基于BP神經網絡算法的物聯網電力設備故障定位方法

摘要：當前，物聯網電力設備故障定位模型多為智能化結構，定位方式較為單一，最終得出的定位結果存在不可控偏差。為解決這一問題，文章開展基于BP神經網絡算法的物聯網電力設備故障定位方法研究。文章先進行數據預處理及設備故障特征提取，然后采用BP神經網絡算法，提升整體的電力故障定位效率，最后構建BP神經網絡測算電力設備故障定位模型，采用自適應間隔核驗方式實現故障定位處理。測試結果表明：與傳統低壓脈沖電力設備故障定位方法、傳統GRU電力設備故障定位方法相比，所提電力設備故障定位方法定位誤判率較低，定位精準度更高，具有一定應用價值。

關鍵詞：BP神經網絡；物聯網；電力設備；故障識別；遠程異常感應

中圖分類號：TM744 文獻標志碼：A

0 引言

電力設備在智能電網中起到支撐作用，一旦出現故障，極有可能導致能源供應中斷，增加電網的運行壓力，形成隱性的運行故障隱患，嚴重時還會導致電網癱瘓和損壞。為此，文章開展基于BP神經網絡算法的物聯網電力設備故障定位方法研究。BP神經網絡算法（Back Propagation， BP）是一種能夠處理復雜非線性問題的數學模型［1-3］。在電力設備故障定位中，BP神經網絡可以通過學習歷史故障數據和設備運行狀態信息，自動提取故障特征，建立故障與故障特征之間的映射關系。當設備發生故障時，系統可實時采集設備的運行狀態數據，將其輸入訓練好的BP神經網絡模型中，通過模型的輸出快速確定故障的位置和類型［4］。

1 設計物聯網電力設備BP神經網絡測算故障定位方法

1.1 數據預處理及設備故障特征提取

物聯網電力設備的數據預處理一般是對原始數據進行實時分類及專業性輔助處理，包括清洗、去噪和標準化等。首先，在測試設備附近部署監測節點，利用節點關聯信道，便于實時數據和應用信息的傳輸共享［5］。隨后，預設對應周期，同周期對基礎的應用數據進行采集，匯總后先對數據進行去噪處理，再根據預設定的清洗規則，將缺失位置進行填充處理，識別出異常值，使用正常的數據來替換異常值［6］。在預處理過程中，還須要通過比對重復記錄，選擇刪除或合并重復的數據項［7］。隨后，將數據轉換為統一的格式或類型，數據縮放到同一尺度，以便于神經網絡模型能夠更好地學習。

完成數據預處理后，對設備故障特征進行提取。電力設備的故障特征提取范圍較大，包括電壓波動、電流異常、溫度升高等。由于電力設備的運行波動較大，可以更好地反映實時的特征，所以先計算電壓的標準差作為初始特征，具體公式如下：

F=δ2+∫-1Q（1）

式（1）中：F代表電壓的標準差，δ代表電壓限值，代表采樣電壓標準，Q代表采樣均值。針對多個周期的測定，對點電壓的峰值點、谷值點以及穩定區段進行標記與劃分，采集對應的數據和信息，以便于后期更為直觀展示和判斷電力設備的運行狀態［8］。但需要注意的是，故障特征并不是固定的，可結合實際的測定定位需求進行挑選，避免引入冗余或無關的特征，擴大實際的覆蓋定位范圍，以提高后續神經網絡模型訓練的效率和準確性。

1.2 構建BP神經網絡測算電力設備故障定位模型

在完成故障特征數據處理后，該研究基于BP神經網絡算法的輔助，設計電力設備故障定位模型。首先，基于BP神經網絡針對電力設備獲取的故障特征進行模型基礎執行原理設計，具體如圖1所示。

其輸入層設定接收來自物聯網傳感器的數據，隱藏層負責提取實時性的特征，而輸出層則輸出最終的故障定位結果。將部署節點采集的數據導入模型后，先對故障位置進行模糊標定，結合激活函數建立非線性的故障變化關系，縮小故障位置。然后，通過損失函數：判斷模型預測輸出與實際輸出之間的差。損失函數表達式如下：

H=ρ-DR（2）

式（2）中：H代表損失函數，ρ代表覆蓋定位區域，D代表故障位置，R代表線性變化點。結合BP神經網絡算法構建模型，輸出最終定位結果，具體如下式所示：

Y=γ2-（1-τ）×ε（3）

式（3）中：Y代表模型輸出值，代表預測范圍，γ代表估算定位結果，τ代表重復定位結果，ε代表定位頻次。依據上述，對模型輸出結果進行對比分析，實現對物聯網電力設備基礎故障的定位。

2 方法測試

為驗證所提方法的先進性，文章結合BP神經網絡算法，對物聯網電力設備故障定位方法實際應用效果進行分析與研究。考慮到最終測試結果的真實與穩定，采用對比形式呈現。文章選定K電站的物聯網電力設備作為測試的目標對象，對比方法選用傳統低壓脈沖電力設備故障定位方法、傳統GRU電力設備故障定位方法。結合實際測定需求，進行基礎應用數據采集，匯總分類后，以待后續使用。

