電子通信指揮系統電源線路故障診斷研究

滿芳芳，李安麒，布 和

（中國人民解放軍96922部隊，遼寧 大連 116000）

0 引 言

電子通信指揮系統在突發事件中是政府的應急通信的重要組成部分，而其中電源線路在常規情況下通常不會使用，容易出現故障，導致在突發情況下無法使用，因此需要對其電源線路故障進行診斷[1]。國外對線路故障診斷研究中早期通過數學分析法對人為制造的故障進行了故障診斷試驗，后期則開始研究了人工智能技術在故障診斷上的可能性，而隨著計算機技術的發展，故障診斷技術也開始逐步成熟[2]。而國內在該方面起步較晚，雖然隨著研究也提出了運用模型，對線路中的數據進行帶入，得出故障情況，但該方法存在很多局限性，而智能化的故障診斷技術又往往存在著成本過高的問題[3]。

1 電源線路故障診斷方法

1.1 線路電弧特性分析

考慮到在線路故障發生時，往往存在瞬時性短路，而當在電源線路中的接地故障出現時，因故障點和線路電源上保持聯系，系統電源的故障點處會和大地形成故障回路，在電弧特性上會反映出一個幅值很大的電流壓降[4]。而當系統電源線路屬于正常工作的情況下，電弧通常比較穩定。電弧壓降僅僅在弧柱有較小的反應，弧角上幾乎沒有變化。那么在電弧特性的分析中，去監測電弧動態電導變量和電弧的穩態電導常量，并根據時間常數得出電源線路中的電弧動態特性。在對電弧穩態電導常量的監測中，需要考慮到電弧電流的絕對值和單位長度下的電弧電壓。根據文獻研究的值，在電源線路中的電弧伏安特性上存在磁滯特征。由于非故障相與故障相間存在靜電親和，導致故障點處仍然會有一段時間燃燒，而且在電弧電壓低于電弧重燃電壓時，二次電弧情況才會消失。而二次電弧的伏安特性與一次電弧不同，在非故障相和故障相之間的互感，產生的電弧幅值對比一次電弧電流更小，同時存在時間變化動態特性。

1.2 電源線路特征提取

對電源線路特征的提取可以使用小波變換來進行，通過對電源線路中的局部格式頻率自動變化的截取，在電源線路的高頻處截取出窄的視覺窗，并在低頻處截取寬的時間窗來處理非平穩信號。小波分析時，可以將信號分解成不同的小波分量。在不同的分量級中，反映不同寬度的時間窗口，不同級也對應不同寬度的頻窗。在小波疊加的作用下，結果通常等于信號的低通頻波。在不同的分級分析上，就需要實現精細程度的時、頻分析。而對電源線路的參數指標的診斷中，可以采用小波的多分辨分析，對信號提供實時的時頻分解，考慮到時頻尺度時存在二進制變化的，在截取下的高頻段的頻率分辨較差，同時對低頻段時間窗口分辨較差，因此要對電源線路的特征信號進行間隔劃分。在診斷分析中，可以將頻帶進行多層次的劃分，通過小波疊加對高分辨分析和低分辨分析的部分進行深入分解，同時根據信號特征選擇相應的頻帶，并讓信號頻譜匹配，提高時間窗口和頻率窗口的分辨率。

1.3 神經網絡參數設置

神經網絡在進行模式識別中，可以反映非線性映射，同時對于輸入和輸出的信息變化反應較快，適合復雜問題的求解[5]。而神經網絡的自我學習能力較強，在網絡訓練后，根據計算需求可以自動選擇計算步驟，同時具備泛化性能，在輸入非訓練函數時，仍能產生相應的響應，適合進行電源線路的故障診斷。對神經網絡的參數設置中，網絡層數的設置中，需要保證神經網絡可以逼近所要求的任意連續函數。通常，神經網絡中網絡層數越多測量值越準確，但網絡層數越多訓練時間也就越長。電源線路故障診斷方法中的神經網絡層數選擇上，將故障信息劃分為4組數據，在輸入層的節點中選擇4個，特征編碼設置為8位，則輸出節點選擇8個。而隱含層神經元數的確定，可以根據被測目標的輸入和輸出信息來進行確定，在神經網絡的設計中，可以對不同的隱含層數的網絡進行訓練，并在結果中找到符合要求的神經元數量。

1.4 粒子群算法神經網絡診斷

神經網絡作為多層前饋網絡，可以模擬各種函數，而由于計算采用整體逼近的方法，使整體特征不會因個體誤差而變化。但是神經網絡中存在梯度下降的情況，且收斂速度較慢，同時對初始權值變化敏感，容易受到影響。神經網絡中的各節點數量按章節1.3的方法進行確定，但在初始化時則需要對粒子群算法進行確定，同時由于適應度函數由網絡的均方誤差確定，因此在神經網絡中全局最優值，可以采用粒子當前值。同時粒子群中粒子個體的適應度值應根據粒子個體的當前值，并使適應值作為當前值。在診斷中，通過自動編碼，將上述的電弧特性以及線路特征參數輸入至輸入層中，通過神經元的激活函數進行參數計算，將輸入的數據從輸入端傳送到隱含層，隱含層通過收斂將數據形成編碼信息，再將編碼信息傳送至輸出層中，在傳輸過程中完成信息重構，根據數據信息診斷電源線路故障情況。

2 實驗論證分析

為了驗證設計的電源線路故障診斷方法的可行性，使用電子通信指揮系統電源中28 V-11 V的DC-DC變換電路作為故障診斷的實例，并使用兩種方法進行線路故障診斷，判斷兩種方法之間的優劣性。

實驗中為了實現對DC-DC電路的故障診斷，軟硬故障類型均設置了5種故障模式，并對電路工作模式進行仿真，提取故障模式中的特征參數，使用所提方法與傳統方法進行對比實驗。硬故障的對比結果如表1所示。

由表1可知，兩種方法在對明顯的硬故障的診斷中均達到了較好的診斷率，而軟故障的診斷結果對比如表2所示。

由表2可知，傳統方法在進行軟故障診斷時，正確率較低，且無法實現對二極管DIODE導通電阻增大故障的診斷，而所提診斷方法在兩種類型的故障中均可以實現準確的診斷，證明所提方法具有可行性。

3 結 論

通過使用神經網絡設計了電源線路故障的診斷方法，結果證明其在診斷中正確診斷率高于傳統方法，存在可行性。但是考慮到實際使用環境和實驗環境間區別較大，實際情況下噪音和電壓不穩定的情況都會影響診斷情況，未來研究將會考慮到實際環境下的應用，并開展進一步的深入研究。

表1 硬故障診斷結果對比

表2 軟故障診斷結果對比