基于物聯網的高壓帶電體溫度在線預警系統

何建強，滕志軍，李國強

（1.商洛學院 電子信息與電氣工程學院，商洛 726000；2.東北電力大學 信息工程學院，吉林 132012；3.國網呼倫貝爾供電公司，呼倫貝爾 021000）

隨著現代電力系統向大機組、大容量、高電壓等級的趨勢發展，對供電可靠性和穩定性的要求也越來越高。溫度是運行中的高壓電氣設備很重要且需嚴格監測的參數，設備溫度變化信息能夠正確反映高壓設備是否處于正常狀態，故高壓帶電體的溫度監測已勢在必行[1]。高壓電纜接頭是電力系統運行中較為薄弱的環節，由于制作工藝有限，接點處容易出現氧化和接觸不良等情況，滿負荷負載電流流過時會出現局部過熱、溫升過高，極易導致設備損壞。根據電力部門事故通報統計，60%左右的電纜事故都由電纜接頭過熱所導致的。因此，變電站高壓電纜接頭的溫度監測已成為電力系統可靠、安全運行所面臨的現實問題[2]。

人工間斷性的離線監測是獲得高壓電纜接頭溫度的主要方法，無論是示溫貼片還是紅外測溫槍測溫，都不能實時獲取所有電纜接頭的溫度情況，不易于預測接頭溫度的發展趨勢。基于物聯網技術的高壓帶電體溫度實時監測及預警系統可避免人工監測的間斷性，通過對設備溫度實時采集、預測和分析，及時判斷出熱故障點并進行故障預警、報警，從而有效避免和降低火災等不安全事故的發生[3]。

1 系統總體設計

圖1 溫度預警系統結構Fig.1 Temperature warning system structure

2 硬件設計

2.1 傳感器節點硬件設計

傳感器節點負責對高壓電纜接頭三相測點的溫度進行實時采集，并將數據傳輸到匯聚節點，最終由匯聚節點進行存儲和上傳。傳感器節點主要由數據采集前端、數據處理模塊、無線通信模塊和供電模塊組成。圖2所示為傳感器節點組成原理。

圖2 傳感器節點組成原理Fig.2 Schematic diagram of sensor nodes

2.2 數據處理模塊設計

數據處理模塊以CC2530芯片為處理器，負責控制整個節點。CC2530是ZigBee新一代真正的片上系統（SoC）解決方案，滿足ZigBee對低成本、低功耗的要求，支持2.0～3.6 V的供電電壓，具有喚醒模式、睡眠模式和中斷模式3種電源管理方式[4]。數據處理模塊硬件電路如圖3所示。CC2530模塊主要分為時鐘電路、電源去耦濾波電路和SPI接口電路等幾個部分。

2.3 電源模塊設計

本設計中采用高壓自具電源和蓄電池組共同為測溫節點提供能量，當高壓自具電源模塊正常工作時，作為電源為電路提供能量，同時對蓄電池組進行充電，圖4所示為高壓自具電源整流穩壓模塊電路；而當高壓側母線電流斷電或很小時，自具電源不能為節點提供足夠的能量，此時轉換到蓄電池組提供電源，從而保證整個系統能夠持續工作，圖5所示為蓄電池組充電管理電路[5]。

輸入電壓為4～6 V，由LM2490電壓變換模塊提供，通過CN3058充電管理芯片，電路輸出端和蓄電池組正極連接。D4和D5分別為充電和充電結束狀態指示燈，蓄電池組進行充電時，CHRG被置為低電平，D4燈亮，表示充電狀態正常；充電結束后，DONE被內部開關拉低，D5燈亮，指示充電結束。D6～D8采用正向壓降小的鍺二極管，通過構成高壓自具電源與蓄電池組之間的隔離電路來防止電流反灌[6]。

3 基于BP神經網絡的高壓帶電體溫度預測方法

3.1 BP神經網絡算法描述

高壓帶電體溫度在線預警系統主要是對未來溫度短期預測，因此本設計只需三層網絡即可。設BP神經網絡的輸入層含有n個節點、隱含層含有m個節點、輸出層含有l個節點；輸入層和隱含層間權值為wij，隱含層與輸出層間權值為wjk；隱含層和輸出層閾值分別為tj和tk；f（）為轉移函數；輸出層期望輸出為dk[7]。

