基于大數據與物聯網的輸變電設備故障診斷研究

鄧燕山，趙凱利，呂文超，白 杰，董 杰，高 嶺

(國網冀北電力有限公司唐山供電公司互聯網辦公室，河北 唐山 063000)

0 引 言

輸變電設備作為電網系統運行中的關鍵設備，其運行狀態直接決定了整個電力系統運行的安全性和穩定性[1]，也決定了用電用戶能否正常使用。輸變電設備在運行的過程中，通常會受到多種因素的影響，比如電網波動、電網設備、紋波、噪音、電路等，除此還受一些主觀因素的影響，比如工作人員的職業技能等。輸變電設備的故障表現形式千變萬化，能夠給電力系統帶來無法衡量的危害，嚴重時，會使整個電力、電網系統處于癱瘓狀態。這就給企業生產、工業制造、商業用電、人類日常生活等都帶來了嚴重的影響[2]。

因此，在輸變電設備運行過程中，能夠有效地進行故障檢測就顯得十分必要。在現有技術中，通常采用檢測設備檢測電網信息情況，這種方式需要工作人員面對高壓工作的危險，并且檢測設備也容易在工作中由于自身精度、工作時間等原因造成老化，出現檢測不準確的情況[3]。這就給輸變設備的故障診斷帶來困難?；谶@種情況，該文采用一種新型的故障診斷方法以克服上述問題，用戶能夠借助于物聯網技術通過遠程控制中心實現輸變電設備的遠程故障診斷，并根據提取的物聯網數據特征進行故障分析。

1 故障診斷方案設計

在該文設計的方案中，將BP神經網絡數據模型融合行波定位方法實現輸變電的數據分析和位置定位[4]。采用BP神經網絡模型相比于其他先進的神經網絡模型的優勢在于，從輸入到輸出都具有非常強的非線性映射能力，以任意精度逼近任何非線性連續函數，使得用戶根據訓練的數據按照誤差逆傳播算法反復進行訓練，通過多層前饋網絡逐步逼近，具有較強的自學習和自適應能力，能夠提高輸變電設備數據模型的精度。采用行波定位方法的優勢在于，實現的方法簡單，應用成本低、方法靈活。在定位過程中，實現的效率和精度都很高，有利于用戶實現輸變電設備的快速診斷。

該技術方案為基于物聯網構建的診斷系統，在物聯網系統設計中，包括數據采集層、數據傳輸層、數據分析層和數據監控層，如圖1所示。

圖1 故障診斷系統

在電網運行中出現的故障數據信息包含有網絡穩態數據、電網參數數據、電網告警事件等，電路信息包含有電路中的頻率、電壓、電流、諧波電壓、諧波電流、電壓不平衡、電流不平衡、閃變、功率和功率因數；電網雜波干擾、振動、溫濕度、諧波干擾、異常事件等多項指標[5]。這些參數單純地依靠人工識別，則是一項非常繁重的工作。

該研究通過設置不同的數據層次實現多種類型的數據診斷。在數據采集層中，通過在電網電力系統中設置各種物聯網傳感器[6]，通過各種不同的傳感器采集數據信息，比如振動傳感器、諧波傳感器等，也可以通過采集電路采集電流中的電網數據信息，提取輸變電設備中的故障特征。由于電網系統中的數據大部分都是模擬信息，在具體應用時，可通過A/D轉換單元將輸變電設備信號的模擬信號轉換為數字信號[7]，然后再進行下一步的分析或者計算。在數據傳輸層中，通過有線或者無線傳輸的方式將輸變電站設備中的信息傳遞到上一級單元。傳輸途徑包含有以太網、云平臺、RS485傳輸單元、GPRS網絡或者CDMA網絡等，傳遞到數據分析層進行數據分析或者計算。在數據分析層中，采用BP神經網絡模型(back-propagation network)對電網中的大型數據庫內的小類別數據進行計算[8]。在計算時，通過映射的方式處理輸變電設備中的電網故障信息數據類型的復雜非線性關系，通過行波定位的方法實現故障點位置的診斷，通過二者結合，實現電網系統中輸變電設備的數據信息診斷和故障位置診斷。使用戶能夠快速地實現故障信息的精確估計和檢測，進而獲得輸變電設備輸出信息的故障定位和診斷。診斷后的數據信息通過遠程數據傳輸端口傳遞到數據監控層進行監控，進而實現底層數據的物聯網傳遞，用戶無需在現場即可實現底層數據的遠程監控。

