基于數據融合的變電站電氣設備安全運行一體化檢測技術

劉澤西，張 楠，連 婷，鄭江勇，張雙帆

(國網新疆電力有限公司 巴州供電公司，新疆 庫爾勒 841000)

目前主流的變電站設備監測系統包括一體化在線監測系統、紅外測溫系統、接地極在線監測系統等，對變電站的各個電氣設備及相關狀態參量進行監測[1-2]。隨著電網數字化和智能化的研究展開，智能化運維在電網企業提高設備管理效率和智能化水平提供了新的思路，智能化運維主要指的是通過人工智能，實現設備的精益化管理，提升電網運維效率[3-4]。變電站設備監測系統是輸變電過程中重要的組成部分，對變電站開展日常運維，進行設備的狀態監測和評估尤為重要。隨著智能電網建設的推進和電網企業的智能化發展，我國電網日益產生大量的各類型數據，這些數據往往呈現多元異構性等特點。電力設備狀態數據的構成比較復雜，可以分為離線數據、在線數據和準實時數據，數據源包括SCADA系統、設備運維管理系統、調度管理系統、地理信息系統和設備巡檢監測系統等多種[5-6]。設備狀態檢測涉及的設備種類、檢測項目、檢測數據逐漸增加，給電網企業的日常運維任務帶來了巨大的挑戰。設備運維業務是電網日常運行管理中不可或缺的工作，主要指設備巡檢、故障報警和狀態維護等業務。運維人員基于各類信息化系統來開展日常的運維工作，例如定期的線路巡視，依據檢修計劃對設備進行維護，發生故障進行維修等[7-8]。但由于信息化管理系統與運維業務數據之間的數據融合度不高，各項運維業務之間缺乏互通，隨著設備運行數據的日益增長，運維工作變得繁重，在影響了檢測效率的同時，對于故障定位的精度也有一定的影響。因此，本文提出一種基于數據融合的變電站電氣設備安全運行一體化檢測技術。

1 數據融合技術

數據融合是將多傳感器信息源的數據和信息加以聯合、相關及組合，獲得更為精確的位置估計及身份估計，從而實現對數據態勢和威脅以及其重要程度實時、完整檢測的處理過程[9-12]。

2 電氣設備安全運行一體化檢測技術

2.1 系統整體概況分析

變電站電氣設備安全運行一體化檢測系統具有很大的作用，運用她的主體檢測中心目的是為了提高變電站電氣設備的質量，提高效率以及工作水平等，該系統對相關的變電站電氣設備安全運行的數據進行存儲，并進行檢測、分析，可以找出存在的問題和不足之處，進而指導相關工作。

在對系統的各個功能模塊進行設計時，需要充分考慮變電站電氣設備實際工作其情況并盡量使系統的各個功能模塊與現有的工作職能內容趨同于工作流程，進而保證和原有的管理差別較小，方便工作人員的使用。

2.2 總體系統設計

根據系統結構分析，將系統按功能主要劃分為采集模塊、編碼模塊、故障處理模塊、控制模塊以及通信模塊，結構如圖1所示。

圖1 系統硬件結構Fig.1 System hardware structure

系統主要由處理器TMS320DM8127Davinci數字媒體處理器、CCD攝像頭、GPRS網絡通信模塊以及必要的外圍電路組成。DM8127數字媒體處理器是一款高集成、可編程的處理器，適用于網絡攝像機、視頻監控等應用場景。它使用片上系統架構，在傳統的ARM Cortex A8和C674x VLIW DSP雙核架構上，增加了雙核Cortex-M3子系統，能夠很好地滿足系統控制、圖像處理功能。其上的ARM Cortex A8處理器核主要負責系統調控，C674x VLIW DSP處理器核負責圖像采集，VPSS-M3和Viseo-M3處理器核主要用于圖像采集模塊以及編碼模塊的硬件加速等功能。

2.3 軟件設計

在變電站電氣設備安全運行一體化的過程中，使用的數據雖然經過一定的預處理，但是由于信息源的不同在實際的應用中會產生沖突，導致收斂速度變慢。但是如果使用單一來源的數據，則可能會出現一定的噪聲，影響設備檢測的全面性[13-15]。因此需要建立數據融合故障診斷模型，首先建立證據理論與神經網絡相互結合故障診斷的模型，如圖2所示。最短距離法聚類樹如圖3所示。

圖2 證據理論與神經網絡相互結合故障診斷的模型Fig.2 Fault diagnosis model based on the combination of evidence theory and neural network

