地下電纜通道的無線溫濕度傳感網與BP評估

文 溢， 趙振剛， 宋維彬， 李 川

(昆明理工大學 信息工程及自動化學院,云南 昆明 650500)

?

地下電纜通道的無線溫濕度傳感網與BP評估

文 溢， 趙振剛， 宋維彬， 李 川

(昆明理工大學 信息工程及自動化學院,云南 昆明 650500)

無線傳感網技術線路較少，串繞簡單等特點，使得短距離的無線傳感技術能很好地解決地下電纜通道電纜線路繁多、運營維護監測困難等問題。通過建立基于無線溫濕度傳感網的地下電纜通道系統，用溫濕度傳感器對其進行監測，監測的實時數據用無線傳感網技術傳回，并通過BP神經網絡模型對監測數據進行網格訓練，建立優化模型，得到優化前后的權值和閾值訓練誤差曲線，優化前的訓練樣本和測試樣本的仿真誤差分別為0.19和0.30，優化后這兩個數值分別為0.17和0.024。隨機選取楚雄腰站變電站20組監測數據帶入BP模型，得到結果與電纜通道溫濕度安全等級對比，準確度達到93.3 %。

無線傳感網； 地下電纜通道； 溫濕度傳感器； 實時監測； BP神經網絡

0 引 言

地下電纜通道內電纜線路增多，電力設備數量增大，通道結構日趨復雜，電纜及相關的電力設備的運行環境參量的要求非常苛刻，環境監測變得困難[1，2]。監測系統的實施、安裝調試和運營維護難度的增加，也給安全用電和故障的排除帶來了巨大的挑戰[3，4]。無線通信技術布線簡單，組網靈活，可靠性大以及傳輸速率高，能很好地解決這些問題。2010年，付永長、陳濤等人設計了一種利用光纖光柵對地下電纜通道測量溫濕度的傳感系統。同年，周江川提出可以用無線傳感系統很好的解決地下電纜通道的線路復雜等問題。

本文以云南楚雄35 kV腰站變電站作為研究試點[5]，以地下電纜通道溫濕度為安全狀態評估對象，通過建立無線傳感網絡評估系統[6]，對地下電纜通道的溫濕度等安全因素進行遠程在線監測，利用BP神經網絡智能算法進行模型優化，評估預警等級[6，7]。

1 智能溫濕度傳感器結構及原理

選用的智能溫濕度傳感器，其結構如圖1所示，其中，SCK為串行時鐘輸入，DATA為串行數據輸入。根據智能溫濕度傳感器內部結構框圖簡單的描述其測量原理：首先，利用兩個敏感元件分別得到相對濕度、溫度的信號，將它們送到信號放大器進行模擬信號的增益和放大，將增益放大后的兩個模擬信號送到14 bit的A/D轉換單元，變成數字信號，除此以外，還可以實現數據的校準和糾錯功能；其次,通過一個二線串行接口將轉換后的相對濕度和溫度的數字信號數據傳送至微控制器，最后,這些數據會被微控制器進行智能處理，來完成數據輸出非線性補償和溫度漂移補償。傳感器采用大規模集成電路和嵌入式技術將智能溫濕度傳感器的各個組成部分集成到一個小的芯片上面，從而具備了高可靠性、高擴展性、高精確性、高補償性能等特點，使傳感器的品質上升到更為卓越的層次。可實現對地下電纜溝內溫濕度環境參數的測量，具有數字式輸出、信號濾波、信號補償、免調試、免標定、網絡通信、自定標自校正、免外圍電路及全互換的特點。

圖1 智能溫濕度傳感器內部結構框圖Fig 1 Internal structure block diagram of intelligent temperature and humidity sensor

2 地下電纜通道的無線傳感監測系統構建

無線傳感監測系統構建主要是滿足實現系統自身的穩定性基礎上，結合通信與嵌入式技術、計算機技術和智能傳感器技術，實現變電站電纜溝溫濕度的狀態監測和可靠通信的需求。同時，對所有監測對象及實施檢測的無線傳感節點按照IEC61850標準進行建模，采用XML來描述配電站內的設備和節點，開發包含變電站配置描述語言(SCL)的組態配置工具實現底層設備組態建模。根據系統監測平臺實現電氣設備運行環境狀態直觀可視化，異常數據預警化，為保障電纜通道輸供電安全提供可靠依據。