2.1 測試準備

為驗證基于BP神經網絡的物聯網電力設備故障定位方法的應用效果，先搭建測試環境。K電站是一個典型的智能變電站，以220 kV雙母線接線的線路間隔作為支撐。文章先采用“直采直跳”模式，通過母線保護與線路保護增加實時運行的穩定及安全，然后隨機標定出物聯網接入的電力設備，在當前的測試環境中部署一定數量的監測節點，將節點之間互相搭接，形成循環式的監測結構。預設多組初始的故障情況作為測試輔助對象，具體如表1所示。

表1主要是對初始故障輔助測試情況的設定。基于BP神經網絡算法，進行初始故障定位環境的設定。在當前的程序中接入傳感裝置，與上述部署的節點之間建立關聯，便于進行實時數據的傳輸共享。在此基礎上，根據上述預設的輔助測試故障類型及實時應用數據，計算出故障重疊定位比，具體如公式（5）所示。

T=λ2-∑B=1B+ρ（1+γ）（5）

式（5）中：T代表初始故障重疊定位比，λ代表故障識別范圍，代表基礎故障定位單元區域，B代表實時頻率，ρ代表重疊面積，γ代表感應點。根據當前測定，將計算得出的故障重疊定位比設定為約束條件，完成對基礎測試環境的設定及細化搭建。

2.2 測試過程及結果分析

基于上述搭建的測試環境，將故障的內容轉換為指令導入當前的測試程序，按照順序進行執行測試。設置閾值為0.6，初始學習率，迭代總次數預設為120次，損失函數為交叉熵。在重疊范圍之內，測定出此時故障的告警響應時間，具體如公式（6）所示。

U=∫I+υE（6）

式（6）中：U代表故障告警響應時間，I代表初始故障定位區域，υ代表實際故障位置，E代表故障點。通過計算得出的告警響應時間與交叉熵，先判定當前的故障定位速度，如果符合初始預設的標準，再基于故障特征向量，根據采集的數據進行故障信號位置標定，具體如圖2所示。

在此基礎上，基于BP神經網絡算法，對此時檢測到異常信號進行分解處理，同時結合信息反映，進行故障實時定位，最終計算出故障定位誤判率，具體如公式（7）所示。

V=（M+N）2-πXN（7）

在式（7）中，V代表故障定位誤判率，M和N分別代表物聯網覆蓋識別區域和實際覆蓋區域，π代表故障異常點，X代表定位差。根據當前測定，隨機選定5個故障定位區域，對測試結果進行分析，具體如表2所示。

分析表2可知，與傳統低壓脈沖電力設備故障定位方法、傳統GRU電力設備故障定位方法相比，設計的BP神經網絡測算電力設備故障定位方法誤判率相對較低，這說明在BP神經網絡算法的輔助下，設計的故障定位方法針對性與穩定性較好，定位精準度更高，具有實際應用價值。

3 結語

為提高物聯網電力設備故障定位效果，文章開展基于BP神經網絡的物聯網電力設備故障定位方法。該項目通過BP神經網絡算法輔助，設計了一種靈活、多變的故障識別定位方法，提高故障捕捉的實施效率及精準度。在不同背景下，該項目可結合故障自身特征，精準分析并快速定位，在一定程度上可為電力系統的穩定運行提供重要支撐，為電力行業的技術進步與發展做出更大貢獻。

參考文獻

［1］高洋，陳東升.基于低壓脈沖法的電纜故障定位設備的研制［J］.科技與創新，2024（11）：132-134.

［2］周展利，林丹.基于數字孿生技術的變電站設備故障定位預警［J］.電腦編程技巧與維護，2023（6）：173-176.

［3］曹海歐，吳迪，薛飛，等.基于改進BA-PNN的智能變電站二次設備故障定位方法［J］.智慧電力，2024（4）：32-39.

［4］楊遠朋，烏仁其其格.次設備的復雜故障定位與應對策略分析［J］.集成電路應用，2024（4）：357-359.

［5］張弛.基于混合故障字典的高速公路機電設備故障定位方法研究［J］.大連交通大學學報，2024（1）：101-105.

［6］曹天宇，王葉青.變電站一次設備中的故障定位措施分析［J］.電子技術，2023（10）：232-233.

［7］黃政宇.氣體絕緣開關設備局部放電故障定位技術分析［J］.電子元器件與信息技術，2023（10）：30-32，36.

［8］陳彥霖，孫明悅.基于安全判據的照明設備繼電保護故障定位研究［J］.光源與照明，2023（8）：147-149.

（編輯 王永超）

Fault location method of Internet of Things power equipment based on BP neural network algorithmZHANG Shun， CHENG Xiaotong， LI Qiong

（State Grid Xinjiang Electric Power Co.， Ltd.， Bazhou Power Supply Company， Bazhoukuerle 841000， China）

Abstract： The current IoT power equipment fault location models are mostly intelligent structures with relatively single positioning methods， resulting in uncontrollable deviations in the final positioning results. To address this issue， the article conducts research on fault location methods for IoT power equipment based on BP neural network algorithm. The article first performs data preprocessing and equipment fault feature extraction， then uses the BP neural network algorithm to improve the overall efficiency of power fault localization. Finally， a BP neural network is constructed to calculate the power equipment fault localization model， and an adaptive interval verification method is used to achieve fault localization processing. The test results show that compared with traditional low-voltage pulse power equipment fault positioning methods and traditional GRU power equipment fault positioning methods， the proposed power equipment fault positioning method has a lower misjudgment rate and higher positioning accuracy， which has certain application value.

Key words： BP neural network; Internet of Things; power equipment; fault identification; remote abnormal sensing