一種改進的電網信息系統自動化故障融合監測技術

竇國賢　高楊

摘? ?要：在電網系統中，故障檢測是關系到電網正常運行的關鍵。采用小波變換實現對原始電網信息系統采樣信號的特征提取，然后使用遺傳算法對最為重要的特征的進行優化和搜索，優化后的數據輸出至神經網絡模型，神經網絡模型對接收到的數據信息進行狀態識別、特征分類，有效地提高了分類的準確性和故障診斷的可靠性。試驗數據顯示本設計的方案大大提高了計算速度，有利于用戶快速從電網數據中把握重要信息，分析影響電網信息自動化系統故障數據信息，從而從根源上解決智能電網運行過程中存在的問題。為智能電網的健康、綠色運行提供較為有價值的技術保障，同時也具有較好的學術研究意義以及工程應用價值。

關鍵詞：電網信息系統;故障檢測;小波變換;遺傳算法;神經網絡模型;自動化

中圖分類號：TP24? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?文獻標識碼：A

An Fault Fusion Monitoring Technology

for Improved Grid Information System Automation

DOU Guo-xian？覮，GAO Yang

（Anhui Jiyuan Software Co.，Ltd.，Lu'an，Anhui 230088，China）

Abstract：In the grid system，fault detection is the key to the normal operation of the grid. In this paper，the wavelet transform is used to extract the features of the original grid information system sampling signals，and then the genetic algorithm is used to optimize and search the most important features. Then use genetic algorithms to optimize and search for the most important features，the optimized data is output to the neural network model. The neural network model performs state recognition and feature classification on the received data information，which effectively improves the accuracy of classification and the reliability of fault diagnosis. The test data shows that the design of this paper greatly improves the calculation speed，which helps users to quickly grasp important information from the grid data，analyzes the fault data information affecting the grid information automation system，and solves the problems in the operation of the smart grid from the root cause. Therefore，the problems existing in the operation of the smart grid are solved from the root cause，which provides a valuable technical support for the health and green operation of the smart grid. It also has good academic research significance and engineering application value.

Key words：Grid information system;fault detection;wavelet transform;genetic algorithm;neural network model;automation

隨著電網技術和應用的發展加快，電網信息系統的規模和用戶量與日俱增，電網結構也越來越復雜，這對電網的故障診斷提出了更高的要求[1-4]。 在電力應用中，電網結構及其運行狀態錯綜復雜，電網拓撲結構也撲朔迷離，使得用戶面對電網故障大數據時，難以捕捉隱含在電網數據中不計其數的不確定性因素，從而不有利監控電網的健康、良性發展[5-8]。眾所周知，在大規模的電網系統應用中，故障現象是非常普遍的，也是難以避免的，因此，故障檢測和診斷水平直接影響電網的健康、良性運行，其關系到用戶的切身利益，如何有效提升電網信息故障檢測技術是目前亟待解決的技術問題[5-7]。

目前，常用的故障檢測和診斷方法僅僅是對電網信息中的單個組件（比如勵磁系統及其調節器、原動機及其調節器、同步發送機以及電力負荷）進行檢測，檢測技術也僅僅局限于初級層次[8-10]，檢測數據僅僅反映出單個部件的故障特征，無法從全局衡量，故障檢測和診斷結果過于片面，難以提高故障診斷的可靠性，這就降低了對電網信息把控的能力。

1? ?故障融合檢測技術方案

提出一種將小波變換與遺傳算法、BP神經網絡相結合的故障融合檢測技術，能夠自動從整體上全面檢測電網信息系統的故障信息，提高了故障信息檢測的準確性和可靠性。在本方案構架中，主要包括數據層、信息融合層、信息檢測層和系統應用層，如圖1所示。

圖1? ?故障融合檢測技術方案架構

在電網信息系統中，比較常用的電力信息系統也被稱為電能生產與消費系統，電能生產與消費系統通常由發電、變電、輸電、配電和用電等環節組成，能夠將現有的一次能源經由發電動力裝置（例如鍋爐、汽輪機、發電機、電廠輔助生產系統等）轉化成二級能源，再將轉化后的二級能源經過輸電系統、變電系統分配、運輸到各個負載中心。因此，在該層，提取電網信息系統中各個模塊的故障數據，以便于下一步進行數據融合。電網信息系統包括很多的模塊單元，在本文僅僅羅列勵磁系統及其調節器、原動機及其調節器、同步發送機、電力負荷作為示例性說明，以闡述本文設計的技術方案。故障數據包羅萬象，類型繁多，比如開關打開、開關閉合、閘刀分開、閘刀閉合、設備帶電、設備不帶電、電壓含量、電流含量、功率參數、轉速數據、汽溫參數、汽壓參數、流量參數、真空度、設備溫濕度、溫升、溫降等。這些都是影響故障的因素。將上述數據提出之后，然后在融合層進行故障數據融合，完成數據融合后的數據通過信息檢測層來進行故障數據檢測。此過程在后續章節中將做詳細描述。最后檢測后的數據通過數據管理調度平臺提供給用戶應用，用戶也可以通過Internet網絡將檢測后的數據傳遞到遠程數據監控中心，供更高一層的信息管理進行綜合處理。