隱含層節點和輸出層節點的輸出分別為

圖3 數據處理模塊硬件電路Fig.3 Hardware circuit of data processing module

圖4 整流穩壓模塊電路Fig.4 Rectifier voltage regulator circuit diagram

圖5 蓄電池組充電管理電路Fig.5 Battery charging management circuit

輸出值與期望輸出間的誤差為

由誤差公式可以看出，調整權值wij和wjk就可改變誤差E，權值調整量正比于誤差梯度下降，則對于輸出層與隱含層：

2)課堂引導學習。新課前教師根據學生的反饋，教師總結提煉出共性問題，在課堂上針對重難點微課著重講解，引導學生以小組為單位進行討論交流。

式中：η 為學習速率；傳遞函數 f（x）=（1+e-x）-1，則f′（x）＝ f（x）［1-f（x）］。

BP權值調整公式為

標準BP神經網絡學習過程如圖6所示。

圖6 標準BP神經網絡學習過程流程Fig.6 Flow chart of standard BP neural network learning process

3.2 基于BP神經網絡的高壓電纜接頭溫度預測仿真

以呼倫貝爾某變電站提供的2015年3～8月10 kV高壓電纜A相1號測點在線運行實際數據作為BP模型輸入學習樣本，獲得預測日（9月2日和7日）24 h的高壓電纜波動曲線與實際曲線間的關系如圖7與圖8所示。

從圖7、圖8可知，BP神經網絡在對高壓設備溫度歷史運行數據統計歸納后，逐步對每層神經元間的權值進行修正，所得預測數據與實際監測數據走勢基本一致且誤差很小[8]。為了進一步分析模型的誤差特性，提取以上兩圖中的各點溫度數據作對比，獲得的預測值與實際監測值的相對誤差如表1所示。

圖7 基于BP網絡的工作日溫度預測曲線Fig.7 Working days temperature prediction curve based on BP network

圖8 基于BP網絡的休息日溫度預測曲線Fig.8 Rest days temperature prediction curve based on BP network

表1 10 kV高壓電纜接頭的BP神經網絡溫度預測誤差Tab.1 10 kV high voltage cable joint temperature prediction error of BP neural network

由表1中的數據分析可知，對工作日進行預測的最小相對誤差為0.02%、平均相對誤差為1.20%、最大相對誤差為2.54%、均方根誤差為0.82℃；對休息日進行預測的最小相對誤差為0.09%、平均相對誤差為1.47%、最大相對誤差為3.17%、均方根誤差為0.96℃；休息日預測數據的誤差大于工作日，主要因為休息日中用電量的多變性及數據統計間的時差較大。

3.3 BP神經網絡的缺點及改進方法

BP算法一般需要成千上萬次的迭代運算，造成學習效率較低、收斂速度慢；BP算法采用的是梯度下降法，容易出現局部極小點，且誤差函數只能單向減小而不可能有任何上升趨勢，因此跳出極小點的可能性幾乎沒有[9]。在實際應用中，面對這2個重要問題，主要有梯度自適應算法、附加動量法和L-M算法等典型修正算法。

針對以上3種不同的BP改進學習算法，采用前文的高壓帶電體溫度數據，并以休息日為例，仿真和計算結果如圖9～圖12所示。

從以上4個圖的比較可以看出，L-M算法的學習速度最快。4種算法的預測結果均方根誤差如表2所示。利用附加動量法得到的預測結果容易出現較大偏差；L-M算法的誤差較小，完全能夠滿足應用要求。綜合考慮學習速度和預測誤差，本設計最后選擇L-M算法訓練BP網絡。

圖9 標準BP算法訓練誤差曲線Fig.9 Training error curve of standard BP algorithm

圖10 梯度自適應算法訓練誤差曲線Fig.10 Gradient adaptive algorithm training error curve

圖12 L-M算法訓練誤差曲線Fig.12 L-M algorithm training error curve

表2 改進后溫度預測模型的誤差比較Tab.2 Error comparison of the improved temperature prediction model

