一種改進(jìn)的電網(wǎng)信息系統(tǒng)自動化故障融合監(jiān)測技術(shù)

竇國賢　高楊

摘? ?要：在電網(wǎng)系統(tǒng)中，故障檢測是關(guān)系到電網(wǎng)正常運(yùn)行的關(guān)鍵。采用小波變換實(shí)現(xiàn)對原始電網(wǎng)信息系統(tǒng)采樣信號的特征提取，然后使用遺傳算法對最為重要的特征的進(jìn)行優(yōu)化和搜索，優(yōu)化后的數(shù)據(jù)輸出至神經(jīng)網(wǎng)絡(luò)模型，神經(jīng)網(wǎng)絡(luò)模型對接收到的數(shù)據(jù)信息進(jìn)行狀態(tài)識別、特征分類，有效地提高了分類的準(zhǔn)確性和故障診斷的可靠性。試驗(yàn)數(shù)據(jù)顯示本設(shè)計(jì)的方案大大提高了計(jì)算速度，有利于用戶快速從電網(wǎng)數(shù)據(jù)中把握重要信息，分析影響電網(wǎng)信息自動化系統(tǒng)故障數(shù)據(jù)信息，從而從根源上解決智能電網(wǎng)運(yùn)行過程中存在的問題。為智能電網(wǎng)的健康、綠色運(yùn)行提供較為有價(jià)值的技術(shù)保障，同時(shí)也具有較好的學(xué)術(shù)研究意義以及工程應(yīng)用價(jià)值。

關(guān)鍵詞：電網(wǎng)信息系統(tǒng);故障檢測;小波變換;遺傳算法;神經(jīng)網(wǎng)絡(luò)模型;自動化

中圖分類號：TP24? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識碼：A

An Fault Fusion Monitoring Technology

for Improved Grid Information System Automation

DOU Guo-xian？覮，GAO Yang

（Anhui Jiyuan Software Co.，Ltd.，Lu'an，Anhui 230088，China）

Abstract：In the grid system，fault detection is the key to the normal operation of the grid. In this paper，the wavelet transform is used to extract the features of the original grid information system sampling signals，and then the genetic algorithm is used to optimize and search the most important features. Then use genetic algorithms to optimize and search for the most important features，the optimized data is output to the neural network model. The neural network model performs state recognition and feature classification on the received data information，which effectively improves the accuracy of classification and the reliability of fault diagnosis. The test data shows that the design of this paper greatly improves the calculation speed，which helps users to quickly grasp important information from the grid data，analyzes the fault data information affecting the grid information automation system，and solves the problems in the operation of the smart grid from the root cause. Therefore，the problems existing in the operation of the smart grid are solved from the root cause，which provides a valuable technical support for the health and green operation of the smart grid. It also has good academic research significance and engineering application value.

Key words：Grid information system;fault detection;wavelet transform;genetic algorithm;neural network model;automation

隨著電網(wǎng)技術(shù)和應(yīng)用的發(fā)展加快，電網(wǎng)信息系統(tǒng)的規(guī)模和用戶量與日俱增，電網(wǎng)結(jié)構(gòu)也越來越復(fù)雜，這對電網(wǎng)的故障診斷提出了更高的要求[1-4]。 在電力應(yīng)用中，電網(wǎng)結(jié)構(gòu)及其運(yùn)行狀態(tài)錯(cuò)綜復(fù)雜，電網(wǎng)拓?fù)浣Y(jié)構(gòu)也撲朔迷離，使得用戶面對電網(wǎng)故障大數(shù)據(jù)時(shí)，難以捕捉隱含在電網(wǎng)數(shù)據(jù)中不計(jì)其數(shù)的不確定性因素，從而不有利監(jiān)控電網(wǎng)的健康、良性發(fā)展[5-8]。眾所周知，在大規(guī)模的電網(wǎng)系統(tǒng)應(yīng)用中，故障現(xiàn)象是非常普遍的，也是難以避免的，因此，故障檢測和診斷水平直接影響電網(wǎng)的健康、良性運(yùn)行，其關(guān)系到用戶的切身利益，如何有效提升電網(wǎng)信息故障檢測技術(shù)是目前亟待解決的技術(shù)問題[5-7]。

