基于調控一體自動化的變電站電氣設備故障分析

(北京電力工程有限公司,北京 100071)

0 引 言

調控一體自動化的變電站集控制功能、監控功能于一身，以系統化方式管理變電站的電氣設備。電氣設備是變電站的主要構成，需要不間斷的運行工作，一旦發生故障將影響區域內電力運行秩序[1]。但是電氣設備經常暴露于外部環境中，在惡劣環境影響下極易發生故障，本次研究針對調控一體自動化的變電站電氣設備設計了BP神經網絡故障檢測方法，為維修巡檢人員提供準確的故障發生信息[2]。

1 調控一體自動化的變電站電氣設備運行數據采集

1.1 變電站電氣設備在線監測系統

檢測變電站電氣設備故障的前提是掌握其運行狀態，文中利用調控一體自動化變電站的在線監測系統采集設備運行狀態數據，作為故障分析的基礎。變電站監測系統包括主站、子站兩個部分[3]，如圖1所示。

系統中，監測主站與數據傳輸網絡間測通信以交換機為介質實現，數據傳輸網絡是兩個監測站點通信的主要通道。監測主站包括自動化管理主站、數據庫服務器、在線監測主機，其功能是對變電站電氣設備集中管理、調度與控制，數據庫服務器安全存儲子站采集的電氣設備運行數據，管理人員通過在線監測主機進行人機交互，最終完成子站數據的高效采集與管理[4]。監測子站包括變電站的電氣設備(監測對象)、監測裝置、數據清洗模塊以及網絡交換機，監測子站配備了網絡交換機，負責與主站進行數據傳輸，實現通信協議轉換，為變電站電氣設備運行故障檢測提供精準的數據基礎；此外，變電站電氣設備壓板狀態、電源狀態信息的采集由監測子站通過站內網絡實現，為變電站狀態檢測與維護提供了參考依據。

1.2 運行數據采集與處理

調控一體自動化的變電站電氣設備運行數據采集由在線監測裝置完成，在線監測裝置內置設備狀態接入控制器、設備傳感器，是數據采集的主要硬件設備，可快速獲取電氣設備的實時運行數據[5]。在線監測裝置采集的設備狀態數據海量且繁瑣，為此在數據清洗模塊配置開源工具Sqoop負責原始狀態數據的抽取、轉換與加載，Sqoop能夠對原始結構化的數據進行處理，實現了結構化數據向統一存儲格式數據的轉換，最后以精簡的標準歸類數據、關聯數據[6]，基于規范化格式高效存儲在數據倉庫Hive中。

2 基于神經網絡的變電站電氣設備故障分析技術

2.1 神經網絡模型構建

圖2為文中設計的BP神經網絡故障檢測模型，BP神經網絡屬于單向傳播、多層前向網絡結構范疇，主要由輸入層、隱含層、輸出層構成。

其中，隱含層可設置為多層，根據現實問題解決需求設定隱含層層數。由此可確定BP神經網絡結構最簡化的結構為三層網絡結構。BP神經網絡應用于變電站電氣設備故障分析的原理如下：①采集一定數量的變電站電氣設備狀態數據作為網絡學習樣本，樣本經過輸入層、隱含層，最后由輸出層輸出，神經網絡對數據的處理與響應則表現為輸出數據。②為降低網絡輸出故障判斷結果的誤差，按照“輸出層—隱含層—輸入層”的順序調整神經元的鏈接權值，因此調整權值過程采用的是“誤差逆傳播算法”，即BP算法[7]。

根據以上分析得知BP神經網絡基于BP算法不斷調整權值，最后得到訓練完成的BP網絡結構，由此定義BP算法的數學模型如下：

X=(x1,x2,…,xi,…，xn)T

(1)

Y=(y1,y2,…,yi,…，yn)T

(2)

G=(g1,g2,…,gk,…，gl)T

(3)

ε=(ε1,ε2,…,εk,…，εl)T

(4)

