基于電力物聯網的高壓開關柜狀態監測系統設計

張 鑫， 牟龍華， 徐志宇

（同濟大學電子與信息工程學院，上海201804）

0 引 言

高壓開關柜擔負著配電系統保護與控制的任務，其能否正常運行直接關系到電力系統供電的可靠性。對高壓開關柜運行狀態進行實時監測，可以識別潛在的故障，有目的地進行檢修和排查，降低因設備故障而造成事故的可能。同時，電氣設備狀態監測與故障診斷是高校電氣工程專業的重要專業課程，旨在培養學生掌握電氣設備設計、運行與維護中的關鍵技術，而高壓開關柜的狀態監測是其中的重要組成部分。

隨著物聯網與人工智能技術的發展，為電氣設備狀態監測提供了新的思路與技術可行性［1-4］。對于高壓開關柜狀態監測與故障診斷，研究人員主要從物聯通信系統與機器學習模型來兩個維度進行研究。

物聯通信系統方面，文獻［5-6］中設計了具有物聯感知特點的高壓開關柜綜合在線監測裝置；文獻［7］中對物聯型開關柜狀態監測系統中ZigBee路由優化問題進行改進。物聯通信系統研究的關注點主要在物聯感知與通信傳輸方面，并未對物聯網應用層的數據分析模型進行深入探討。同時，多數系統仍舊采取“主機＋監測單元”的傳統兩層式主從式通信架構，監測單元采用CAN、RS-485及ZigBee等通信方式傳輸信息，無法滿足物聯網通信節點多、傳輸距離長、自組網便捷等要求。

機器學習模型方面，文獻［8］中構建了包含多個時間尺度的開關柜多變量、多尺度云樣本熵故障特征向量，采用改進的模糊支持向量機實現開關柜故障監測；文獻［9］中提出了基于T-S模糊神經網絡的開關柜狀態評估模型。對于高壓開關柜狀態監測問題，其核心在于如何利用機器學習模型對故障特征與各種故障工況在一個高維空間進行分類，以挖掘各種故障特征在不同故障工況下的分布規律。高壓開關柜故障特征與故障工況間呈現不明顯且非線性的關系。近年來應用在電氣設備故障診斷中的傳統人工智能技術，如支持向量機、模糊神經網絡等，均難以完整描述輸入信息的真實情況，無法解釋復雜輸入的內在規律。因此，高壓開關柜故障診斷需要具有深層隱含特征挖掘能力、分類更為精確的非線性機器學習模型，基于深度學習的故障分析模型應運而生。文獻［10］中提出一種基于卷積神經網絡深度學習的開關柜設備故障率計算方法；文獻［11］中利用卷積神經網絡對開關柜局部放電進行故障識別。目前，基于深度學習的開關柜狀態監測研究仍處于起步階段，主要聚焦在訓練框架及理論算法方面，并未結合開關柜狀態監測應用場景，對深度學習模型優化求解、模型超參數訓練等核心環節形成具體、有效的方法，難以構成完整的基于物聯交互＋人工智能開關柜狀態監測系統方案。

本文立足于新工科背景下電氣工程專業學科特點［12］，結合物聯網和深度學習技術設計了基于電力物聯網的開關柜狀態監測系統。該系統基于電力物聯網技術，監測開關柜的實時運行數據，建立本地存儲與云存儲相結合的運行數據庫；進而基于含多感知機的前饋深度學習模型，對開關柜進行故障診斷。

1 系統架構分析

國網公司《配電物聯網建設方案》《智慧物聯體系應用場景典型設計》導則約定，電力物聯網應該具備各類感知終端、無線傳感網、廣域傳輸網絡及人工智能應用四大業務需求。

根據對電力物聯網關鍵技術的理解［13-14］，本文認為一個完整的物聯網系統應該具備以下特點：

（1）感知層具備配置有無線通信接口的智能檢測裝置，能夠針對檢測對象實現信息采集與傳輸。

（2）數據傳輸層具備自組織的無線局域網絡，在任何時間、任何地點，不依賴公用基礎網絡實現感知層裝置的監測信息匯聚。同時，將監測數據存儲在本地服務器中，并利用4G等無線廣域網絡將信息上傳至云服務器。

（3）信息聚合與應用層具備數據存儲與分析功能，采用云存儲方式存儲數據信息，便于任何具有權限的PC、移動終端在任何時間、任何地點通過互聯網訪問數據，并根據需求在后臺PC或移動終端進行數據分析。

