基于物联网与神经网络的大型场馆智能保电巡检系统

张家浩, 余 彬, 王 钧

(国网浙江杭州市萧山区供电有限公司, 浙江 杭州 311200)

0 引 言

目前,电力保障工作依然存在很多问题:信息共享、协同工作不通畅;保电改造成本巨大,重大活动的举办往往具有短期、临时的特点,同时电力保障要求又往往较高,导致设备改造的资金巨大;保电方式落后,保电人员不能实时地掌握电气设备的运行状况,在故障发生后依靠工作人员的经验排查故障,恢复供电;缺乏科学的负荷预测方法,预测电力负荷的方法主要依靠对现场电气设备额定功率的统计及以往相关活动的经验,并留有大幅度的负荷裕度来保障供电;传统人工巡检效率低下,无法快速定位问题,对现场巡检人员缺乏科学的监督和考查手段,巡检资料以纸质方式保存,存在统计和查询困难,无法有效积累历史数据指导今后工作[1-2]。

针对以上问题,建立一个更为系统化、规范化、智能化、轻量化的保电巡检系统成为了当前电力保障单位最为急切解决的问题之一。通过对传统电力保障系统及电力监控系统的研究,在充分分析了电力保障系统的基础上,针对大型场馆电力供应的特殊性功能需求,引入了具备非侵入式、轻量化、智能化的保电巡检系统。该保电巡检系统的硬件部分将实现非侵入式的独立无线铺设,软件部分将实现保电工作无纸化、系统化和智能化,同时很好地控制了改造成本和改造周期。

1 系统总体架构

通过设计一套为大型场馆配电设备保电工作提供智能化数字巡检的“云管端”系统,实时监测重要设备的温度、电流、电压、功率等参数,提供可视化展示、分级报警、巡检计划、工单派发、智能分析等功能,可科学指导保电人员工作,提高工作效率和降低故障风险。

为了不干扰原有电力、环控系统,设计方案采取额外加装温度传感器和电力参数监测仪表,并独立建立通信网络和巡检服务平台。保电巡检系统架构如图1所示。首先,在低压柜内重要载荷回路接线处加装无源无线温度传感器,传感器温度数据通过433通信由触控式通信管理机集中器接收,并通过4G通信上传至巡检服务平台。其次,在低压柜内重要载荷回路上加装电力参数监测仪搭配开口式互感器进行电流、电压等参数监测。电力参数监测仪通过RS-485总线连接至4G数传单元,电力参数数据通过4G通信上传巡检服务平台。最后,在云服务器上搭建B/S架构的巡检服务平台,实现监测数据、分级报警、数据统计等友好可视化展示功能和工单派发、巡检计划、智能预测等管理功能。同时,还可以配合手机、PAD等智能终端APP,提高巡检人员工作的便利性和高效性。

2 云管端组成

2.1 终端、边缘端——电力与温度传感器、通信管理机

最基础的电力参数为电流和电压,测量该两种参数的传感器已经比较成熟。其中,电流传感器是一种能感受到被测电流的信息,并能将检测感受到的信息按一定规律变换成为符合一定标准需要的电信号或其他所需形式的信息输出,以满足信息的传输、处理、存储、显示、记录和控制等要求[3]。电压传感器是指能感受被测电压并转换成可用输出信号的传感器。在各种自动检测、控制系统中,常需要对高速变化的交、直流电压信号做跟踪采集[4]。设计采用了电流互感器与电压互感器,电力参数监测仪通过对互感器输出的实时电流、电压ADC采样,再利用电参量测量原理算法计算电流、电压的有效值、有功功率、无功功率、功率因数、电能等数值。开口式电流互感器和电力参数监测仪的安装图如图2所示。

温度传感器是指能感受温度并转换成可用输出信号的传感器,按测量方式可分为接触式和非接触式两大类[5]。为了安装的便利性和独立性,采用电磁感应取电、433 MHz无线通信的无源无线温度传感器。无源无线温度传感器结构与安装图如图3所示。

通信管理机作为边缘端设备,主要负责接收温度传感器和其他接入传感器数据,再执行数据清洗、转换等处理后由4G网络上传数据至云端。同时也具备数据实时显示、报警设置与输出、历史数据查询功能。通信管理机安装图如图4所示。通信管理机内部工程配置也可以通过云端平台下发进行初始化、修改、远程控制等操作,实现云端与边缘端的远程协同,降低了系统维护成本。

2.2 管道——无线通信链路

无线通信是利用电磁波信号在自由空间中传播的特性进行信息交换的一种通信方式。无线通信技术自身有很多优点,成本较低,无需建立物理线路,更不用大量的人力去铺设电缆,灵活性与适应性强[6]。

我国免申请频段发射接收频率为433 MHz,可直接使用,无需管理。433 MHz抗干扰强,且支持各种点对点、一点对多点的无线数据通信方式,具有收发一体、安全隔离、使用简单、性价比高、稳定可靠等特点,只要发射功率足够大,长距离传输、金属外壳穿透问题都可以得到解决[7]。利用4G网络进行保电数据传输,可以基本保证符合要求规范的通信速率、传输稳定、信息安全。由此,本文系统采用433 MHz作为本地传感器组网和数据传输的通信链路,4G移动通信作为数据上传云端的通信链路,保障系统数据传输的实时性和可靠性。

2.3 云端——巡检服务平台

云端巡检服务平台是一个集成化、模块化平台,可以对相关设备进行集中监控、集中维护和集中管理,达到对配电运行的全方位监控,如出现问题能使相关人员做出反应,采取措施,该系统可以帮助实现对配电运营情况的实时监控、运营数据的分析和故障信息的报警提示,逐步推动电力监控的自动化、集中化和智能化。