目前，常用的故障檢測和診斷方法僅僅是對電網(wǎng)信息中的單個(gè)組件（比如勵(lì)磁系統(tǒng)及其調(diào)節(jié)器、原動機(jī)及其調(diào)節(jié)器、同步發(fā)送機(jī)以及電力負(fù)荷）進(jìn)行檢測，檢測技術(shù)也僅僅局限于初級層次[8-10]，檢測數(shù)據(jù)僅僅反映出單個(gè)部件的故障特征，無法從全局衡量，故障檢測和診斷結(jié)果過于片面，難以提高故障診斷的可靠性，這就降低了對電網(wǎng)信息把控的能力。

1? ?故障融合檢測技術(shù)方案

提出一種將小波變換與遺傳算法、BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的故障融合檢測技術(shù)，能夠自動從整體上全面檢測電網(wǎng)信息系統(tǒng)的故障信息，提高了故障信息檢測的準(zhǔn)確性和可靠性。在本方案構(gòu)架中，主要包括數(shù)據(jù)層、信息融合層、信息檢測層和系統(tǒng)應(yīng)用層，如圖1所示。

圖1? ?故障融合檢測技術(shù)方案架構(gòu)

在電網(wǎng)信息系統(tǒng)中，比較常用的電力信息系統(tǒng)也被稱為電能生產(chǎn)與消費(fèi)系統(tǒng)，電能生產(chǎn)與消費(fèi)系統(tǒng)通常由發(fā)電、變電、輸電、配電和用電等環(huán)節(jié)組成，能夠?qū)F(xiàn)有的一次能源經(jīng)由發(fā)電動力裝置（例如鍋爐、汽輪機(jī)、發(fā)電機(jī)、電廠輔助生產(chǎn)系統(tǒng)等）轉(zhuǎn)化成二級能源，再將轉(zhuǎn)化后的二級能源經(jīng)過輸電系統(tǒng)、變電系統(tǒng)分配、運(yùn)輸?shù)礁鱾€(gè)負(fù)載中心。因此，在該層，提取電網(wǎng)信息系統(tǒng)中各個(gè)模塊的故障數(shù)據(jù)，以便于下一步進(jìn)行數(shù)據(jù)融合。電網(wǎng)信息系統(tǒng)包括很多的模塊單元，在本文僅僅羅列勵(lì)磁系統(tǒng)及其調(diào)節(jié)器、原動機(jī)及其調(diào)節(jié)器、同步發(fā)送機(jī)、電力負(fù)荷作為示例性說明，以闡述本文設(shè)計(jì)的技術(shù)方案。故障數(shù)據(jù)包羅萬象，類型繁多，比如開關(guān)打開、開關(guān)閉合、閘刀分開、閘刀閉合、設(shè)備帶電、設(shè)備不帶電、電壓含量、電流含量、功率參數(shù)、轉(zhuǎn)速數(shù)據(jù)、汽溫參數(shù)、汽壓參數(shù)、流量參數(shù)、真空度、設(shè)備溫濕度、溫升、溫降等。這些都是影響故障的因素。將上述數(shù)據(jù)提出之后，然后在融合層進(jìn)行故障數(shù)據(jù)融合，完成數(shù)據(jù)融合后的數(shù)據(jù)通過信息檢測層來進(jìn)行故障數(shù)據(jù)檢測。此過程在后續(xù)章節(jié)中將做詳細(xì)描述。最后檢測后的數(shù)據(jù)通過數(shù)據(jù)管理調(diào)度平臺提供給用戶應(yīng)用，用戶也可以通過Internet網(wǎng)絡(luò)將檢測后的數(shù)據(jù)傳遞到遠(yuǎn)程數(shù)據(jù)監(jiān)控中心，供更高一層的信息管理進(jìn)行綜合處理。

