基于神經(jīng)網(wǎng)絡(luò)的電力計(jì)量自動(dòng)監(jiān)測流水線固定診斷系統(tǒng)設(shè)計(jì)及仿真

袁衛(wèi)， 劉正明， 張明， 余凡， 俞煌

(1.國網(wǎng)西藏電力有限公司, 電力科學(xué)研究院，西藏, 拉薩 850000;2.福建網(wǎng)能科技開發(fā)有限責(zé)任公司，福建, 福州 350003)

0 引言

電力系統(tǒng)是由電壓、電流互感器和其相應(yīng)的連接導(dǎo)線等3部分組成，如果其中一部分產(chǎn)生問題，整個(gè)電力計(jì)量系統(tǒng)都會(huì)受到影響，計(jì)算精度的準(zhǔn)確率也相應(yīng)地降低。經(jīng)過對(duì)電力系統(tǒng)故障的分析，發(fā)現(xiàn)故障的種類非常多，而且有些故障通過單一的信號(hào)是很難辨別的，針對(duì)這類問題，本文提出一種基于神經(jīng)網(wǎng)絡(luò)算法對(duì)故障信號(hào)進(jìn)行判斷，并通過相關(guān)實(shí)驗(yàn)成功地證明了此算法的可行性。

1 電力計(jì)量自動(dòng)監(jiān)測系統(tǒng)故障特征提取

電力計(jì)量系統(tǒng)故障的原因主要通過對(duì)其工作過程中發(fā)出的故障信號(hào)來判斷，但在對(duì)這些故障信號(hào)的提取過程中很可能會(huì)出現(xiàn)尖峰或者噪聲的情況，不利于對(duì)電力系統(tǒng)故障的判斷。因此，要想準(zhǔn)確地判斷電力計(jì)量系統(tǒng)故障，就需要對(duì)提取的故障信號(hào)進(jìn)行降噪處理，消除故障信號(hào)中的干擾噪聲，保留平穩(wěn)的特征信號(hào)。對(duì)這種噪聲的處理大多都用傳統(tǒng)的傅里葉變換方法，其核心是從時(shí)域到頻域的變換，而這種變換是通過一組特殊的正交基來實(shí)現(xiàn)的。通過其工作原理可以看出傅里葉變換的方法主要注重對(duì)頻域信號(hào)的分析，而對(duì)時(shí)域信號(hào)分析得還不夠，導(dǎo)致無法對(duì)系統(tǒng)故障信號(hào)完全除噪。如果傅里葉變換不能在時(shí)域部分完全除噪，那么在電力系統(tǒng)運(yùn)行的過程中，如果在某個(gè)時(shí)域突然出現(xiàn)突變，將會(huì)引起整個(gè)圖譜的變化。針對(duì)這一問題，本文引入小波變換進(jìn)行處理[1-2]。小波消噪主要根據(jù)小波設(shè)定的閾值消噪，其主要是在對(duì)信號(hào)進(jìn)行分析時(shí)會(huì)有很多有用的信息以數(shù)值的形式出現(xiàn)，小波分析通過設(shè)置適宜的閾值保存有用信息的數(shù)值，從而使消噪的過程更方便和快捷。閾值分為硬閾值和軟閾值，其處理方法本文以軟閾值為例，其公式為

(1)

式中,γ為閾值，ω為小波系數(shù)，ωγ為處理后的小波系數(shù)。

可以用MATLAB軟件對(duì)小波軟閾值處理噪聲的方法進(jìn)行仿真，仿真結(jié)果證明其方法有一定的優(yōu)勢。因此，與傅里葉變換的方法相比，小波變換分析的處理方法能更好地在時(shí)域和頻域?qū)π盘?hào)進(jìn)行分析，而且由于小波變換分析具有自動(dòng)調(diào)焦的功能，可以更好地處理特征信號(hào)中的噪聲和時(shí)域部分突變的情況。

2 基于神經(jīng)網(wǎng)絡(luò)的電力計(jì)量系統(tǒng)故障判斷

2.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)是屬于前饋型網(wǎng)絡(luò)，分為輸入層、隱藏層和輸出層，層層都有很多個(gè)節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)都相當(dāng)于網(wǎng)絡(luò)中的一個(gè)神經(jīng)元，相鄰層之間的神經(jīng)元結(jié)構(gòu)由權(quán)數(shù)來進(jìn)行連接。圖1是一個(gè)簡單的BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)[3-4]。

