考慮噪聲影響的柴油發電機組并聯運行自動化監控系統

呂良

（陜西柴油機重工有限公司西安電站工程分公司，西安 710000）

柴油發電機組作為諸多工作領域后備供電系統中的主要后備電源，其在并聯運行時的穩定性直接關系到在出現長時間停電狀況后，各領域相關工作能否得以有效完成[1-2]，因此需要設計一種合適的柴油發電機組并聯運行自動化監控系統，實時監控柴油發電機組并聯運行狀態，運行狀況出現異常時，及時給予干預，保障其運行穩定性。

針對上述問題，文獻[3]提出基于SOM 神經網絡的柴油發電機組并聯運行自動化監控技術，文獻[4]提出基于優化NRS 和復雜網絡的柴油發電機組并聯運行自動化監控技術。前者在對柴油發電機組并聯運行故障類型實施合理分析基礎上，合理整合柴油發電機組并聯運行狀態特征數據，并通過Matlab 軟件中的網絡工具箱執行SOM 神經網絡構建操作，最終在將柴油發電機組并聯運行特征數據輸入到所構神經網絡后，通過合理的神經網絡訓練輸出相應故障診斷結果，完成柴油發電機組并聯運行狀態監測；后者使用變分模態分解算法對采集到的柴油發電機組并聯運行狀態數據執行合理分解，形成柴油發電機組并聯運行狀態特征數據集，并使用優化鄰域粗糙集實施合理特征篩選，之后使用復雜神經網絡中存在的社團結構構建柴油發電機組并聯運行狀態監測網絡，最終充分利用網絡的超強分類性能完成柴油發電機組并聯運行狀態監測。二者均可有效監測柴油發電機組并聯運行狀態，但并未在實際工作中考慮噪聲環境對柴油發電機組并聯運行狀態監測效果的影響。

在采集到有效的柴油發電機組并聯運行狀態數據后，應用基于廣義S 變換時頻濾波算法對采集到的柴油發電機組并聯運行狀態數據執行合理去噪操作，可顯著抑制噪聲元素對柴油發電機組并聯運行狀態監測效果產生的不利影響。為此，本文設計考慮噪聲影響的柴油發電機組并聯運行狀態監控系統，更好滿足實際工作需要。

1 柴油發電機組并聯運行自動化監控系統

1.1 柴油發電機組并聯運行自動化監控系統總體架構設計

本文設計考慮噪聲影響的柴油發電機組并聯運行自動化監控系統，并將其總體架構通過圖1 展示。該系統架構以數據感知層、數據處理層、網絡通信層以及遠程監控中心4 個部分為主要構成。在實際工作中由數據感知層的數據采集模塊采集柴油發電機組并聯運行時的圖像、電流、溫度以及振動信號，以下統稱為柴油發電機組并聯運行狀態數據，并由網絡終端將其發送給數據處理層執行數據去噪、數據壓縮與歸類等操作，然后將壓縮后的數據交由網絡通信層使用工業以太網或無線網絡傳輸給遠程監控中心，遠程監控中心在接收到相關數據后，由故障感知與預測模塊對柴油發電機進行有效的故障感知與預測，并最終將感知預測結果以及柴油發電機組實時監控畫面呈現于監控終端。

圖1 系統總體架構Fig.1 Overall architecture of the system

1.2 柴油發電機組并聯運行自動化監控系統硬件設計

1.2.1 數據采集模塊以及控制與處理電路設計

將FPGA 芯片與ARM 芯片結合起來對數據感知層的數據采集模塊進行合理設計，可顯著提升數據采集模塊的數據控制與處理能力，獲得更為精準的數據[5-6]。在本文中為獲取到更為精準的柴油發電機并聯運行狀態數據，基于2 種芯片對數據采集模塊實施合理設計。設計出的數據采集模塊架構如圖2 所示。

