基于无线网络的电气设备状态远程监测系统

王 岚

（洛阳LYC轴承有限公司 轴承滚动体厂，河南 洛阳 471039）

0 引 言

随着我国经济的快速发展，人们的用电量不断增加，给电网系统安全性和稳定性提出了更高的要求[1]。在电网系统中，存在许多关键的电气设备，如：变压器、变频器等，它们的状态一旦出现了异常，那么就会影响电网的正常工作，有时可能导致大面积停电，给人们生活带来不便，同时可能会带来一定的经济损失。因此，如何对电气设备状态进行准确监测具有深远的研究意义[2⁃4]。

电气设备状态远程监测研究可以划分为两个阶段：第一阶段为人工方式，该方法通过一些专家以及专业人员对电气设备状态进行远程监测和分析，得到电气设备状态远程监测结果比较直观，可解释性好；但是电气设备状态远程监测过程复杂，使得电气设备状态远程监测时间长，对于一些复杂电气设备，监测结果可信度不高[5⁃7]。第二阶段为自动化方式，通过引入一些人工智能技术、自动化控制技术、机器学习理论等对电气设备状态进行监测，获得了不错的电气设备状态监测结果[8⁃10]。近几年，由于通信技术的不断发展，出现了一些电气设备状态远程监测系统，它们通过有线网络或者光纤进行电气设备状态远程监测等[11⁃13]，但是在实际应用中，当前电气设备状态远程监测技术还不成熟，还存在许多局限性，如：电气设备状态远程监测误差大、效率低等[14⁃16]。为了高精度进行电气设备状态监测，本文设计无线网络的电气设备状态远程监测系统。该系统融合无线传感器网络、机器学习等优势，并与其他电气设备状态远程监测系统进行对比实验，验证了本文设计系统的优越性。

1 无线网络的电气设备状态远程监测系统

1.1 无线网络的电气设备状态远程监测系统工作原理

无线网络的电气设备状态远程监测系统工作原理：首先将无线传感器网络部署在电气设备周围，周期性对电气设备状态信号进行采集，并对采集电气设备状态信号进行去噪；然后将电气设备状态信号融合输入到中心网关，通过网关发送到管理中心，在管理中心服务器中提取电气设备状态特征，并引入机器学习算法对特征与电气设备状态之间的联系进行拟合，建立电气设备状态监测模型；最后根据模型得到电气设备状态结果，并通过网络将电气设备状态监测结果发送给管理人员。无线网络的电气设备状态远程监测原理如图1所示。

图1 无线网络的电气设备状态远程监测原理

1.2 电气设备状态信号采集

无线传感器网络由大量的无线节点组成，可以对监测区域内对象的相关数据进行采集，并将采集数据通过互联网或者卫星等发送给管理人员，具体结构如图2所示。本文将无线传感器网络部署于电气设备所在区域，对电气设备状态信号进行采集并发送到任务管理节点。

图2 无线传感器网络结构

1.3 电气设备状态信号去噪

无线传感器网络节点采集的电气设备状态信号由于环境等干扰，存在一定的噪声。因此，本文在进行电气设备状态远程监测之前，采用小波去噪算法对信号进行处理，其工作原理为：采用小波变换对含有噪的电气设备状态信号从一维空间转换到二维空间，得到多尺度的电气设备状态信号；然后通过滤波算法去掉噪声的小波系数，保留有用电气设备状态信号的小波系数；最后通过小波逆变换对小波系数进行重构，得到没有噪声的电气设备状态信号。电气设备状态信号去噪如图3所示。

图3 电气设备状态信号去噪

1.4 电气设备状态信号特征提取

采用EMD分解和Hilbert变换提取Hilbert谱和边际谱，将它们作为电气设备状态监测特征，具体步骤如下：

1）采用EMD分解算法对电气设备状态信号进行处理，得到IMF分量。

2）采用Hilbert对IMF分量进行变换，得到：

3）构建新的电气设备状态解析信号，具体如下：

4）根据新的电气设备状态解析信号设计每一个IMF分量的幅值和相位函数，具体如下：

5）根据式（4）计算出瞬时频率：

6）这样，电气设备状态信号可以表示为：

式中ℜ表示取实部操作。

7）Hilbert谱可以全面描述电气设备状态信号的幅值时间变化特性，根据式（5）可以得到电气设备状态信号的Hilbert谱。

8）Hilbert边际谱可以描述电气设备状态信号幅值的频率特性，具体如下：

1.5 电气设备状态监测模型设计

电气设备状态远程监测样本集合为{xi，yi}，i=1，2，…，N，xi表示电气设备状态特征，yi表示电气设备状态类型，电气设备状态远程监测本质上是一种二分类问题，即将电气设备状态划为分正常或者异常，这样需要找到一个分类超平面，具体如下：