2? ?融合檢測方法

首先建立融合檢測模型，如圖2所示。本技術(shù)方法采用小波變換函數(shù)提取電網(wǎng)信息系統(tǒng)中的參數(shù)，比如勵(lì)磁系統(tǒng)及其調(diào)節(jié)器參數(shù)、原動機(jī)及其調(diào)節(jié)器參數(shù)、同步發(fā)送機(jī)參數(shù)、電力負(fù)荷參數(shù)等。將所提取的各個(gè)模塊的數(shù)據(jù)輸入至遺傳算法模型，根據(jù)遺傳算法對輸入的特征參數(shù)進(jìn)行搜索，尋找最為關(guān)鍵的特征參數(shù)，并將故障信息融合，同時(shí)設(shè)置目標(biāo)信息特征，然后將遺傳算法搜索找的最關(guān)鍵的特征參數(shù)與設(shè)定的目標(biāo)特征共同作為計(jì)算的訓(xùn)練樣本輸出，輸出參數(shù)信息通過BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行數(shù)據(jù)訓(xùn)練，最終得出電網(wǎng)信息系統(tǒng)中的各個(gè)參數(shù)的狀態(tài)識別和故障診斷。

下面對融合檢測技術(shù)方案進(jìn)行詳細(xì)說明。

2.1? ?小波變換計(jì)算

小波變換具有多分辨率的結(jié)構(gòu)特點(diǎn)，能夠從粗到細(xì)地觀察輸入信號，在時(shí)域頻域具有表征信號的局部特征能力，有利于檢測信號的瞬態(tài)或奇異點(diǎn)。

假設(shè)定義小波變換函數(shù)為：

ψa（t） = （1/a）*ψ（t/a）? ? ? ? （1）

式（1）表示在時(shí)域、頻域范圍內(nèi)具有良好局部化特性的伸縮小波函數(shù)，對式（1）進(jìn)行卷積分計(jì)算，得出：

Wx（a，t）={ x，ψa（t）}=Wxa（t）=ψa（t）*x（t）? ?（2）

在上式中，a表示將特定基函數(shù)壓縮或伸展的尺度，計(jì)算時(shí)，a控制平滑量或分辨率，a的取值不易過小，a太小時(shí)，在進(jìn)行特征提取時(shí)，敏感度過大，容易發(fā)生輪廓局部奇變;a的取值也不易過大，a太大時(shí)，容易易使波形發(fā)生失真，使有價(jià)值的局部結(jié)構(gòu)化信息丟失，造成計(jì)算失誤。

圖2? ?融合檢測模型結(jié)構(gòu)圖

在上式中，t表示a沿著x軸進(jìn)行的平移位移量。在計(jì)算時(shí)，參數(shù)t表示導(dǎo)數(shù)運(yùn)算時(shí)的空間位置，假設(shè) t處于波形明顯跳變點(diǎn)周圍，上述的子波變換可輸出一個(gè)峰值，波形局部升起部位的空間位置、寬度、強(qiáng)弱以及跳變方向等波形結(jié)構(gòu)化信息則可顯而易見。

然后對輸入的數(shù)據(jù)進(jìn)行小波變換首選選擇小波基，其中假設(shè)小波基ψt為平滑函數(shù)θ（t）的一階導(dǎo)數(shù)：則：

ψt = dθ（t）/dt? ? ? （3）

而θa（t）=（1/a）* θ（t/a）? ? ? ? ? ? ? ?（4）

那么ψa（t） = adθa（t）/dt? ? ? ? ? ? ? ? ?（5）

然后將電網(wǎng)信息系統(tǒng)的相關(guān)參數(shù)x（t）關(guān)于ψt進(jìn)行小波變換為：

Wx（a，t） = x*ψa（t） = x*（adθa /dt）*（t）

= ad（x*θa）*（t）/dt? ? ? ? ? ? ? ? （6）

最終得出小波變換的值。通過利用小波變換，比利用傅立葉變換具有很多優(yōu)勢，能夠抑制噪聲的干擾，提高特征提取的精度，準(zhǔn)確度高，性能穩(wěn)定。

2.2? ?遺傳算法模型

遺傳算法（Genetic Algorithm，GA）一種借鑒生物界自然選擇和自然遺傳機(jī)制的隨機(jī)化搜索算法。其本質(zhì)是一種高效、并行、全局搜索的方法，在搜索期間自動地獲取、積累關(guān)于搜索空間的相關(guān)知識，并自適應(yīng)地通過控制搜索過程，來求出最佳解，下面根據(jù)融合數(shù)據(jù)，并利用遺傳算法計(jì)算作進(jìn)一步介紹。