2 關鍵技術設計

該文的創新點在于，將行波定位方法結合BP神經網絡算法模型來實現輸變電設備的故障信號診斷[9]。通過行波定位方法能夠實時獲取輸變電設備中不同監測節點的暫態電壓、暫態電流數據[10]，能夠實現輸變電設備中不同故障點的精確定位，然后在此基礎上，再次使用BP網絡神經算法模型，按照輸變電設備輸出數據誤差逆傳播算法進行訓練多層前饋網絡，進而通過大量的樣本學習，存貯輸變電設備數據的輸入-輸出模式映射關系，能夠實現實時、在線映射故障信息[11]，使得輸變電設備輸出數據樣本中比較復雜的非線性關系變得顯而易見。大大提高了故障診斷的精確度，降低了數據誤差率。

算法數據模型如圖2所示。

圖2 故障診斷數據模型

2.1 行波定位方法

利用行波定位算法時，首先構建出行波定位算法模型。下面通過原理，對其方法進行說明[12]。通常行波定位法包含有單端行波法和雙端行波法，該研究僅僅以單端行波法進行說明。在圖3中，假設輸變電設備在工作過程中，由L1、L2、L3組成的3條配電線路，將行波測量裝置設置在配電網線路上，還采用了FTU采集單元，對輸變電設備中的故障電流、電壓數據等進行采集，進而實時地獲取輸變電設備在輸電線路上的不同檢測節點的暫態電壓和暫態電流數據[13]。然后通過A/D轉換單元將電路中的模擬信息轉換成數字信號。

圖3 行波定位檢測構架

當在輸變電設備上檢測到故障信號時，故障點將會源于電壓的突然增加，而后向外部發射故障行波信息[14]，在行波傳播過程中，由于受到外界的阻力，最后將行波發出反射和折射信息，行波方案原理圖如圖4所示。

圖4 行波方案原理圖

在輸變電設備運行過程中，行波的傳輸很容易在電網系統中的母線、電源、故障點等各種不同的位置發生折射或者反射現象[15]。那么在采用行波定位進行檢測電網中的故障點位置時間時，為了提高測量精度，需要多次測量，在不同的時間點反復測量，進而獲取最佳的測量點。下面結合圖4進行具體說明。

將第1次在電網中檢測到的故障行波的時間點記作t1時間點，將第2次檢測的故障行波的時間點記作t2時間點，則利用行波法計算時，故障行波能夠在t1和t2這2個時間點之間，先后在電網母線L以及多個故障點產生2次反射。那么故障點的位置計算，可以采用下列公式：

(1)

其中，L表示輸變站設備中故障點距離母線L的長度，字母v表示行波傳播的速度，t1和t2分別表示不同的時間點所檢測到的行波。通過公式(1)，可以計算出故障的距離。通過上述公式可以看出，計算輸變站設備中故障點距離，需要利用故障行波在不同故障點之間以及與輸變電設備中任意一端母線之間的傳播速度v和傳播時間(比如t1或t2)進行衡量。這種方法與行波速度以及行波傳播時間測量的準確性有很大關系。通過使用該方法，能夠在很大程度上提高輸變電設備在電網系統中的故障定位精度。

2.2 BP神經網絡算法模型的應用

在利用行波定位方法的同時，為了實現更高精度的訓練，比如在包括輸電線故障、變壓器故障、直流系統故障、母線故障等因素引起的輸變電設備故障信息中[16]，以及包括電網數據中的頻率、電壓有效值、電流有效值、諧波電壓、諧波電流、電壓不平衡、電流不平衡、閃變、功率和功率因數；電網雜波干擾、振動、溫濕度、諧波干擾、異常事件等多項指標的故障因素中，如果在大數據庫中出現這些數據信息，利用常規技術就很難衡量。如果要進一步地提高診斷速度和準確率，則需要利用BP網絡算法模型對采集到的信號進行進一步的映射、處理。使采集到的輸變電設備故障信息樣本數據內顯得較為復雜的非線性關系變得容易處理，其模型如圖5所示。

圖5 BP神經網絡算法模型

圖5所示的數據模型包含三層，即輸入層、隱含層和輸出層。在輸入層中，通常輸入包括上述數據信息在內的多種類型故障數據。在具體應用上述數據模型時，通常通過調節BP神經網絡模型中的權值或者閾值來調整模型輸出結果，繼而實現逐步逼近該模型輸出結果的目的，使得輸出誤差能夠達到最小[17]。

在對BP神經網絡模型進行調整時，需要按照一定的公式進行，下面用以下公式調整輸出層權系數：

(2)

采用以下公式調整隱含層權系數：

(3)