圖2 數據采集模塊架構Fig.2 Data acquisition module architecture

因經AD 芯片完成模數轉換后的數據依次要經過合理的數據轉換、濾波以及校準等操作，才能獲得較為理想的柴油發電機組并聯運行狀態數據，因而在整個數據采集模塊的設計中，控制處理電路的設計必須能夠滿足數據采集模塊在數據控制與處理方面的需求。針對該需求，本文對控制與處理電路實施了合理設計，設計的電路框圖如圖3 所示。

1.2.2 無線網絡供電模塊設計

在使用無線網絡傳遞數據時，為有效保障數據傳輸的實時性以及準確性，要求設計的供電模塊必須具有超強的供電能力[7-8]。在本文中為更好滿足無線網絡數據傳輸工作需要，采用雙電源模式對無線網絡供電模塊實施合理設計，設計的無線網絡供電模塊電路框圖如圖4 所示。

圖4 無線網絡供電模塊電路框圖Fig.4 Circuit block diagram of wireless network power supply module

1.3 柴油發電機組并聯運行自動化監控系統軟件設計

1.3.1 柴油發電機組并聯運行狀態數據去噪

柴油發電機組在并聯運行過程會受到各種噪聲因素的影響，若不對其實施有效濾除，必然會使監控的效果受到一定程度的影響，為此，應用合理算法或技術對所獲狀態數據實施有效去噪。廣義S變換具有強大的時頻展開以及可重構性能，將其應用于數據信號去噪過程中，可收獲較為理想的數據去噪效果[9-10]。本文使用廣義S 變換時頻濾波算法對柴油發電機組并聯運行狀態數據執行合理去噪操作，具體去噪流程如圖5 所示。

圖5 廣義S 變換數據去噪流程Fig.5 Denoising flow chart of generalized S-transform data

用公式可將濾波過程簡單描述為

式中：GST 與IGST 為S變換以及S 反變換；x（e）與y（e）為去噪前后的柴油發電機組并聯運行狀態數據；U（e，f）為時頻濾波算子，對于U（e，f）有：

式中：F（e，f ）為x（e）經廣義S 變換操作后獲得的時頻譜；λn為可調節參數，滿足：

式中：σ 為F（e，f ）除以后獲得的數值；D 為數據信號的長度。

1.3.2 柴油發電機組并聯運行狀態監測

隨機森林算法具有超級強大的數據挖掘與分類能力，且在執行數據分類工作時，不需設置過多的參數，可顯著降低運算的復雜度。其基本原理是輸入待分類數據樣本后，以輸入樣本為可靠依據，經隨機采樣等操作形成決策樹，并將形成的決策樹當作基本單元，構建隨機森林，最終經合理的模型訓練，輸出理想的分類結果。鑒于隨機森林算法強大的數據挖掘與分類能力，本文在故障感知與預測模塊使用基于隨機森林算法的故障感知與預測方法對柴油發電機組并聯運行狀態實施有效監測。

首先采用基于EEMD 的數據特征提取方法提取柴油發電機組并聯運行狀態數據特征，具體的特征提取流程可簡單歸結如下：①使用EEMD 方法對采集到的柴油發電機組并聯運行狀態數據執行有效的分解操作，獲取若干柴油發電機組并聯運行狀態數據IMF 分量；②挑選前n 個含有柴油發電機組并聯運行故障信息比重較大的IMF 分量，并求解各柴油發電機組并聯運行狀態數據IMF 分量與原柴油發電機組并聯運行狀態數據的相關性系數；③挑選相關性系數相對較大的某些柴油發電機組IMF分量實施有效重構，構成將要輸入到決策樹當中的柴油發電機組并聯運行狀態特征數據。

