基于遠程無線通信的直流電源故障診斷系統

蔡饒興，汪 銳

(1.麗水市人民醫院，浙江 麗水 323000; 2.國網安康供電公司，陜西 安康 725000)

針對上述技術的不足，本研究進行以下技術研究：

(1)構建了遠程數據監控模型，在數據遠端能夠實現直流電源故障數據信息的遠程診斷。

(2)本研究用交流互感器實現在直流電流源中的高精度電流采樣，提高了電源中的數據故障診斷能力，并對故障數據信息進行直觀監測。

(3)構建了改進型蟻群算法的神經網絡模型，提高了直流電源故障診斷效率。

下面對本研究的技術方案進行以下設計：

1 系統架構設計

為迅速發現并定位直流電源系統的故障點，保證電網安全運行，本研究應用改進型蟻群神經網絡建立直流電源故障診斷系統，該系統主要包括檢測層、通訊層、數據分析層和上層監測層。直流電源故障診斷系統架構如圖1所示。

海拔4119米的西藏扎西宗鄉，“90后”楊濤正手捧兩件貨物，走在世界屋脊之上。2016年，楊濤開設了全球海拔最高的快遞網店，服務當地7400多名農牧民，讓快遞可以直抵珠峰大本營。同年，美籍教師Charlie拉上Tyler和Jay，在上海創建導購網站，幫助外國人在網絡上買遍中國，兩年，他們用超過10萬的訂單量在互聯網的世界演繹著“美國合伙人”的故事。在這些故事之外，還有無數的故事在發生，與其說它們在講述，倒不如說它們在記錄與見證。

圖1 直流電源故障診斷系統架構

系統可分為三個部分，在結構上可分為數據層、通信層和網絡層。數據層主要負責采集電流、電壓、電池信息，包括電池內阻采集、巡檢采集、母線電壓采集和支路差流采集，各單元采集到數據后向管理主機匯集數據，然后上傳到系統數據庫中。故障信息還可以包括傳感器技術，比如光電傳感器、紅外傳感器、速度傳感器、加速傳感器、GIS傳感器、振動傳感器、紋波傳感器、溫濕度傳感器、角度傳感器、磁場傳感器、轉速傳感器、RFID標簽、GPS設備、射線輻射傳感器、熱敏傳感器或能耗傳感器等可以監測電源工作環境等周圍數據信息。

通信層負責數據層與網絡層之間的數據傳輸，可以部署多個交換機，通信協議為RS485/232協議、TCP/IP 以太網絡協議等。采用有線通信模塊時，可以采用RS485通信模塊或RS232通信模塊，所述無線通信模塊至少包括TCP/IP網絡系統、ZigBee無線網絡、GPRS通信模塊、CDMA無線通信、云通信模塊或藍牙通信模塊等。在數據分析層中，本研究通過蟻群算法實現直流電源工作過程中數據信息的特征提取。在進行數據監測時，通過無線遠程通信的方式實現數據通信，提高數據通信能力。下面對本研究的關鍵技術進行研究。

2 直流電源故障信息采集

本研究用交流互感器實現在直流電流源中的高精度電流采樣，主要包括輸入設定模塊、功放模塊、輸出變壓器、采樣互感器和整流模塊，通過誤差處理將電源中的故障診斷數據新型提取并進行監測。直流電源信息采集模塊如圖2所示。

圖2 直流電源信息采集模塊

本研究中放大器部分是將一個高頻(5-10 kHz)正弦信號放大800-1000 VA的功率，經過變壓器輸出高頻(5-10 kHz)交流信號，送給一個帶補償的電流采樣互感器，該互感器將0.01 A、1 A、10 A、100 A、600 A通過不同的繞組組合，最終電流采樣互感器都輸出是20mA的電流給放大器做誤差反饋用，直流輸出是通過整流濾波實現，整流濾波之前的交流電流有效值和整流濾波后的直流有效值是相等的，所以輸出的交流、反饋的交流、輸出的直流是嚴格按比例的。