基于此，本文提出的基于電力物聯網的開關柜狀態監測系統由感知層、數據傳輸層及信息聚合與應用層四部分組成，如圖1所示。

圖1 系統體系結構

（1）感知層。通過安裝在開關柜中的智能電力儀表實現多源數據的可靠實時獲取，并可通過LoRa將數據傳至數據合并單元。

（2）數據傳輸層。數據合并單元與智能電力儀表通過LoRa擴頻調制技術形成自組織的無線局域網絡，該網絡不依賴基礎通信網絡，采取自組織網絡架構將各智能電力儀表采集的數據傳輸至數據合并單元；進而，數據合并單元通過局域網將監測數據存放到現場數據庫中，在網絡中斷時將本地數據庫緩存的歷史數據傳輸到工業云的非實時數據收集集群，從而避免網絡中斷帶來的數據丟失問題。同時，數據合并單元利用4G、WiFi等廣域通信網絡將數據上傳至云服務器，建立高效、高可靠的數據傳輸系統。

（3）信息聚合與應用層。在工業云計算中心部署實時數據收集集群，實時接收監測數據并存入云端數據庫中；進而，采用深度學習技術對監測數據進行分析，提供實時狀態監測服務、運行分析服務、故障/異常工況服務等，以提高開關柜的運維水平。

2 電力物聯網的開關柜狀態監測系統設計

2.1 感知層設計

根據開關柜在線監測系統的功能需求，智能電力儀表的硬件結構設計如圖2所示，以STM32F103VCARM處理器為核心，采用ATT7022電能質量芯片測量三相電壓/電流，并檢測開關量信號。同時，電力儀表具備LoRa無線接口，用于與數據合并單元組成無線局域網絡，傳輸監測數據。

圖2 數據采集層硬件功能模塊圖

2.2 數據傳輸層設計

系統數據傳輸結構示意圖如圖3所示。其中，數據傳輸層主要由數據合并單元與本地服務器組成。數據合并單元硬件結構設計如圖4所示。數據合并單元的STM32F103VCARM處理器通過LoRa無線模塊，將大量具有無線收發功能的智能電力儀表通過動態組網構成多跳自組織網絡，調取監測數據，并經4G網絡以網絡透傳模式上傳至云服務器進行云存儲。

圖3 數據傳輸結構示意圖

圖4 數據合并單元結構圖

LoRa是一種基于擴頻調制與解調的超遠距離無線傳輸技術，采用包括433、868、915 MHz等全球免費頻段，實現了超低功耗、超遠距離無線通信。LoRa將頻譜擴展通信技術與GFSK調制技術融合，這使得網絡中的不同終端只要使用不同的擴頻序列，即可保證用一樣的頻率同時發送數據也不會相互干擾。本設計中選用ZM470SX-M型LoRa無線通信模塊構成無線局域網絡，實現數據合并單元與智能電力儀表間的數據傳輸。

4G模塊選用USR-LTE-7S4工業級4G模塊，實現專用路由器與云服務器間的廣域數據傳輸。

2.3 深度學習的信息聚合與應用層設計

（1）數據云存儲設計。由于現場開關柜需要監測的數據項非常龐大，數據合并單元會采集大量監測數據，傳輸時占用大量的網絡帶寬，需通過在云服務器部署數據收集集群實現數據的高效傳輸。由圖3可見，云服務器采用Kafka集群和RabbitMQ集群分別收集實時數據和非實時數據，即將現場實時數據通過4G或WiFi通信傳輸到工業云計算中心的Kafka實時數據收集集群，在網絡中斷時將現場本地數據庫緩存的歷史數據傳輸到工業云計算中心的RabbitMQ非實時數據收集集群，從而避免網絡中斷帶來的數據不完整問題；同時安裝支持分布式系統數據同步服務，集群服務器之間形成高可用服務，防止因服務器出現故障而影響數據傳輸。

（2）開關柜狀態監測模型。深度學習是機器學習領域一個新的研究方向，其理論動機是：如果一個函數可用k層結構以簡潔的形式表達，那么用k－1層的結構表達則可能需要指數級數量的參數，且泛化能力不足［15］。

本設計以開關柜最為常見的熱故障為目標，采用含多層感知機的前饋深度模型進行開關柜狀態研判，并對模型訓練算法進行優化改進，從而加快了訓練的收斂速度，減少局部最優與過擬合現象的出現。

