基于ZigBee網絡和視頻監控的電力設備故障監測與診斷

王 晟，陳新星，陳人楷

(國網福建省電力有限公司信息通信分公司，福建 福州 350000)

隨著電網建設規模不斷擴大和電力設備覆蓋率的提高，需要調控中心監控的電力設備數量激增，難以及時高效、準確地發現電力設備存在的安全隱患和故障[1-2]，因此開展電力設備故障高精度遠程監測與故障診斷，有針對性地根據實際需求進行可靠的運營和維護，對提高電力部門的管理能力和保障用戶的用電安全具有重要的理論價值和實際意義。

與傳統通信網絡相比，ZigBee網絡具有鋪設成本低和傳輸效率高的優點。本文運用ZigBee無線網絡傳輸電力設備視頻監控信號和故障信號，給出了電力設備故障監測與診斷框架，運用正則化極限學習機(regularized extreme learning machine ，RELM)進行電力設備故障診斷，與極限學習機(extreme learning machine，ELM)、支持向量機(support vector machine，SVM)和前饋神經網絡(backpropagation network，BPNN)相比，具有更高的診斷準確率和更低的誤判率，提高了電力設備故障診斷的精度，為電力設備故障診斷研究和應用提供了新的方法。

1 電力設備故障監測系統結構

為實現電力設備故障監測與診斷，基于ZigBee網絡成本低和傳輸效率高的優點[3]建立電力設備故障檢測系統，運用ZigBee無線網絡傳輸電力設備視頻監控信號和故障信號。系統結構和ZigBee無線網絡結構如圖1所示。

圖1 系統結構和ZigBee無線網絡結構圖

圖中監測模塊、主控模塊以及GPRS信號發射模塊為電力設備故障監控終端；ZigBee網絡模塊和Internet網絡模塊負責無線網絡通信，傳輸電力設備視頻監控信號和故障信號；GPRS信號接收模塊和計算機處理中心為監控中心，負責處理數據、故障診斷和調度維護。

2 電力設備故障監測與診斷框架

傳統的電力設備監測與故障診斷分析是靜態的，屬于事后維修或預防維修，一般是等到設備無法正常工作時再進行維修，或者是預先制定計劃定期進行檢修或更換，存在效率低下、費時費力、維修成本高等缺點[4]。為實現電力設備故障監測與診斷，本文提出如圖2所示的電力設備故障監測與診斷架構。

圖2 電力設備故障監測與診斷架構

電力設備故障監測與診斷架構包括3層，分別為狀態監測層、故障診斷層和維修方案層。狀態監測層主要負責采集電力設備監測數據并通過ZigBee網絡進行傳輸；故障診斷層主要負責關鍵數據的分析與處理，進行故障診斷，并與電力設備監測的歷史數據庫、設備故障庫等的數據對比；維修方案層主要根據故障診斷結果，制定科學合理的維修方案。

3 正則化極限學習機

ELM的數學模型為[5-6]：

(1)

式中：x,fL(x)分別為輸入、輸出變量；L為ELM模型的隱含層神經元數；βi為第i個隱含層神經元對于輸出神經元的權重系數，βi∈R；G(ai,bi,x)為第i個隱含層神經元的輸出函數，ai,bi分別為第i個隱含層神經元的輸入權重和偏置，ai∈Rn，bi∈R，n為樣本數量。輸出函數G(ai,bi,x)為：

G(ai,bi,x)=g(ai·x+bi)

(2)

(3)

公式(3)的矩陣形式為：

Hβ=Y

(4)

其中：

(5)

式中：h(xi)=[G(a1,b1,xi) …G(aL,bL,xi)]。為提高ELM模型的準確性，在ELM模型中引入正則化因子λ，即為RELM，則求解β的過程為：

(6)

式中：εl為訓練偏差。根據Karush-Kuhn-Tucker條件[7]，式(6)的優化問題可轉化為：

(7)

式中：al,j為Lagrange乘數，Karush-Kuhn-Tucker乘數；εl,j為第l個隱含層第j個單元的偏置；yl,j為期望輸出值。則β的最優解為：

(8)

式中：I為最小化損失函數。

通過以上分析可知，隱含層神經元數L和正則化因子λ的參數選擇直接影響RELM的性能。

4 實驗與結果分析

為了驗證本文算法的有效性，選擇蘇正220 kV變電站10 kV#1電容器組正常狀態、外殼滲漏油、電容器瓷套管炸裂、電容器擊穿和熔斷器熔斷等5種信號樣本數據為研究對象，不同信號樣本數據見表1。

表1 信號樣本數據

選擇準確率TR和誤判率FR作為評價電力設備故障診斷系統性能的指標[7-8]，其中，對于準確率TR，若電力設備故障類型的總數為Total，被正確識別的電力設備故障類型數為Acc，則電力設備故障診斷的準確率為TR=Acc/Total。對于誤判率FR，若第i類電力設備故障的實際數量為H，而將第i類電力設備故障誤判為第j類電力設備故障的數量為G，則電力設備故障類型的誤判率為Fij=G/H。

1)診斷流程。

基于ZigBee網絡和視頻監控的電力設備故障監測與診斷流程為：首先由各類傳感器采集電力設備故障信號數據；其次利用小波包3層分解和重構電力設備故障信號數據提取小波包能量特征(共8個頻帶的小波包能量特征)；再次將提取的特征數據分成訓練樣本和測試樣本，將訓練樣本的電力設備故障信號特征數據和根據特征數據獲得的故障類型(正常狀態、外殼滲漏油、電容器瓷套管炸裂、電容器擊穿和熔斷器熔斷)作為RELM模型的輸入和輸出，建立電力設備故障的RELM識別模型，之后運用測試樣本驗證電力設備故障RELM識別模型的有效性。

2)結果分析。

為了驗證本文電力設備故障診斷方法的效果，將RELM與ELM、SVM和BPNN進行對比，對比結果如表2和圖3～圖6所示。

表2 診斷結果 %

圖3 RELM診斷結果

圖4 ELM診斷結果

圖5 SVM診斷結果

圖6 BPNN診斷結果

圖3～圖6直觀地展示了電力設備故障的診斷類別和電力設備故障的實際類別，其中“*”表示電力設備故障的診斷類別，“○”表示電力設備故障的實際類別。當“*”和“○”重合時，電力設備故障的診斷類別和電力設備故障實際類別一致，說明診斷結果正確；當“*”和“○”不重合時，電力設備故障的診斷類別和電力設備故障實際類別不一致，此時電力設備故障診斷錯誤。由表2和圖3～圖6可知，RELM的電力設備故障診斷準確率和誤判率分別為99.45%和0.55%，優于ELM的96.28%和3.72%，SVM的96.43%和3.57%以及BPNN的92.33%和2.67%。與ELM、SVM和BPNN對比發現，運用本文算法RELM進行電力設備故障診斷具有更高的診斷準確率和更低的誤判率，提高了電力設備故障診斷的精度，為電力設備故障診斷研究和應用提供了新的方法。

5 結束語

為實現電力設備故障監測與高精度診斷，本文提出了一種基于ZigBee網絡和視頻監控的電力設備故障監測與診斷方法。與ELM、SVM和BPNN相比，運用本文方法進行電力設備故障診斷具有更高的準確率和更低的誤判率，為電力設備故障診斷提供了新的方法。但本文只提取了電力設備故障信號的8個頻帶的小波包能量特征，所提取的故障特征較少，下一步將研究包括更多特征的電力設備故障診斷方法。