地下电缆通道的无线温湿度传感网与BP评估

文 溢， 赵振刚， 宋维彬， 李 川

(昆明理工大学 信息工程及自动化学院,云南 昆明 650500)



地下电缆通道的无线温湿度传感网与BP评估

文 溢， 赵振刚， 宋维彬， 李 川

(昆明理工大学 信息工程及自动化学院,云南 昆明 650500)

无线传感网技术线路较少，串绕简单等特点，使得短距离的无线传感技术能很好地解决地下电缆通道电缆线路繁多、运营维护监测困难等问题。通过建立基于无线温湿度传感网的地下电缆通道系统，用温湿度传感器对其进行监测，监测的实时数据用无线传感网技术传回，并通过BP神经网络模型对监测数据进行网格训练，建立优化模型，得到优化前后的权值和阈值训练误差曲线，优化前的训练样本和测试样本的仿真误差分别为0.19和0.30，优化后这两个数值分别为0.17和0.024。随机选取楚雄腰站变电站20组监测数据带入BP模型，得到结果与电缆通道温湿度安全等级对比，准确度达到93.3 %。

无线传感网； 地下电缆通道； 温湿度传感器； 实时监测； BP神经网络

0 引 言

地下电缆通道内电缆线路增多，电力设备数量增大，通道结构日趋复杂，电缆及相关的电力设备的运行环境参量的要求非常苛刻，环境监测变得困难[1，2]。监测系统的实施、安装调试和运营维护难度的增加，也给安全用电和故障的排除带来了巨大的挑战[3，4]。无线通信技术布线简单，组网灵活，可靠性大以及传输速率高，能很好地解决这些问题。2010年，付永长、陈涛等人设计了一种利用光纤光栅对地下电缆通道测量温湿度的传感系统。同年，周江川提出可以用无线传感系统很好的解决地下电缆通道的线路复杂等问题。

本文以云南楚雄35 kV腰站变电站作为研究试点[5]，以地下电缆通道温湿度为安全状态评估对象，通过建立无线传感网络评估系统[6]，对地下电缆通道的温湿度等安全因素进行远程在线监测，利用BP神经网络智能算法进行模型优化，评估预警等级[6，7]。

1 智能温湿度传感器结构及原理

选用的智能温湿度传感器，其结构如图1所示，其中，SCK为串行时钟输入，DATA为串行数据输入。根据智能温湿度传感器内部结构框图简单的描述其测量原理：首先，利用两个敏感元件分别得到相对湿度、温度的信号，将它们送到信号放大器进行模拟信号的增益和放大，将增益放大后的两个模拟信号送到14 bit的A/D转换单元，变成数字信号，除此以外，还可以实现数据的校准和纠错功能；其次,通过一个二线串行接口将转换后的相对湿度和温度的数字信号数据传送至微控制器，最后,这些数据会被微控制器进行智能处理，来完成数据输出非线性补偿和温度漂移补偿。传感器采用大规模集成电路和嵌入式技术将智能温湿度传感器的各个组成部分集成到一个小的芯片上面，从而具备了高可靠性、高扩展性、高精确性、高补偿性能等特点，使传感器的品质上升到更为卓越的层次。可实现对地下电缆沟内温湿度环境参数的测量，具有数字式输出、信号滤波、信号补偿、免调试、免标定、网络通信、自定标自校正、免外围电路及全互换的特点。

图1 智能温湿度传感器内部结构框图Fig 1 Internal structure block diagram of intelligent temperature and humidity sensor

2 地下电缆通道的无线传感监测系统构建

无线传感监测系统构建主要是满足实现系统自身的稳定性基础上，结合通信与嵌入式技术、计算机技术和智能传感器技术，实现变电站电缆沟温湿度的状态监测和可靠通信的需求。同时，对所有监测对象及实施检测的无线传感节点按照IEC61850标准进行建模，采用XML来描述配电站内的设备和节点，开发包含变电站配置描述语言(SCL)的组态配置工具实现底层设备组态建模。根据系统监测平台实现电气设备运行环境状态直观可视化，异常数据预警化，为保障电缆通道输供电安全提供可靠依据。

