基于神经网络的电力计量自动监测流水线固定诊断系统设计及仿真

2022-04-20袁卫刘正明张明余凡俞煌

微型电脑应用 2022年3期

袁卫，刘正明，张明，余凡，俞煌

(1.国网西藏电力有限公司, 电力科学研究院，西藏, 拉萨 850000;2.福建网能科技开发有限责任公司，福建, 福州 350003)

0 引言

电力系统是由电压、电流互感器和其相应的连接导线等3部分组成，如果其中一部分产生问题，整个电力计量系统都会受到影响，计算精度的准确率也相应地降低。经过对电力系统故障的分析，发现故障的种类非常多，而且有些故障通过单一的信号是很难辨别的，针对这类问题，本文提出一种基于神经网络算法对故障信号进行判断，并通过相关实验成功地证明了此算法的可行性。

1 电力计量自动监测系统故障特征提取

电力计量系统故障的原因主要通过对其工作过程中发出的故障信号来判断，但在对这些故障信号的提取过程中很可能会出现尖峰或者噪声的情况，不利于对电力系统故障的判断。因此，要想准确地判断电力计量系统故障，就需要对提取的故障信号进行降噪处理，消除故障信号中的干扰噪声，保留平稳的特征信号。对这种噪声的处理大多都用传统的傅里叶变换方法，其核心是从时域到频域的变换，而这种变换是通过一组特殊的正交基来实现的。通过其工作原理可以看出傅里叶变换的方法主要注重对频域信号的分析，而对时域信号分析得还不够，导致无法对系统故障信号完全除噪。如果傅里叶变换不能在时域部分完全除噪，那么在电力系统运行的过程中，如果在某个时域突然出现突变，将会引起整个图谱的变化。针对这一问题，本文引入小波变换进行处理[1-2]。小波消噪主要根据小波设定的阈值消噪，其主要是在对信号进行分析时会有很多有用的信息以数值的形式出现，小波分析通过设置适宜的阈值保存有用信息的数值，从而使消噪的过程更方便和快捷。阈值分为硬阈值和软阈值，其处理方法本文以软阈值为例，其公式为

(1)

式中,γ为阈值，ω为小波系数，ωγ为处理后的小波系数。

可以用MATLAB软件对小波软阈值处理噪声的方法进行仿真，仿真结果证明其方法有一定的优势。因此，与傅里叶变换的方法相比，小波变换分析的处理方法能更好地在时域和频域对信号进行分析，而且由于小波变换分析具有自动调焦的功能，可以更好地处理特征信号中的噪声和时域部分突变的情况。

2 基于神经网络的电力计量系统故障判断

2.1 BP神经网络结构

BP神经网络是属于前馈型网络，分为输入层、隐藏层和输出层，层层都有很多个节点，每个节点都相当于网络中的一个神经元，相邻层之间的神经元结构由权数来进行连接。图1是一个简单的BP神经网络结构[3-4]。

图1 BP神经网络结构

BP神经网络学习算法从根本上讲就是通过网络传输层传出的误差进行反向传播，对网络系统的连接权数进行调整和修改，使其误差缩到最小。BP神经网络的训练流程如图2所示。整个主要学习过程为数据通过正向的计算和在输出层的反馈，最终经过连接权数的调整，使误差降低达到所期望的数值。

图2 BP神经网络训练流程

2.2 BP神经网络算法改进

由于BP神经网络存在一定的弊端，提出PSO粒子群优化算法。其运行原理公式为

vid(t+1)=vid(t)+c1r1(pid-xid(t))+

c2r2(pgd-xid(t))

(2)

xid(t+1)=xid(t)+vid(t+1)

(3)

其中，xi=(xi1,xi2,…,xiD)为第i个粒子的位置，vi=(vi1,vi2,…,viD)为移动的速度向量，pi=(pi1,pi2,…,piD)为单个最优数值，pg=(pg1,pg2,…,pgD)为整体最优数值。式(3)为经过t+1次迭代后更新的公式。

