、設備機械振動、空間位移量和溫度變化量等，在設備穩(wěn)定運行的時間段內連續(xù)監(jiān)視和分析電力系統，有助于故障的早期發(fā)現和全面診斷。近年對電氣設備的研究開展取得很多效益，但在數據分析上傾向于利用傳感器上獲得的數據平均值測算，而數據采集和環(huán)境干擾問題未有效解決。有研究表明與單一任務模式相比，通過卷積去噪自動編碼方法和機器學習可提高數據監(jiān)測性能和準確性。

2 傳感數據分析技術及信號的處理方式

傳統電氣設備傳感器有一個主要的共同點：與電氣設備直接連接，測量的分析對象主要是電壓或電流變量，許多干擾因素決定了測量的數據是否真實可靠。隨著電子技術和人工智能技術的發(fā)展，非直接接觸式傳感器能更準確測量到電氣設備的信號變化，并能通過高效的通信系統和數據智能分析處理系統，實現多維傳感數據的組合應用。

在現有的設備試驗和測試環(huán)境中，從未考慮或適當地關注電氣設備內部或外部接線測量數據與設備運行狀態(tài)改變的關系，有限利用設備電壓或電流的變化量用于設備機械特征的標識數據。這些遙測數據僅表現了設備運行狀態(tài)，這類直接測量的電氣數據和設備運行間的關系計算，無法完成設備內在隱患的評估分析,這些數據的環(huán)境條件并不能充分反映設備運行狀態(tài)。為便于實現機器學習來識別設備異常運行情況下各個設備傳感數據變化，傳感器應具有可拆卸和簡便安裝特性，需創(chuàng)建多維數據集以模擬和試驗設備運行的各類環(huán)境及狀態(tài)，使用基于物聯網的非直接連接式傳感器可較好實現這個目標。

設備運行隱患與多種因素相關，包括機械構件物理特性，保養(yǎng)情況和設備運行環(huán)境等，特別是在戶外設備和潮濕腐蝕環(huán)境中不合理的運行方式會使設備存在潛在的安全隱患。傳統的故障分析需要較高的工程技術，花費較大的時間和精力，特別是需要反復試驗和人工采取數據。而機器學習方法越來越多地被應用到運行分析和事故調查中，能更好的解讀設備傳感信號。具體操作是將多組類型的電氣設備原始傳感器數據歸類合并到一個文件中，其中作為研究對象的電氣設備作為第一級，傳感器作為第二級。通過物聯網收集電氣設備傳感數據，根據數據設計需要設置采樣頻率。傳感器的輸出通過軟件進行同步，然后導出為標準txt文件格式，在MATLAB下導入和處理。存儲庫中以MATLAB的數據文件格式提供經過處理的數據文件，腳本為導入原始傳感器數據文件，應用Butterworth巴特沃斯濾波器處理信號計算丟失的幀，將處理后的數據導出到MATLAB的數據文件中。

機械動作和機械振動用于故障自動分類和診斷具有指標意義，所記錄的信號頻率內容和時間可用于識別設備異常運行狀態(tài)，例如由于放電和機構卡頓的雜音。傳感器在記錄波形方面的性能已通過現場驗證，比較幾組方法同時記錄的信號波形，結果表明特定故障信號有較高相似性。在設備運行期間發(fā)生明顯的機械動作和溫度變化，精確地和連續(xù)地測量設備運行指標需收集足夠的相關數據，以識別不同的設備運行階段，這提示每個設備運行階段都有獨立的信號特征。根據傳感器組獲取的數據處理，對數據集合進行分析評價，從設備啟動到轉入穩(wěn)定運行的時間或對設備開始操作到操作結束直至持續(xù)穩(wěn)定運行的過程進行評估，由開關啟動（第1階段）、機械運動（第2階段）、穩(wěn)定運行前信號變化量（第3階段）、信號達到系統運行穩(wěn)定狀態(tài)（第4階段）。通過一段較長時間或多段短時間記錄信號，使用平均值計算法來改善信噪比，提高數據獲取能力。

設備診斷措施是使用傳感器在電氣系統上通過較長時間的連續(xù)監(jiān)測，通過各型設備采集數據的比對，分析信號中存在故障信息可指示電氣設備的結構缺陷來判定設備工況，是簡單且具有成本效益的一種預先干預方式。通過運動傳感器判斷機械部件的分合和驅動情況，使用無線傳感器技術遠程獲取實時數據和參數，檢測機械動作和電壓峰值，利用機器學習分類器自動識別數據內容和設備運行階段。同時使用多個傳感器來記錄信號并應用信號分解的處理技術獨立分量分析和調制濾波來減少噪聲，在傳感器組獲取數據后計算從數據曲線遠端到近端的振動、溫度、電壓、電流、磁信號等。采集電氣設備的機械運動和產生的振波以及遙測信號，以提高設備故障診斷準確性。除了指標信號量外，還有一些信號隨著設備運行時間和設備保養(yǎng)不同階段而變化，可作為設備故障情況判斷佐證。

3 數據預處理和應用

電氣設備傳感器異常特征信號量的早期檢測對于潛在故障和隱患的排查及提高設備可靠性至關重要。傳感器對設置范圍的振動頻率做出響應并具有較高的感測范圍，可穩(wěn)定持續(xù)地監(jiān)測設備微量規(guī)律振動以及設備的機械運動，從而關聯多維數據，可將信號傳輸與設備運行聯系起來。數據收集和傳感器間的傳輸錯誤等原因，可能出現一些數據幀或數據包被丟棄的情況,適當轉換后生成誤差率，處理后的數據集合匹配各類故障情況下運行設備傳感器的濾波信號曲線。使用MATLAB進行數據預處理，對傳感器的數據進行補齊差值，然后對數據重新采樣，以校正錯誤和丟失的數據片段。分析納入計算的數據自動計算出傳感器信號的標準偏差，和標準數值偏差較大的數據進行修正，例如偏差量大于平均值30%和高于最大增量50%的數據理論上認為是錯誤數據，主要來源于背景噪音。修正數據后，刪除過渡數據中高于平均值的特定數量的異常點，特定數量計算為偏高數據量的10%?？蓪⑼M傳感的信號疊加計算以創(chuàng)建復合傳感信號。

電氣設備中的數據干擾尚未得到有效解決，不準確的數值估計和錯誤狀態(tài)信號在很大程度上是由信號質量差引起的。確保傳感器貼近設備故障點所在區(qū)域，避免由于振動而產生的信號干擾，提供足夠的固著壓力。使用數據采集系統將模擬數據傳輸到計算機，應用MATLAB程序和NUMPY采用數據處理和過濾技術將低頻與高頻成分分開。目前常用的方法有頻譜分析法、峰谷間逐次差分的均方根、圖表分析、形狀分析、動態(tài)時間規(guī)整等，卷積神經網絡已取的較好應用效果，通過反向傳播訓練的模型來學習,進一步減少噪聲偽像并獲得更高的信噪比。

通過信號質量集成，使用卷積去噪自動編碼器的無監(jiān)督預訓練執(zhí)行預訓練，給定一組未標記的訓練輸入，對編碼器進行訓練以學習恒等函數的壓縮近似值，以便解碼器可使用反向傳播來產生類似于輸入的輸出。設備故障數據模型在四個階段的分析評價下實現分類，這表明在這些階段中存在特定數據差異，而基于傳統數據上下限判定的數據模型無法充分識別到這些差異。增加數據樣本的大小將擴展訓練數據集，并可能會提高區(qū)分度，以實現更準確的設備運行階段以及對各類型設備故障的識別。