输电线路微风振动传感器设计

赵隆，黄新波，曹雯，陈子良（.西安工程大学电子信息学院，陕西西安70048；2.西安电子科技大学机电工程学院，陕西西安70070）

输电线路微风振动传感器设计

赵隆1，2，黄新波1，曹雯1，陈子良1
（1.西安工程大学电子信息学院，陕西西安710048；2.西安电子科技大学机电工程学院，陕西西安710070）

微风振动是架空线路时常出现的现象，长期振动会造成导线断股断线、金具脱落等危害。针对现有微风振动在线监测传感器测量误差较大的问题，设计了一种微风振动在线监测数字传感器，传感器在采用悬臂梁式位移计的基础上，将线性回归的方法和BP神经网络算法应用到传感器的非线性标定当中，并进行了传感器标定实验。研究表明，线性回归的标定算法比神经网络的标定算法精度更高，标定后最大相对误差为1.93%。根据研究结果可知，微风振动传感器由频率不同带来的非线性误差，可以采用线性回归的方法进行补偿，能够提高传感器的测量精度，从而能为导线状态检修提供更加可靠的参考依据。

输电线路；微风振动；传感器标定；线性回归；BP神经网络

近年来，随着先进的传感与测量技术在电力系统中的广泛应用，电力系统逐步朝着自愈性、互动性、优化性的方向发展，输电线路的故障率也随着在线监测技术的发展而大大降低[1-3]。在输电线路的诸多故障中，微风振动引起的导线断股断线最为常见[4-5]。而在输电线路上安装微风振动传感器，可对导线的振动幅值、频率等情况实时掌握，为判断导线疲劳寿命、避免导线断股断线提供有效数据。

目前国内外对微风振动在线监测技术的研究已取得了一些成果：

1）采用电磁式振动传感器，利用振动时磁阻大小的变化反应振动振幅[6]，但是由于传感器本身依据电磁感应原理设计，导线上的电压波动和负荷电流的变化都会对传感器测量数据有较大影响。因此，在传感器后端增加了低通滤波器，适当减小了测量误差。

2）光纤光栅传感器具有抗电磁干扰、无需供电等优点，也在国外输电线路有所应用[7]，其采用光纤光栅传感器测量导线振动的加速度，并用测试了不同频率下传感器的性能，但由于振动加速度不能作为直接衡量振动程度的标准，其应用也受到限制。

3）采用基于悬臂梁式的位移传感器作为敏感元件，测量导线距线夹出口处89 mm处的弯曲幅度，用最小二乘法及FFT等算法计算振动幅值和频率[8]，并通过振动幅值计算出导线的动弯应变，可以直接衡量导线振动的水平。但这种方法在实际运行中，存在较严重的非线性关系，因此其精度有待进一步提高。

传统的传感器普遍存在可靠性不高，测量数据误差较大等问题。根据IEEE对于微风振动的测量规范，应采用弯曲振幅法测量导线距线夹89 mm处的弯曲振幅，以此计算出动弯应变，作为评价微风振动的标准[9-10]。本文设计了基于电阻式应变片的微风振动传感器，该传感器采用四臂电桥测量导线距线夹89 mm处的幅值信号，并分别利用线性回归的方法和BP神经网络对传感器进行非线性校正，大大降低了振动频率对测量振动幅值的影响，可为导线寿命的预测和振动故障的预防提供有效数据。

1　传感器硬件设计

本文设计的微风振动传感器用于测量导线距悬垂线夹出口处89 mm的振动幅值、振动频率及导线的动弯应变值，传感器包括主控模块、电源模块、位移测量模块以及通信模块[11-12]，如图1所示。

图1　传感器硬件框图Fig.1Schematic diagram of the monitor terminal

由于微风振动传感器安装在导线上，更换电池非常不便，因此本文采用互感取电+锂电池的供电方案。通过互感器从高压输电线路上提取电能，经过电源控制器的整流、稳压、滤波给主控模块供电，同时也为锂电池充电[13-14]。当线路停电时，由锂电池为主控模块供电。

主控模块采用MSP430F1612单片机作为处理器，采用AD采样模块采集位移测量模块输出的模拟信号。此外，主控模块还增加了负载开关，可控制传感器和射频芯片的供电[15]。