另外，在不同的輸變電設備故障數據樣本中，由于輸入模式不同[18]，其對應的二次型準確函數模型也不同，用以下公式表示：

(4)

對于N個輸變電設備故障信息樣本，采用以下公式表達總準確函數：

(5)

利用上述公式進行評定時，尤其是提取復雜輸變電設備故障類型信息時，在進一步提高學習精度方面，需要對采集到的輸變電設備樣本數據進行標準化[19]。在進行標準化處理時，如果在模型輸入的輸變電設備故障信息的種類有m個，樣本數量為N，則對于輸入數據xij進行標準化處理時，需要按照下列公式計算：

(6)

(7)

(8)

在上述公式中，i=1,2,…,N；j=1,2,…,m，Zij則為進行標準化處理后的數據。

標準化下公式可以為：

(9)

3 仿真試驗與分析

在進行驗證時，采用的仿真語言為VisualC#，硬件仿真系統為WindowsServer2015，數據庫管理系統軟件為SQLServer2015，Web服務器軟件為IIS6.0。首次對行波方法進行驗證，再對BP神經網絡模型方案進行驗證。

3.1 行波方案驗證方法

采用行波方案進行驗證時，采用MATLAB仿真軟件對上述方案進行模擬仿真，模擬的場合是在國網冀北電力有限公司唐山供電公司，采用的數據模型為JMarti頻變參數模型，采用的線路為110 kV高壓配電線路。在進行行波試驗時，需要選擇一定長度的配電線路，假設長度L為100 km。試驗時，假設A點為故障點，M點為距故障點A的距離，記作L，在t=0.02 s時，在L的值為50 km、100 km或200 km的情況下進行試驗驗證。在將L值分別表示為上述不同的故障點距離的情況下進行模擬仿真。當L值為50 km時，在MATLAB模擬仿真環境下進行仿真，得出如圖6所示的波形圖，其中t1=0.348 ms,t2=0.652 ms，利用公式(1)可以計算出故障距離約為49.912 km。

圖6 L值為50 km時的行波示意圖

當L的值為100 km時，在MATLAB模擬仿真環境下進行仿真，得出如圖7所示的波形圖，其中t1=0.425 ms，t2=1.365 ms。利用公式(1)可以計算出故障距離，約為99.873 km。

圖7 L值為100 km時的行波示意圖

當L的值為200 km時，在MATLAB模擬仿真環境下進行仿真，得出如圖8所示的波形圖，其中t1=0.587 ms,t2=1.387 ms。利用公式(1)可以計算出故障距離，約為200.095 km。

圖8 L值為200 km時的行波示意圖

在L值分別為50 km、100 km或200 km的情況下進行試驗，其中當故障測試點為49.912 km時，測量距離為50 km，誤差率為0.176%，當故障測試點為99.873 km時，測量距離為100 km，誤差率為0.127%，當故障測試點為200.095 km時，測量距離為200 km，誤差率為0.048%。因此，采用行波定位方法進行試驗時，誤差精度較低。

3.2 BP神經網絡模型仿真驗證

下面對BP神經網絡模型進行仿真驗證。在進行驗證時，先介紹幾組公式：

準確率：

(10)

召回率：

(11)

(12)

最終得出FI值：

(13)

利用上述公式進行數據驗證，在眾多的數據類型中，挑選以下數據樣本：電壓、電流、紋波、負荷、諧波。分別選取20 000個不同的數據樣本進行驗證，并利用上述公式計算，得出以下數據集合。

通過表1可以看出，在所選擇的50 000份數據樣本中，在12秒時間內，利用BP神經網絡模型計算后的結果中，召回率分別為92.3%、92.6%、92.4%、92.3%和92.1%，正確率分別為94.3%、94.1%、94.5%、94.6%和94.4%，利用行波定位方法結合BP神經網絡模型的整個數據模型的準確率平均數達95%以上，因此，該研究設計的方案具有較高的準確率。

表1 測試樣本數據計算

4 結束語

該研究通過結合行波定位方法和BP神經網絡模型，實現對輸變電設備中故障數據的提取、融合、分析和計算，通過行波定位方法能夠使用戶實時地獲取電力配電網中輸變電設備的運行情況，使用戶基于得到的電力配電網記錄的波形情況，準確、快速地找到電網系統中發生故障的位置點。再利用BP神經網絡模型算法進一步對定位后的數據進行更精確地學習和訓練，對定位后的數據進行進一步的優化，大大降低了誤差率，為輸變電提升工作效率、推動電網系統的穩定運行提供了技術依據。該研究雖然在一定程度上具有技術進步性，但其適用性、兼容性仍舊是未來有待研究的重點。