基于电力物联网的高压开关柜状态监测系统设计

张 鑫， 牟龙华， 徐志宇

（同济大学电子与信息工程学院，上海201804）

0 引 言

高压开关柜担负着配电系统保护与控制的任务，其能否正常运行直接关系到电力系统供电的可靠性。对高压开关柜运行状态进行实时监测，可以识别潜在的故障，有目的地进行检修和排查，降低因设备故障而造成事故的可能。同时，电气设备状态监测与故障诊断是高校电气工程专业的重要专业课程，旨在培养学生掌握电气设备设计、运行与维护中的关键技术，而高压开关柜的状态监测是其中的重要组成部分。

随着物联网与人工智能技术的发展，为电气设备状态监测提供了新的思路与技术可行性［1-4］。对于高压开关柜状态监测与故障诊断，研究人员主要从物联通信系统与机器学习模型来两个维度进行研究。

物联通信系统方面，文献［5-6］中设计了具有物联感知特点的高压开关柜综合在线监测装置；文献［7］中对物联型开关柜状态监测系统中ZigBee路由优化问题进行改进。物联通信系统研究的关注点主要在物联感知与通信传输方面，并未对物联网应用层的数据分析模型进行深入探讨。同时，多数系统仍旧采取“主机＋监测单元”的传统两层式主从式通信架构，监测单元采用CAN、RS-485及ZigBee等通信方式传输信息，无法满足物联网通信节点多、传输距离长、自组网便捷等要求。

机器学习模型方面，文献［8］中构建了包含多个时间尺度的开关柜多变量、多尺度云样本熵故障特征向量，采用改进的模糊支持向量机实现开关柜故障监测；文献［9］中提出了基于T-S模糊神经网络的开关柜状态评估模型。对于高压开关柜状态监测问题，其核心在于如何利用机器学习模型对故障特征与各种故障工况在一个高维空间进行分类，以挖掘各种故障特征在不同故障工况下的分布规律。高压开关柜故障特征与故障工况间呈现不明显且非线性的关系。近年来应用在电气设备故障诊断中的传统人工智能技术，如支持向量机、模糊神经网络等，均难以完整描述输入信息的真实情况，无法解释复杂输入的内在规律。因此，高压开关柜故障诊断需要具有深层隐含特征挖掘能力、分类更为精确的非线性机器学习模型，基于深度学习的故障分析模型应运而生。文献［10］中提出一种基于卷积神经网络深度学习的开关柜设备故障率计算方法；文献［11］中利用卷积神经网络对开关柜局部放电进行故障识别。目前，基于深度学习的开关柜状态监测研究仍处于起步阶段，主要聚焦在训练框架及理论算法方面，并未结合开关柜状态监测应用场景，对深度学习模型优化求解、模型超参数训练等核心环节形成具体、有效的方法，难以构成完整的基于物联交互＋人工智能开关柜状态监测系统方案。

本文立足于新工科背景下电气工程专业学科特点［12］，结合物联网和深度学习技术设计了基于电力物联网的开关柜状态监测系统。该系统基于电力物联网技术，监测开关柜的实时运行数据，建立本地存储与云存储相结合的运行数据库；进而基于含多感知机的前馈深度学习模型，对开关柜进行故障诊断。

1 系统架构分析

国网公司《配电物联网建设方案》《智慧物联体系应用场景典型设计》导则约定，电力物联网应该具备各类感知终端、无线传感网、广域传输网络及人工智能应用四大业务需求。

根据对电力物联网关键技术的理解［13-14］，本文认为一个完整的物联网系统应该具备以下特点：

（1）感知层具备配置有无线通信接口的智能检测装置，能够针对检测对象实现信息采集与传输。

（2）数据传输层具备自组织的无线局域网络，在任何时间、任何地点，不依赖公用基础网络实现感知层装置的监测信息汇聚。同时，将监测数据存储在本地服务器中，并利用4G等无线广域网络将信息上传至云服务器。

（3）信息聚合与应用层具备数据存储与分析功能，采用云存储方式存储数据信息，便于任何具有权限的PC、移动终端在任何时间、任何地点通过互联网访问数据，并根据需求在后台PC或移动终端进行数据分析。