當檢測電子裝置需要0-5 V的直流電壓，則通過控制箱設置0-5 V的直流電壓基準，輸出信息通過處理單元，經處理單元中的0P-07運放模塊進行比較，當輸入的模擬量與運放比較器的標準值進行比較時，當輸出值與基準值不一致時，則通過處理器自身的自動修正而達到期望輸出值，當輸出值與基準值一致時，則輸出信息號進行下一個單元-擴流單元，擴流單元使輸出信息放大至輸出單元。采集單元對信號進行采樣，采樣信號經反饋單元反饋到處理信號的輸入端，與輸入端的基準信號進行比較，如果的輸出信號的采樣信號與設定的基準值不一致時，則處理單元會自行修正以達到輸出的期望值，如果輸出信號的采樣信號與設定的基準值一致時，則輸出符合設定要求，滿足輸出需要。

3 改進型蟻群算法的神經網絡模型

改進型蟻群算法的神經網絡模型能夠提取不同的故障因素特征，并將數據訓練成蟻群算法(Ant Colony Optimization，ACO)優化深度卷積神經網絡DCNN，利用ACO算法強大的搜索能力對DCNN關鍵參數進行尋優，通過這種方法提高了直流電源的故障診斷能力。直流電源的故障診斷流程如圖3所示。

圖3 改進型蟻群算法的神經網絡模型

將直流電源中的故障信息特征比作為螞蟻元素，以便于后期計算。在整個蟻群算法模型中，其中螞蟻元素個體數量記作為，蟻群算法模型中螞蟻信息素強度記作為，由于信息元素在蟻群算法模型中能夠進行轉移的概率記作為，蟻群算法模型中螞蟻移動的速度記作為，蟻群算法模型中螞蟻元素的步長記作為，蟻群算法模型的適應度函數記作為()。在通過本研究的方法進行ACO搜索時，蟻群算法模型中直流電源故障信息特征輸入的故障信息蟻群位置通過以下函數表示：

(1)

=(1-)+()

(2)

在式(2)中，為直流電源故障信息特征作為蟻群算法中信息素揮發常數，()為蟻群算法模型中每只螞蟻對應的適應度值。利用ADO優化DCNN模型參數時，先將蟻群算法中螞蟻元素進行初始化處理。在數據處理時，蟻群算法螞蟻元素初始時刻設為=0，初始迭代次數設為=0，最大迭代次數為，并確定信息素初始含量。

然后，設置DCNN模型處理直流電源故障數據信息需要進行優化的神經網絡參數，為了提高計算能力，通過數據集合表示為1={,,…,,}。每個蟻群算法模型在工作時，螞蟻元素從1出發，在蟻群的搜索過程中計算螞蟻的狀態轉移概率，可表示為：

(3)

式(3)中，()表示蟻群算法在計算直流電源故障信息特征時搜索路徑間的信息素含量，表示蟻群算法在計算直流電源故障信息特征時信息素啟發因子，表示計算直流電源故障信息特征時蟻群算法具有的啟發函數重要因子，1表示在計算直流電源故障信息特征轉換為蟻群算法過程中具有的啟發函數，為蟻群算法中螞蟻元素在下一步搜索過程中的節點集合。通過在搜索過程中不斷更新信息素，記錄當前迭代過程的最優解，對路徑殘余信息進行更新，可表示為：

(+1)=(1-)+Δ

(4)

其中Δ表示螞蟻元素在運行過程中釋放的信息素含量，表示螞蟻元素在尋求直流電源故障數據信息時信息素揮發因子。當訓練樣本的迭代次數滿足條件≥時，輸出DCNN最優參數值，ACO優化過程結束。ACO優化DCNN模型參數訓練完成后，對DCNN模型進行訓練實現直流電源的故障診斷。進行故障診斷時先將采集到的直流電源數據進行平滑處理和歸一化處理，將經過預處理的直流電源數據按照比例分為訓練集、測試集和驗證集。將訓練集數據進行重疊切片，然后將重疊切片后的數據進行融合，以雙通道形式作為故障診斷模型的輸入。用訓練好的蟻群神經網絡訓練測試數據，輸出直流電源的故障診斷結果。