式中：b表示阈值。

该分类超平面要求两个类别的电气设备状态样本之间的间隔最大化，那么式（8）满足如下条件：

支持向量机是一种流行的数据挖掘技术，其基于结构风险最小化原则，这样分类超平面可以转换一个约束优化问题，即在式（9）的约束下求式（10）的最小化函数。

引入Lagrange乘子ai，构建Lagrange函数，具体如下：

对式（11）求最大值，得到ai的解：

设ai的最优解为a*i，那可以得到w的最优值为：

式中SV表示支持向量，即位于电气设备状态的分类超平面上的样本点。从而得到阈值的最优解为：

根据a*i，w*，b*得到电气设备状态远程监测的最优分类函数为：

根据式（15）设计的最优分类函数进行电气设备状态远程监测，并输出电气设备状态远程监测结果。

2 仿真测试

2.1 测试平台

为了测试无线网络的电气设备状态远程监测方法的有效性，采用表1的测试平台进行验证实验。为了体现无线网络的电气设备状态远程监测结果优越性，在相同测试平台下，采用文献[10]和文献[11]的电气设备状态远程监测系统进行对照测试。

表1 电气设备状态远程监测的测试平台

2.2 测试对象

为了分析电气设备状态远程监测系统的可靠性，选择多种电气设备作为研究对象，对于每一种对象，把它们状态划分为正常状态和异常两种，采集状态信号样本数量如表2所示。对于每一种电气设备，2 3的样本数量组成训练集，用于构建电气设备状态远程监测模型，其他样本用于测试电气设备状态远程监测系统的性能。

表2 不同类型的电气设备状态信号数量

2.3 电气设备状态远程监测结果

采用三种电气设备状态远程监测系统对表1中的电气设备状态进行测试与分析，统计它们的电气设备状态远程监测正确率和错误率，具体如图4和图5所示。对图4和图5进行分析可以知道：

图4 电气设备状态远程监测的正确率

图5 电气设备状态远程监测的错误率

1）文献[10]系统的电气设备状态远程监测正确率和错误率分别为82.92%和17.08%，其电气设备状态远程监测错误率超过了15%，无法满足电气设备状态远程监测实际要求，没有什么实际应用价值。

2）文献[11]系统的电气设备状态远程监测正确率和错误率分别为87.05%和13.95%，其电气设备状态远程监测正确率高于文献[10]系统，但是电气设备状态远程监测错误率仍然比较高。

3）本文系统的电气设备状态远程监测正确率和错误率分别为92.27%和7.73%，其电气设备状态远程监测效果远远高于文献[10]和文献[11]系统，可以高精度描述电气设备状态变化规律，获得了理想的电气设备状态远程监测结果。对比结果验证了无线网络的电气设备状态远程监测系统优越性。

2.4 电气设备状态远程监测效率

对于电气设备状态远程监测系统来说，其监测效率十分关键，本文采用电气设备状态远程监测时间作为效率评价指标，结果如图6所示。对图6实验结果进行统计与分析可以发现，本文系统电气设备状态远程监测的时间均值为5.47 s，文献[10]和文献[11]系统的电气设备状态远程监测时间均值分别为8.52 s和7.06 s。经过对比，本文系统电气设备状态远程监测时间明显减少，电气设备状态远程监测效率更高。

图6 不同方法的电气设备状态远程监测时间

3 结 论

为了改善电气设备状态远程监测效果，本文提出基于无线网络的电气设备状态远程监测系统，并与其他系统进行了对比测试，可以得到如下结论：

1）采用无线网络对电气设备状态信号进行采集，并对电气设备状态信号进去去噪处理，减少了电气设备状态远程监测时间，提高了电气设备状态远程监测效率。

2）引入机器学习算法对电气设备状态变化特点进行拟合，根据拟合结果对电气设备状态进行分类，提高了电气设备状态远程监测的正确率，并将电气设备状态远程监测结果通过无线网络发送给管理员，可以实现对电气设备状态实时监测，保证了电气设备正常工作。