工廠配電柜故障智能檢測方法

武漢市水務集團有限公司 孫 元

0 引言

改革開放后，我國工業得到了極大的發展，各個工廠逐漸轉向機械化、自動化生產，生產力水平有了很大的提升，但是與此同時，工廠的用電量也在不斷增大，給工廠電網系統的正常運行帶來了一定的壓力，增加了配電柜發生故障得頻率[1]。因此為保證工廠電力的正常輸送，對配電柜故障進行檢測具有十分重要的作用。

配電柜故障主要有空氣斷路器跳閘，缺相運行，電路短路等故障，其中電路故障是最常見的故障，也是最難處理的故障。因為工廠安裝的配電柜一般是大型配電柜，其中的電路錯綜復雜，只要其中的一處發生故障就會導致工廠整個電力系統的癱瘓，檢測時很難確定發生故障的具體位置，檢測過程有時需要持續很久[2]。針對上述問題，提出一種基于小波一神經網絡的電路故障智能檢測方法。該方法從三個方面完成故障檢測，首先利用小波對電路故障特征進行提取，然后利用BP神經網絡分析故障特征，完成故障判斷，最后對檢測結果進行輸出。

為檢測該方法的有效性，進行了對比實驗。結果表明：利用該方法對配電柜的電路故障進行檢測時，檢測正確率和效率較傳統檢測方法分別提高了13%和30%，由此證明該故障智能監測方法要優于傳統檢測方法，達到了本文研究的目的。

1 基于小波一神經網絡的電路故障智能檢測

神經網絡是在人腦神經網絡結構和功能的基礎上發明出來的一種處理方式，把人腦的分析、學習、處理、計算、自適應等能力集于一身，這也就決定了它在故障檢測領域中的重要地位。現在把小波與神經網絡相結合，提出一種基于小波一神經網絡的電路故障智能檢測方法。首先利用小波提取故障特征；然后利用BP神經網絡進行故障分析；最后確定故障類型，輸出檢測結果，檢測流程如圖1所示。

圖1 基于小波一神經網絡的電路故障智能檢測流程

1.1 配電柜故障特征提取

在工廠配電柜電路故障智能檢測中，小波的主要作用是對故障特征進行提取，完后數據預處理過程。假定任意一個信號的連續小波為， 將其轉變為：

然后將信號f（t）進行分解，分解公式為：

1.2 BP神經網絡

BP神經網絡是多層前饋式反向傳播神經網絡，也是一個有導師示教的多層神經網絡算法[3]。圖2為一個完整BP神經網絡結構，主要用于信號分類。

利用上述分解公式求故障分解系數的絕對值。

最后根據尺度大小給配電柜故障特征向量進行排序。

圖2 BP神經網絡結構圖

在利用BP神經網絡對電路故障特征進行分析時，首先需要確定輸入層與輸出層的節點數量。在這一過程中，假設對故障特征信號進行了X層的小波變換后，得到了X+1層的故障特征向量，這時我們就可以視輸入層神經元數目為X+1。這時如果需要對其檢測的電路存在Y種種故障，則輸出層神經元數量就是Y；隱含層中節點的數量為（a=1,2,3，….，10）。此外，在BP網絡結構參數選取中，輸入層和隱含層的函數用cos-sigmoid型函數，則輸出層采用log-sigmoid型函數。

之后，為了使BP網絡能夠快速分析出配電柜中電路故障模式，必須對建立好的BP神經網絡進行訓練。具體操作為：首先以提取的故障特征作為BP神經網絡訓練樣本的輸入層節點；然后對訓練樣本輸出向量進行確定，假定配電柜的電路存在Y種故障模式（模式1，模式2，模式3，…..，模式Y），BP神經網絡輸出為。如果配電柜的電路狀態為模式1，則N1=1，而其它網絡輸出值=0，BP神經網絡輸出向量為；如果配電柜電路狀態存在兩種或兩種以上的模式,則這時的BP神經網絡輸出向量為。由此可以看出，BP神經網絡是可以實現對配電柜電路的單、多故障進行診斷的。

1.3 故障確定

利用BP神經網絡檢測出配電柜電路存在何種故障后，需要對其檢測接進行輸出。把未經過檢測的配電柜電路的故障特征向量輸入上述已經訓練好的BP神經網絡，得到輸出結果，即可完成故障檢測[4]。

2 對比實驗

為驗證工廠配電柜故障智能檢測方法的有效性，進行了對比實驗。選用某工廠配電柜中的一段電路作為實驗對象。采用第三方工具（支持向量機）對其進行檢測，檢測結果發現在該段電路中一共存在15處電路故障，其中10處為電阻故障、4處電容故障以及1處無故障電路[5]。

現在利用基于小波一神經網絡的電路故障智能檢測方法和傳統故障檢測方法分別對這一段電路進行檢測，檢測結果和檢測效率分別如表1和圖3所示。

表1 兩種檢測方法檢測結果

從表1中可以看出，對于15種故障模式，基于小波一神經網絡的電路故障智能檢測方法檢測出來并判斷正確有14種故障模型，準確率高達93%；而利用傳統故障檢測方法只檢測出來12種故障模式，準確率只有80%，前者較后者準確率提高了13%。由此證明在準確率方面，基于小波一神經網絡的電路故障智能檢測方法要優于傳統故障檢測方法。

圖3 兩種檢測方法檢測效率對比

從圖3的檢測速度對比曲線中可以看出，基于小波一神經網絡的電路故障智能檢測方法的檢測速度明顯要快于傳統故障檢測方法。為保證檢測結果的客觀性，進行了10組檢測速度的對比實驗，取檢測結果的平均數，基于小波一神經網絡的電路故障智能檢測方法平均只需要花費5s就可以完成故障檢測工作；傳統故障檢測方法平均至少花費8s才能完成這一項工作。前者較后者速度提高3s，效率提高了30%。

從以上兩種對比實驗中可以看出，基于小波一神經網絡的電路故障智能檢測方法不僅能快速檢測出電路中存在的故障，且檢測結果也更為準確。由此證明該方法比傳統故障檢測方法更適用于配電柜的電路故障檢測當中。

3 結束語

綜上所述，隨著我國工業化水平的不斷提高，各個工廠實現了從人工化向機械化、自動化的轉變，這也就導致工廠的用電量在逐漸加大，從而使得工廠的配電柜經常發生電路故障。但是電路故障有很多種，利用傳統故障檢測方法很難準確檢測出來，這也就使得故障很難準確排除。針對這一問題，提出一種電路故障智能檢測方法。經驗證該方法不僅能快速檢測出工廠配電柜中存在的電路故障，且準確率高達90%以上，這對故障檢測領域具有重要的指導意義。