基于神經網絡的配變無功補償裝置故障遠程監測方法研究

黃 宇，歐家祥，李航峰，張俊瑋，沈興富

（1.貴州電網有限責任公司電力科學研究院，貴陽550002；2.貴州黔馳信息股份有限公司，貴陽550002）

目前用電負荷不斷增加，利用無功補償裝置調節電網電壓可避免電壓低于或高于臨界電壓。但無功補償裝置的工作故障率較高，影響用戶用電及供電局服務水平。因此需深入研究補償裝置故障遠程監測方法，及時診斷裝置故障[1]。

國內裝置故障遠程監測技術已取得較大發展，將信號處理技術應用到故障監測中，分析補償裝置故障對電網電路幅值包絡的影響，獲取故障信號感應規律，利用廣義變換的方法，診斷補償裝置的補償電容，提取裝置通信信號時頻信息，檢驗時頻信息的頻率變化，對故障電容的位置進行定位，實現故障狀態的遠程監測[2]。

在以上理論的基礎上，本文提出基于神經網絡的配變無功補償裝置故障遠程監測方法。神經網絡利用分布式并行信息處理方式，調整補償裝置內部節點的連接關系，分析裝置故障。

1 基于神經網絡的配變無功補償裝置故障遠程監測方法

1.1 采集配變無功補償裝置狀態信息

采集配變無功補償裝置通信信號，獲取補償裝置的運行狀態信息。設置監測主站和采集終端，相互交換補償裝置的狀態數據，采集終端使用三層B/S結構，利用具有復雜邏輯操作的C/S 模式，將多種類型的通訊設備，連接到補償裝置[3]。采集終端的通信接口采用RS-485 芯片，通過光電隔離芯片和數字電路，在RS-485 主控電路中添加壓敏電阻和氣體放電管，以此增加無功補償裝置靜電放電的抗性，再利用變壓器、隔離電源回路、通信回路、以及RS-485主控電路，為RS-485 電路單獨供電[4-5]。采取撥號形式，將監測主站的服務器接入Internet，通過中壓電力線載波這一通信信道，接收采集終端的傳輸信號[6]。此時補償裝置的采集信號可表示為

式中：r（t）為t 時刻，監測主站采集的補償裝置通信信號；k 為采集信號的多徑數目；N 為多徑數目的總數量；Ak為第k 條多徑的幅度；tk為第k 條多徑的時延；pk為第k 條多徑的衰減信號波形[7]。消除采集信號的干擾信號，使用自適應數字濾波器，通過參數可調的方式，對采集信號進行濾波處理，轉換為數字信號。對比數字信號和期望信號，得到誤差信號，通過自適應干擾消除算法，更新調整濾波器參數，輸出干擾程度達到最小的采集信號[8]。假設期望信號與輸入信號為聯合平穩過程，則自適應濾波算法為

式中：E 為主通道輸入信號r（t）的方差；R 為r（t）迭代運算的更新量大??；w 為濾波器最優權值矢量；r′（t）為濾波器t 時刻的輸出信號；P 為r（t）的自相關系數[9-10]。

1.2 監測無功補償裝置運行參數

利用傳感技術，融合處理補償裝置狀態信息，降低采集數據的虛警率和信息熵，在信息狀態量之間建立聯系，提高信息狀態量的有序度，對裝置運行狀態進行一致性描述，以此識別裝置無功補償參數。獲取補償裝置運行狀態的有功功率P，公式為

式中：T 為補償裝置監測周期；u（t）為t 時刻補償裝置的瞬時電壓；i（t）為瞬時電流[11]。補償裝置的無功補償量Q 為

式中：cosφ1為裝置補償前功率參數；cosφ2為補償后功率參數，數值介于0～1 之間[12]。補償容量應滿足的不等式為

式中：P1為最大負荷日平均有功功率；P2為最大負荷日平均無功功率；φ3為采用大負荷日平均功率因數[13]。

監測補償裝置的供電線路，比較額定電壓與節點實際電壓，計算電壓偏差百分數ε：

式中：U1為節點實際電壓有效值；U2為該供電線節點，對應標稱電壓有效值[14]。利用ε 確定節點實際電壓與理論值的偏離程度，當偏離程度超過1%時，判斷補償裝置供電電壓產生偏離。記錄電壓偏離的越限時間，計算該時間與監測周期的比值，得到補償裝置電壓不合格率，設置不合格率的最高限值為2%。測量監測周期內的電壓幅值，計算補償裝置的電壓波動率d：

式中：W1、W2分別為監測周期內電壓幅值的最大值和最小值；W3為補償裝置額定電壓幅值，設置電壓波動率的最高限值為1%。采用三相電量法，計算補償裝置的三相電壓不平衡度。電壓不平衡度算子L公式為

式中：M1、M2、M3分別為三相線電壓有效值[15]。補償裝置的三相不平衡度δ 為

設置三相不平衡度的最高限值為2%。最后監測補償裝置的動態響應時間，過程如圖1所示。

圖1 裝置動態響應時間示意圖Fig.1 Schematic diagram of dynamic response time of the device

如圖1所示，發出控制信號后，裝置響應時間應達到無功輸出值90%的所用時間，且沒有產生過沖。實時監測補償裝置的電能質量數據，對無功補償容量、電壓偏差、電壓波動率、三相不平衡度、裝置響應時間進行評估，至此完成無功補償裝置運行參數的監測。