圖1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法從根本上講就是通過網(wǎng)絡(luò)傳輸層傳出的誤差進(jìn)行反向傳播，對(duì)網(wǎng)絡(luò)系統(tǒng)的連接權(quán)數(shù)進(jìn)行調(diào)整和修改，使其誤差縮到最小。BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練流程如圖2所示。整個(gè)主要學(xué)習(xí)過程為數(shù)據(jù)通過正向的計(jì)算和在輸出層的反饋，最終經(jīng)過連接權(quán)數(shù)的調(diào)整，使誤差降低達(dá)到所期望的數(shù)值。

圖2 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練流程

2.2 BP神經(jīng)網(wǎng)絡(luò)算法改進(jìn)

由于BP神經(jīng)網(wǎng)絡(luò)存在一定的弊端，提出PSO粒子群優(yōu)化算法。其運(yùn)行原理公式為

vid(t+1)=vid(t)+c1r1(pid-xid(t))+

c2r2(pgd-xid(t))

(2)

xid(t+1)=xid(t)+vid(t+1)

(3)

其中，xi=(xi1,xi2,…,xiD)為第i個(gè)粒子的位置，vi=(vi1,vi2,…,viD)為移動(dòng)的速度向量，pi=(pi1,pi2,…,piD)為單個(gè)最優(yōu)數(shù)值，pg=(pg1,pg2,…,pgD)為整體最優(yōu)數(shù)值。式(3)為經(jīng)過t+1次迭代后更新的公式。

通過式(2)、式(3)可以看出，粒子的當(dāng)前運(yùn)行速度、粒子對(duì)自身的認(rèn)知功能和粒子群體的“記憶功能”對(duì)PSO優(yōu)化算法更新的速度都會(huì)有影響。其中，粒子的當(dāng)前速度影響著當(dāng)前的狀態(tài)，粒子的自身認(rèn)知影響著粒子向最優(yōu)值靠近,粒子群體的記憶功能影響著粒子向全局群體的最優(yōu)值拉近距離。

提出通過一種動(dòng)態(tài)學(xué)習(xí)因子的調(diào)整方法從而提高優(yōu)化的準(zhǔn)確度，其公式為

(4)

c1=4-c2

(5)

假設(shè)當(dāng)前的迭代次數(shù)用t表示，最大的迭代次數(shù)用Tmax表示，且0

圖3 基于PSO優(yōu)化算法的神經(jīng)網(wǎng)絡(luò)模型

3 故障檢測電路設(shè)計(jì)

高壓電力系統(tǒng)的故障檢測原理如圖4所示。

圖4 電能計(jì)量系統(tǒng)故障檢測原理圖

圖4中的黑點(diǎn)為故障檢測點(diǎn)，檢測點(diǎn)通過對(duì)電力計(jì)量系統(tǒng)故障的分析得出故障類型，再加上系統(tǒng)的結(jié)構(gòu)特點(diǎn)來選取，是對(duì)系統(tǒng)是否發(fā)生故障判斷的有力工具。可以看出故障原因主要是一次側(cè)短路造成的，電流互感器的一次側(cè)高壓阻抗小且測量不方便，或一次側(cè)短路導(dǎo)致阻抗變化無法直接測量[5]。要解決以上問題，通過在二次側(cè)外加激勵(lì)信號(hào)的方法(伏安法)對(duì)整個(gè)系統(tǒng)檢測抗阻如圖5所示。

圖5 激勵(lì)信號(hào)產(chǎn)生電路圖

由圖5可知，如果想要RC振蕩電路正常工作，就要求保持振幅平衡和相位平衡。則振蕩電路的振蕩頻率公式為

(6)

式中，ZR表示電阻，ZC為電容。

如果CT一次側(cè)短路，可以經(jīng)過GL1與GL2使阻抗降低，分壓值Ua和Uc也會(huì)相應(yīng)降低，從而通過檢測信號(hào)電壓的變化判斷故障情況。

