基于BP神经网络算法的物联网电力设备故障定位方法

摘要：当前，物联网电力设备故障定位模型多为智能化结构，定位方式较为单一，最终得出的定位结果存在不可控偏差。为解决这一问题，文章开展基于BP神经网络算法的物联网电力设备故障定位方法研究。文章先进行数据预处理及设备故障特征提取，然后采用BP神经网络算法，提升整体的电力故障定位效率，最后构建BP神经网络测算电力设备故障定位模型，采用自适应间隔核验方式实现故障定位处理。测试结果表明：与传统低压脉冲电力设备故障定位方法、传统GRU电力设备故障定位方法相比，所提电力设备故障定位方法定位误判率较低，定位精准度更高，具有一定应用价值。

关键词：BP神经网络；物联网；电力设备；故障识别；远程异常感应

中图分类号：TM744 文献标志码：A

0 引言

电力设备在智能电网中起到支撑作用，一旦出现故障，极有可能导致能源供应中断，增加电网的运行压力，形成隐性的运行故障隐患，严重时还会导致电网瘫痪和损坏。为此，文章开展基于BP神经网络算法的物联网电力设备故障定位方法研究。BP神经网络算法（Back Propagation， BP）是一种能够处理复杂非线性问题的数学模型［1-3］。在电力设备故障定位中，BP神经网络可以通过学习历史故障数据和设备运行状态信息，自动提取故障特征，建立故障与故障特征之间的映射关系。当设备发生故障时，系统可实时采集设备的运行状态数据，将其输入训练好的BP神经网络模型中，通过模型的输出快速确定故障的位置和类型［4］。

1 设计物联网电力设备BP神经网络测算故障定位方法

1.1 数据预处理及设备故障特征提取

物联网电力设备的数据预处理一般是对原始数据进行实时分类及专业性辅助处理，包括清洗、去噪和标准化等。首先，在测试设备附近部署监测节点，利用节点关联信道，便于实时数据和应用信息的传输共享［5］。随后，预设对应周期，同周期对基础的应用数据进行采集，汇总后先对数据进行去噪处理，再根据预设定的清洗规则，将缺失位置进行填充处理，识别出异常值，使用正常的数据来替换异常值［6］。在预处理过程中，还须要通过比对重复记录，选择删除或合并重复的数据项［7］。随后，将数据转换为统一的格式或类型，数据缩放到同一尺度，以便于神经网络模型能够更好地学习。

完成数据预处理后，对设备故障特征进行提取。电力设备的故障特征提取范围较大，包括电压波动、电流异常、温度升高等。由于电力设备的运行波动较大，可以更好地反映实时的特征，所以先计算电压的标准差作为初始特征，具体公式如下：

F=δ2+∫-1Q（1）

式（1）中：F代表电压的标准差，δ代表电压限值，代表采样电压标准，Q代表采样均值。针对多个周期的测定，对点电压的峰值点、谷值点以及稳定区段进行标记与划分，采集对应的数据和信息，以便于后期更为直观展示和判断电力设备的运行状态［8］。但需要注意的是，故障特征并不是固定的，可结合实际的测定定位需求进行挑选，避免引入冗余或无关的特征，扩大实际的覆盖定位范围，以提高后续神经网络模型训练的效率和准确性。

1.2 构建BP神经网络测算电力设备故障定位模型

在完成故障特征数据处理后，该研究基于BP神经网络算法的辅助，设计电力设备故障定位模型。首先，基于BP神经网络针对电力设备获取的故障特征进行模型基础执行原理设计，具体如图1所示。

其输入层设定接收来自物联网传感器的数据，隐藏层负责提取实时性的特征，而输出层则输出最终的故障定位结果。将部署节点采集的数据导入模型后，先对故障位置进行模糊标定，结合激活函数建立非线性的故障变化关系，缩小故障位置。然后，通过损失函数：判断模型预测输出与实际输出之间的差。损失函数表达式如下：

H=ρ-DR（2）

式（2）中：H代表损失函数，ρ代表覆盖定位区域，D代表故障位置，R代表线性变化点。结合BP神经网络算法构建模型，输出最终定位结果，具体如下式所示：

Y=γ2-（1-τ）×ε（3）

式（3）中：Y代表模型输出值，代表预测范围，γ代表估算定位结果，τ代表重复定位结果，ε代表定位频次。依据上述，对模型输出结果进行对比分析，实现对物联网电力设备基础故障的定位。

2 方法测试

为验证所提方法的先进性，文章结合BP神经网络算法，对物联网电力设备故障定位方法实际应用效果进行分析与研究。考虑到最终测试结果的真实与稳定，采用对比形式呈现。文章选定K电站的物联网电力设备作为测试的目标对象，对比方法选用传统低压脉冲电力设备故障定位方法、传统GRU电力设备故障定位方法。结合实际测定需求，进行基础应用数据采集，汇总分类后，以待后续使用。

2.1 测试准备

为验证基于BP神经网络的物联网电力设备故障定位方法的应用效果，先搭建测试环境。K电站是一个典型的智能变电站，以220 kV双母线接线的线路间隔作为支撑。文章先采用“直采直跳”模式，通过母线保护与线路保护增加实时运行的稳定及安全，然后随机标定出物联网接入的电力设备，在当前的测试环境中部署一定数量的监测节点，将节点之间互相搭接，形成循环式的监测结构。预设多组初始的故障情况作为测试辅助对象，具体如表1所示。

