基于混合方法的智能终端故障检测_陈钦柱.pdf

第 卷第期 年月 收稿日期：基金项目：中国南方电网有限责任公司科技项目（）作者简介：陈钦柱（），男，安徽濉溪人，高级工程师，研究方向为高电压技术、电力设备状态监测与故障诊断、电力设备智能运维及防灾减灾技术；符方达（），男，海南文昌人，工程师，研究方向为高电压技术、输电线路故障诊断、绝缘配合与防雷技术；赵小勇（），男，海南临高人，高级工程师，研究方向为电气设备绝缘监测与分析。基于混合方法的智能终端故障检测陈钦柱，符方达，赵小勇（海南电网有限责任公司电力科学研究院，海南 海口 ）摘要：提出了一种基于混合方法的智能终端故障检测方法。首先介绍了所设计的智能终端故障检测方法，然后提出了一种基于连续小波变换（）和 神经网络的混合方案，该方案通过连续小波变换得到故障特征值，通过 神经网络的学习机制对故障特征值进行自动识别和分类，最后将其应用于山火监测装置和微气象装置。结果表明，该方法的智能终端故障检测的准确性虽然会随着天气环境的恶劣情况有所降低，但仍能够始终保持在 以上，有较高的准确性。关键词：智能终端；混合方法；连续小波变换；神经网络中图分类号：；文献标志码：文章编号：（），（，）：，（），：；引言加快电力生产数字化转型可为电力企业带来生产力和生产方式的变革。在此期间，电力发输变配业务配置了大量智能感知终端（又称物联终端），并集中接入全域物联网。智能终端作为电网运行的控制和监测功能器件，通过电缆线与电力系统一次设备相连，并通过光纤与智能网关互联以进行数据的采集和发送，其作为能源互联网中多网融合的枢纽设备，实现了对电网运行环境的监测和电力设备的控制，因而智能终端的可靠性和算法的准确性非常关键。但是，在实际智能终端运行的过程中，会出现如采集元件发生故障、通信故障、数据库故障等一些问题，这对电力系统的安全运行会产生极大的风险与挑战。因而需要对智能终端发生的故障 进 行 自 主 分 类，并 对 检 测 出 的 故 障 进 行 （）处理 。目前，广泛运用的智能故障检测终端通过采集电网中主要运行设备的电气参数，并将其与稳定运行时的标准参数进行对比，进而判断故障发生位置。该方法在小型电力系统中可以有效识别故障，但是无法应用于能源互联网中的海量运行设备，同时电网稳定运行时的电气参数会发生波动，故障检测阈值设置比较困难。本文在传统思路的基础上，提出了一种基于混合方法的智能终端故障检测方法。首先，通过连续小波变换得到故障状态的特征参数，之后通过 神经网络对故障特征值进行训练，并得到了故障分类结果。最后，在山火监测装置和微气象装置中对本文所提混合方法进行了实验验证，证明了该方法的可行性。混合方法原理 特征值提取小波可用来检测、分析和诊断信号或数据中的任何异常。同时它可以对频率分量进行伸缩和平移，从而对数据进行处理。在此，将母小波进一步分解成更小的小波，以便分析。小波法在终端故障中涉及以下公式，即：（，）（），（）（）.（）（）（）为复共轭；（）为信号波形函数；（）为一个小波函数；和为小波伸缩和平移因子，用于将第一个高频分量变换为另一个尺寸更小的分量。双曲调频母小波函数在构建特征匹配值的速度和精度上都具有优势，因此选择它作为基础母小波函数，即（）（）（）（）（）为选定的故障时间片断；为发生故障的时刻；（）、（），选择作为第个故障信号的基准频率；为小波的频带宽度。选择特定的膨胀和平移系数、，将母小波函数变换到一个特定尺寸空间上，可以得到变换后的小波函数，（）。利用双曲调频的方法分解小波，可以获得表示输出故障信号的时间尺度的特征值为（，）（）（）（）（）为变化后的小波函数；（）为最高时间尺度函数。在时间内对电压信号（）和最高时间尺度函数（）进行离散的脉冲采样，输出为（），（），（）（）提取特征向量，可以得到智能终端的故障诊断模型为 ，（）（），（，）（）为最大似然估计值；，（，）为特征输出项。神经网络故障模型建立人工神经网络方法（）是识别具有非线性性质的复杂系统的一种工具。其中，反向传播神经网络（）由于其解决复杂非线性问题的能力而广泛应用于神经网络的训练。在智能系统中，特征提取 是提取信号特征的重要内 容。因 此，本 文 采 用 特 征 提 取 的 方 法，将信号作为输入特征提取。该特征提取成为人工神经网络系统进行故障分类的输入。这是非常有用的，因为与使用原始信号作为神经网络系统的输入相比，此时神经网络的输入参数将会大大减少。神经网络的典型结构 如图所示。图 神经网络的典型结构陈钦柱等：基于混合方法的智能终端故障检测智能制造、和为输入神经网络的特征提取值；，为连接输入和输出、之间的隐藏层；（，）为连接第一隐藏层和输入的权值；（，）为连接第一隐藏层和第二隐藏的权值；（，）为连接第二个隐藏层与输出的权重；、为隐藏层和输出层的偏差值。