PLC技术在变电站电气设备故障自动检测中的应用

陈经纬

（无锡交通高等职业技术学校，江苏 无锡 214000）

在诸多传统行业中，电力行业是支撑国民经济和社会生活发展的重要基础。一方面，其为社会生产生活提供基础的电力能源；另一方面，其肩负着对电力能源传输、分发和销售的二次管理责任，是基础性公共服务行业运行的重要支柱。变电站运行模式是长期持续的，且运行状态的调节是以用电需求反馈为基础开展的，这就导致相关电气设备的运行负荷较大，出现故障的可能性也相应增加。

为了实现对变电站电气设备故障的有效检测，文献[3]借助大数据与物联网的优势，实现对变电设备故障的诊断，提高了对故障设备的定位精度，但是对具体故障数据的检测效果并不理想；文献[4]将D-S 理论应用到电气设备故障诊断研究中，通过融合变电站的多源数据信息，构建了故障检测模型，实现了电气设备故障检测，但该方法不仅对基础环境的要求较高，对设备多类型故障的检测精度也较低。

PLC 技术作为一种针对工业环境设计的数字操作技术，通过数字模拟的方式实现对目标环境内相关机械设备参数的分析计算，在电气故障检测中具有良好的应用前景。

为进一步加强变电站电气设备故障自动检测效果，本文将PLC 技术引入到设备故障自动检测中，提出PLC 技术在变电站电气设备故障自动检测中的应用研究。利用PLC 技术构建电气设备状态模型；基于模型可视层节点信息编码和隐含层节点可承载数据规模，利用PLC 技术将模型参数进行3维编码处理；创新性地通过计算能量差值，设置合理的数据离散分布阈值，根据数据离散程度，提取出故障数据，实现变电站电气设备故障自动检测。测试结果表明，设计方法可以对变电站电气设备的不同故障类型进行有效和精准检测，可靠性较强，可以为变电站电气设备的检修和维护工作提供帮助，为变电站的安全稳定运行提供保障。

1 变电站电气设备故障自动检测方法

1.1 构建变电站电气设备状态模型

要实现对变电站电气设备故障的检测，首先要对其状态作出准确判断，在确认对应设备出现异常时，再检测具体的故障数据。为此，本文利用PLC 技术构建以变电站电气设备运行状态为目标的模型。RBM 是PLC 技术中一个基础性的模型结构，其构架的基础马尔可夫随机场具有特殊对数线性属性，因此可以同时调整模型中的多个约束值，以随机的方式二值化处理对称连接神经网络中的数据信息。在此基础上，本文构建的变电站电气设备状态模型如图1所示。

图1 变电站电气设备状态模型

在图1所示的模型中共包含2 层，分别对应底层的可视层v 以及上层的蕴含层h。其中，可视层又分为3 个分支节点，设备的实际运行参数对应输入到对应的节点中。考虑到不同的电气设备运行指标存在差异，因此本文以基础性的运行频率，通入电流以及电压数据指标为b1、b2、b3节点的目标参量。蕴含层输入的数据信息为b1、b2、b3 节点输出数据的偏置，其中共包含2 个节点，并分别与b1、b2、b3 节点之间建立了关联关系W。在设备实际运行过程中，v 层输出数据的偏置对于设备状态的影响是不同的，因此本文对W 的设置以可视层和隐层之间的权值为基础。假设变电站中某电气设备的额定运行频率、通入电流以及电压数据分别为f、A 和V，设备在正常运行模式下允许的最大波动阈值范围为d，此时f、A 和V 偏置对设备状态的影响权重系数可以表示为：

式中，Wf，WA和WV分别表示设备运行频率、通入电流以及电压偏置对设备状态的影响权重系数；f'、A' 和V' 分别表示电气设备额定运行频率、通入电流以及电压的实际运行参数。根据计算出的影响权重系数，构建可视层和隐含层之间的连接关系。

在此基础上，当变电站的电气设备总数为n 时，通过构建n 个上述的模型即可实现对整个变电站状态的模态化处理。

1.2 电气设备信息编码

需要明确的是，电气设备的运行参数是以相对动态的形式存在，因此1.1 部分构建的变电站电气设备状态模型可视层节点和隐含层节点的数据信息也是实时变化的。直接对数据进行计算分析不仅会增加模型的工作量，同时会产生大量冗余计算。为了解决该问题，本文利用PLC 技术将输入模型中的参数进行3 维编码处理，将对应的数据信息转化为3 维模式。由于在本文构建的模型中每个可视节点均与上层的隐藏节点直接关联，且可视层各个节点之间也存在关联关系。因此，本文对其可视层节点信息的编码以隐含层节点可承载数据规模的上限为基准展开，其表示为：