1.3 基于神經網絡識別無功補償裝置故障類型

當監測參數產生異常變化時，判斷無功補償裝置發生故障，對故障類型進行識別，實時跟蹤故障參數的變化情況，得到故障樣本，傳送到監測主站，利用神經網絡的人工智能算法，對無功補償裝置故障進行編號分類。通過采集終端，采集裝置運行狀態的振動信號，針對預處理后的信號，進行小波分解系數單支重構，將振動信號各個頻段的譜峰能量值，作為補償裝置的故障特征量，從而獲取故障信號數值描述的特征信息，得到神經網絡輸入的訓練樣本。再利用模糊關系矩陣和模糊規則，描述振動信號與故障原因、故障種類之間的關系，得到補償裝置的主要故障類型，將其作為神經網絡的檢驗樣本。確定神經網絡結構，初始化各層接點數量，得到隱藏層和輸出層的輸出值，調整輸入層至隱藏層的連接權值，以及隱藏層和輸出層的輸出閾值，計算實際輸出值與訓練樣本的偏差。多次更新訓練次數，減小輸出值與訓練樣本的誤差，實現裝置故障特征的神經網絡訓練，將輸出值與檢驗樣本進行對比，識別無功補償裝置的故障類型。記錄故障類型和故障時刻，判斷裝置產生故障的原因，實現基于神經網絡，無功補償裝置故障類型的識別。至此完成基于神經網絡的配變無功補償裝置故障遠程監測方法設計。

2 實驗論證分析

進行對比實驗，將此次設計方法記為實驗A組，兩種傳統無功補償裝置故障遠程監測方法，分別記為實驗B 組和實驗C 組，比較三組實驗識別補償裝置故障的準確率。

2.1 實驗準備

以某供電局為實驗對象，統計時段為10月1日～10月15日，選取一條典型的10 kV 配電線路的補償點進行無功補償，具體參數如表1所示。

表1 實驗參數設置Tab.1 Experimental parameter setting

利用無功補償裝置，在補償點投入相應補償容量，此時配電線路的各點電壓如圖2所示。

圖2 電網線路無功補償前后電壓Fig.2 Voltage before and after reactive power compensation

三組實驗分別對補償裝置的運行狀態進行監測。實驗A 組對無功補償裝置的常見故障進行數字化歸類，劃分為正常狀況和11 種故障狀況，如表2所示。

在表2所示的每種狀態中，獲取20 組樣本，將前10 組作為神經網絡的訓練樣本，后10 組作為檢驗樣本。提取裝置運行時產生的信號，處理后提取信號特征，得到神經網絡訓練的輸入值。設故障信號的誤差能量為E，此時神經網絡輸出值與訓練樣本和檢驗樣本的對比結果如表3所示。

表2 無功補償裝置正常狀態及常見故障類型Tab.2 Normal state and common fault types of reactive power compensation device

表3 神經網絡實際輸出值對比結果Tab.3 Comparison results of actual output values of neural network

如表3所示，訓練樣本和檢驗樣本與實際輸出值的誤差能量值較小，最大誤差能量為2.81E，說明訓練樣本和檢驗樣本與實際輸出值之間較為吻合，因此實驗A 組將神經網絡輸入端節點數量定為10，對應無功補償裝置的運行狀況，以此實現故障監測具有合理性。

2.2 實驗結果

2.2.1 第一組實驗結果

三組實驗采集無功補償裝置的運行狀態信號，設置采樣頻率為50 kHz，信號時速為30 km/h，實際采集的補償裝置信號頻譜，在2500 Hz 發生明顯頻率畸變。在此基礎上，利用單邊衰減脈沖信號模型，仿真裝置故障信號，設置故障頻率為2500 Hz，三組實驗采集并處理信號后，比較異常信號的中心頻率，實驗結果如表4所示。

表4 第一組實驗結果Tab.4 Experimental results of the first group

如表4所示，實驗A 組異常信號的平均中心頻率為2504 Hz，實驗B 組和C 組的平均中心頻率分別為2538 Hz、2549 Hz，A 組與2500 Hz 更加接近。2.2.2 第二組實驗結果

在第一組實驗的基礎上，改變占空比，檢驗三組實驗提取的故障信號，與無功補償裝置故障仿真信號的相似程度。利用互相關系數，衡量故障信號的提取效果，相關系數越大，提取信號與原信號越相似，實驗對比結果如表5所示。

表5 第二組實驗結果Tab.5 Experimental results of the second group

如表5所示，當占相比增加時，提取信息的相關系數也隨之增加，但實驗A 組相關系數一直高于B 組和C 組，平均相關系數為0.850，B 組和C 組平均相關系數分別為0.783、0.736，A 組相關系數分別提高了0.067、0.112。

2.2.3 第三組實驗結果

三組實驗提取故障信號特征信息后，識別無功補償裝置的故障類型，利用Matlab2010b 軟件平臺，統計三組實驗對不同故障狀態的診斷結果，計算故障診斷準確率，結果如表6所示。

表6 第三組實驗結果Tab.6 Results of the third group

如表6所示，針對無功補償裝置的常見故障類型，實驗A 組平均識別準確率為98.1%，實驗B 組和C 組識別準確率分別為91.0%、86.9%，A 組識別準確率分別提高了7.1%、11.2%。

綜上所述，此次設計方法相比傳統方法，減少了故障信號采集頻偏，提高了故障信號提取效果，采集異常信號的中心頻率更接近實際故障頻率，與實際故障信號更加相似，在此基礎上提取故障信號特征量，利用神經網絡識別故障，提高了無功補償裝置故障類型的識別準確率。

3 結語

此次設計方法利用神經網絡，對補償裝置故障進行識別，提高了故障診斷準確率。但此次方法仍存在一定不足，故障參數監測局限于穩態評估，在今后的研究中，會對比無功補償裝置的補償性能，實現暫態部分的電能質量分析。