智能螺帽接触式测温传感器在隔离开关触头监测中的应用

2022-12-27王喜全夏稀渊

计算技术与自动化 2022年4期

潘臻，王喜全，夏稀渊

(国网甘肃综能能源服务有限公司，甘肃兰州 730070 )

隔离开关触头是高压开关柜的重要配件之一，高压开关柜则是供电网重要的基础设备，负责电网的供电输送和继电保护，高压开关柜的隔离开关触头受振动、磨损以及电压过高等因素影响，其电阻加大，温度升高，导致开关柜焊接稳定性下降，最终造成供电事故，形成经济损失的同时也严重威胁工作人员生命安全[1,2]。

很多专家对高压开关柜的隔离开关触头温度监测进行研究，如张佳斌等[3]研究的光纤光栅传感器阵列在空间温度场测量方法，利用光栅传感器对隔离开关触头的温度场实施监测，虽然该监测方法响应速度较快且监测的温度场空间分辨率较高，但受电磁辐射干扰，该方法准确性不足；孙健等[4]研究的ZigBee的开关柜触点监测方法，利用采集软件获取隔离开关触头温度数据，依据电压、温度等固定数值判断其异常情况，但该方法设备与设备之间是利用无线通信方式实现，受信号不稳、断电等因素影响，该方法存在漏监测现象。

智能螺帽接触式测温传感器依据传导方式形成热平衡状态，其显示数值可直接表达被测物体温度，此类测温传感器感知物体温度精准度高，且可在一定环境下，感知物体内部温度，该测温传感器在医疗、化工以及人们日常生活中应用广泛，普适性较好[5]，因此本文利用该测温传感器，研究智能螺帽接触式测温传感器在隔离开关触头监测中的应用，以提升隔离开关触头的安全性。

1 智能螺帽接触式测温传感器在隔离开关触头监测中的应用

1.1 智能螺帽接触式测温传感器原理

智能螺帽接触式测温传感器作为红外传感器中的一种，灵敏度极高，当物体温度高于绝对0摄氏度，且受原子与分子热运动影响，使物体向外散发热辐射能[6]，依据红外辐射相关理论，令E、Q分别表示物体红外辐射能量和绝对温度，二者关系表达公式如下：

E=σεQ4

(1)

上述公式中，ε、σ分别表示物体表面辐射率和玻尔兹曼常数，该常数为固定数值。

通过公式(1)可知，当物体温度不同时，该物体所辐射的能量波长度也不同，因此，智能螺帽接触式测温传感器依据红外辐射效应，感知物体温度。

智能螺帽接触式测温传感器在感知隔离开关触头时，需将红外辐射涂料涂抹于隔离开关触头上，使隔离开关导体的发射率提升[7]，而涂抹范围则依据接触式传感器参数选择。接触式测温传感器监测隔离开关触头安装示意图如图1所示。

图1 接触式测温传感器监测隔离开关触头安装示意图

接触式测温传感器的探头前方具有红外滤光片，可剔除掉干扰波段，当隔离开关触头断开时，红外滤光片可保护传感器探头不受高温电弧冲击，而测温传感器采集隔离开关触头实时温度，利用传感器自身的无线发射模块传输至温度特征学习框架内。

测温传感器温度感知过程中，由于热累积效应形成的温度在某一段时间内呈线性变化，受到环境温度、隔离开关触头距离等因素影响[8,9]，测温传感器感知到的温度与电压之间无法依据原则性方程描述，当测温传感器安置位置固定，则隔离开关触头的辐射为恒定状态，因此，隔离开关触头温度主要受环境因素影响，令表示隔离开关温度，该开关温度与环境温度关系表达公式如下：

U=kσεf(T)-kσεf(T0)

(2)

上述公式中，U表示输出电压，k表示滤波器，T0表示环境温度。

通过公式(2)可知，当环境温度为恒定数值时，函数f(T0)为常数，通过确定隔离开关触头当前环境温度，对隔离开关触头温度和输出电压实施标定，可获取二者标准参考关系，当隔离开关触头所处环境温度发生变化时，通过计算标定温度与当前环境温差和开关触头温差，将数值代入到公式(2)内，从而实现测温传感器温度补偿。