基于此，本文提出的基于电力物联网的开关柜状态监测系统由感知层、数据传输层及信息聚合与应用层四部分组成，如图1所示。

图1 系统体系结构

（1）感知层。通过安装在开关柜中的智能电力仪表实现多源数据的可靠实时获取，并可通过LoRa将数据传至数据合并单元。

（2）数据传输层。数据合并单元与智能电力仪表通过LoRa扩频调制技术形成自组织的无线局域网络，该网络不依赖基础通信网络，采取自组织网络架构将各智能电力仪表采集的数据传输至数据合并单元；进而，数据合并单元通过局域网将监测数据存放到现场数据库中，在网络中断时将本地数据库缓存的历史数据传输到工业云的非实时数据收集集群，从而避免网络中断带来的数据丢失问题。同时，数据合并单元利用4G、WiFi等广域通信网络将数据上传至云服务器，建立高效、高可靠的数据传输系统。

（3）信息聚合与应用层。在工业云计算中心部署实时数据收集集群，实时接收监测数据并存入云端数据库中；进而，采用深度学习技术对监测数据进行分析，提供实时状态监测服务、运行分析服务、故障/异常工况服务等，以提高开关柜的运维水平。

2 电力物联网的开关柜状态监测系统设计

2.1 感知层设计

根据开关柜在线监测系统的功能需求，智能电力仪表的硬件结构设计如图2所示，以STM32F103VCARM处理器为核心，采用ATT7022电能质量芯片测量三相电压/电流，并检测开关量信号。同时，电力仪表具备LoRa无线接口，用于与数据合并单元组成无线局域网络，传输监测数据。

图2 数据采集层硬件功能模块图

2.2 数据传输层设计

系统数据传输结构示意图如图3所示。其中，数据传输层主要由数据合并单元与本地服务器组成。数据合并单元硬件结构设计如图4所示。数据合并单元的STM32F103VCARM处理器通过LoRa无线模块，将大量具有无线收发功能的智能电力仪表通过动态组网构成多跳自组织网络，调取监测数据，并经4G网络以网络透传模式上传至云服务器进行云存储。

图3 数据传输结构示意图

图4 数据合并单元结构图

LoRa是一种基于扩频调制与解调的超远距离无线传输技术，采用包括433、868、915 MHz等全球免费频段，实现了超低功耗、超远距离无线通信。LoRa将频谱扩展通信技术与GFSK调制技术融合，这使得网络中的不同终端只要使用不同的扩频序列，即可保证用一样的频率同时发送数据也不会相互干扰。本设计中选用ZM470SX-M型LoRa无线通信模块构成无线局域网络，实现数据合并单元与智能电力仪表间的数据传输。

4G模块选用USR-LTE-7S4工业级4G模块，实现专用路由器与云服务器间的广域数据传输。

2.3 深度学习的信息聚合与应用层设计

（1）数据云存储设计。由于现场开关柜需要监测的数据项非常庞大，数据合并单元会采集大量监测数据，传输时占用大量的网络带宽，需通过在云服务器部署数据收集集群实现数据的高效传输。由图3可见，云服务器采用Kafka集群和RabbitMQ集群分别收集实时数据和非实时数据，即将现场实时数据通过4G或WiFi通信传输到工业云计算中心的Kafka实时数据收集集群，在网络中断时将现场本地数据库缓存的历史数据传输到工业云计算中心的RabbitMQ非实时数据收集集群，从而避免网络中断带来的数据不完整问题；同时安装支持分布式系统数据同步服务，集群服务器之间形成高可用服务，防止因服务器出现故障而影响数据传输。

（2）开关柜状态监测模型。深度学习是机器学习领域一个新的研究方向，其理论动机是：如果一个函数可用k层结构以简洁的形式表达，那么用k－1层的结构表达则可能需要指数级数量的参数，且泛化能力不足［15］。

本设计以开关柜最为常见的热故障为目标，采用含多层感知机的前馈深度模型进行开关柜状态研判，并对模型训练算法进行优化改进，从而加快了训练的收敛速度，减少局部最优与过拟合现象的出现。