圖3 最短距離法聚類樹Fig.3 Shortest distance clustering tree

當電網發生故障之后，與故障中心距離較近的多個節點中，與正常運行時間相比，特征量會發生一定變化，越靠近故障中心，特征量的變化越大，越遠離故障中心，特征量的變化就越小。根據以上原理，在對以上計算得到的明氏距離劃分閾值，可得故障影響區域劃分，如圖4所示。

圖4 故障擾動區域劃分Fig.4 Division of fault disturbance area

除以上區域外，對于可疑的故障區域來說，可采用模糊C均值聚類來對結果進行分析。系統在聚類過程中能夠得到清晰的故障類別劃分，并可解決類的邊緣問題。根據故障擾動區域劃分結果，對故障進行檢測，至此完成基于數據融合的變電站電氣設備安全運行一體化檢測技術的研究。

3 現場應用

3.1 測試設計

為了驗證本文提出的基于數據融合的變電站電氣設備安全運行一體化檢測技術在實際應用中的有效性，進行一次仿真實驗。變電站電氣設備安全運行一體化測試如圖5所示。

圖5 現場實際測試Fig.5 Field actual test

在仿真實驗的場景設計中，為了保證在多種環境下的檢測性能，場景分為無NLOS傳播和有NLOS傳播2種情況進行比較分析。以變電站內部電氣設備的現場運行數據作為本次實驗的測試數據。選擇的變電站模型如圖6所示。

圖6 變電站電氣設備布置示意Fig.6 Layout of electrical equipment in Substation

圖6的變電站中，實驗場景為長25 m、寬16 m的變電站區域，微基站數目為8個，基站擺放選擇為平均散布在四周，隨機噪聲添加平均值等于0的高斯白噪聲。基站的部署坐標見表1。

表1 實驗基站部署坐標Tab.1 Experimental base station deployment coordinates

在本文的實驗中選擇了設備的低端位置點進行分析，設備中主要包括三相變電設備。并在設備中人為設置故障，設備在故障發生時，運行參量之間的先驗網絡信息如圖7所示。

圖7 故障發生時狀態參量之間的先驗網絡信息Fig.7 Prior network information between state parameters when fault occurs

在上述的實驗環境下，使用本文設計的基于數據融合的變電站電氣設備安全運行一體化檢測技術進行測試，并對故障檢測的定位誤差進行分析。

3.2 結果分析

在上述實驗環境下，使用本文方法在無NLOS傳播和有NLOS傳播的場景下進行測試。在無NLOS傳播場景下，假設定位標簽與各定位微基站的信號收發均為直線且無遮擋，即不考慮NLOS的影響。有NLOS的情況下，更能代表檢測的真實情況，由于在實際的定位過程中，定位標簽與各定位微基站之間的信號一般難以保持直線傳播。因此會出現NLOS的影響。假設誤差測距的標準差依次為10、15、20、30 cm，在Matlab仿真環境下，利用本文檢測技術，仿真不同標準差下故障定位的誤差情況如圖8所示。

圖8 不同NLOS場景中的定位誤差測試結果Fig.8 Positioning error test results in different NLOS scenarios

由圖8可以看出，隨著噪聲標準差的增大，2種情況下的誤差標準差都有一定程度的增加，即定位準確度都有所下降。在相同的噪聲誤差標準差情況下，無NLOS情況下的定位準確度高于NLOS存在的情況下的定位準確度。將本文得到的誤差結果交給專家團隊進行案例數據的分析與計算，對本文方法的在2種情況下的定位誤差進行了分析與討論。結果表明，本文提出的基于數據融合的變電站電氣設備安全運行一體化檢測技術的定位誤差在合理范圍內，在實際的應用中具有一定的參考價值。

4 結論

由于對特高壓變電站內設備的可靠性要求逐漸提高，在日常運維工作中的工作量也逐漸變得繁重。因此，開展電氣設備安全運行一體化檢測對于提升設備維護和管理的效率顯得非常重要。本文將數據融合技術應用到變電站電氣設備安全運行一體化檢測中，并通過實驗驗證了本文檢測方法在故障精準定位中的精準性。雖然本文設計的變電站電氣設備安全運行一體化檢測技術取得了一定的成果，但是也還有很多需要改進之處。在數據獲取過程中，一般采用定期巡檢并人工采集數據，或是通過紅外監測裝置進行測溫，針對多源數據來說效率較低，并且在檢測到故障具體位置之前，也缺乏對相關電氣設備的故障可能性發生概率分析和有效的評估手段。在今后的研究中，要重點對以上問題進行深入探討和解析。