（3）特征狀態量的選取。高壓開關柜主要有三大部位易出現熱故障［16］：隔離開關接頭、母線和電纜接頭。電流通過兩金屬材料接觸面時，接觸點周圍的溫度可由下式計算：

式中：θ為接觸點周圍的溫度；Rj為接觸面間的電阻；I為電流值；λ為導體的熱導率；ρλ為相互接觸的金屬材料的熱導率和電阻率乘積的均值。故可以選取接觸電阻和負荷電流作為開關柜的特征狀態量。另外當環境溫度上升時，會使接觸面氧化，破壞了安裝時金屬接觸面的直接接觸，進而導致了接觸電阻的增加，故將環境溫度也選為熱故障的特征狀態量。

在以上3個特征狀態量中，負荷電流和各隔室的溫度可以直接測量，接觸電阻無法直接測量，本文引入虛擬接觸電阻，用來表征單位時間因接觸點電阻增大而引起的溫度變化的特征量。定義虛擬接觸電阻，

式中：R代表虛擬接觸電阻；T為隔室的溫度；T0為環境溫度；I為電流的有效值。

在計算虛擬接觸電阻時為防止因異常電流流經導電回路時所產生的熱量引起的溫度變化，需要判斷電流在這段時間內是否滿足穩定的條件，以排除由于電流突變引起溫度上升的干擾。

（4）狀態監測模型超參數的優化。在訓練狀態監測模型之前，需要對超參數進行優化，以提高學習的性能和效果。對于本文建立的狀態監測模型，其超參數有神經網絡層數L、每一層網絡神經元的個數m、批尺寸s、學習率η。

超參數的優化策略為：先根據寬泛策略確定模型的層數和每一層網絡的神經元個數，然后對剩下的超參數先隨機給一個可能的值；在代價函數中先不考慮正則項的存在，調整學習率得到一個較為合適的學習率的閾值；然后通過實驗確定批尺寸的大小，使模型的精度與收斂速度符合要求。

（5）狀態監測模型訓練。對于每一組超參數確定的狀態監測模型，需要對每個神經元的權值進行訓練，訓練算法流程圖如圖5所示。

圖5 模型訓練流程圖

具體步驟如下：

Step 1訓練樣本預處理。對訓練數據進行高斯歸一化，以去量綱化：

式中：μ為訓練樣本的均值；σ為訓練樣本的方差。

Step 2神經元權值訓練。由于訓練數據集很大，網絡每更新一次參數所需要的計算量極大，網絡的收斂速度隨之減慢。為了克服這個問題，本文采用Mini-Batch梯度下降法［17］計算每次迭代的前向傳播過程：

式中：z表示神經元的輸出矩陣；ω表示權重系數矩陣；a表示輸入向量；b表示偏倚向量；｛n｝表示第n個mini-batch；［k］表示第k層神經元。

為了減少梯度爆炸或梯度消失現象的出現，本文采用批量歸一化優化算法（BN算法）［18］進行梯度計算。

根據BN算法對z｛n｝［k］進行批量歸一化處理：

式中：m表示第k層神經元的個數；參數ε是使數值穩定。為了防止歸一化影響網絡所學習的特征，可以使用變換重構，引入可學習重構參數γ、β，使經過批量歸一化后的網絡恢復出原始網絡所要學習的特征分布

則經過該層神經元的輸出為

為避免局部最優解，本文選擇凸函數作為代價函數。對于全部訓練數據集的代價函數可以表示為：

為了減小過擬合現象，可為代價函數添加正則化項，懲罰模型的復雜度：

根據鏈式求導法則計算各個參數的梯度：

對于第k層神經元的偏倚參數b［k］，BN算法將z［k］歸一化為均值為0、標準差為1的分布，故無論偏倚參數b［k］的值為多少，在運算過程中都被消去，其數值由重構參數γ進行重新分布縮放。參數更新時忽略各隱藏層的偏倚參數可以加速訓練過程，則每次迭代的參數更新為：

Step 3輸出訓練結果。上述訓練過程每次迭代的代價函數都要小于上次代價函數，如此往復直到代價函數不再發生變化或足夠小為止。這樣就確定了該組超參數下的狀態監測模型，通過比較不同超參數模型，選擇預測精度高、收斂速度快的模型作為開關柜的狀態監測模型。

