工厂配电柜故障智能检测方法

武汉市水务集团有限公司 孙 元

0 引言

改革开放后，我国工业得到了极大的发展，各个工厂逐渐转向机械化、自动化生产，生产力水平有了很大的提升，但是与此同时，工厂的用电量也在不断增大，给工厂电网系统的正常运行带来了一定的压力，增加了配电柜发生故障得频率[1]。因此为保证工厂电力的正常输送，对配电柜故障进行检测具有十分重要的作用。

配电柜故障主要有空气断路器跳闸，缺相运行，电路短路等故障，其中电路故障是最常见的故障，也是最难处理的故障。因为工厂安装的配电柜一般是大型配电柜，其中的电路错综复杂，只要其中的一处发生故障就会导致工厂整个电力系统的瘫痪，检测时很难确定发生故障的具体位置，检测过程有时需要持续很久[2]。针对上述问题，提出一种基于小波一神经网络的电路故障智能检测方法。该方法从三个方面完成故障检测，首先利用小波对电路故障特征进行提取，然后利用BP神经网络分析故障特征，完成故障判断，最后对检测结果进行输出。

为检测该方法的有效性，进行了对比实验。结果表明：利用该方法对配电柜的电路故障进行检测时，检测正确率和效率较传统检测方法分别提高了13%和30%，由此证明该故障智能监测方法要优于传统检测方法，达到了本文研究的目的。

1 基于小波一神经网络的电路故障智能检测

神经网络是在人脑神经网络结构和功能的基础上发明出来的一种处理方式，把人脑的分析、学习、处理、计算、自适应等能力集于一身，这也就决定了它在故障检测领域中的重要地位。现在把小波与神经网络相结合，提出一种基于小波一神经网络的电路故障智能检测方法。首先利用小波提取故障特征；然后利用BP神经网络进行故障分析；最后确定故障类型，输出检测结果，检测流程如图1所示。

图1 基于小波一神经网络的电路故障智能检测流程

1.1 配电柜故障特征提取

在工厂配电柜电路故障智能检测中，小波的主要作用是对故障特征进行提取，完后数据预处理过程。假定任意一个信号的连续小波为， 将其转变为：

然后将信号f（t）进行分解，分解公式为：

1.2 BP神经网络

BP神经网络是多层前馈式反向传播神经网络，也是一个有导师示教的多层神经网络算法[3]。图2为一个完整BP神经网络结构，主要用于信号分类。

利用上述分解公式求故障分解系数的绝对值。

最后根据尺度大小给配电柜故障特征向量进行排序。

图2 BP神经网络结构图

在利用BP神经网络对电路故障特征进行分析时，首先需要确定输入层与输出层的节点数量。在这一过程中，假设对故障特征信号进行了X层的小波变换后，得到了X+1层的故障特征向量，这时我们就可以视输入层神经元数目为X+1。这时如果需要对其检测的电路存在Y种种故障，则输出层神经元数量就是Y；隐含层中节点的数量为（a=1,2,3，….，10）。此外，在BP网络结构参数选取中，输入层和隐含层的函数用cos-sigmoid型函数，则输出层采用log-sigmoid型函数。

之后，为了使BP网络能够快速分析出配电柜中电路故障模式，必须对建立好的BP神经网络进行训练。具体操作为：首先以提取的故障特征作为BP神经网络训练样本的输入层节点；然后对训练样本输出向量进行确定，假定配电柜的电路存在Y种故障模式（模式1，模式2，模式3，…..，模式Y），BP神经网络输出为。如果配电柜的电路状态为模式1，则N1=1，而其它网络输出值=0，BP神经网络输出向量为；如果配电柜电路状态存在两种或两种以上的模式,则这时的BP神经网络输出向量为。由此可以看出，BP神经网络是可以实现对配电柜电路的单、多故障进行诊断的。

1.3 故障确定

利用BP神经网络检测出配电柜电路存在何种故障后，需要对其检测接进行输出。把未经过检测的配电柜电路的故障特征向量输入上述已经训练好的BP神经网络，得到输出结果，即可完成故障检测[4]。

2 对比实验

为验证工厂配电柜故障智能检测方法的有效性，进行了对比实验。选用某工厂配电柜中的一段电路作为实验对象。采用第三方工具（支持向量机）对其进行检测，检测结果发现在该段电路中一共存在15处电路故障，其中10处为电阻故障、4处电容故障以及1处无故障电路[5]。

现在利用基于小波一神经网络的电路故障智能检测方法和传统故障检测方法分别对这一段电路进行检测，检测结果和检测效率分别如表1和图3所示。

表1 两种检测方法检测结果

从表1中可以看出，对于15种故障模式，基于小波一神经网络的电路故障智能检测方法检测出来并判断正确有14种故障模型，准确率高达93%；而利用传统故障检测方法只检测出来12种故障模式，准确率只有80%，前者较后者准确率提高了13%。由此证明在准确率方面，基于小波一神经网络的电路故障智能检测方法要优于传统故障检测方法。

图3 两种检测方法检测效率对比

从图3的检测速度对比曲线中可以看出，基于小波一神经网络的电路故障智能检测方法的检测速度明显要快于传统故障检测方法。为保证检测结果的客观性，进行了10组检测速度的对比实验，取检测结果的平均数，基于小波一神经网络的电路故障智能检测方法平均只需要花费5s就可以完成故障检测工作；传统故障检测方法平均至少花费8s才能完成这一项工作。前者较后者速度提高3s，效率提高了30%。

从以上两种对比实验中可以看出，基于小波一神经网络的电路故障智能检测方法不仅能快速检测出电路中存在的故障，且检测结果也更为准确。由此证明该方法比传统故障检测方法更适用于配电柜的电路故障检测当中。

3 结束语

综上所述，随着我国工业化水平的不断提高，各个工厂实现了从人工化向机械化、自动化的转变，这也就导致工厂的用电量在逐渐加大，从而使得工厂的配电柜经常发生电路故障。但是电路故障有很多种，利用传统故障检测方法很难准确检测出来，这也就使得故障很难准确排除。针对这一问题，提出一种电路故障智能检测方法。经验证该方法不仅能快速检测出工厂配电柜中存在的电路故障，且准确率高达90%以上，这对故障检测领域具有重要的指导意义。