式中，B(f')、B(A')、B(V') 分别表示输入可视层b1、b2、b3 节点数据的编码结果。

通过这样的处理，当编码信息达到一定量后，模型的隐含层会以网络化的方式表示任意参数信息的离散分布情况。如果数据的分布范围超过隐含层的允许范围，则可判定该数据为异常故障数据，对其进行定位和提取，即可得到对应的故障信息，实现对电气设备故障的检测。

1.3 阈值设置

要实现对目标故障数据的准确获取，设置合理的数据离散分布阈值极为重要，在某种程度上，其决定了本文设计方法对故障的检测效果。本文在模型的隐含层引入能量参数，根据能量值计算得出数据离散分布对应的能量差值。对于能量函数，本文以概率的方式表示。设输入模型电气设备数据偏置为0 时，对应的网格位置分布为隐含层可接受分布范围的中心，此时其对应的能量可以表示为：

式中，e 表示输入模型电气设备数据为额定数值时隐含层的能量值，λ表示转换系数。结合玻尔兹曼分布原理，当输入模型的数据在网格中发生一个单元的位置变化时，模型隐含层分配给可视层3 个节点的能量值可以表示为：

式中，e' 表示电气设备数据在隐含层发生单位距离位移时，可视层3 个节点分配得到的能量总值。

从式（8）中可以看出，电气设备状态数据的变化趋势或突变程度都直接影响其在模型中的判断结果，而实现设备故障检测的基础就是对出现异常的数据进行准确识别。本文以输入模型电气设备数据偏置为0状态下e的大小为阈值上限，当e'≥e时，则认为此时的数据对应设备存在异常，并将该可视层数据作为提取结果。需要注意的是，设备故障是一个连续的过程，往往存在明显的阶段性。因此，当出现数据在隐含层的位置分布以线性趋势向阈值边界发展时，同样认为此时的设备处于故障发展状态，将其判定为故障，提取其对应的数据信息。

通过这样的方式，实现对变电站电气设备故障的自动检测。对于不同的变电站以及不同的电气设备，可以通过调节模型节点数量以及参数指标，提高其适用性。

2 应用测试

为了检验本文设计故障检测技术的实际应用效果，展开测试研究。分别采用文献[3]和文献[4]提出的方法作为测试的对照组，通过对比3 种方法对故障的检测结果，评价本文设计方法的检测效果。

2.1 检测平台搭建

本文基于某变电站某电气设备的实际运行数据，搭建了测试应用平台，利用Hadoop YARN 管理电气资源设备的运行参数。为了提高YARN 的稳定性，在Hadoop 中新引入了一个通用的资源管理机制Spark，通过其实现对变电站各层级应用设备的统一调度和管理。在Spark 运行过程中，YARN 集群中会将对应的设备状态信号提交到Hadoop 中，实现对其状态的检测。具体的基础软硬件环境的配置情况如表1所示。

表1 测设环境基础设置

按照表1所示的配置结果，构建此次测试的基础环境。

2.2 测试方法

通过调节YARN，设置不同的电气资源设备运行参数，构建故障信号。在具体的设置过程中，为最大限度测试3 种方法的检测结果，将故障参数值设置为与标准参数值相近的数据，以此弱化故障的强度，提高对故障检测方法的要求。最终的故障数据设置如表2所示。

表2 电气设备故障设置

按照上述设置，分别采用文献[3]和文献[4]以及本文提出的方法进行检测，并对比其检测结果。

2.3 测试结果与分析

在上述基础上，分别对比了3 种方法对故障的检测结果，并分别计算了其检测结果与实际设置值之间的误差，为检测效果分析提供便利，具体的检测结果如表3所示。

表3 不同方法检测结果

从表3中可以看出，文献[3]方法的检测结果中，对温度过热和电压异常故障的检测结果与实际结果的误差较大，分别达到了2.45℃和5.36V。文献[4]方法的检测结果中，对频率偏差、温度过热、电流异常以及功率异常的检测结果较好，但对于电压类型故障的检测误差较大，达到了7.89V。相比之下，本文方法对频率偏差、温度过热、电流异常、电压异常、功率异常5 种故障的检测结果与故障设置值最为接近，其中出现最大误差的是电压异常故障数据，具体误差值为0.50V，表明本文设计方法可以实现对电气故障状态的准确检测。

3 结语