（3）特征状态量的选取。高压开关柜主要有三大部位易出现热故障［16］：隔离开关接头、母线和电缆接头。电流通过两金属材料接触面时，接触点周围的温度可由下式计算：

式中：θ为接触点周围的温度；Rj为接触面间的电阻；I为电流值；λ为导体的热导率；ρλ为相互接触的金属材料的热导率和电阻率乘积的均值。故可以选取接触电阻和负荷电流作为开关柜的特征状态量。另外当环境温度上升时，会使接触面氧化，破坏了安装时金属接触面的直接接触，进而导致了接触电阻的增加，故将环境温度也选为热故障的特征状态量。

在以上3个特征状态量中，负荷电流和各隔室的温度可以直接测量，接触电阻无法直接测量，本文引入虚拟接触电阻，用来表征单位时间因接触点电阻增大而引起的温度变化的特征量。定义虚拟接触电阻，

式中：R代表虚拟接触电阻；T为隔室的温度；T0为环境温度；I为电流的有效值。

在计算虚拟接触电阻时为防止因异常电流流经导电回路时所产生的热量引起的温度变化，需要判断电流在这段时间内是否满足稳定的条件，以排除由于电流突变引起温度上升的干扰。

（4）状态监测模型超参数的优化。在训练状态监测模型之前，需要对超参数进行优化，以提高学习的性能和效果。对于本文建立的状态监测模型，其超参数有神经网络层数L、每一层网络神经元的个数m、批尺寸s、学习率η。

超参数的优化策略为：先根据宽泛策略确定模型的层数和每一层网络的神经元个数，然后对剩下的超参数先随机给一个可能的值；在代价函数中先不考虑正则项的存在，调整学习率得到一个较为合适的学习率的阈值；然后通过实验确定批尺寸的大小，使模型的精度与收敛速度符合要求。

（5）状态监测模型训练。对于每一组超参数确定的状态监测模型，需要对每个神经元的权值进行训练，训练算法流程图如图5所示。

图5 模型训练流程图

具体步骤如下：

Step 1训练样本预处理。对训练数据进行高斯归一化，以去量纲化：

式中：μ为训练样本的均值；σ为训练样本的方差。

Step 2神经元权值训练。由于训练数据集很大，网络每更新一次参数所需要的计算量极大，网络的收敛速度随之减慢。为了克服这个问题，本文采用Mini-Batch梯度下降法［17］计算每次迭代的前向传播过程：

式中：z表示神经元的输出矩阵；ω表示权重系数矩阵；a表示输入向量；b表示偏倚向量；｛n｝表示第n个mini-batch；［k］表示第k层神经元。

为了减少梯度爆炸或梯度消失现象的出现，本文采用批量归一化优化算法（BN算法）［18］进行梯度计算。

根据BN算法对z｛n｝［k］进行批量归一化处理：

式中：m表示第k层神经元的个数；参数ε是使数值稳定。为了防止归一化影响网络所学习的特征，可以使用变换重构，引入可学习重构参数γ、β，使经过批量归一化后的网络恢复出原始网络所要学习的特征分布

则经过该层神经元的输出为

为避免局部最优解，本文选择凸函数作为代价函数。对于全部训练数据集的代价函数可以表示为：

为了减小过拟合现象，可为代价函数添加正则化项，惩罚模型的复杂度：

根据链式求导法则计算各个参数的梯度：

对于第k层神经元的偏倚参数b［k］，BN算法将z［k］归一化为均值为0、标准差为1的分布，故无论偏倚参数b［k］的值为多少，在运算过程中都被消去，其数值由重构参数γ进行重新分布缩放。参数更新时忽略各隐藏层的偏倚参数可以加速训练过程，则每次迭代的参数更新为：

Step 3输出训练结果。上述训练过程每次迭代的代价函数都要小于上次代价函数，如此往复直到代价函数不再发生变化或足够小为止。这样就确定了该组超参数下的状态监测模型，通过比较不同超参数模型，选择预测精度高、收敛速度快的模型作为开关柜的状态监测模型。