N 為柴油發電機組并聯運行狀態特征數據集，M、R 為柴油發電機組并聯運行狀態數據樣本數量、特征屬性數量，使用Bootstrap 算法隨機采樣柴油發電機組并聯運行狀態特征數據集N，生成相應的訓練子集，值得注意的是生成的訓練子集數量必須要低于M。從特征屬性中任意挑選出若干屬性，將生成的訓練子集執行相應輸入，生成相應決策樹，最終經不間斷的數據抽樣，決策樹生成操作，生成m 棵決策樹，構建成相應的隨機森林。用生成的眾多決策樹對輸入的隨機森林模型中的柴油發電機組并聯運行狀態特征數據集實施合理診斷，待所有決策樹診斷結果輸出后，采用投票的方式獲取最終的故障診斷結果。

2 實驗與分析

以我國某省D 市政府規劃出的某山地旅游區引進的柴油發電機組為實驗對象，應用本文系統對其實施合理并聯運行自動化監控，驗證本文系統有效性。該山地旅游區占地面積約5.32 平方公里，海拔158 m，距離市區約60 km，水陸交通較為便利，是一個集古典韻味以及現代秀美于一身的風景名勝區，被國家旅游局評定為AAAA 級別旅游區，但是受自然條件以及某些不可抗力因素影響，秋冬時節常出現停電現象，為不影響景區內各個設施以及設備的安全運營與運行，先后在景區內引入了多臺柴油發電機組用作備用電源，以便在景區停電時，由多臺柴油發電機組并聯運行為景區供電。

表1 是應用本文系統對該景區柴油發電機組并聯運行狀態實施有效監測后，在該景區柴油發電機組并聯運行自動化監控系統中，顯示的2022 年全年柴油發電機組并聯運行狀態監測結果記錄。從表1 可以看出，本文系統可以實現柴油發電機組并聯運行自動化監控，有效感知與預測柴油發電機組并聯運行狀態，能夠滿足實際工作需要。

表1 柴油發電機組并聯運行狀態監測結果Tab.1 Monitoring results of parallel operation of diesel generator sets

為進一步驗證本文系統有效性，繪制2022 年全年應用本文系統對該景區引進柴油發電機組并聯運行狀態實施有效感知與預測所獲結果與真實運行狀態的對比圖，具體如圖6 所示。從圖6 可以看出，應用本文系統不僅可以實現柴油發電機組并聯運行狀態監測，且狀態監測效果良好，在2022 年的柴油發電機組并聯運行狀態感知與預測工作中，感知與預測結果中僅有1 次狀態誤判，感知與預測的準確性較高。

圖6 測試結果與真實結果對比Fig.6 Comparison between test results and real results

以采集到的柴油發電機組并聯運行電流信號為例，應用本文系統對其實施有效的數據去噪操作，驗證本文系統在數據去噪方面的優勢，獲得的數據去噪效果圖如圖7 所示。從圖7 可以看出，應用本文系統對采集到的柴油發電機組并聯運行電流信號實施有效去噪后，電流信號中的噪聲元素已基本被去除，將去噪后的信號應用于柴油發電機組并聯運行自動化監控工作中，可顯著提升柴油發電機組并聯運行自動化監控工作的準確性，降低噪聲的影響，收獲較為理想的柴油發電機組并聯運行自動化監控效果。

圖7 數據去噪效果Fig.7 Data denoising effect

3 結語

本文系統充分考慮了噪聲對柴油發電機組并聯運行自動化監控工作的影響，即便在所獲柴油發電機組并聯運行狀態數據中含有較多噪聲元素時，也可有效去除所采柴油發電機組并聯運行狀態數據中的噪聲元素，為柴油發電機組并聯運行自動化監控工作提供高質量的狀態數據，使柴油發電機組并聯運行自動化監控工作能夠更好完成。

但是本文系統在利用隨機森林模型完成對柴油發電機組并聯運行狀態的有效感知與預測工作時，為提高其感知與預測工作的準確性，僅對隨機森林模型實施了加權改進，在如何優化隨機森林模型參數，提高柴油發電機組并聯運行狀態感知與預測工作效率方面卻未加考慮，下一階段將以此為切入點對本文系統做進一步優化設計。