4 A/D轉(zhuǎn)換電路設(shè)計(jì)

目前處理器的處理位數(shù)已經(jīng)發(fā)展到32位，其中ARM具有代表性，ARM具備體積小，功耗低，處理能力強(qiáng)等優(yōu)勢。由于微處理器的發(fā)展非常迅速，市場上的微處理器種類也隨之增加，STM32F103ZET6微處理器是性價(jià)比很好的一款，是以高運(yùn)算速度、更好的實(shí)時(shí)性、低功耗為目標(biāo)設(shè)計(jì)的產(chǎn)品。它的實(shí)時(shí)性體現(xiàn)在該處理器使用了NVIC中斷向量控制器，比之前的處理器更好的通過中斷管理的統(tǒng)一為客戶編程提供了方便，中斷延遲的時(shí)間和ARM7相比縮短了一半的時(shí)間，更好地提高了實(shí)時(shí)性。低功耗的特點(diǎn)：CM3在CPU不需要運(yùn)行的時(shí)候進(jìn)入休眠狀態(tài)，這種模式下，只需外設(shè)運(yùn)行，從而降低了系統(tǒng)的功耗。而且CM3可以通過編程進(jìn)入停止模式，所有的時(shí)鐘停止工作，I/O端口在運(yùn)行狀態(tài)，一旦中斷事件發(fā)生時(shí)，停止模式就會(huì)被喚醒進(jìn)入運(yùn)行狀態(tài)對(duì)中斷事件進(jìn)行處理，處理完成后，再次進(jìn)入停止模式，循環(huán)往復(fù)，很大程度地降低系統(tǒng)的功耗。STM32F103ZET6可以說是一個(gè)片上系統(tǒng)，其外設(shè)資源也是非常豐富的。為了滿足電路設(shè)計(jì)的需求，STM32F103ZET6微處理器內(nèi)部放置了3個(gè)A/D轉(zhuǎn)換器，不需要再設(shè)計(jì)單獨(dú)的A/D轉(zhuǎn)換電路，簡化電路設(shè)計(jì)。此款A(yù)/D轉(zhuǎn)換器的高性能體現(xiàn)在具有12位分辨，也可以設(shè)置多種模式，根據(jù)系統(tǒng)時(shí)鐘的頻率不同而產(chǎn)生變化，最小可以達(dá)到1 μs的轉(zhuǎn)換時(shí)間[6-7]。

5 系統(tǒng)訓(xùn)練及診斷測試

表1為通過動(dòng)量BP學(xué)習(xí)算法對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行3821次訓(xùn)練的故障診斷結(jié)果，誤差值降到最小。圖6和圖7分別為動(dòng)量BP網(wǎng)絡(luò)訓(xùn)練的誤差曲線和傳統(tǒng)的BP網(wǎng)絡(luò)訓(xùn)練曲線誤差，通過對(duì)2個(gè)圖的比較可以看出動(dòng)量BP網(wǎng)絡(luò)訓(xùn)練在3821次訓(xùn)練時(shí)就可以是誤差到達(dá)最小，而傳統(tǒng)的BP網(wǎng)絡(luò)訓(xùn)練需要8378次，很明顯前者的迭代次數(shù)更少[8]。

圖6 動(dòng)量BP網(wǎng)絡(luò)訓(xùn)練的誤差曲線

圖7 傳統(tǒng)BP網(wǎng)絡(luò)訓(xùn)練的曲線誤差

表1 故障診斷結(jié)果

通過多組樣本采集對(duì)計(jì)量系統(tǒng)負(fù)載值進(jìn)行改變，從而對(duì)訓(xùn)練完善的網(wǎng)絡(luò)進(jìn)行測試，分別如表2、表3所示。與表1對(duì)比可以看出，訓(xùn)練好的網(wǎng)絡(luò)可以很成功地診斷出故障種類，達(dá)到理想的效果。表4為動(dòng)量BP網(wǎng)絡(luò)的測試結(jié)果和比較，從表中的數(shù)據(jù)結(jié)果可以說明，動(dòng)量BP網(wǎng)絡(luò)比傳統(tǒng)BP網(wǎng)絡(luò)的準(zhǔn)確率要高，可以診斷出大多數(shù)的網(wǎng)絡(luò)障礙，具有可行性。

表2 部分故障測試樣本

表3 訓(xùn)練后的動(dòng)量BP網(wǎng)絡(luò)測試結(jié)果

表4 動(dòng)量BP網(wǎng)絡(luò)測試結(jié)果及兩種網(wǎng)絡(luò)結(jié)果對(duì)比

6 總結(jié)

通過對(duì)電力計(jì)量系統(tǒng)故障的分析和BP神經(jīng)網(wǎng)絡(luò)對(duì)故障系統(tǒng)的判斷，提出動(dòng)量BP神經(jīng)網(wǎng)絡(luò)，完善了傳統(tǒng)網(wǎng)絡(luò)的缺陷。經(jīng)過一些列的數(shù)據(jù)測驗(yàn)及得出相應(yīng)的結(jié)果，經(jīng)對(duì)比，動(dòng)量BP神經(jīng)網(wǎng)絡(luò)正確率高，比傳統(tǒng)BP網(wǎng)絡(luò)的迭代次數(shù)少，收斂速度也相對(duì)較快，其方法切實(shí)有效。