权重和偏差在 神经网络中的作用是至关重要的，因为它们允许修改神经元之间连接的相对重要性。宽度方法将初始化 之间的 层权值。人工神网络的反向传播有个过程：前馈传播和反向传播。前馈传播将所有输入信号（，）乘以权重，并用偏差求和。输出信号（和）将隐藏层信号与偏差相加。下一个反向传播过程将计算误差值，并使用输出值修正权值和偏差。进而实现单位输出和隐藏层的权重和偏差值的调整，表达式为（）（）（）（）（）（）（）（）（）反向传播中使用的隐藏层激活函数为 ，等式为（）（）本文选择以输入层、隐藏层和输出层组成的层结构作为基础的训练网络，构成 神经网络。其中，输入层输入经过小波变换后得到的二维特征值，然后传递到隐藏层，隐藏层通过神经元进行故障特征的训练与判别，最后通过输出层输出得到的故障类别。采用 函数 作为训练函数，隐藏层对小波变换得到的特征值进行很长一段时间的学习后，在任意采样时刻，输入层神经元的输出为（）（）（）（）为系统经过训练得到的向量。然后在智能终端的故障库中选择个故障案例，使用小波变换的方法对不同的故障类型进行特征提取，之后引入故障判别函数，得到统计平均值模型为?（）（）第个故障信号在类训练向量的数据集；（）为分类器的训练向量。利用该统计平均值模型进行神经网络分类和检测统计量分析。智能终端故障检测方法本文通过采集智能终端运行时的供电数据、通信数据、终端数据以及环境数据进行实时监测，并将数据进行变换后放入数据储存单元。之后，将储存单元中的终端数据集与智能终端标准参数进行比对，并获得关联匹配结果。通过连续小波变换方法得到该关联匹配结果数据集的故障特征匹配值，进而获得故障特征向量。最后，基于 神经网络训练输入的故障特征值，并在此基础上建立智能终端故障分类模型，利用该分类模型对几种常见故障特征量进行诊断以及分类识别。智能终端故障诊断系统的流程如图所示。图智能终端故障诊断系统流程实验分析在电力系统中存在很多智能终端装置，如输电域的线路运行状态全面感知和智能分析终端，变电域的智能巡视、智能安全、辅助控制和设备监测终端，配电域中低压配网运行可观可测终端等。本节主要以山火监测装置、微气象装置为例测试本文所提方案的可行性。（）准确性实验由于神经网络算法的准确性与其学习速率、神经元数量以及迭代次数有关，因此首先将其应用于山火监测装置，测试不同学习速率、神经元数量与迭代次数下混合方法的故障检测准确性，结果如表所示。表准确性实验结果学习速率神经元数迭代数准确性 总故障检测准确性 由表可知，混合方法在故障检测和分类的准确性是极高的，神经元数和迭代数的增加和减少对准确性的影响没有固定的规律，但学习速率过高可能会使故障检测的准确性降低，合理地设定学习速率、神经元数量和迭代次数能够实现接近 的准确性。适用性实验在上述基础上，选择学习速率为，神经元数为，迭代数为 的情况进行进一步测试。为方便分析，在实验室中模拟外界环境情况，分别从晴天、雾天和雨天种天气情况对山火监测装置、微气象装置分别进行了为期天的测试，经过 天的试验后，实验结果如表所示。表适用性实验结果天气山火检测装置故障检测率微气象装置故障检测率晴天 雾天 雨天 由表可知，天气变化会对混合方法的准确性造成影响，恶劣的天气环境可能会导致数据监测不准确，进而降低系统的故障检测率。结束语本文基于连续小波变换和 神经网络提出了一种智能终端故障检测方法。通过连续小波变换对智能终端采集的供电数据等信息进行特征量提取，之后将该特征量作为 神经网络的输入进行训练，并利用得到的故障分类模型对故障状态进行判断。最后将其应用于山火监测装置和微气象装置进行实验验证，结果表明 和 组合能够以 的 准 确 性 对 设 备 故 障 进 行 诊 断 和分类。参考文献：张涛，赵东艳，薛峰，等电力系统智能终端信息安全防护技术研究框架电力系统自动化，（）：邹文峰用电信息采集终端故障分类与处理策略探析通讯世界，（）：姜智堯基于嵌入式智能终端的冷水机组故障诊断系统设计与实现上海：上海交通大学，鲁继超智能变电站二次系统故障处理与安全措施研究长春：长春工业大学，张鲁，朱志宏，黄云龙，等智能变电站智能终端异常故障分析安徽电气工程职业技术学院学报，（）：卢仁军，王力，孙兴华配电网自动化遥测终端隐蔽故障检测 系统计 算机测量 与控制，（）：辛健，马力小波变换和神经网络的电路故障诊断现代电子技术，（）：何东中，贡丽霞，白艳萍小波变换和神经网络的电路故障诊断现代电子技术，（）：刘文宇，刘璐，刘馨然，基于改进 神经网络的低压配电台区智能电能表误差状态评估模型 电测与仪表，（）：马豪，尹健龙，李东升 基于小波分解的磨床声发射特征信号提取方法传感器与微系统，（）：邵建浩，张婷基于 神经网络的 机器人故障诊断 机床与液压，（）：殷生旺，张月霞，戴佐俊基于 和神经网络的作业车间绩效评价北京信息科技大学学报（自然科学版），（）：