以云南楚雄220 kV腰站變電站為試點，結合前期工程考察和實地監測需要確定具體安裝位置為35 kV高壓室電纜溝及室外與主控室連接的部分電纜溝，考慮到電纜溝內每隔4 m左右有防火隔斷，以每個防火隔斷為一個獨立單元，每個防火隔斷中的基站都有獨立的ID，分布按照35 kV高壓室電纜溝東西走向依次ID1至ID14，特別地，ID2至ID7區域為35 kV開關柜的分布區域，ID8至ID14為單一走線的電纜溝區域且與室外電纜溝連接[8,9]。電纜溝溫濕度傳感器網絡拓撲圖如圖2。

圖2 電纜溝溫濕度傳感器網絡拓撲圖Fig 2 Cable conduit temperature and humidity sensor network topological graph

腰站變電站要求檢測系統不僅能夠準確測得電纜溝內每個防火隔斷監測點處截面的環境狀況，也要能夠監測到每條高壓電纜在電纜溝內的實際運行狀況，達到在電纜溝內監測區域無監測盲點。這樣的要求不僅有利于監測范圍的全覆蓋，及時準確地進行數據的測量和預警，同時也能夠為變電站電力管理人員搶修故障展現測量點的直觀位置和后期的數據分析提供了可靠的數據支持。

針對地下電纜通道內電纜和電氣設備安全運行的需要，采用無線傳感網技術對地下電纜通道的溫濕度參數進行在線動態監測以及數據智能分析和決策控制，監測模型通信結構參見圖3。

圖3 網絡通信拓撲結構Fig 3 Topological structure of network communication

系統數據流程圖(圖4)可分為三大層模塊：最底層是采集控制層，主要功能是實時采集檢測信號，進行A/D轉換，通過總線方式傳遞給網關(采集裝置)，網關通過以太網和無線通信方式將該數據傳送給服務端。第二層是服務端通過神經網絡對數據進行分析和計算，通過IEC61850中間件，給數據加上必要的數據屬性，形成數據文件(數據庫與SCL結合)[10,11]。第三層是基于WEB訪問的客戶端,進行設備監測狀態的顯示、報警及相關控制。

圖4 系統數據流程圖Fig 4 Flow chart of system data

無線通信基站和網關通過握手的方式建立通信信道，登錄及上報數據流程如圖5所示。基站通電后，主動發送登錄報文請求登錄，網關接收到基站發來的請求登錄報文并驗證用戶名和密碼，驗證正確后，返回確認報文給基站。基站接收到確認報文后表明信道建立，并自動進入數據采集模式，基站每2 min上送一次數據報文給網關，發送完成后自動進入低功耗模式。

圖5 登錄與上報數據流程Fig 5 Login and report data process

3 BP網絡模型安全狀態評估

遺傳算法優化BP神經網絡主要分為：BP神經網絡結構確定、遺傳算法優化權值和閾值、BP神經網絡訓練及預測。其中，BP神經網絡的拓撲結構是根據樣本的輸入/輸出參數個數確定的，這樣就可以確定遺傳算法優化參數的個數，從而確定種群個體的編碼長度。遺傳算法優化參數是BP神經網絡的初始權值和閾值，權值和閾值一般是通過隨機初始化為[-0.5，0.5]區間的隨機數，這個初始化參數對網格訓練的影響很大，但是又無法準確獲得，對于相同的初始權重值和閾值，網格的訓練結果是一樣的，引入遺傳算法就是為了優化出最佳的初始權值和閾值。具體算法優化BP神經網絡算法流程參見圖6。

圖6 BP網絡優化流程圖Fig 6 Flow chart of BP network optimization

按照電氣行業監測特性規程標準IEC61850，基于安全劃分等級(表1)以及楚雄腰站變電站電纜溝實時監測的100組隨機溫濕度數據作為診斷的訓練數據，用于網格訓練。30組用作測試樣本，測試樣本的誤差范數作為衡量網格的一個泛化能力(網絡的優劣)，再通過誤差范數計算個體的適應度值，個體的誤差范數越小，個體適應度值越大，該個體越優。神經網絡的隱含層神經元的傳遞函數采用S型正切tansig()，輸出層神經元的傳遞函數采用S型對數函數logsig()，這是由于輸出模式為0～1，正好滿足網格的輸出要求。