表1主要是对初始故障辅助测试情况的设定。基于BP神经网络算法，进行初始故障定位环境的设定。在当前的程序中接入传感装置，与上述部署的节点之间建立关联，便于进行实时数据的传输共享。在此基础上，根据上述预设的辅助测试故障类型及实时应用数据，计算出故障重叠定位比，具体如公式（5）所示。

T=λ2-∑B=1B+ρ（1+γ）（5）

式（5）中：T代表初始故障重叠定位比，λ代表故障识别范围，代表基础故障定位单元区域，B代表实时频率，ρ代表重叠面积，γ代表感应点。根据当前测定，将计算得出的故障重叠定位比设定为约束条件，完成对基础测试环境的设定及细化搭建。

2.2 测试过程及结果分析

基于上述搭建的测试环境，将故障的内容转换为指令导入当前的测试程序，按照顺序进行执行测试。设置阈值为0.6，初始学习率，迭代总次数预设为120次，损失函数为交叉熵。在重叠范围之内，测定出此时故障的告警响应时间，具体如公式（6）所示。

U=∫I+υE（6）

式（6）中：U代表故障告警响应时间，I代表初始故障定位区域，υ代表实际故障位置，E代表故障点。通过计算得出的告警响应时间与交叉熵，先判定当前的故障定位速度，如果符合初始预设的标准，再基于故障特征向量，根据采集的数据进行故障信号位置标定，具体如图2所示。

在此基础上，基于BP神经网络算法，对此时检测到异常信号进行分解处理，同时结合信息反映，进行故障实时定位，最终计算出故障定位误判率，具体如公式（7）所示。

V=（M+N）2-πXN（7）

在式（7）中，V代表故障定位误判率，M和N分别代表物联网覆盖识别区域和实际覆盖区域，π代表故障异常点，X代表定位差。根据当前测定，随机选定5个故障定位区域，对测试结果进行分析，具体如表2所示。

分析表2可知，与传统低压脉冲电力设备故障定位方法、传统GRU电力设备故障定位方法相比，设计的BP神经网络测算电力设备故障定位方法误判率相对较低，这说明在BP神经网络算法的辅助下，设计的故障定位方法针对性与稳定性较好，定位精准度更高，具有实际应用价值。

3 结语

为提高物联网电力设备故障定位效果，文章开展基于BP神经网络的物联网电力设备故障定位方法。该项目通过BP神经网络算法辅助，设计了一种灵活、多变的故障识别定位方法，提高故障捕捉的实施效率及精准度。在不同背景下，该项目可结合故障自身特征，精准分析并快速定位，在一定程度上可为电力系统的稳定运行提供重要支撑，为电力行业的技术进步与发展做出更大贡献。

参考文献

［1］高洋，陈东升.基于低压脉冲法的电缆故障定位设备的研制［J］.科技与创新，2024（11）：132-134.

［2］周展利，林丹.基于数字孪生技术的变电站设备故障定位预警［J］.电脑编程技巧与维护，2023（6）：173-176.

［3］曹海欧，吴迪，薛飞，等.基于改进BA-PNN的智能变电站二次设备故障定位方法［J］.智慧电力，2024（4）：32-39.

［4］杨远朋，乌仁其其格.次设备的复杂故障定位与应对策略分析［J］.集成电路应用，2024（4）：357-359.

［5］张弛.基于混合故障字典的高速公路机电设备故障定位方法研究［J］.大连交通大学学报，2024（1）：101-105.

［6］曹天宇，王叶青.变电站一次设备中的故障定位措施分析［J］.电子技术，2023（10）：232-233.

［7］黄政宇.气体绝缘开关设备局部放电故障定位技术分析［J］.电子元器件与信息技术，2023（10）：30-32，36.

［8］陈彦霖，孙明悦.基于安全判据的照明设备继电保护故障定位研究［J］.光源与照明，2023（8）：147-149.

（编辑 王永超）

Fault location method of Internet of Things power equipment based on BP neural network algorithmZHANG Shun， CHENG Xiaotong， LI Qiong

（State Grid Xinjiang Electric Power Co.， Ltd.， Bazhou Power Supply Company， Bazhoukuerle 841000， China）

Abstract： The current IoT power equipment fault location models are mostly intelligent structures with relatively single positioning methods， resulting in uncontrollable deviations in the final positioning results. To address this issue， the article conducts research on fault location methods for IoT power equipment based on BP neural network algorithm. The article first performs data preprocessing and equipment fault feature extraction， then uses the BP neural network algorithm to improve the overall efficiency of power fault localization. Finally， a BP neural network is constructed to calculate the power equipment fault localization model， and an adaptive interval verification method is used to achieve fault localization processing. The test results show that compared with traditional low-voltage pulse power equipment fault positioning methods and traditional GRU power equipment fault positioning methods， the proposed power equipment fault positioning method has a lower misjudgment rate and higher positioning accuracy， which has certain application value.

Key words： BP neural network; Internet of Things; power equipment; fault identification; remote abnormal sensing