测温传感器经过温度补偿后，利用其自身的无线发射模块，将感知到的隔离开关触头温度输入值特征学习框架内，为隔离开关触头监测提供温度数据支撑[10]。

1.2 基于卷积神经网络的温度特征提取

卷积神经网络(CNNs)作为深度学习算法中的一种，利用权值共享的网络结构，将初始数据输入到模型内实施特征学习，在学习的过程中，可获取初始数据的深层次特征分布规律，呈现数据与数据间特征变化与关联关系[11]，在此利用卷积神经网络建立隔离开关触头温度特征学习框架，将隔离开关触头温度数据训练样本输入该学习框架内，通过多个卷积滤波器和CNNs的偏置项对训练样本进行滤波处理后，将训练样本映射在CNNs内的C1层内，对训练样本的映射实施加权并计算和值与增设偏置常数，使用Sigmoid函数将C1层内的数据映射转换为多个S2层的数据映射，此时将隔离开关触头温度特征经过多个卷积滤波器后被输入值CNNs的C3层内，利用该层与S2层形成S4层，经过反复累积，将该网络结构所映射的数据相加形成的向量输入值CNNs的逻辑回归内，从而输出隔离开关触头温度特征参数，温度特征学习框架如下：

利用CNNs内的二维卷积核对测温传感器获取到的隔离开关温度数据过滤，令其滑动窗口大小为2×2，Aj为CNNs卷积层的输出特征，Mj表示被选定的输入数据，f(·)表示激活函数，则该输出特征表达公式如下：

(3)

上述公式中，i、j均表示温度特征数据，bj表示温度特征数据j的偏置常数项，i、j两个温度特征数据之间的卷积滤波器由kij表示。

(4)

dl=Wlxl-1+bl

(5)

上述公式中，up(·)表示执行上采样，o为元素相乘。

代价函数对偏置b的偏导数计算公式如下：

(6)

上述公式中，(u,v)表示隔离开关触头温度元素在矩阵内坐标位置。

应用代价函数计算k的偏导数，其表达公式如下：

(7)

通过上述步骤，可实现CNNs第一层的权值更新，第二层权值更新流程如下：

令aj表示CNNs第二层的温度特征，其表达公式如下：

(8)

上述公式中，down(·)表示下采样。

CNNs第二层的灵敏度表达公式如下：

(9)

应用代价函数计算k的偏导数，其表达公式如下：

(10)

公式(8)至公式(10)为CNNs第二层权重更新过程，CNNs具有多个网络层次，每一层次的输出均为下一层次的输入，其中第一层为滤波处理层，第二次则对第一层输出的数据进行池化处理，在第三层利用卷积滤波再次对数据进行处理后，利用第四层对其进行池化处理，最后利用全连接层与分类器将处理后的温度特征数据输出[12]，形成整体的特征学习框架。

利用该特征学习框架对测温传感器感知到的隔离开关触头温度进行特征提取后，为后续的隔离开关触头监测提供有力依据。

1.3 基于孤立森林算法的隔离开关触头监测

基于隔离开关触头温度特征数据，利用孤立森林算法对隔离开关触头监测进行检测，孤立森林算法可随机选择数据的属性和节点，在构建树的过程中，当某些样本到达叶节点时所消耗的时间过短，则判定该数据为异常点[13]，为提升其监测精准度，通过构建多棵树组成森林形式，并计算数据样本在树内的平均路径长度获取监测的异常点，从而实现基于孤立森林算法的隔离开关触头监测。孤立森林构建树具体步骤如下：

Step1：令Ψ表示温度特征子样本集，并将该样本集作为树的根节点。

Step2：以当前点为基础，随机选择阈值范围后，以该阈值范围内的随机数作为步长对温度特征子样本集进行切割。

Step3：以切割点为超平面，将温度特征子样本数据划分为两个子空间，令p表示维度，对比温度特征子样本数据是否大于维度，将大于维度和小于维度的温度特征数据分别放置于节点的两边。

Step4：重复Step2和Step3直至温度特征数据无法分割或分割次数满足log2Ψ条件为止。

上述为孤立森林建立树的过程，依据不同温度特征样本建立多个树，形成孤立森林。

令x表示训练数据，通过遍历孤立森林内的每一棵树，计算训练数据的深度和平均深度[14,15]，最终实现温度监测功能，遍历孤立森林原理如图2所示。

图2 遍历孤立森林原理示意图

当获取到树的深度后，对其进行归一化计算，令Y(k)表示被测温度特征数据的异常分值，其表达公式如下：

Y(k)=In(k)+ζ

(11)

上述公式中，ζ表示欧拉常数。

令c(Ψ)表示温度特征数据点的二分搜索树平均长度，其计算公式如下：

(12)

上述公式中，n表示树的棵数。

训练数据平均深度表达公式如下：

(13)

