基于PMS的输变电设备故障诊断系统设计

陈 进， 邢占礼， 张 陵， 王陆陆， 徐 浩

(1. 国网新疆电力有限公司乌鲁木齐供电公司， 新疆 乌鲁木齐 830011； 2. 国网新疆电力有限公司， 新疆 乌鲁木齐 830011)

0 引 言

随着国家电网建设规模的不断扩大， 输变电设备的运行工况稳定性越发受到人们的关注. 为提升输变电设备的运行稳定性， 需要构建智能控制技术下的输、 变电运维专业巡视模式， 设计智慧化的输变电设备故障诊断系统， 提高输变电设备的稳定运行管理和运维管理能力[1-2]. 为此， 很多学者提出了一些输变电设备故障诊断方法， 不过传统方法在对输变电设备故障进行诊断时， 主要利用故障特征检测方法， 提取输变电设备的工况信息， 再采用红外检测仪、 局放测试仪等手段和设备， 实现运维人员巡视管理， 例如， 传统方法一是基于红外成像技术的输变电设备故障诊断方法[3]； 二是基于超声法的故障诊断方法[4]. 以上传统方法虽然能够实现输变电设备故障一般性诊断， 但在有效数据采集不连续和扰动性大的情况下， 故障检测性能较差， 不利于该种情况下输变电设备的故障诊断.

为解决传统方法存在的问题， 提升输变电设备故障诊断效果， 本文将工程生产管理系统(power production management system, PMS)引入到该领域， 提出基于PMS的输变电设备故障诊断系统设计方法. PMS作为SG186工程8大应用中最为庞大和复杂的应用之一， 其采用JAVA技术路线和面向服务架构(SOA)， 可最大程度保证整个系统的兼容性和开放性， 具有强大的稳定性及抗干扰能力， 可以实时对输变电设备状态进行监控， 如果输变电设备出现故障， PMS会自动检测并发出报警， 最大限度地减少损失， 具备较高的应用价值. 为更好地实现干扰状态下的输变电设备故障诊断， 本文首先构建系统总体设计构架， 采用便携式设备对故障信息进行采集； 再利用传感器技术进行故障信息采集和热成像处理， 从而构建输变电设备故障信息PMS特征提取模型， 根据振动波形分析和红外图谱分析， 实现故障特征提取和诊断， 并构建输变电设备故障诊断的PMS数据信息融合模型， 实现输变电设备的多参量自诊断智能巡视方法设计； 最后， 利用高集成传感信息处理和实时在线检测方法对输变电设备的健康状态及运行趋势进行评估预测， 实现故障实时诊断. 仿真实验分析表明了本文方法在提高输变电设备故障诊断能力方面的优越性能.

1 系统设计关键技术分析和信息采样

1.1 系统总体设计构架

为进行输变电设备故障诊断， 首先需要进行系统总体设计构架搭建. 为此， 本文结合智能传感识别技术， 构建输变电设备故障诊断系统的信息采集模型库， 结合联合信息特征挖掘和状态评估的方法， 构建输变电设备故障诊断分析和参数量化评估模型， 采用高集成的传感识别技术， 采集输变电设备故障相关性特征量， 采集模型库的OSI模型结构图如图 1 所示.

图 1 输变电设备故障信息采集模型结构图

根据图 1 所示的传感信息OSI模型结构图可知， 可以利用红外热成像传感器和振动传感器， 进行红外热像、 温湿度、 振动波等参数采样， 利用工况特征分析方法进行故障诊断识别. 完成多参量自诊断智能巡检终端设计， 进行多参量自诊断智能巡检和特征分析， 再构建多参量自诊断智能参数分析模型[5]， 得到输变电设备故障诊断的总体结构如图 2 所示.

图 2 输变电设备故障诊断总体结构

在图 2 总体结构构架的基础上， 还需要利用传感器技术实现对输变电设备的高端红外成像信息进行检测， 结合可见光图像及红外热像处理方法实现故障诊断分析[6].

1.2 故障诊断信息采样

在图 2 构建的输变电设备故障诊断系统的总体结构模型基础上， 利用传感器技术进行故障信息采集和热成像处理， 采用一台便携式设备对故障信息进行采集， 再对采集的输变电设备故障信息进行模糊度检测和融合识别[7]， 并在数据库终端实现信息存储， 得到输变电设备故障信息采样实现流程如图 3 所示.

图 3 输变电设备故障信息采样实现流程

根据图 3 所示的输变电设备故障信息采样流程， 再利用可见光视频图像跟踪方法[8]， 得到输变电设备故障组件的成像数据输出为

(1)

式中：b为输变电设备的图像成像相似性；U={u0,u1,…,uk}表示学习参量；k为输变电设备图像序数. 引入高端红外热像模组分析的方法[9]， 得到输变电设备红外成像的关联系数为

B=A{u0,u1,…,uk}.

(2)

采用温湿度、 红外、 可见光联合检测方法得到可见光+红外热成像双重监控下的特征提取输出为

(3)

式中：ci(i=0,1,…,k)表示输变电设备红外成像的分布间隔， 满足标准差；σ为高斯函数， 将信号转换为视觉图形图像， 得到特征分量满足ηk∈{-1,0,1}， 水平集函数为Wi(i=0,1,…,k)， 输变电设备红外成像的二值拟合项W0>0，Wk>0， 根据上述分析， 建立输变电设备红外成像数据采集模型， 实现相关数据采集[10].