2? ?融合檢測方法

首先建立融合檢測模型，如圖2所示。本技術方法采用小波變換函數提取電網信息系統中的參數，比如勵磁系統及其調節器參數、原動機及其調節器參數、同步發送機參數、電力負荷參數等。將所提取的各個模塊的數據輸入至遺傳算法模型，根據遺傳算法對輸入的特征參數進行搜索，尋找最為關鍵的特征參數，并將故障信息融合，同時設置目標信息特征，然后將遺傳算法搜索找的最關鍵的特征參數與設定的目標特征共同作為計算的訓練樣本輸出，輸出參數信息通過BP神經網絡模型進行數據訓練，最終得出電網信息系統中的各個參數的狀態識別和故障診斷。

下面對融合檢測技術方案進行詳細說明。

2.1? ?小波變換計算

小波變換具有多分辨率的結構特點，能夠從粗到細地觀察輸入信號，在時域頻域具有表征信號的局部特征能力，有利于檢測信號的瞬態或奇異點。

假設定義小波變換函數為：

ψa（t） = （1/a）*ψ（t/a）? ? ? ? （1）

式（1）表示在時域、頻域范圍內具有良好局部化特性的伸縮小波函數，對式（1）進行卷積分計算，得出：

Wx（a，t）={ x，ψa（t）}=Wxa（t）=ψa（t）*x（t）? ?（2）

在上式中，a表示將特定基函數壓縮或伸展的尺度，計算時，a控制平滑量或分辨率，a的取值不易過小，a太小時，在進行特征提取時，敏感度過大，容易發生輪廓局部奇變;a的取值也不易過大，a太大時，容易易使波形發生失真，使有價值的局部結構化信息丟失，造成計算失誤。

圖2? ?融合檢測模型結構圖

在上式中，t表示a沿著x軸進行的平移位移量。在計算時，參數t表示導數運算時的空間位置，假設 t處于波形明顯跳變點周圍，上述的子波變換可輸出一個峰值，波形局部升起部位的空間位置、寬度、強弱以及跳變方向等波形結構化信息則可顯而易見。

然后對輸入的數據進行小波變換首選選擇小波基，其中假設小波基ψt為平滑函數θ（t）的一階導數：則：

ψt = dθ（t）/dt? ? ? （3）

而θa（t）=（1/a）* θ（t/a）? ? ? ? ? ? ? ?（4）

那么ψa（t） = adθa（t）/dt? ? ? ? ? ? ? ? ?（5）

然后將電網信息系統的相關參數x（t）關于ψt進行小波變換為：

Wx（a，t） = x*ψa（t） = x*（adθa /dt）*（t）

= ad（x*θa）*（t）/dt? ? ? ? ? ? ? ? （6）

最終得出小波變換的值。通過利用小波變換，比利用傅立葉變換具有很多優勢，能夠抑制噪聲的干擾，提高特征提取的精度，準確度高，性能穩定。

2.2? ?遺傳算法模型

遺傳算法（Genetic Algorithm，GA）一種借鑒生物界自然選擇和自然遺傳機制的隨機化搜索算法。其本質是一種高效、并行、全局搜索的方法，在搜索期間自動地獲取、積累關于搜索空間的相關知識，并自適應地通過控制搜索過程，來求出最佳解，下面根據融合數據，并利用遺傳算法計算作進一步介紹。

（1）編碼，在開始進行遺傳算法時，首先對所選參數進行編碼;其中編碼主要包括二進制編碼法、浮點編碼法、符號編碼法等。在本文計算時，采用二進制編碼來實現遺傳算法的開始工作，假設變量的最大值為31，可采用5位來表達全部的值。

即：x = 6? ?00110;

（2）產生初始群體;

根據上述計算結果產生初始群體為：

01101? ? ?11000? ? 01000? 10011

（3）評價個體的適應度

根據適應度函數評價個體適應度，采用的適應度函數為：

P = fi /∑fi? ? ? ? （6）

（4） 選擇運算

假設第0代數據如表1所示：

表1? ?第0代數據

根據公式（6）計算得出：

適應值 f（13） = 169;

p = 169/（169 + 576 + 64 + 361） = 0.1444

在選擇概率的時候，

（5）按照遺傳規律選擇遺傳算子

在本文中，采用最佳保留選擇方法選擇遺傳算子，首先按輪盤賭選擇方法進行遺傳算法具備的選擇操作，然后將當前故障融合數據群體中適應度最高的數據結構完整無缺地復制到下一代的群體中。