（1）編碼，在開始進(jìn)行遺傳算法時(shí)，首先對所選參數(shù)進(jìn)行編碼;其中編碼主要包括二進(jìn)制編碼法、浮點(diǎn)編碼法、符號編碼法等。在本文計(jì)算時(shí)，采用二進(jìn)制編碼來實(shí)現(xiàn)遺傳算法的開始工作，假設(shè)變量的最大值為31，可采用5位來表達(dá)全部的值。

即：x = 6? ?00110;

（2）產(chǎn)生初始群體;

根據(jù)上述計(jì)算結(jié)果產(chǎn)生初始群體為：

01101? ? ?11000? ? 01000? 10011

（3）評價(jià)個(gè)體的適應(yīng)度

根據(jù)適應(yīng)度函數(shù)評價(jià)個(gè)體適應(yīng)度，采用的適應(yīng)度函數(shù)為：

P = fi /∑fi? ? ? ? （6）

（4） 選擇運(yùn)算

假設(shè)第0代數(shù)據(jù)如表1所示：

表1? ?第0代數(shù)據(jù)

根據(jù)公式（6）計(jì)算得出：

適應(yīng)值 f（13） = 169;

p = 169/（169 + 576 + 64 + 361） = 0.1444

在選擇概率的時(shí)候，

（5）按照遺傳規(guī)律選擇遺傳算子

在本文中，采用最佳保留選擇方法選擇遺傳算子，首先按輪盤賭選擇方法進(jìn)行遺傳算法具備的選擇操作，然后將當(dāng)前故障融合數(shù)據(jù)群體中適應(yīng)度最高的數(shù)據(jù)結(jié)構(gòu)完整無缺地復(fù)制到下一代的群體中。

（6）配對交配

按照表2交配位進(jìn)行交配：

表2? ?交配位配置數(shù)據(jù)

然后生成第一代，如表3所示。

表3? ?生成的第一代數(shù)據(jù)

（7）對群體變異

對群體的變異運(yùn)算是對個(gè)體的某個(gè)基因座上的基因值按一些較小的概率而進(jìn)行改變，基于此，可以產(chǎn)生新的個(gè)體。在本文中，采用基本位變異的方法實(shí)施變異運(yùn)算，在計(jì)算時(shí)，首先要確定出不同個(gè)體基因變異的位置，然后依照一定的概率計(jì)算，將變異點(diǎn)的原有基因值反轉(zhuǎn)取值。如圖3所示，圖3為遺傳算法步驟示意圖。

圖3? ?遺傳算法步驟示意圖

通過遺傳算法能夠以全局的方式搜索電網(wǎng)信息系統(tǒng)數(shù)據(jù)，快速地搜索出最優(yōu)解。通過遺傳算法能夠更好地解決電力系統(tǒng)中的多變量、非線性、不連續(xù)、多約束的優(yōu)化不良的問題。

2.3? ?BP神經(jīng)網(wǎng)絡(luò)計(jì)算

通過遺傳算法之后，在利用BP神經(jīng)網(wǎng)絡(luò)計(jì)算模型計(jì)算，其采用反向傳播算法將誤差數(shù)據(jù)反向傳播，以獲取更高的學(xué)習(xí)效率，如圖4所示。

圖4? ?基于BP神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)機(jī)構(gòu)

假設(shè)輸入的遺傳算法最優(yōu)數(shù)據(jù)樣本集X1、X2、..Xn尋找一個(gè)W*，將f（W*Xi）*Xi與輸出Yi最大程度地接近，令f為激勵(lì)函數(shù)。則誤差函數(shù)表示為：

e = ■*∑n? ? i=1（Yi - Yi*）2? ? ? （7）

調(diào)節(jié)誤差e時(shí)，如果將誤差調(diào)整到最小值，可以通過求導(dǎo)數(shù)來處理，下降梯度可以為：

在上述學(xué)習(xí)、訓(xùn)練中，每次修改權(quán)重矩陣W均通過求誤差函數(shù)的偏導(dǎo)（也叫梯度梯度）來實(shí)現(xiàn)。這種方式比直接通過誤差計(jì)算來調(diào)整具有更好的適應(yīng)性。