2 输变电设备故障诊断系统优化

2.1 输变电设备故障信息PMS特征提取

多参量自诊断智能巡视方法可以实现数据信息的高效融合， 为此， 本文利用多参量自诊断智能巡视方法， 构建输变电设备故障诊断的PMS数据信息融合模型， 得到输变电设备故障样本信息采样的时域波形， 结合传感红外成像跟踪方法[11]， 得到输变电设备故障样本红外成像的像素值， 计算公式为

(4)

对运行带电变压器、 GIS等高压变压器进行信息融合跟踪识别， 得到输变电设备的故障信息局部检测特征输出

(5)

构建输变电设备故障挖掘的统计信息分布模型为λ=k(z-s)-2， 其中z和s均为常数. 基于XRF光谱特征分析和频域波形检测方法得到输变电设备的故障分布展宽

F=Wi(kE+λ).

(6)

根据输变电设备红外光谱成像的检测统计特征量t， 采用PMS系统， 实现故障样本信息的实时上传， 得到输变电设备红外成像的输出光谱密度特征量

(7)

得到视频、 红外、 局放特征的联合分布区间g∈[0,1]， 可知电网智慧运营管理的关联谱信息如下

(8)

式中：x(t)为输变电设备红外特征分布模糊参数集， 从而得到输变电设备故障信息PMS参数

(9)

利用输变电设备故障信息PMS参数J， 得到输变电设备故障诊断的趋势预测模型为

(10)

根据上述分析， 构建输变电设备故障信息PMS特征提取模型， 根据振动波形分析和红外图谱分析， 实现故障特征提取和诊断[12].

2.2 故障诊断输出

构建输变电设备故障诊断的PMS数据信息融合模型， 实现输变电设备的多参量自诊断智能巡视方法设计， 再利用高集成传感信息处理和实时在线检测方法， 得到输变电设备故障诊断的光谱离散特征分量为

N={n1,n2,…,nk}.

(11)

对图像数据、 红外测温数据、 超声波数据等参数进行PMS国网信息融合， 得到现有电力设备的故障智能输出为

(12)

捕捉设备运行中的异常特征量， 结合局放检测、 振动检测、 温湿度检测等联合检测技术， 得到输变电设备故障诊断的超分辨融合模型为

(13)

采用多参量自诊断智能巡视方法， 实现故障检测， 得到故障检测的特征分布集为

(14)

式中：m与n为输变电设备的故障样本先验统计特征量， 采用后验概率分布式估计， 得到故障的多参量自诊断输出为

(15)

式(15)也可以称作{x1,x2,…xn}故障样本的模糊信息融合变量， 根据上述分析， 实现对输变电设备的故障诊断检测， 并采用物联网大数据分析模型， 为故障诊断和在线检测各种数据建模提供有力的数据支撑.

3 系统测试分析

为证明本文方法的有效性， 进行仿真实验测试. 实验中， 对输变电设备进行信息采集的传感器节点数为56， 红外成像采集的样本数为12， 成像像素为150*240， 采样频率带宽为24 dB， 故障特征分辨频率为14.8 kHz， 输变电设备的相关参数设定如图 4 所示.

图 4 输变电设备的相关参数设定

根据图 4 对输变电设备的相关参数设定， 实现输变电设备的故障检测， 得到输变电设备故障检测的红外预警图像如图 5 所示.

(a) 场景1

在此基础上， 利用传统方法一、 二(文献[3]、 文献[4]方法)与本文方法进行对比， 分别设置置信度阈值从0～0.8以进行故障诊断， 得到故障检测输出准确率如图 6 所示.

分析图 6 可知， 相较于另外两种方法， 本文方法的故障检测输出准确率最高可达到89%， 证明了本文方法的优越性.

为了更好地对本文方法进行评价， 在对故障检测输出准确率进行分析的基础上， 对不同方法的故障检测输出时间进行对比， 可得到不同方法的故障检测输出时间， 如图 7 所示.

图 6 故障诊断检测输出准确率对比

图 7 故障诊断检测输出时间对比

分析图 7 得知， 本文方法能在极短的时间内实现对输变电设备的故障诊断， 最快可在3 s时间内进行识别， 再一次证明了本文方法的有效性.

4 结 语

为实现对干扰状态下的输变电设备故障诊断， 本文首先构建系统总体设计构架， 采用便携式设备对故障信息进行采集； 再利用传感器技术进行故障信息采集和热成像处理， 进而构建输变电设备故障信息PMS特征提取模型， 根据振动波形分析和红外图谱分析， 实现故障特征提取和诊断， 并构建输变电设备故障诊断的PMS数据信息融合模型， 实现输变电设备的多参量自诊断智能巡视方法设计； 最后， 利用高集成传感信息处理和实时在线检测方法， 对输变电设备的健康状态及运行趋势进行评估预测， 实现故障实时诊断. 仿真实验测试结果显示， 利用本文方法进行输变电设备故障诊断的效率较高， 性能较好.