基于神經網絡的電力計量自動監測流水線固定診斷系統設計及仿真

袁衛， 劉正明， 張明， 余凡， 俞煌

(1.國網西藏電力有限公司, 電力科學研究院，西藏, 拉薩 850000;2.福建網能科技開發有限責任公司，福建, 福州 350003)

0 引言

電力系統是由電壓、電流互感器和其相應的連接導線等3部分組成，如果其中一部分產生問題，整個電力計量系統都會受到影響，計算精度的準確率也相應地降低。經過對電力系統故障的分析，發現故障的種類非常多，而且有些故障通過單一的信號是很難辨別的，針對這類問題，本文提出一種基于神經網絡算法對故障信號進行判斷，并通過相關實驗成功地證明了此算法的可行性。

1 電力計量自動監測系統故障特征提取

電力計量系統故障的原因主要通過對其工作過程中發出的故障信號來判斷，但在對這些故障信號的提取過程中很可能會出現尖峰或者噪聲的情況，不利于對電力系統故障的判斷。因此，要想準確地判斷電力計量系統故障，就需要對提取的故障信號進行降噪處理，消除故障信號中的干擾噪聲，保留平穩的特征信號。對這種噪聲的處理大多都用傳統的傅里葉變換方法，其核心是從時域到頻域的變換，而這種變換是通過一組特殊的正交基來實現的。通過其工作原理可以看出傅里葉變換的方法主要注重對頻域信號的分析，而對時域信號分析得還不夠，導致無法對系統故障信號完全除噪。如果傅里葉變換不能在時域部分完全除噪，那么在電力系統運行的過程中，如果在某個時域突然出現突變，將會引起整個圖譜的變化。針對這一問題，本文引入小波變換進行處理[1-2]。小波消噪主要根據小波設定的閾值消噪，其主要是在對信號進行分析時會有很多有用的信息以數值的形式出現，小波分析通過設置適宜的閾值保存有用信息的數值，從而使消噪的過程更方便和快捷。閾值分為硬閾值和軟閾值，其處理方法本文以軟閾值為例，其公式為

(1)

式中,γ為閾值，ω為小波系數，ωγ為處理后的小波系數。

可以用MATLAB軟件對小波軟閾值處理噪聲的方法進行仿真，仿真結果證明其方法有一定的優勢。因此，與傅里葉變換的方法相比，小波變換分析的處理方法能更好地在時域和頻域對信號進行分析，而且由于小波變換分析具有自動調焦的功能，可以更好地處理特征信號中的噪聲和時域部分突變的情況。

2 基于神經網絡的電力計量系統故障判斷

2.1 BP神經網絡結構

BP神經網絡是屬于前饋型網絡，分為輸入層、隱藏層和輸出層，層層都有很多個節點，每個節點都相當于網絡中的一個神經元，相鄰層之間的神經元結構由權數來進行連接。圖1是一個簡單的BP神經網絡結構[3-4]。

圖1 BP神經網絡結構

BP神經網絡學習算法從根本上講就是通過網絡傳輸層傳出的誤差進行反向傳播，對網絡系統的連接權數進行調整和修改，使其誤差縮到最小。BP神經網絡的訓練流程如圖2所示。整個主要學習過程為數據通過正向的計算和在輸出層的反饋，最終經過連接權數的調整，使誤差降低達到所期望的數值。

圖2 BP神經網絡訓練流程

2.2 BP神經網絡算法改進

由于BP神經網絡存在一定的弊端，提出PSO粒子群優化算法。其運行原理公式為

vid(t+1)=vid(t)+c1r1(pid-xid(t))+

c2r2(pgd-xid(t))

(2)

xid(t+1)=xid(t)+vid(t+1)

(3)

其中，xi=(xi1,xi2,…,xiD)為第i個粒子的位置，vi=(vi1,vi2,…,viD)為移動的速度向量，pi=(pi1,pi2,…,piD)為單個最優數值，pg=(pg1,pg2,…,pgD)為整體最優數值。式(3)為經過t+1次迭代后更新的公式。

通過式(2)、式(3)可以看出，粒子的當前運行速度、粒子對自身的認知功能和粒子群體的“記憶功能”對PSO優化算法更新的速度都會有影響。其中，粒子的當前速度影響著當前的狀態，粒子的自身認知影響著粒子向最優值靠近,粒子群體的記憶功能影響著粒子向全局群體的最優值拉近距離。