（6）配對交配

按照表2交配位進行交配：

表2? ?交配位配置數據

然后生成第一代，如表3所示。

表3? ?生成的第一代數據

（7）對群體變異

對群體的變異運算是對個體的某個基因座上的基因值按一些較小的概率而進行改變，基于此，可以產生新的個體。在本文中，采用基本位變異的方法實施變異運算，在計算時，首先要確定出不同個體基因變異的位置，然后依照一定的概率計算，將變異點的原有基因值反轉取值。如圖3所示，圖3為遺傳算法步驟示意圖。

圖3? ?遺傳算法步驟示意圖

通過遺傳算法能夠以全局的方式搜索電網信息系統數據，快速地搜索出最優解。通過遺傳算法能夠更好地解決電力系統中的多變量、非線性、不連續、多約束的優化不良的問題。

2.3? ?BP神經網絡計算

通過遺傳算法之后，在利用BP神經網絡計算模型計算，其采用反向傳播算法將誤差數據反向傳播，以獲取更高的學習效率，如圖4所示。

圖4? ?基于BP神經網絡模型的學習機構

假設輸入的遺傳算法最優數據樣本集X1、X2、..Xn尋找一個W*，將f（W*Xi）*Xi與輸出Yi最大程度地接近，令f為激勵函數。則誤差函數表示為：

e = ■*∑n? ? i=1（Yi - Yi*）2? ? ? （7）

調節誤差e時，如果將誤差調整到最小值，可以通過求導數來處理，下降梯度可以為：

在上述學習、訓練中，每次修改權重矩陣W均通過求誤差函數的偏導（也叫梯度梯度）來實現。這種方式比直接通過誤差計算來調整具有更好的適應性。

3? ?檢測試驗及分析

設置 4 臺異步電動機，其額定功率為 5 kW、轉差率 s = 12 % 、額定轉速為 1 450 rad/ min ，在4 臺異步電動機中，2臺正常，另外2臺人為破壞，為故障電動機。在工頻為50 Hz、 采樣頻率為2 000 Hz、采樣點數為10 000 個的情況下，分別使用傳統技術方案和采用本文融合檢測技術方法進行試驗，通過信號發生器，得出以下波形。

t/ms

圖5? ?傳統方法異步電動機定子電流波形

t/ms

圖6? ?本文方法異步電動機定子電流波形

f/Hz

圖7? ?傳統方法異步電動機定子電流頻譜

f/Hz

圖8? ?本文方法異步電動機定子電流頻譜

通過上述波形分析，經過本文設計的方法處理的波形更加精確。有助于用戶分析數據，提高電網信息系統檢測能力。

4? ?結? 論

基于小波變換的思路提出電網信息系統自動化融合檢測技術，并在小波變換的基礎上結合遺傳算法和BP神經網絡模型算法，提高融合故障診斷的精確性。克服了傳統技術中存在數量龐大的輸入特征信息造成的網絡計算量偏差較大，實時性較差，故障檢測準確度低下的技術問題。試驗數據顯示本方法能夠將原始輸入樣本數據按不同屬性、等級進行分類，并根據特定的電網信息系統的應用場景正確地選擇提取特征信息，提高了故障檢測的精確性、可靠性，有助于用戶進一步研究、分析電網故障事件。

參 考 文 獻

[1]? ? 郝建新. 基于小波變換與Retinex的電路板紅外圖像增強技術[J]. 紅外技術，2015，（12）：1036—1040.

[2]? ? 郝然，艾芊，肖斐. 基于多元大數據平臺的用電行為分析構架研究[J]. 電力自動化設備，2017，37（8）：26—33.

[3]? ? 王遠，陶燁，蔣英明，等. 智能電網時序大數據實時處理系統[J]. 計算機應用，2015，（z2）：93—97.

[4]? ? 劉廣一，朱文東，陳金祥，等. 智能電網大數據的特點、應用場景與分析平臺[J].南方電網技術，2016，10（5）：102—110.

[5]? ? 袁圃，毛劍琳，向鳳紅，等.? 改進的基于遺傳優化BP神經網絡的電網故障診斷[J/O].電力系統及其自動化學報，2017，29（1）：118—122.

[6]? ? 冉亮，李煒，孫向聚. 基于大數據技術的智能電網系統應用研究[J].自動化與儀器儀表，2017，（9）：182—183.

[7]? ? 孫慧影，林中鵬，黃燦，等. 基于改進BP神經網絡的礦用通風機故障診斷[J]. 工礦自動化，2017，43（4）：37—41.

[8]? ? 葛磊蛟，王守相，瞿海妮. 智能配用電大數據存儲架構設計[J]. 電力自動化設備，2016，36（6）：194—202.

[9]? ? 雷靜，余斌. 基于信息融合和神經網絡的煤巖識別方法[J].工礦自動化，2017，43（9）：102—105.

[10]? 馬天兵，王孝東，杜菲，等. 基于小波包和BP神經網絡的剛性罐道故障診斷[J]. 工礦自動化，2018，44（8）：76—80.