3 系统功能与验证

3.1 开关柜状态监测系统功能

基于电力物联网与深度学的开关柜状态监测系统功能如图6所示。

图6 开关柜状态监测系统功能图

系统的主要功能包括：

（1）设备状态采集。运行状态界面可视化显示开关柜的运行和报警状态，实时状态监测显示温度、各电气量等实时参数曲线。

（2）报警信息记录。当运行状态数据发生异常时，根据状态数据值判断其报警等级，同时可对历史报警记录进行查询，亦可进行相应的报警统计。

（3）历史数据查询。可以查询一个时间段内开关柜的历史运行数据，使管理人员方便的回顾设备历史健康状况并做出相应的管理动作。

（4）故障诊断。采用深度学习技术，建立含多层感知机的前馈深度学习模型，对开关柜潜在故障进行诊断，为状态维修提供依据。

3.2 实例验证

本文所建立的含多层感知器的前馈深度学习模型的原始输入有三相电流、母线室温度、开关室温度、电缆室温度及环境温度，模型的输出单元为H1和H2，对于开关柜的不同运行状态，各输出单元的输出如表1所示。

表1 不同神经元输出

为了验证模型的准确性和有效性，以某变电站6 kV开关柜在线状态监测数据为例，建立热故障状态监测模型。本设计通过大量的样本训练，综合考虑模型精度和训练速度需求，确定模型超参数为：网络层数L＝10，学习率η＝0.02，批尺度s＝8。限于篇幅，超参数选择过程恕不赘述。以此参数训练现场数据，其中部分输入监测数据如表2所示，模型的输出及诊断结果如表3所示，可见3种状态的测试数据都得到准确的诊断。

表2 部分状态监测数据

表3 测试数据训练结果

同时，为了验证深度学习模型从少量训练样本中提取特征及故障辨识的能力，分别使用样本总量为100、300、500、800、1 200、2 000、4 000、8 000和15 000的训练样本训练深度学习模型。由于各神经元的权值初值是随机生成的，为了验证模型的稳定性，每个试验重复进行20次，试验结果如图7所示。

图7 不同训练样本量的诊断性能

由图7可以看出，当训练样本增加时，识别率逐渐上升，20次试验标准差逐渐下降，即深度学习模型的稳定性越来越高。当训练样本数上升到15 000时，识别率为99.94%，标准差为0.2%；而当训练样本数为100时，识别率仅为88.5%。这说明了训练样本个数对深度学习模型性能有巨大影响。此外，当训练样本个数为800时，识别率就可以达到99.16%，证明了深度学习模型在使用较少训练样本的情况下，也能达到很高的识别率，模型的抑制过拟合的能力较强。图7右侧为每种深度学习模型分析一组监测数据所用时间。由图可知，深度学习模型分析一组监测数据的时间约为0.7 ms，可以很好满足实时性要求。

为了进一步评估深度学习模型的优势，将深度学习模型与传统浅层神经网络行比较。图8给出了对1 000个训练样本训练后两种模型20次重复试验的平均诊断结果。

图8 中的误差棒代表20次试验计算的标准差。可见，相比于浅层神经网络模型，本文提出的深度学习模型具有更高的分类精度，减少了过拟合现象的出现，同时较低的标准差说明深度学习模型的稳定性更高。

images/BZ_86_278_817_1119_1313.png

由上述测试结果可知，本文提出的含多层感知器的前馈深度学习模型不仅可以实时、准确地研判开关柜运行状态，还可以实现较少训练样本情况下的高识别率。同时，相比于浅层神经网络模型，该模型识别准确率有明显提升。将该模型应用到开关柜热故障状态监测中，可以提高开关柜的运行维护水平，为开关柜后续维修保障决策的编制提供科学依据。

4 结 语

本文针对目前传统开关柜状态监测系统存在的问题与不足，设计并实现了基于电力物联网和深度学习的开关柜状态监测系统。该系统利用物联网技术实现了开关柜实时运行数据感知，并基于深度学习算法建立开关柜状态研判模型，形成集实时状态监测服务、运行统计分析服务、故障/异常工况报警服务、在线故障诊断服务于一体的开关柜状态监测诊断平台。实验结果表明，该系统能够快速、准确、高效地对开关柜运行状态进行诊断，具备很好的工程应用价值。