基于调控一体自动化的变电站电气设备故障分析

(北京电力工程有限公司,北京 100071)

0 引 言

调控一体自动化的变电站集控制功能、监控功能于一身，以系统化方式管理变电站的电气设备。电气设备是变电站的主要构成，需要不间断的运行工作，一旦发生故障将影响区域内电力运行秩序[1]。但是电气设备经常暴露于外部环境中，在恶劣环境影响下极易发生故障，本次研究针对调控一体自动化的变电站电气设备设计了BP神经网络故障检测方法，为维修巡检人员提供准确的故障发生信息[2]。

1 调控一体自动化的变电站电气设备运行数据采集

1.1 变电站电气设备在线监测系统

检测变电站电气设备故障的前提是掌握其运行状态，文中利用调控一体自动化变电站的在线监测系统采集设备运行状态数据，作为故障分析的基础。变电站监测系统包括主站、子站两个部分[3]，如图1所示。

系统中，监测主站与数据传输网络间测通信以交换机为介质实现，数据传输网络是两个监测站点通信的主要通道。监测主站包括自动化管理主站、数据库服务器、在线监测主机，其功能是对变电站电气设备集中管理、调度与控制，数据库服务器安全存储子站采集的电气设备运行数据，管理人员通过在线监测主机进行人机交互，最终完成子站数据的高效采集与管理[4]。监测子站包括变电站的电气设备(监测对象)、监测装置、数据清洗模块以及网络交换机，监测子站配备了网络交换机，负责与主站进行数据传输，实现通信协议转换，为变电站电气设备运行故障检测提供精准的数据基础；此外，变电站电气设备压板状态、电源状态信息的采集由监测子站通过站内网络实现，为变电站状态检测与维护提供了参考依据。

1.2 运行数据采集与处理

调控一体自动化的变电站电气设备运行数据采集由在线监测装置完成，在线监测装置内置设备状态接入控制器、设备传感器，是数据采集的主要硬件设备，可快速获取电气设备的实时运行数据[5]。在线监测装置采集的设备状态数据海量且繁琐，为此在数据清洗模块配置开源工具Sqoop负责原始状态数据的抽取、转换与加载，Sqoop能够对原始结构化的数据进行处理，实现了结构化数据向统一存储格式数据的转换，最后以精简的标准归类数据、关联数据[6]，基于规范化格式高效存储在数据仓库Hive中。

2 基于神经网络的变电站电气设备故障分析技术

2.1 神经网络模型构建

图2为文中设计的BP神经网络故障检测模型，BP神经网络属于单向传播、多层前向网络结构范畴，主要由输入层、隐含层、输出层构成。

其中，隐含层可设置为多层，根据现实问题解决需求设定隐含层层数。由此可确定BP神经网络结构最简化的结构为三层网络结构。BP神经网络应用于变电站电气设备故障分析的原理如下：①采集一定数量的变电站电气设备状态数据作为网络学习样本，样本经过输入层、隐含层，最后由输出层输出，神经网络对数据的处理与响应则表现为输出数据。②为降低网络输出故障判断结果的误差，按照“输出层—隐含层—输入层”的顺序调整神经元的链接权值，因此调整权值过程采用的是“误差逆传播算法”，即BP算法[7]。

根据以上分析得知BP神经网络基于BP算法不断调整权值，最后得到训练完成的BP网络结构，由此定义BP算法的数学模型如下：

X=(x1,x2,…,xi,…，xn)T

(1)

Y=(y1,y2,…,yi,…，yn)T

(2)

G=(g1,g2,…,gk,…，gl)T

(3)

ε=(ε1,ε2,…,εk,…，εl)T

(4)

其中，X、Y分别表示输入向量与隐含层向量，G、ε分别表示输出向量与期望输出向量。

在BP神经网络模型中，公式(5)、公式(6)分别为输入层向隐含层的权值矩阵、隐含层向输出层的权向量矩阵：

V=(v1,v2,…,vj,…，vm)T

(5)

W=(w1,w2,…,wk,…，wl)T

(6)

式中，隐含层第j个神经元的相对权值向量、输出层第k个神经元相应的权向量分别用vj、wk描述。由此得到BP神经网络模型实际输出与期望输出的误差H计算方法如下：

H=(ε-g)2/2=

(7)

公式显示，可用函数表达误差H，所以为提高网络预测精度可以调整函数的变化量vij与wjk，调整网络的权值即可优化电气设备故障检测的精度。

2.2 基于改进神经网络的变电站电气设备故障诊断

基于3.1小节可知，BP神经网络输出与期望输出之间的误差E越小，模型预测变电站电气设备故障的精度越高，为此，基于粒子群算法对BP神经网络模型神经元连接权值进行优化，进而提高整个模型的计算性能，解决传统BP神经网络易陷入极值点、学习稳定性差、可靠性不高等问题[8]。

基于粒子群优化算法训练BP神经网络，需要将BP神经网络所有连接权值视为粒子群位置向量，还原位置向量后开始粒子群寻优过程，具体采用最小均方误差作为寻求目标，BP神经网络最终精准的权值即为粒子群算法寻优位置结果。此时粒子群适应度值求取方法如公式(8)所示：

(8)

其中，BP神经网络的真实输出与目标输出分别用gk、εk表示，输出神经元数量、训练样本个数分别为m、n，基于以上参数确定BP神经网络优化过程：

①确定BP神经网络的三层结构，还原粒子群种群参数原始值，定义粒子群种群的速度和数量为D、N；设置粒子群的惯性权重、迭代次数最大值、速度上限分别为W、Tmax、Vmax。参数设置完毕即可得到粒子的初始位置，个体极值用于描述全部粒子中的最优位置。

②定义c1、c2加速因子，计算方法如公式(9)、公式(10)所示，其功能是确保粒子飞行区域为整个搜索空间，优化收敛速度。

(9)

(10)

③定义适应度函数。基于公式(8)求取适应度值并评价个体，电气设备故障检测结果即为BP神经网络模型迭代终止时，最小粒子对应的位置。

④还原粒子的位置与速度值。粒子速度矩阵与位置矩阵包含于任意生成的m个个体中，并将[-1,1]中的任意数值确定为粒子的位置参数。迭代开始，迭代点即为此刻最优位置。

⑤持续更新粒子速度与位置获得崭新的粒子群，将不符合条件的粒子参数剔除，重新定义粒子的T、V。

⑥迭代终止条件，一是迭代精度达到预期，二是迭代次数达到上限值。如不符合任意条件则继续调整粒子的速度与位置信息。粒子群优化迭代完成后，输出结果即为BP神经网络故障检测模型的权值和阈值，由此构建的故障检测模型检测结果更为准确，将采集的变电站电气设备运行状态数据输入模型中，即可得到低误差的故障检测结果。

故障检测结果能够准确显示变电站何种电气设备出现故障，为巡检人员提供精确的维修信息，一定程度上提高了变电站电气设备运行的安全系数。

3 结束语

文中提出的调控一体自动化变电站电气设备故障检测方法，以设备运行状态数据为基础，增强了设备故障预测的可靠程度；同时采用粒子群优化算法修正神经网络故障检测模型的权值与阈值，避免神经网络模型陷入局部最优值，提高了电气故障检测的精度。总体而言，文中设计的电气设备故障检测方法对于调控一体自动化变电站及时发现安全隐患、高效维修设备提供了可靠性依据，一定程度上提升了调控一体自动化变电站的经济效益与社会效益。