位移测量模块是微风振动传感器的核心部分，本文采用悬臂梁作为基片，如图2所示，悬臂梁左端为固定端，右端小轮压在线夹出口处，悬臂梁长为89 mm，电阻式应变片贴在梁的固定端附近处，构成四臂电桥测量电路。

图2　悬臂梁结构图Fig.2The structure diagram of the cantilever

2　传感器非线性校正

根据前期运行经验，传感器测量的微风振动幅值与频率之间存在非线性关系，即导线振动幅值不变而振动频率改变时，传感器测量得到的振动幅值不同。

2.1线性回归数学模型

回归分析法就是寻找一条最恰当的曲线能够代表变量之间的关系趋势，即最大限度地拟合离散点的曲线[16-17]。

设因变量yi与自变量x之间的关系为

式中：yi为应变量；b0，b1，…，bn为回归系数；xi1，xi2，…，xin为应变量；ei为剩余误差。

另y赞i为yi的估计值，则

则

为了使剩余误差最小，应满足

即可算出回归系数。

2.2BP神经网络标定方法

神经网络能够映射非线性函数[18]，通过实验数据训练神经网络，使网络逐步调节连接权值，可以较好逼近非线性函数[19-20]。采用BP神经网络实现微风振动传感器标定可分为3个步骤，如图3所示。

首先，将原始测量数据分为训练数据和测试数据；其次，构建3层的神经网络，将振源振幅和频率作为神经网络的输入，传感器输出电压幅值作为神经网络的输出；最后，训练神经网络，当误差小于设定值时，训练结束[21]。

图3　神经网络标定流程Fig.3The process of the neural network calibration

3　实验分析

3.1实验测试

由于微风振动传感器的振动幅值与频率之间存在非线性关系，在使用之前，需对传感器进行非线性校正。

如图4所示，将悬臂梁结构一端固定，另一端的小轮压在振动台的振动台面上，用示波器测量悬臂梁的输出电压。将振幅和频率分别调到各标定值，用激光测距仪记录振动台振幅和频率[22]。具体数据如表1所示，其中Ak为振动台振幅，fk为振动频率，Usk为传感器输出电压。

图4　振动标定平台Fig.4The platform of vibration calibration

表1　传感器二维实验Usk标定数据Tab.1The experimental calibration data Uskof the sensormV

3.2线性回归算法标定

依据2.2节的理论，建立二维回归方程，得

用二维回归方程来表述式（5）中的振幅A2，得

式中：A为补偿后的振幅，由二维回归分析方法计算得到

由表1可知，频率在15~85 Hz范围内，频率补偿后的数据为见表2。由实验结果可以看出，线性回归的标定方法得到的相对误差均在1%左右，最大值为1.93%，测量结果较为准确。

表2　线性回归标定结果Tab.2The calibration results of linear regression

3.3BP神经网络算法标定

由于表1中的数据分布在15~85 Hz频段各种振源振幅下，本文采用神经网络进行标定时，在其中选取64组进行训练，其余8组进行验证，验证样本数据中包含了振动频率相同、振动台振幅不同的数据，以及振动频率不同、振动台振幅相同的数据，能够体现振动频率对测量幅值的影响，得到图5所示结果。图5中，期望输出为传感器标定前的测量输出，预测输出为神经网络标定输出。

图5　BP神经网络标定结果Fig.5Results of the BP neural network calibration

表3为神经网络标定测试结果，由测试结果可知，神经网络标定结果中，相对误差多数在1%以上，最大相对误差为2.77%，测量结果较线性回归方法准确度较低。这是由于神经网络往往需要大量的数据进行训练才能得到更为精确的结果，而在实际工程应用中希望标定过程尽量简单高效。因此，本文中的训练数据仅选取了64组，而神经网络标定受训练数据的影响，其精度相对较低。因此，本文中提到的基于线性回归算法较神经网络算法更适用于微风振动传感器标定。

表3　神经网络标定结果Tab.3The calibration results of linear regression

4　结语

为解决以往微风振动传感器测量精度不高，测量数据不可靠的问题，本文将线性回归及BP神经网络的方法应用传感器中，采用2种方法分别实现传感器的非线性标定，减小了频率带来的非线性误差。通过实验验证的方法，结果表明采用线性回归的方法比BP神经网络方法精度更高，能够更准确反应微风振动的水平。