通过式(2)、式(3)可以看出，粒子的当前运行速度、粒子对自身的认知功能和粒子群体的“记忆功能”对PSO优化算法更新的速度都会有影响。其中，粒子的当前速度影响着当前的状态，粒子的自身认知影响着粒子向最优值靠近,粒子群体的记忆功能影响着粒子向全局群体的最优值拉近距离。

提出通过一种动态学习因子的调整方法从而提高优化的准确度，其公式为

(4)

c1=4-c2

(5)

假设当前的迭代次数用t表示，最大的迭代次数用Tmax表示，且0

图3 基于PSO优化算法的神经网络模型

3 故障检测电路设计

高压电力系统的故障检测原理如图4所示。

图4 电能计量系统故障检测原理图

图4中的黑点为故障检测点，检测点通过对电力计量系统故障的分析得出故障类型，再加上系统的结构特点来选取，是对系统是否发生故障判断的有力工具。可以看出故障原因主要是一次侧短路造成的，电流互感器的一次侧高压阻抗小且测量不方便，或一次侧短路导致阻抗变化无法直接测量[5]。要解决以上问题，通过在二次侧外加激励信号的方法(伏安法)对整个系统检测抗阻如图5所示。

图5 激励信号产生电路图

由图5可知，如果想要RC振荡电路正常工作，就要求保持振幅平衡和相位平衡。则振荡电路的振荡频率公式为

(6)

式中，ZR表示电阻，ZC为电容。

如果CT一次侧短路，可以经过GL1与GL2使阻抗降低，分压值Ua和Uc也会相应降低，从而通过检测信号电压的变化判断故障情况。

4 A/D转换电路设计

目前处理器的处理位数已经发展到32位，其中ARM具有代表性，ARM具备体积小，功耗低，处理能力强等优势。由于微处理器的发展非常迅速，市场上的微处理器种类也随之增加，STM32F103ZET6微处理器是性价比很好的一款，是以高运算速度、更好的实时性、低功耗为目标设计的产品。它的实时性体现在该处理器使用了NVIC中断向量控制器，比之前的处理器更好的通过中断管理的统一为客户编程提供了方便，中断延迟的时间和ARM7相比缩短了一半的时间，更好地提高了实时性。低功耗的特点：CM3在CPU不需要运行的时候进入休眠状态，这种模式下，只需外设运行，从而降低了系统的功耗。而且CM3可以通过编程进入停止模式，所有的时钟停止工作，I/O端口在运行状态，一旦中断事件发生时，停止模式就会被唤醒进入运行状态对中断事件进行处理，处理完成后，再次进入停止模式，循环往复，很大程度地降低系统的功耗。STM32F103ZET6可以说是一个片上系统，其外设资源也是非常丰富的。为了满足电路设计的需求，STM32F103ZET6微处理器内部放置了3个A/D转换器，不需要再设计单独的A/D转换电路，简化电路设计。此款A/D转换器的高性能体现在具有12位分辨，也可以设置多种模式，根据系统时钟的频率不同而产生变化，最小可以达到1 μs的转换时间[6-7]。

5 系统训练及诊断测试

表1为通过动量BP学习算法对神经网络进行3821次训练的故障诊断结果，误差值降到最小。图6和图7分别为动量BP网络训练的误差曲线和传统的BP网络训练曲线误差，通过对2个图的比较可以看出动量BP网络训练在3821次训练时就可以是误差到达最小，而传统的BP网络训练需要8378次，很明显前者的迭代次数更少[8]。

图6 动量BP网络训练的误差曲线

图7 传统BP网络训练的曲线误差

表1 故障诊断结果

通过多组样本采集对计量系统负载值进行改变，从而对训练完善的网络进行测试，分别如表2、表3所示。与表1对比可以看出，训练好的网络可以很成功地诊断出故障种类，达到理想的效果。表4为动量BP网络的测试结果和比较，从表中的数据结果可以说明，动量BP网络比传统BP网络的准确率要高，可以诊断出大多数的网络障碍，具有可行性。