基于多傳感器數據融合的輸電線路桿塔穩定性監測系統研究

陳 黎，肖 灑，任喬林，肖亞平，湯迎春

(1.三峽大學，湖北 宜昌 443002；2.國網孝感供電公司,湖北 孝感 432000)

近年來，國內外冰雪災害頻繁造成輸電線路安全事故發生，使社會生產生活遭受損失。輸電線路事故發生的重要原因是被人為損壞、冰雪覆蓋、電線和桿塔的重力或機械共振負荷超過結構強度，以及輸電桿塔上的螺栓、金具造成松脫破壞以致造成輸電桿塔發生倒覆，導致了輸電設備無法正常運行[1-2]。

智能電網和超高壓電網建設，使各種不同電壓等級的輸電線路不斷增加，這就需要越來越多的輸電線路桿塔來構建，但是部分輸電桿塔的樹立地點可能存在安全隱患，包括氣象、地質災害和人為外力破壞[3-5]。對輸電線路桿塔日常維護主要依靠巡線人員定期檢查，一定程度上能夠對桿塔的穩定性安全隱患做出判斷，但由于缺乏在線實時監控的技術手段，極易導致事故的發生。因此，需要一種新的輸電桿塔穩定性監測技術來實時監測桿塔的穩定性，確保輸電線路桿塔的安全穩定，為電力安全運行提供保障。

1 系統組成

整個裝置由現場監測終端、數據通信模塊和遠程監控中心組成，總體結構圖如圖1所示。

圖1 系統結構

1.1 現場監測終端

現場監控終端主要包括輸電線路桿塔傾角檢測裝置、輸電線路桿塔振動檢測裝置、無線Zigbee模塊以及嵌入式系統。現場監控終端和遠程監控中心通過4G無線通信模塊發送信號(見圖2)。3臺三維振動傳感器分別獲取輸電線路桿塔塔頂、塔腰和塔基的振動數據，1臺二維傾角傳感器獲取桿塔傾斜角數據，通過獲得的桿塔各部位振動數據和桿塔傾斜角數據進行傳輸器數據融合得到輸電線路塔線系統動力學參數，通過嵌入式系統分析綜合得出桿塔穩定性狀況和預警信息，主要分為如下2步。

a.獲得的桿塔塔頂、塔腰、塔基的振動加速度和桿塔橫擔上的桿塔傾斜角均以短距離無線Zigbee通信方式輸送至嵌入式計算機系統。

b.微處理器對獲得的桿塔塔頂、塔腰、塔基振動數據和桿塔橫擔上的傾斜角數據進行濾波、信號融合，最終得到桿塔穩定性的診斷結果；最后將得到的桿塔穩定性診斷結果經過4G無線通信傳輸至遠程客戶端，如果有桿塔穩定性預警信息則可直接通過短信發送到輸電線路相關運行維護工作人員手機上，實現桿塔穩定性監測。

圖2 現場監測裝置圖

1.2 振動檢測子系統

振動傳感器主要實現桿塔振動信號的獲取，目前主要采用的是集成電容式傳感器獲取0.5～2 000 Hz的振動信號，該頻段的振動信號能有效反映桿塔在受外力情況下的響應。本文采用朗斯測試技術代理的美國產LC0155通用振動傳感器。桿塔的振動頻率監測由振動傳感器的振動開關模塊(801S)實現。當桿塔處于平靜狀態時，模塊也處于“靜止”狀態，此時輸出引腳始終為高電平并且不會使計數器計數。當桿塔振動時，振動開關模塊的靜止狀態被破壞，輸出引腳輸出瞬時低電平。在電平變化的瞬間，計數器開始計數。因此可以把模塊的輸出端接到單片機的TO/T1引腳上，當存在下降沿輸入時，TO/T1引腳將計數器寄存器遞增1。因此，計數器存儲線的振動數N，只要再利用定時器把時間定為每秒讀1次計數器寄存器的值N并且同時把計數器寄存器清零，這樣就記錄了線路每秒所振動的次數N，即線路的振動頻率N(Hz)。