[1]常康，薛峰，杨卫东．中国智能电网基本特征及其技术进展评述[J]．电力系统自动化，2009（17）：10-15．CHANG Kang，XUE Feng，YANG Weidong．Review on the basic characteristics and its technical progress of smart grid in China[J]．Automation of Electric Power Systems，2009（17）：10-15（in Chinese）．

[2]孙凤杰，赵孟丹，刘威，等．架空输电线路在线监测技术研究[J]．南方电网技术，2012，6（4）：17-22．SUN Fengjie，ZHAO Mengdan，LIU Wei，et al．Study on the on-line monitoring technology of overhead power transmission lines[J]．Southern Power System Technology，2012，6（4）：17-22（in Chinese）

[3]杜蕴莹，邢军，王澄，等．南方覆冰灾害造成输电线路倒塔原因及策略的研究[J]．江苏电机工程，2008，27（6）：14-17．DU Yunying，XING Jun，WANG Cheng，et al．Reserch of countermeasures and analysis of transmission line collapsed tower caused by the ice cover disaster in the south[J]．Jiangsu Electrical Engineering，2008，27（6）：14-17（in Chinese）．

[4]BERTRAND GODARD，SUZANNE GUéRARD，JEANLOUIS LILIEN．Strain measurements on ACSR conductors during fatigue test 1-experimental method and data[J]．IEEE Transactions on Power Delivery，2010，25（4）: 2825-2834.

[5]尤志魏．输电线路设备运行寿命的检测与评估[J]．电力与能源，2013，34（5）：544-546．YOU Zhiwei．Detecting and evaluation for the operation life of transmission equipment[J]．Power&Energy，2013，34（5）：544-546（in Chinese）．

[6]GORDON B．TEBO．Measurement and control of conductor vibration[J].Electrical Engineering，1941，60（12）：1188-1193.

[7]BJERKAN L，LILLEVIK O.“Measurements on aeolian vibrations on a 3 km FJORD crossing with fibre-optic bragg grating sensors”，2004.

[8]黄新波，赵隆，舒佳，等．输电线路导线微风振动在线监测技术[J]．高电压技术，2012，38（8）：1863-1870．HUANG Xinbo，ZHAO Long，SHU Jia，et al．Online monitoring conductor aeolian vibration of transmissionlines[J]．High Voltage Engineering，2012，38（8）:1863-1870（in Chinese）．

[9]黄新波．输电线路在线监测与故障诊断[M]．2版.北京：中国电力出版社，2014．

[10]张会韬．架空送电线路微风振动现场测量新方法[J]．中国电力，1999，32（12）：60-63．ZHANG Huitao．A new method for field measuring breeze vibration on transmission lines[J]．Electric Power，1999，32（12）:60-63（in Chinese）．

[11]西安工程大学．输电线路微风振动传感器：中国，ZL201420564892．3[P]．2015-01-07.

[12]李丽芬，朱永利，黄建才，等．基于无线传感器网络的绝缘子泄漏电流在线监测系统[J]．电力系统保护与控制，2011，39（10）：74-79．LI Lifen，ZHU Yongli，HUANG Jiancai，et al．Wireless sensor networks based insulator leakage current on-line monitoring system[J]．Power System Protection and Control，2011，39（10）：74-79（in Chinese）．

[13]DU Lin，WANG Caisheng，LI Xianzhi，et al．A novel power supply of online monitoring systems for power transmission lines[J]．IEEE Trans．Ind．Electron，2010，57（8）:2889-2895.

[14]吴蓉，杨军，李晓东，等．输电线路在线监测系统的电源解决方案[J]．电源技术，2012（5）：709-710，737．WU Rong，YANG Jun，LI Xiaodong，et al．Power solutions of high-voltage on-line monitoring equipment[J]．Chinese Journal of Power Sources，2012（5）：709-710，737（in Chinese）．

[15]陈小雄，黄新波，朱永灿，等．输电线路雷击故障点远程定位装置的设计[J]．高压电器，2013，7（7）：53-59. CHEN Xiaoxiong，HUANG Xinbo，ZHU Yongcan，et al．Design of the remote location device for lighting strike fault point on transmission line[J]．High Voltage Apparatus，2013，7（7）：53-59（in Chinese）．