3 系統功能與驗證

3.1 開關柜狀態監測系統功能

基于電力物聯網與深度學的開關柜狀態監測系統功能如圖6所示。

圖6 開關柜狀態監測系統功能圖

系統的主要功能包括：

（1）設備狀態采集。運行狀態界面可視化顯示開關柜的運行和報警狀態，實時狀態監測顯示溫度、各電氣量等實時參數曲線。

（2）報警信息記錄。當運行狀態數據發生異常時，根據狀態數據值判斷其報警等級，同時可對歷史報警記錄進行查詢，亦可進行相應的報警統計。

（3）歷史數據查詢?？梢圆樵円粋€時間段內開關柜的歷史運行數據，使管理人員方便的回顧設備歷史健康狀況并做出相應的管理動作。

（4）故障診斷。采用深度學習技術，建立含多層感知機的前饋深度學習模型，對開關柜潛在故障進行診斷，為狀態維修提供依據。

3.2 實例驗證

本文所建立的含多層感知器的前饋深度學習模型的原始輸入有三相電流、母線室溫度、開關室溫度、電纜室溫度及環境溫度，模型的輸出單元為H1和H2，對于開關柜的不同運行狀態，各輸出單元的輸出如表1所示。

表1 不同神經元輸出

為了驗證模型的準確性和有效性，以某變電站6 kV開關柜在線狀態監測數據為例，建立熱故障狀態監測模型。本設計通過大量的樣本訓練，綜合考慮模型精度和訓練速度需求，確定模型超參數為：網絡層數L＝10，學習率η＝0.02，批尺度s＝8。限于篇幅，超參數選擇過程恕不贅述。以此參數訓練現場數據，其中部分輸入監測數據如表2所示，模型的輸出及診斷結果如表3所示，可見3種狀態的測試數據都得到準確的診斷。

表2 部分狀態監測數據

表3 測試數據訓練結果

同時，為了驗證深度學習模型從少量訓練樣本中提取特征及故障辨識的能力，分別使用樣本總量為100、300、500、800、1 200、2 000、4 000、8 000和15 000的訓練樣本訓練深度學習模型。由于各神經元的權值初值是隨機生成的，為了驗證模型的穩定性，每個試驗重復進行20次，試驗結果如圖7所示。

圖7 不同訓練樣本量的診斷性能

由圖7可以看出，當訓練樣本增加時，識別率逐漸上升，20次試驗標準差逐漸下降，即深度學習模型的穩定性越來越高。當訓練樣本數上升到15 000時，識別率為99.94%，標準差為0.2%；而當訓練樣本數為100時，識別率僅為88.5%。這說明了訓練樣本個數對深度學習模型性能有巨大影響。此外，當訓練樣本個數為800時，識別率就可以達到99.16%，證明了深度學習模型在使用較少訓練樣本的情況下，也能達到很高的識別率，模型的抑制過擬合的能力較強。圖7右側為每種深度學習模型分析一組監測數據所用時間。由圖可知，深度學習模型分析一組監測數據的時間約為0.7 ms，可以很好滿足實時性要求。

為了進一步評估深度學習模型的優勢，將深度學習模型與傳統淺層神經網絡行比較。圖8給出了對1 000個訓練樣本訓練后兩種模型20次重復試驗的平均診斷結果。

圖8 中的誤差棒代表20次試驗計算的標準差。可見，相比于淺層神經網絡模型，本文提出的深度學習模型具有更高的分類精度，減少了過擬合現象的出現，同時較低的標準差說明深度學習模型的穩定性更高。

images/BZ_86_278_817_1119_1313.png

由上述測試結果可知，本文提出的含多層感知器的前饋深度學習模型不僅可以實時、準確地研判開關柜運行狀態，還可以實現較少訓練樣本情況下的高識別率。同時，相比于淺層神經網絡模型，該模型識別準確率有明顯提升。將該模型應用到開關柜熱故障狀態監測中，可以提高開關柜的運行維護水平，為開關柜后續維修保障決策的編制提供科學依據。

4 結 語

本文針對目前傳統開關柜狀態監測系統存在的問題與不足，設計并實現了基于電力物聯網和深度學習的開關柜狀態監測系統。該系統利用物聯網技術實現了開關柜實時運行數據感知，并基于深度學習算法建立開關柜狀態研判模型，形成集實時狀態監測服務、運行統計分析服務、故障/異常工況報警服務、在線故障診斷服務于一體的開關柜狀態監測診斷平臺。實驗結果表明，該系統能夠快速、準確、高效地對開關柜運行狀態進行診斷，具備很好的工程應用價值。