基于物联网的高压带电体温度在线预警系统

何建强，滕志军，李国强

（1.商洛学院 电子信息与电气工程学院，商洛 726000；2.东北电力大学 信息工程学院，吉林 132012；3.国网呼伦贝尔供电公司，呼伦贝尔 021000）

随着现代电力系统向大机组、大容量、高电压等级的趋势发展，对供电可靠性和稳定性的要求也越来越高。温度是运行中的高压电气设备很重要且需严格监测的参数，设备温度变化信息能够正确反映高压设备是否处于正常状态，故高压带电体的温度监测已势在必行[1]。高压电缆接头是电力系统运行中较为薄弱的环节，由于制作工艺有限，接点处容易出现氧化和接触不良等情况，满负荷负载电流流过时会出现局部过热、温升过高，极易导致设备损坏。根据电力部门事故通报统计，60%左右的电缆事故都由电缆接头过热所导致的。因此，变电站高压电缆接头的温度监测已成为电力系统可靠、安全运行所面临的现实问题[2]。

人工间断性的离线监测是获得高压电缆接头温度的主要方法，无论是示温贴片还是红外测温枪测温，都不能实时获取所有电缆接头的温度情况，不易于预测接头温度的发展趋势。基于物联网技术的高压带电体温度实时监测及预警系统可避免人工监测的间断性，通过对设备温度实时采集、预测和分析，及时判断出热故障点并进行故障预警、报警，从而有效避免和降低火灾等不安全事故的发生[3]。

1 系统总体设计

图1 温度预警系统结构Fig.1 Temperature warning system structure

2 硬件设计

2.1 传感器节点硬件设计

传感器节点负责对高压电缆接头三相测点的温度进行实时采集，并将数据传输到汇聚节点，最终由汇聚节点进行存储和上传。传感器节点主要由数据采集前端、数据处理模块、无线通信模块和供电模块组成。图2所示为传感器节点组成原理。

图2 传感器节点组成原理Fig.2 Schematic diagram of sensor nodes

2.2 数据处理模块设计

数据处理模块以CC2530芯片为处理器，负责控制整个节点。CC2530是ZigBee新一代真正的片上系统（SoC）解决方案，满足ZigBee对低成本、低功耗的要求，支持2.0～3.6 V的供电电压，具有唤醒模式、睡眠模式和中断模式3种电源管理方式[4]。数据处理模块硬件电路如图3所示。CC2530模块主要分为时钟电路、电源去耦滤波电路和SPI接口电路等几个部分。

2.3 电源模块设计

本设计中采用高压自具电源和蓄电池组共同为测温节点提供能量，当高压自具电源模块正常工作时，作为电源为电路提供能量，同时对蓄电池组进行充电，图4所示为高压自具电源整流稳压模块电路；而当高压侧母线电流断电或很小时，自具电源不能为节点提供足够的能量，此时转换到蓄电池组提供电源，从而保证整个系统能够持续工作，图5所示为蓄电池组充电管理电路[5]。

输入电压为4～6 V，由LM2490电压变换模块提供，通过CN3058充电管理芯片，电路输出端和蓄电池组正极连接。D4和D5分别为充电和充电结束状态指示灯，蓄电池组进行充电时，CHRG被置为低电平，D4灯亮，表示充电状态正常；充电结束后，DONE被内部开关拉低，D5灯亮，指示充电结束。D6～D8采用正向压降小的锗二极管，通过构成高压自具电源与蓄电池组之间的隔离电路来防止电流反灌[6]。

3 基于BP神经网络的高压带电体温度预测方法

3.1 BP神经网络算法描述

高压带电体温度在线预警系统主要是对未来温度短期预测，因此本设计只需三层网络即可。设BP神经网络的输入层含有n个节点、隐含层含有m个节点、输出层含有l个节点；输入层和隐含层间权值为wij，隐含层与输出层间权值为wjk；隐含层和输出层阈值分别为tj和tk；f（）为转移函数；输出层期望输出为dk[7]。

隐含层节点和输出层节点的输出分别为

图3 数据处理模块硬件电路Fig.3 Hardware circuit of data processing module

图4 整流稳压模块电路Fig.4 Rectifier voltage regulator circuit diagram

图5 蓄电池组充电管理电路Fig.5 Battery charging management circuit

输出值与期望输出间的误差为

由误差公式可以看出，调整权值wij和wjk就可改变误差E，权值调整量正比于误差梯度下降，则对于输出层与隐含层：

2)课堂引导学习。新课前教师根据学生的反馈，教师总结提炼出共性问题，在课堂上针对重难点微课着重讲解，引导学生以小组为单位进行讨论交流。

式中：η 为学习速率；传递函数 f（x）=（1+e-x）-1，则f′（x）＝ f（x）［1-f（x）］。

BP权值调整公式为

标准BP神经网络学习过程如图6所示。

图6 标准BP神经网络学习过程流程Fig.6 Flow chart of standard BP neural network learning process

3.2 基于BP神经网络的高压电缆接头温度预测仿真

以呼伦贝尔某变电站提供的2015年3～8月10 kV高压电缆A相1号测点在线运行实际数据作为BP模型输入学习样本，获得预测日（9月2日和7日）24 h的高压电缆波动曲线与实际曲线间的关系如图7与图8所示。

从图7、图8可知，BP神经网络在对高压设备温度历史运行数据统计归纳后，逐步对每层神经元间的权值进行修正，所得预测数据与实际监测数据走势基本一致且误差很小[8]。为了进一步分析模型的误差特性，提取以上两图中的各点温度数据作对比，获得的预测值与实际监测值的相对误差如表1所示。

图7 基于BP网络的工作日温度预测曲线Fig.7 Working days temperature prediction curve based on BP network