4 應用測試

本實驗的實驗環境中硬件環境使用1臺CPU為8核16 GB的CP，硬盤容量為512 G,電腦操作系統為Windows 10，通過MATLAB 2014軟件系統進行數據分析。

系統的監控界面每秒更新一次，可以監測故障檢測裝置各通道采集運算結果，界面展示的系統數據層的具體參數。本研究通過MATLAB軟件系統進行計算處理對比，以月份作為外因素，分析范本數據和實驗數據中設備故障次數與外因素的關系。

本研究搭建實驗平臺對系統的功能指標進行測試，整個實驗平臺包括直流電源數據采集裝置、信號源以及用于顯示波形的PC機。采集卡用USB線與PC機相連接，PC機上安裝了用來項目測試的軟件。實驗設備如表1所示。

表1 實驗設備參數

實驗平臺中校準器中的電壓和電流信號，可以作為0～180 V和0～2.25 A范圍內電壓和電流信號的標準信號源，通過三個輸出通道實現多達90A的單相交直流電流并聯輸出，輸出頻率范圍可達到15～400 Hz。系統監控界面如圖4所示。

圖4 故障診斷準確率

為驗證本研究故障診斷模型的故障識別效果，采集通信電源的5000組數據作為模型的訓練集，SVM分類器作為對照進行實驗(下文稱為方案一方法)，卷積分神經網絡(下文稱為方案二方法)對通信電源的短路、過載、缺相、過壓和欠壓五種故障類型進行識別，使用1～5對故障類型進行編號，得到系統故障識別率如表2所示。

表2 測試結果示意表

經過對上述原始信號進行多次測量和復核，測量結果與本研究采集裝置采集到的結果一致，本研究直流電源故障診斷裝置的數據采集精度更高，采集直流電源信號的準確度達到100%。數字電壓表采集精度比本研究裝置低，采集到的數據與實際結果仍存在一定的誤差，電壓波峰值的誤差為1.959 V。

為驗證本研究直流電源故障診斷模型的故障診斷效果，將本研究蟻群神經網絡與標準的卷積神經網絡進行實驗并對比實驗效果，該步驟可以通過MATLAB 2014進行數據分析，軟件安裝界面如圖5所示。

圖5 MATLAB 2014安裝界面示意圖

安裝完畢后，MATLAB 2014安裝完畢界面如圖6所示。

圖6 MABLAB 2014安裝完畢界面示意圖

通過MATLAB軟件能夠對上述數據信息及時分析，借助于語言、工具和內置數學函數的方式實現數據信息分解，在軟件內構建模型，并仿真運行Simulink，以提高直流電源故障診斷能力。在仿真設計過程中，假設學習速率設定為0.5。為減少隨機因素對最終故障診斷結果的影響，在實驗過程中重復進行10次實驗測試，兩種方法在測試樣本集的故障診斷準確率如圖7所示。

圖7 故障診斷準確率

由圖7可以看出，與標準的卷積神經網絡相比，本研究經過蟻群算法優化后的故障診斷模型的準確率更高，其平均故障診斷的準確率高達99.58%，10次實驗的故障診斷準確率的方差為0.005，故障診斷模型的穩定性更好。在相同數量的樣本下，本研究蟻群神經網絡能有效提取更深層的特征進行學習，極大地提高了故障診斷模型的學習能力。方案一方法和方案二方法準確率最高分別達到92%、94.5%，現有技術中的故障診斷效果不穩定，平均故障診斷準確率不及本研究故障診斷模型，且模型的收斂速度較慢。

5 結 論

針對直流電源容易出現故障問題，構建了包括檢測層、通信層、數據分析層和上層監測層的改進型蟻群神經網絡建立直流電源故障診斷系統，該系統能夠實現直流電源故障遠程診斷，提高了神經網絡數據信息的診斷能力。并通過包括輸入設定模塊、功放模塊、輸出變壓器、采樣互感器和整流模塊的采集系統實現直流故障數據信息的采集，通過改進蟻群算法模型實現最優故障的搜索，提高了直流電源故障診斷能力，但是本研究仍需進一步研究，這需要進一步的努力。