1.3 傾角檢測子系統

本文在監測桿塔傾角參數是采用MPU6050加速度傳感器。內部自動三軸陀螺儀，同時還有三軸重力加速度傳感器，內部集成了DMP，通信接口遵循I2C通信協議，還可以與磁力傳感器相互配合。在本文中，MPU6050加速度傳感器主要用于監控傾斜角度。重力加速度通過將3個坐標軸上的分量合成，然后通過三角函數計算偏離原始位置的角度，見圖3。(盡可能在原始位置啟動傾斜傳感器，以便參考)。

圖3 三軸加速度與傾角關系圖

由圖3可以推導出傾角計算公式：

(1)

(2)

(3)

2 輸電桿塔穩定性監測

桿塔振動傾斜檢測是通過安裝多臺振動傳感器和傾斜傳感器對輸電桿塔進行檢測。振動傳感器主要用于獲得桿塔各部分的振動加速度，傾角傳感器用于獲得桿塔的傾斜角度。通過多傳感器數據融合獲得桿塔穩定性判斷。多數據融合方法步驟如下。

a.采用離散小波變換實現信號濾波。信號x(t)的連續小波變換定義為

(4)

Ψj,n(t)=2-j/2Ψ(2-jt-n)

(5)

式中：x(t)是每個傳感器檢測的信號；Ψj,n(t)是小波基數；j是尺度因子；n是平移因子。

適當選擇母小波Ψ(t)，可使Ψj,n(t)及其傅里葉變換Ψj,n(ω)同時具有較好的局限性，因此小波分析是時-頻分析。

在離散小波變換中，常用的離散方法是將j按冪級數離散，n在尺度內均勻離散，信號x(t)的離散小波變換為

(6)

b.利用小波包能量譜方法對振動信號及傾角信號進行分解處理，提取特征向量：

(7)

式中：xjk(k=1,2,…,N)為信號Ej各離散點的值，然后求出所述各頻帶能量占總能量的百分比；ej=Ej/∑En，作為穩定性診斷的輸入特征量。

c.利用RBF神經網絡方法對輸電線路桿塔進行初步穩定性診斷；RBF神經網絡由輸入層、隱層和輸出層組成，完成非線性映射。

(8)

一般取：

(9)

d.利用貝葉斯推理實現對初步診斷結果融合，得出最終融合診斷結果。

(10)

(11)

3 現場安裝及調試數據分析

通過采用多傳感器數據融合的輸電桿塔穩定性監測裝置已經在線運行4年，實際運行表明該方法有效實現了輸電線路桿塔復雜運行環境下的穩定監測。對于目前正在運行的4套監測裝置，通過不同時間的數據統計分析結果如表1所示，本方法能夠有效實現桿塔穩定性監測分析，并且當出現桿塔穩定性安全隱患時能夠及時發出報警信號，雖然有誤報警，但是沒有出現漏報。在長期運行期間由于不同環境氣候的復雜性將導致正確率下降，因此下一步將重點對現場監測樣本的數據進行更深入研究，從而提高輸電桿塔穩定性監測正確率。圖4為現場設備安裝圖，圖5為桿塔穩定性監測系統的界面圖。

表1 在線運行4年4臺設備報警統計

圖4 現場安裝圖

圖5 輸電線路桿塔穩定性監測系統界面圖

4 結束語

本項目采用智能化監控主站，將嵌入式系統、計算機技術、GPRS通信技術等現代信息技術手段有機融合，建立了輸電線路桿塔穩定性監測系統，通過遠程對輸電設備進行及時監測，有效實現對輸電線路桿塔狀態監控的網絡化，較好地解決了輸電線路運維難度大等問題，不但節省了大量投入，而且滿足了智能化、現代化電網的管理要求，社會效益巨大。