巡检服务平台系统架构如图5所示。该平台系统采用四层结构,即设备数据采集层、数据通信层、数据处理层以及数据可视化层。既可以完成终端层数据采集,也可以完成现地数据集中并发送到云平台。系统建设可以分为两步实施,第一步筹备数据采集,达到所有设备数据可以正确传输到平台,平台提供基础的功能模块,对数据的可视化有完整的显示;第二步对数据进行深度分析和利用,以数据为基础挖掘数据本身的价值,结合用户生产实际环境,指导用户进行电力改造、优化配电运行、实施智能化保电巡检任务,以达到供电电能能效、电力运维效率的最大化。

云端平台由前置通信服务器、数据存储服务器、Web服务器、APP服务器四大服务器组成。四大服务器既可以分布式部署,也可以集中到一台服务器。根据用户系统容量设计,可以将以上四大服务程序接入一台服务器。随着用户数据的增加和系统访问用户的增加,再适时考虑分离四大程序。云端巡检服务平台主界面如图6所示。

3 保电信息采集与数据安全

3.1 保电信息采集与规划

根据保电场馆信息采集规范,巡检服务平台系统需要针对特级保电、一级保电、二级保电和其他重要保电用户要求,部署不同数据采集,设置不同的巡视间断间隔和不同的工作内容等,并实现科学指导保电人员掌握现场设备运行情况。

具体硬件系统配置要求:

3.1.1 特级、一级保电用户

采集高压侧进线、母联、出线开关,低压侧进线、母联、出线开关,重要负荷末端配电箱开关与进出线的电压、电流、功率和温度等信息。采集ATS接入电源、UPS、发电车和自备发电机的电压、电流、功率和温度等信息。

3.1.2 二级保电用户

采集高压侧进线、母联、出线开关,低压侧进线、母联、出线开关,重要负荷末端配电箱开关与进出线(如具备条件可测)的电压、电流、功率和温度等信息。

3.1.3 其他重要保电用户

采集高压侧进线开关的电压、电流、功率和温度等信息。

3.1.4 重要场馆和重要负荷电气设备等关键部位

采集温度信息。具体软件系统配置要求。给出保电计划设置,可以设定保电时间段、保电等级、保电设备巡视要求和采集数据要求,也给出保电计划提醒、保电记录查询等管理功能。

3.2 数据安全措施

设计的温度传感器使用433通信,无线电信号基本被限制在配电房有限区域范围内,可极大地降低被侦听风险。本地温度、电力参数数据通过4G通信上传云端,对数据进行脱敏处理(如温度、电力参数不使用国标格式,场馆、关键设施名称等使用编号),以防被侦听解密带来不良影响。云端服务器对上传和分析的数据应进行加密后存储,增加云端数据安全性。

4 基于LSTM神经网络的电力负荷预测

电力负荷预测本质上是找到历史负荷数据中的映射关系,再利用此映射关系预测未来的电力负荷数据。神经网络模型具有很强的记忆力、鲁棒性、非线性学习能力,可很好地解决电力负荷预测问题[8-11,15]。

4.1 模型结构设计

LSTM神经网络层级结构如图7所示。将特征集Xn作为输入层,中间Wn作为隐藏层,Ypred作为输出层[12-14,16]。

基于Tensorflow和Keras框架使用Python语言完成针对电力负荷数据预测的LSTM神经网络模型构建。LSTM神经网络模型实现流程如图8所示。

4.2 模型验证

根据杭州奥体博览中心小莲花:3月的电力负荷数据对所提出的LSTM神经网络模型进行验证,将数据集按照8∶2的比例划分为训练集和测试集,选取电流、温度、功率因数、历史电力负荷数据作为特征输入,预测未来短期内的电力负荷数据[17-18]。

4.2.1 数据预处理

数据采集过程中因人为操作或设备故障等原因可能造成数据缺失或者数据异常,数据不完整、不正常会影响模型的预测结果,故须补全缺失数据或剔除异常数据[19-20]。LSTM 神经网络模型对输入的数据尺度敏感,数据尺度太大会影响模型训练效果,可用下式对补全后的数据进行归一化处理:

(1)

式中:xnorm——归一化之后的负荷数据([0,1]之间的一个值),可在保证数据趋势不变的前提下缩小数据尺度;

x——原始电力负荷数据;

xmin——原始数据的最小值;

xmax——原始数据的最大值。

4.2.2 预测误差与结果分析

预测误差用模型损失值表示,即真实值与预测值的误差均方差[21]。训练集数据输入到构建的LSTM神经网络预测模型中,进行100次迭代运算,模型损失值随迭代次数变化如图9所示。train表示训练集与预测值的损失值,test表示测试集与预测值的损失值。当迭代100次后,train的损失值稳定在0.02,test的损失值稳定在0.01,充分说明LSTM神经网络预测模型的有效性和可行性。

使用该训练完成的预测模型对测试集中120 h的电力负荷数据进行预测,并与真实数据作对比。预测值与真实数据对比如图10所示,预测结果所展示的电力负荷变化趋势与真实数据有较好的一致性,根据用电负荷预测就可以提前部署电力保障和巡检任务。

5 结 语

针对大型场馆电力巡检和保电工作,设计了一个智能化保电巡检系统方案,包括电力与温度传感器、通信管理机、无线通信链路和云端巡检服务平台,实现对重要设备温度、电流、电压、功率等参数的实时监测,在边缘端、云端提供数据可视化展示、分级报警、巡检计划、工单派发等功能。云端服务器还可以借助LSTM神经网络模型分析历史数据来实现短期电力负荷预测,提前部署电力保障和巡检工作,能够更加科学指导保电人员,更加有效提高工作效率和降低故障风险。