图8 基于BP网络的休息日温度预测曲线Fig.8 Rest days temperature prediction curve based on BP network

表1 10 kV高压电缆接头的BP神经网络温度预测误差Tab.1 10 kV high voltage cable joint temperature prediction error of BP neural network

由表1中的数据分析可知，对工作日进行预测的最小相对误差为0.02%、平均相对误差为1.20%、最大相对误差为2.54%、均方根误差为0.82℃；对休息日进行预测的最小相对误差为0.09%、平均相对误差为1.47%、最大相对误差为3.17%、均方根误差为0.96℃；休息日预测数据的误差大于工作日，主要因为休息日中用电量的多变性及数据统计间的时差较大。

3.3 BP神经网络的缺点及改进方法

BP算法一般需要成千上万次的迭代运算，造成学习效率较低、收敛速度慢；BP算法采用的是梯度下降法，容易出现局部极小点，且误差函数只能单向减小而不可能有任何上升趋势，因此跳出极小点的可能性几乎没有[9]。在实际应用中，面对这2个重要问题，主要有梯度自适应算法、附加动量法和L-M算法等典型修正算法。

针对以上3种不同的BP改进学习算法，采用前文的高压带电体温度数据，并以休息日为例，仿真和计算结果如图9～图12所示。

从以上4个图的比较可以看出，L-M算法的学习速度最快。4种算法的预测结果均方根误差如表2所示。利用附加动量法得到的预测结果容易出现较大偏差；L-M算法的误差较小，完全能够满足应用要求。综合考虑学习速度和预测误差，本设计最后选择L-M算法训练BP网络。

图9 标准BP算法训练误差曲线Fig.9 Training error curve of standard BP algorithm

图10 梯度自适应算法训练误差曲线Fig.10 Gradient adaptive algorithm training error curve

图12 L-M算法训练误差曲线Fig.12 L-M algorithm training error curve

表2 改进后温度预测模型的误差比较Tab.2 Error comparison of the improved temperature prediction model

4 预警系统软件设计

当数据传至监测中心后，由开发的监测中心软件实现高压带电体温度预警功能。通过C#开发系统管理软件，利用SQL2008数据库实现高压带电体温度数据的存储、统计和管理[10]。系统采用越限报警和故障预警合作方式实现温度监测的准确化，越限报警阈值设置为75℃，高压电缆接头温度预警流程如图13所示。

4.1 预警系统管理软件

图14为管理软件实时显示界面，通过此界面可以直观地看到各监测节点的实时温度值以及其工作状态。

图15为运行状况分析界面。工作人员通过选择一段时间，分析此时间段内的各监测设备的缺陷等级，并对设备运行结果进行详细描述，给出处理措施。

图13 高压电缆接头温度预警流程Fig.13 Flow chart of the high-voltage cable joint temperature warning

图14 实时显示界面Fig.14 Real-time display interface

图15 运行状况分析界面Fig.15 Operation analysis interface

4.2 实验数据

在监测与传输试验中，为了验证接收数据的准确性，采用红外测温枪进行10 kV高压电缆三相测点的同步数据检测分析，经比对，2种方式进行的高压电缆接头三相温度数据检测分析基本一致。

以工作日和休息日即10月21日与26日数据为基准，与运用优化后的BP网络进行预测所得到的温度值进行对比，可得到如表3所示的实际测试值与预测值的比较。从表中可以看出，BP网络的预测精度在4%以内，没有超过设定的模型误差5%，能够满足实际应用需求。

表3 工作日和休息日的实际温度和预测值对比Tab.3 Comparison of actual and predicted values of working days and rest days

5 结语

本文提出了一种基于物联网的高压带电体温度在线预警系统，对预警系统监测网络进行设计，提出了高压带电体温度故障预测算法，并针对BP神经网络算法中存在的问题提出了改进措施[11]。仿真验证了其可行性，可以满足电力系统中高压带电体温度故障的预警要求。对整个预警系统进行了相关实验，验证了本预警系统的可行性及稳定性，通过改进后的BP神经网络预测算法，实现了高压带电体温度故障的预测预警。

[1]刘建胜，酆达，张凡.一种用于变电站高压触点温度在线监测的新方法[J].电力系统自动化，2004，28（4）：54-57.

[2]滕志军，李国强，何鑫，等.基于ZigBee的高压电气设备温度在线监测系统[J].电测与仪表，2014，51（1）：85-88.

[3]高庆敏，和欢，石瑞杰.基于ZigBee无线传感网络在变电站监测系统中的应用[J].华北水利水电学院学报，2010，31（1）：53-54.

[4]滕志军，李国强，何鑫，等.高压带电体温度监测及灰色预测分析[J].电工电能新技术，2014，33（9）：62-67.

[5]王玲芝，李春茂，袁立行.基于ZigBee技术的高压设备温升监测系统[J].测控技术，2010，29（12）：1-3.

[6]滕志军，王中宝，何建强，等.ZigBee在轧机系统电能质量的监测应用[J].电测与仪表，2013，50（3）：117-119，128.

[7]韩玉兰，芦兴，路灿，等.高压开关柜隔离触头温度红外检测系统的研制[J].高压电器，2008，44（6）：578-581.

[8]贝伟仰，江虹.基于红外测温的无线温度监测系统的研究[J].计算机测量与控制，2011，19（10）：2397-2400.

[9]周英，尹邦德，任铃，等.基于BP神经网络的电网短期负荷预测模型研究[J].电测与仪表，2011，48（2）：68-71.

[10]项文强，张华，王姮，等.基于L-M算法的BP网络在变压器故障诊断中的应用[J].电力系统保护与控制，2011，39（8）：100-103，111.

[11]滕志军，何建强，何鑫.基于物联网技术的高铁电能质量监测系统[J].电气应用，2014.33（3）：64-69.