提出通過一種動態學習因子的調整方法從而提高優化的準確度，其公式為

(4)

c1=4-c2

(5)

假設當前的迭代次數用t表示，最大的迭代次數用Tmax表示，且0

圖3 基于PSO優化算法的神經網絡模型

3 故障檢測電路設計

高壓電力系統的故障檢測原理如圖4所示。

圖4 電能計量系統故障檢測原理圖

圖4中的黑點為故障檢測點，檢測點通過對電力計量系統故障的分析得出故障類型，再加上系統的結構特點來選取，是對系統是否發生故障判斷的有力工具。可以看出故障原因主要是一次側短路造成的，電流互感器的一次側高壓阻抗小且測量不方便，或一次側短路導致阻抗變化無法直接測量[5]。要解決以上問題，通過在二次側外加激勵信號的方法(伏安法)對整個系統檢測抗阻如圖5所示。

圖5 激勵信號產生電路圖

由圖5可知，如果想要RC振蕩電路正常工作，就要求保持振幅平衡和相位平衡。則振蕩電路的振蕩頻率公式為

(6)

式中，ZR表示電阻，ZC為電容。

如果CT一次側短路，可以經過GL1與GL2使阻抗降低，分壓值Ua和Uc也會相應降低，從而通過檢測信號電壓的變化判斷故障情況。

4 A/D轉換電路設計

目前處理器的處理位數已經發展到32位，其中ARM具有代表性，ARM具備體積小，功耗低，處理能力強等優勢。由于微處理器的發展非常迅速，市場上的微處理器種類也隨之增加，STM32F103ZET6微處理器是性價比很好的一款，是以高運算速度、更好的實時性、低功耗為目標設計的產品。它的實時性體現在該處理器使用了NVIC中斷向量控制器，比之前的處理器更好的通過中斷管理的統一為客戶編程提供了方便，中斷延遲的時間和ARM7相比縮短了一半的時間，更好地提高了實時性。低功耗的特點：CM3在CPU不需要運行的時候進入休眠狀態，這種模式下，只需外設運行，從而降低了系統的功耗。而且CM3可以通過編程進入停止模式，所有的時鐘停止工作，I/O端口在運行狀態，一旦中斷事件發生時，停止模式就會被喚醒進入運行狀態對中斷事件進行處理，處理完成后，再次進入停止模式，循環往復，很大程度地降低系統的功耗。STM32F103ZET6可以說是一個片上系統，其外設資源也是非常豐富的。為了滿足電路設計的需求，STM32F103ZET6微處理器內部放置了3個A/D轉換器，不需要再設計單獨的A/D轉換電路，簡化電路設計。此款A/D轉換器的高性能體現在具有12位分辨，也可以設置多種模式，根據系統時鐘的頻率不同而產生變化，最小可以達到1 μs的轉換時間[6-7]。

5 系統訓練及診斷測試

表1為通過動量BP學習算法對神經網絡進行3821次訓練的故障診斷結果，誤差值降到最小。圖6和圖7分別為動量BP網絡訓練的誤差曲線和傳統的BP網絡訓練曲線誤差，通過對2個圖的比較可以看出動量BP網絡訓練在3821次訓練時就可以是誤差到達最小，而傳統的BP網絡訓練需要8378次，很明顯前者的迭代次數更少[8]。

圖6 動量BP網絡訓練的誤差曲線

圖7 傳統BP網絡訓練的曲線誤差

表1 故障診斷結果

通過多組樣本采集對計量系統負載值進行改變，從而對訓練完善的網絡進行測試，分別如表2、表3所示。與表1對比可以看出，訓練好的網絡可以很成功地診斷出故障種類，達到理想的效果。表4為動量BP網絡的測試結果和比較，從表中的數據結果可以說明，動量BP網絡比傳統BP網絡的準確率要高，可以診斷出大多數的網絡障礙，具有可行性。

表2 部分故障測試樣本

表3 訓練后的動量BP網絡測試結果

表4 動量BP網絡測試結果及兩種網絡結果對比

6 總結

通過對電力計量系統故障的分析和BP神經網絡對故障系統的判斷，提出動量BP神經網絡，完善了傳統網絡的缺陷。經過一些列的數據測驗及得出相應的結果，經對比，動量BP神經網絡正確率高，比傳統BP網絡的迭代次數少，收斂速度也相對較快，其方法切實有效。