4 預警系統軟件設計

當數據傳至監測中心后，由開發的監測中心軟件實現高壓帶電體溫度預警功能。通過C#開發系統管理軟件，利用SQL2008數據庫實現高壓帶電體溫度數據的存儲、統計和管理[10]。系統采用越限報警和故障預警合作方式實現溫度監測的準確化，越限報警閾值設置為75℃，高壓電纜接頭溫度預警流程如圖13所示。

4.1 預警系統管理軟件

圖14為管理軟件實時顯示界面，通過此界面可以直觀地看到各監測節點的實時溫度值以及其工作狀態。

圖15為運行狀況分析界面。工作人員通過選擇一段時間，分析此時間段內的各監測設備的缺陷等級，并對設備運行結果進行詳細描述，給出處理措施。

圖13 高壓電纜接頭溫度預警流程Fig.13 Flow chart of the high-voltage cable joint temperature warning

圖14 實時顯示界面Fig.14 Real-time display interface

圖15 運行狀況分析界面Fig.15 Operation analysis interface

4.2 實驗數據

在監測與傳輸試驗中，為了驗證接收數據的準確性，采用紅外測溫槍進行10 kV高壓電纜三相測點的同步數據檢測分析，經比對，2種方式進行的高壓電纜接頭三相溫度數據檢測分析基本一致。

以工作日和休息日即10月21日與26日數據為基準，與運用優化后的BP網絡進行預測所得到的溫度值進行對比，可得到如表3所示的實際測試值與預測值的比較。從表中可以看出，BP網絡的預測精度在4%以內，沒有超過設定的模型誤差5%，能夠滿足實際應用需求。

表3 工作日和休息日的實際溫度和預測值對比Tab.3 Comparison of actual and predicted values of working days and rest days

5 結語

本文提出了一種基于物聯網的高壓帶電體溫度在線預警系統，對預警系統監測網絡進行設計，提出了高壓帶電體溫度故障預測算法，并針對BP神經網絡算法中存在的問題提出了改進措施[11]。仿真驗證了其可行性，可以滿足電力系統中高壓帶電體溫度故障的預警要求。對整個預警系統進行了相關實驗，驗證了本預警系統的可行性及穩定性，通過改進后的BP神經網絡預測算法，實現了高壓帶電體溫度故障的預測預警。

[1]劉建勝，酆達，張凡.一種用于變電站高壓觸點溫度在線監測的新方法[J].電力系統自動化，2004，28（4）：54-57.

[2]滕志軍，李國強，何鑫，等.基于ZigBee的高壓電氣設備溫度在線監測系統[J].電測與儀表，2014，51（1）：85-88.

[3]高慶敏，和歡，石瑞杰.基于ZigBee無線傳感網絡在變電站監測系統中的應用[J].華北水利水電學院學報，2010，31（1）：53-54.

[4]滕志軍，李國強，何鑫，等.高壓帶電體溫度監測及灰色預測分析[J].電工電能新技術，2014，33（9）：62-67.

[5]王玲芝，李春茂，袁立行.基于ZigBee技術的高壓設備溫升監測系統[J].測控技術，2010，29（12）：1-3.

[6]滕志軍，王中寶，何建強，等.ZigBee在軋機系統電能質量的監測應用[J].電測與儀表，2013，50（3）：117-119，128.

[7]韓玉蘭，蘆興，路燦，等.高壓開關柜隔離觸頭溫度紅外檢測系統的研制[J].高壓電器，2008，44（6）：578-581.

[8]貝偉仰，江虹.基于紅外測溫的無線溫度監測系統的研究[J].計算機測量與控制，2011，19（10）：2397-2400.

[9]周英，尹邦德，任鈴，等.基于BP神經網絡的電網短期負荷預測模型研究[J].電測與儀表，2011，48（2）：68-71.

[10]項文強，張華，王姮，等.基于L-M算法的BP網絡在變壓器故障診斷中的應用[J].電力系統保護與控制，2011，39（8）：100-103，111.

[11]滕志軍，何建強，何鑫.基于物聯網技術的高鐵電能質量監測系統[J].電氣應用，2014.33（3）：64-69.