[16]郭鹏飞，任章，杨云春．一种低精度惯性测量单元的精确标定技术[J]．中国惯性技术学报，2007，15（1）：20-23. GUO Pengfei，REN Zhang，YANG Yunchun．Precisioncalibration for low cost inertial measurement units[J]．Journal of Chinese Inertial Technology，2007，15（1）：20-23（in Chinese）．

[17]程德才，赵书强，马燕峰．配电网可靠性指标的灰色组合预测方法及应用[J]．电力科学与工程，2009，25（3）：18-21. CHENG Decai，ZHAO Shuqiang，MA Yanfeng．Grey combination forecasting method and its application in reliability index of distribution system[J]．Electric Power ScienceandEngineering，2009，25（3）：18-21（in Chinese）．

[18]洪翠，林维明，温步瀛．风电场风速及风电功率预测方法研究综述[J]．电网与清洁能源，2011，27（1）：60-66．HONG Cui，LIN Weiming，WEN Buying．Overview on prediction methods of wind speed and wind power[J]．Power System and Clean Energy，2011，27（1）：60-66（in Chinese）．

[19]张博，刘锡朋，雷林．称重传感器精确标定研究[J]．兵工自动化，2014，33（7）：89-91. ZHANG Bo，LIU Xipeng，LEI Lin．Research on accurate calibration about load and weighing cell[J]．Ordnance Industry Automation，2014，33（7）：89-91（in Chinese）．

[20]王璋奇，段巍．基于神经网络响应面法的汽轮机叶片强度可靠性分析[J]．华北电力大学学报：自然科学版，2008，35（6）：87-93．WANG Zhangqi，DUAN Wei．Artificial neural networkbased response surface method for strength reliability analysis of steam turbine blade[J]．Journal of North China ElectricPowerUniversity：NaturalSciences，2008，35（6）：87-93（in Chinese）．

[21]王凯亮，曾江，王克英．一种基于BP神经网络的谐波检测方案[J]．电力系统保护与控制，2013，41（17）：44-48．WANG Kailiang，ZENG Jiang，WANG Keying．A harmonic detecting scheme based on BP neural network[J]．Power System Protection and Control，2013，41（17）：44-48（in Chinese）．

[22]张锐，吴光亚，袁田，等．架空输电线路绝缘子串机械振动疲劳性能研究[J]．电瓷避雷器，2009（1）：12-17．ZHANG Rui，WU Guangya，YUAN Tian，et al．The study of machaincal vibration characteristics of transmission line insulators string[J]．Insulators and Surge Arresters，2009（1）：12-17（in Chinese）．

（编辑董小兵）

Design of Sensors for Monitoring Aeolian Vibration on Transmission Lines

ZHAO Long1，2，HUANG Xinbo1，CAO Wen1，CHEN Ziliang1
（1.School of Electronics and Information，Xi’an Polytechnic University，Xi’an 710048，Shaanxi，China；2.School of Mechano-Electronic Engineering，Xidian University，Xi’an 710071，Shaanxi，China）

Aeolian vibrations often occur on transmission lines，which can result in fatigue damage to the conductor and metal fittings.To solve the problem of low accuracy，a kind of digital sensor for monitoring aeolian vibration is designed in this paper.Cantilever beam is used in the sensor to measure the bend amplitude.Linear regression and BP neural network are applied to calibrate the sensor.In the end，the experiments of calibration show that linear regression algorithm has higher accuracy compared with BP neural network.The maximum relative error of the former is 1.93%.It can be concluded from the results that linear regression method can be used to compensate the error causing by varying frequency.And the sensor can provide a more reliable reference for lead state maintenance.

transmission line；aeolian vibration；sensor calibration；linear regression；BP neural network

1674-3814（2015）06-0001-05

TM762

A

陕西省重点科技创新团队计划项目（2014KCT-16）。

Project Supported by Key Technology Innovation Team Project of Shaanxi Province（2014KCT-16）.

2015-01-23。

赵隆（1987—），男，在职博士生，助教，主要研究方向为输电线路故障机理、输变电设备在线监测技术；

黄新波（1975—），男，博士，教授，主要研究方向为输变电设备状态监测、输变电设备故障机理、故障诊断、电力电子逆变技术等；

曹雯（1983—），女，博士，讲师，主要研究方向为电力设备绝缘诊断与资产管理；

陈子良（1991—），男，硕士研究生，主要研究方向为输电线路在线监测技术与故障机理。