其中，X、Y分別表示輸入向量與隱含層向量，G、ε分別表示輸出向量與期望輸出向量。

在BP神經網絡模型中，公式(5)、公式(6)分別為輸入層向隱含層的權值矩陣、隱含層向輸出層的權向量矩陣：

V=(v1,v2,…,vj,…，vm)T

(5)

W=(w1,w2,…,wk,…，wl)T

(6)

式中，隱含層第j個神經元的相對權值向量、輸出層第k個神經元相應的權向量分別用vj、wk描述。由此得到BP神經網絡模型實際輸出與期望輸出的誤差H計算方法如下：

H=(ε-g)2/2=

(7)

公式顯示，可用函數表達誤差H，所以為提高網絡預測精度可以調整函數的變化量vij與wjk，調整網絡的權值即可優化電氣設備故障檢測的精度。

2.2 基于改進神經網絡的變電站電氣設備故障診斷

基于3.1小節可知，BP神經網絡輸出與期望輸出之間的誤差E越小，模型預測變電站電氣設備故障的精度越高，為此，基于粒子群算法對BP神經網絡模型神經元連接權值進行優化，進而提高整個模型的計算性能，解決傳統BP神經網絡易陷入極值點、學習穩定性差、可靠性不高等問題[8]。

基于粒子群優化算法訓練BP神經網絡，需要將BP神經網絡所有連接權值視為粒子群位置向量，還原位置向量后開始粒子群尋優過程，具體采用最小均方誤差作為尋求目標，BP神經網絡最終精準的權值即為粒子群算法尋優位置結果。此時粒子群適應度值求取方法如公式(8)所示：

(8)

其中，BP神經網絡的真實輸出與目標輸出分別用gk、εk表示，輸出神經元數量、訓練樣本個數分別為m、n，基于以上參數確定BP神經網絡優化過程：

①確定BP神經網絡的三層結構，還原粒子群種群參數原始值，定義粒子群種群的速度和數量為D、N；設置粒子群的慣性權重、迭代次數最大值、速度上限分別為W、Tmax、Vmax。參數設置完畢即可得到粒子的初始位置，個體極值用于描述全部粒子中的最優位置。

②定義c1、c2加速因子，計算方法如公式(9)、公式(10)所示，其功能是確保粒子飛行區域為整個搜索空間，優化收斂速度。

(9)

(10)

③定義適應度函數。基于公式(8)求取適應度值并評價個體，電氣設備故障檢測結果即為BP神經網絡模型迭代終止時，最小粒子對應的位置。

④還原粒子的位置與速度值。粒子速度矩陣與位置矩陣包含于任意生成的m個個體中，并將[-1,1]中的任意數值確定為粒子的位置參數。迭代開始，迭代點即為此刻最優位置。

⑤持續更新粒子速度與位置獲得嶄新的粒子群，將不符合條件的粒子參數剔除，重新定義粒子的T、V。

⑥迭代終止條件，一是迭代精度達到預期，二是迭代次數達到上限值。如不符合任意條件則繼續調整粒子的速度與位置信息。粒子群優化迭代完成后，輸出結果即為BP神經網絡故障檢測模型的權值和閾值，由此構建的故障檢測模型檢測結果更為準確，將采集的變電站電氣設備運行狀態數據輸入模型中，即可得到低誤差的故障檢測結果。

故障檢測結果能夠準確顯示變電站何種電氣設備出現故障，為巡檢人員提供精確的維修信息，一定程度上提高了變電站電氣設備運行的安全系數。

3 結束語

文中提出的調控一體自動化變電站電氣設備故障檢測方法，以設備運行狀態數據為基礎，增強了設備故障預測的可靠程度；同時采用粒子群優化算法修正神經網絡故障檢測模型的權值與閾值，避免神經網絡模型陷入局部最優值，提高了電氣故障檢測的精度。總體而言，文中設計的電氣設備故障檢測方法對于調控一體自動化變電站及時發現安全隱患、高效維修設備提供了可靠性依據，一定程度上提升了調控一體自動化變電站的經濟效益與社會效益。