3? ?檢測試驗(yàn)及分析

設(shè)置 4 臺異步電動機(jī)，其額定功率為 5 kW、轉(zhuǎn)差率 s = 12 % 、額定轉(zhuǎn)速為 1 450 rad/ min ，在4 臺異步電動機(jī)中，2臺正常，另外2臺人為破壞，為故障電動機(jī)。在工頻為50 Hz、 采樣頻率為2 000 Hz、采樣點(diǎn)數(shù)為10 000 個(gè)的情況下，分別使用傳統(tǒng)技術(shù)方案和采用本文融合檢測技術(shù)方法進(jìn)行試驗(yàn)，通過信號發(fā)生器，得出以下波形。

t/ms

圖5? ?傳統(tǒng)方法異步電動機(jī)定子電流波形

t/ms

圖6? ?本文方法異步電動機(jī)定子電流波形

f/Hz

圖7? ?傳統(tǒng)方法異步電動機(jī)定子電流頻譜

f/Hz

圖8? ?本文方法異步電動機(jī)定子電流頻譜

通過上述波形分析，經(jīng)過本文設(shè)計(jì)的方法處理的波形更加精確。有助于用戶分析數(shù)據(jù)，提高電網(wǎng)信息系統(tǒng)檢測能力。

4? ?結(jié)? 論

基于小波變換的思路提出電網(wǎng)信息系統(tǒng)自動化融合檢測技術(shù)，并在小波變換的基礎(chǔ)上結(jié)合遺傳算法和BP神經(jīng)網(wǎng)絡(luò)模型算法，提高融合故障診斷的精確性。克服了傳統(tǒng)技術(shù)中存在數(shù)量龐大的輸入特征信息造成的網(wǎng)絡(luò)計(jì)算量偏差較大，實(shí)時(shí)性較差，故障檢測準(zhǔn)確度低下的技術(shù)問題。試驗(yàn)數(shù)據(jù)顯示本方法能夠?qū)⒃驾斎霕颖緮?shù)據(jù)按不同屬性、等級進(jìn)行分類，并根據(jù)特定的電網(wǎng)信息系統(tǒng)的應(yīng)用場景正確地選擇提取特征信息，提高了故障檢測的精確性、可靠性，有助于用戶進(jìn)一步研究、分析電網(wǎng)故障事件。

參 考 文 獻(xiàn)

[1]? ? 郝建新. 基于小波變換與Retinex的電路板紅外圖像增強(qiáng)技術(shù)[J]. 紅外技術(shù)，2015，（12）：1036—1040.

[2]? ? 郝然，艾芊，肖斐. 基于多元大數(shù)據(jù)平臺的用電行為分析構(gòu)架研究[J]. 電力自動化設(shè)備，2017，37（8）：26—33.

[3]? ? 王遠(yuǎn)，陶燁，蔣英明，等. 智能電網(wǎng)時(shí)序大數(shù)據(jù)實(shí)時(shí)處理系統(tǒng)[J]. 計(jì)算機(jī)應(yīng)用，2015，（z2）：93—97.

[4]? ? 劉廣一，朱文東，陳金祥，等. 智能電網(wǎng)大數(shù)據(jù)的特點(diǎn)、應(yīng)用場景與分析平臺[J].南方電網(wǎng)技術(shù)，2016，10（5）：102—110.

[5]? ? 袁圃，毛劍琳，向鳳紅，等.? 改進(jìn)的基于遺傳優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)故障診斷[J/O].電力系統(tǒng)及其自動化學(xué)報(bào)，2017，29（1）：118—122.

[6]? ? 冉亮，李煒，孫向聚. 基于大數(shù)據(jù)技術(shù)的智能電網(wǎng)系統(tǒng)應(yīng)用研究[J].自動化與儀器儀表，2017，（9）：182—183.

[7]? ? 孫慧影，林中鵬，黃燦，等. 基于改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的礦用通風(fēng)機(jī)故障診斷[J]. 工礦自動化，2017，43（4）：37—41.

[8]? ? 葛磊蛟，王守相，瞿海妮. 智能配用電大數(shù)據(jù)存儲架構(gòu)設(shè)計(jì)[J]. 電力自動化設(shè)備，2016，36（6）：194—202.

[9]? ? 雷靜，余斌. 基于信息融合和神經(jīng)網(wǎng)絡(luò)的煤巖識別方法[J].工礦自動化，2017，43（9）：102—105.

[10]? 馬天兵，王孝東，杜菲，等. 基于小波包和BP神經(jīng)網(wǎng)絡(luò)的剛性罐道故障診斷[J]. 工礦自動化，2018，44（8）：76—80.