表1 電纜溝環境狀態安全等級劃分表

網格訓練是一個不斷修正權值和閾值的過程，使得網絡的輸出誤差越來越小。訓練函數trainlm()是利用Levenberg-Marquardt算法對網格進行訓練，測試樣本數據矩陣為P_test，經過測試之后運行神經算法中的GABPMain主函數。得到最優初始權值和閾值后，運行算法當中callbackfun函數，得到使用隨機權值和閾值以及使用優化后的權值和閾值兩種情況下的訓練誤差曲線，并輸出預測值、預測誤差及訓練誤差。得到優化后的測試樣本的仿真誤差和訓練樣本的仿真誤差分別為0.024 042和0.169 08。BP網格的訓練樣本的測試效果得到了比較大的改善。

隨機選取樣本集，調用BP優化模型，輸出結果參照表1對其進行預測，30組預測結果及測試誤差參見表2。

從表中可得，與測試樣本的實際安全等級相比，本次試驗所建立的BP神經網絡模型對第5組樣本實際安全等級為三級，而預測結果為二級，出現安全隱患的概率為41 %，對第20組樣本實際安全等級為二級，而預測結果為一級，出現安全隱患的概率為71 %，其余均正確，準確率達93.3 %。

4 結 論

本文介紹了無線傳感網應用于地下電纜通道的意義，根據電氣行業標準，選取溫濕度數據作為安全等級評估標準，并利用BP神經網絡算法對監測數據進行分析，評估安全狀態等級，從而實現隱患的識別與報警。實驗結果表明:優化前的訓練樣本和測試樣本的仿真誤差分別為0.19和0.30，優化后這兩個數值分別為0.17和0.024。經測試樣本驗證此系統預測的準確率達到93.3 %，建立的BP神經網絡模型能很好地符合實際情況，準確率達到行業標準，可信度較高。

[1] 張希偉,戴海鵬,徐力杰,等.無線傳感器網絡中移動協助的數據收集策略[J].軟件學報,2013(2):198-214.

[2] 錢志鴻,王義君.面向物聯網的無線傳感器網絡綜述[J].電子與信息學報,2013(1):215-227.

[3] 李炳林,宋海燕.無線傳感網技術與無源光網絡技術在智能電網用電采集系統中的應用[J].華東電力,2010(6):812-816.

[4] 范永健,陳 紅,張曉瑩.無線傳感器網絡數據隱私保護技術[J].計算機學報,2012(6):1131-1146.

[5] Chen Xiaoyun,Peng Qingjun,Song Weibin,et al.Research of the online monitoring in the cable trench based on wireless temperature and humidity sensor network[C]∥ICSHMIM 2014,2014:20-24.

[6] 彭基偉,呂文華,行鴻彥,等.基于改進GA-BP神經網絡的濕度傳感器的溫度補償[J].儀器儀表學報,2013(1):153-160.

[7] 陳智軍.基于改進型遺傳算法的前饋神經網絡優化設計[J].計算機工程,2002(4):120-121，129.

[8] 黎連業，郭存芳,向東明.無線網絡及其應用技術[M].北京：清華大學出版社，2004:134-162.

[9] 付永長,陳 濤,張文斌,等.地下電纜光纖光柵測溫試驗[J].電網技術,2010(5):212-215.

[10] 趙章界,劉海峰. 無線傳感網中的安全問題[J].計算機安全,2010(6):1-4.

[11] 蘇葉健. 無線傳感網技術綜述[J].信息通信,2012(6):275.

Wireless temperature and humidity sensor networks of underground cable channels and BP evaluation

WEN Yi, ZHAO Zhen-gang, SONG Wei-bin, LI Chuan

(Faculty of Information Engineering and Automation,Kunming University of Science and Technology,Kunming 650500,China)

Due to wireless sensor networks(WSNs)technology route is less and simple,short distance wireless sensing technology can solve problems of complex line difficulty of maintain caused by the underground cable channel.Through establishment of underground cable channel system based on WSNs,use temperature and humidity sensor for monitoring.The real-time monitoring data is transmitted back by WSNs technology,and through BP neural network model for grid training on monitoring data,set up optimization model and get weights before and after optimization and error curve of threshold training, simulation error of training samples and test samples before optimization are 0.19 and 0.30,respectively,these two values are 0.17 and 0.024 after optimization.Select 20 set of monitoring data of ChuXiong transformer substation randomly to BP model,compare the obtained results with cable channel temperature and humidity security levels,accuracy up to 93.3 %.

wireless sensor networks(WSNs); underground cable channels; temperature and humidity sensor; real-time monitoring; BP neural network

2015—11—23

10.13873/J.1000—9787(2016)10—0063—04

TP 274

A

1000—9787(2016)10—0063—04

文 溢(1992-)，男，湖南益陽人，碩士研究生，研究方向為物聯網技術。