上述公式中，j(x)表示温度特征数据x在孤立森林内的节点深度，E(·)为多个树的平均深度数值，s表示特征阈值，当特征阈值接近数值接近0时，表示此时的隔离开关触头温度正常；当特征阈值接近数值接近1时，表明此时该隔离开关触头温度出现异常情况．当特征阈值接近数值为0.5时，表明温度无异常。经过上述步骤，可实现隔离开关触头监测。

2 实例测试与结果分析

为验证本文方法实际应用效果，以某品牌隔离开关触头为实验对象，如图3所示。

图3中，每组刀闸触头位置安装1个传感器，监测触头温度变化。依据2.1小节智能螺帽接触式测温传感器安装示意图进行安装后，利用该接触式测温传感器对该隔离开关触头进行监测。

(a)智能螺帽接触式测温传感器安装过程

2.1 温度补偿测试

以智能螺帽接触式测温传感器的发射率为衡量指标，测试本文方法温度补偿性能，结果如图3所示。

分析图4可知，补偿前的测温传感器发射率数量波动趋势较大，且数值较低其波动区间为0.5～0.6之间，而补偿后的测温传感器发射率数值仅出现轻微波动情况且数值始终在0.73左右浮动，说明本文方法可有效补偿测温传感器的发射率，提升其发射率数值，从侧面印证本文方法监测性能好。

图4 温度补偿测试结果

2.2 特征提取测试

以智能螺帽接触式测温传感器采集的隔离开关触头温度数据为实验样本，测试数据样本为4000组和8000组，迭代次数相同时，本文方法对隔离开关触头温度特征提取能力，结果如图5所示。

图5 特征提取测试

分析图5可知，本文方法在特征提取时，数据损失数值随着迭代次数的增加而迅速下降，其中当数据样本为4000组，迭代次数为1000次时，特征提取的数据损失数值为0，当数据样本为8000组时，在迭代次数相同情况下，特征提取的数据损失数值要高于数据样本为4000组时，数据损失数值为0时，需迭代1200次左右，在数据量不同时，数据损失数值迅速下降至0，具备较强的特征提取能力。

为更充分地呈现本文方法温度特征选取能力，以AUC数值衡量特征提取的准确度，测试在不同数据量情况下，本文方法的温度特征选取准确度，结果如图6所示。

图6 AUC数值变化

分析图6可知，本文方法的AUC数值随着数据量的增加呈现下降趋势，但下降幅度较小，在数据量为1000～3000组之间时，本文方法的AUC数值接近1.0；当数据量超过4000组之后，AUC数值逐渐下降；当数据量为8000组时，AUC数值为0.93左右。该数值表明，本文方法在进行隔离开关触头温度特征提取时，准确度较好。

2.3 监测能力测试

由于传感器在监测过程中存在电磁波干扰情况，测试不同电磁波情况下，本文方法监测的隔离开关触头温度情况，结果如图7所示。

图7 电磁波干扰测试

分析图7可知，当存在电磁波干扰时，本文方法监测的隔离开关触头温度曲线与其实际温度曲线波动趋势相同，仅在电磁波为8～24 Hz左右与实际温度曲线出现一定偏差，但偏差温度最高仅为0.2℃左右，在电磁波为0～7 Hz与25～40 Hz区间时，本文方法监测到的隔离开关触头温度曲线与实际温度曲线完全重合，说明本文方法在监测隔离开关触头温度时，不受电磁波干扰，监测结果较为精确。

为更好地呈现本文方法对隔离开关触头温度监测性能，对隔离开关触头施加不同电压使其呈现不同温度，共展开12次测试，统计隔离开关触头标准温度与本文方法监测到的温度，分析本文方法监测性能，结果如表1所示。

表1 测温数据(℃)

分析表1可知，在12次测试中，本文方法仅在第9次测试时监测结果与隔离开关触头的标准温度存在偏差，且偏差数值仅为0.1℃，该数值几乎可忽略不计，说明本文方法监测精确度高，监测性能卓越。

对隔离开关触头进行监测的目的是及时发现该开关触头温度异常情况，设置100个隔离开关触头，其中23个隔离开关触头存在温度异常情况，使用本文方法对该100个隔离开关触头进行监测，结果如图8所示。

图8 异常隔离开关监测情况

分析图8可知，本文方法在开始监测时，异常温度数量随着监测时间的增加而增加，到达一定时间后，异常温度数量为恒定数量，在开始监测的第0.1s时，监测到的异常温度数量为3个，随后监测到的异常温度数量迅速增加。当监测到的异常温度数量达到设定值后，开始保持不变，其中在监测时间为0.4s时，本文方法监测到的异常温度数量为23个，符合上述实验设定数值，表明本文方法可以快速地监测到隔离开关触头温度异常情况，提升隔离开关安全性，具有较好的实际应用效果。