以云南楚雄220 kV腰站变电站为试点，结合前期工程考察和实地监测需要确定具体安装位置为35 kV高压室电缆沟及室外与主控室连接的部分电缆沟，考虑到电缆沟内每隔4 m左右有防火隔断，以每个防火隔断为一个独立单元，每个防火隔断中的基站都有独立的ID，分布按照35 kV高压室电缆沟东西走向依次ID1至ID14，特别地，ID2至ID7区域为35 kV开关柜的分布区域，ID8至ID14为单一走线的电缆沟区域且与室外电缆沟连接[8,9]。电缆沟温湿度传感器网络拓扑图如图2。

图2 电缆沟温湿度传感器网络拓扑图Fig 2 Cable conduit temperature and humidity sensor network topological graph

腰站变电站要求检测系统不仅能够准确测得电缆沟内每个防火隔断监测点处截面的环境状况，也要能够监测到每条高压电缆在电缆沟内的实际运行状况，达到在电缆沟内监测区域无监测盲点。这样的要求不仅有利于监测范围的全覆盖，及时准确地进行数据的测量和预警，同时也能够为变电站电力管理人员抢修故障展现测量点的直观位置和后期的数据分析提供了可靠的数据支持。

针对地下电缆通道内电缆和电气设备安全运行的需要，采用无线传感网技术对地下电缆通道的温湿度参数进行在线动态监测以及数据智能分析和决策控制，监测模型通信结构参见图3。

图3 网络通信拓扑结构Fig 3 Topological structure of network communication

系统数据流程图(图4)可分为三大层模块：最底层是采集控制层，主要功能是实时采集检测信号，进行A/D转换，通过总线方式传递给网关(采集装置)，网关通过以太网和无线通信方式将该数据传送给服务端。第二层是服务端通过神经网络对数据进行分析和计算，通过IEC61850中间件，给数据加上必要的数据属性，形成数据文件(数据库与SCL结合)[10,11]。第三层是基于WEB访问的客户端,进行设备监测状态的显示、报警及相关控制。

图4 系统数据流程图Fig 4 Flow chart of system data

无线通信基站和网关通过握手的方式建立通信信道，登录及上报数据流程如图5所示。基站通电后，主动发送登录报文请求登录，网关接收到基站发来的请求登录报文并验证用户名和密码，验证正确后，返回确认报文给基站。基站接收到确认报文后表明信道建立，并自动进入数据采集模式，基站每2 min上送一次数据报文给网关，发送完成后自动进入低功耗模式。

图5 登录与上报数据流程Fig 5 Login and report data process

3 BP网络模型安全状态评估

遗传算法优化BP神经网络主要分为：BP神经网络结构确定、遗传算法优化权值和阈值、BP神经网络训练及预测。其中，BP神经网络的拓扑结构是根据样本的输入/输出参数个数确定的，这样就可以确定遗传算法优化参数的个数，从而确定种群个体的编码长度。遗传算法优化参数是BP神经网络的初始权值和阈值，权值和阈值一般是通过随机初始化为[-0.5，0.5]区间的随机数，这个初始化参数对网格训练的影响很大，但是又无法准确获得，对于相同的初始权重值和阈值，网格的训练结果是一样的，引入遗传算法就是为了优化出最佳的初始权值和阈值。具体算法优化BP神经网络算法流程参见图6。

图6 BP网络优化流程图Fig 6 Flow chart of BP network optimization

按照电气行业监测特性规程标准IEC61850，基于安全划分等级(表1)以及楚雄腰站变电站电缆沟实时监测的100组随机温湿度数据作为诊断的训练数据，用于网格训练。30组用作测试样本，测试样本的误差范数作为衡量网格的一个泛化能力(网络的优劣)，再通过误差范数计算个体的适应度值，个体的误差范数越小，个体适应度值越大，该个体越优。神经网络的隐含层神经元的传递函数采用S型正切tansig()，输出层神经元的传递函数采用S型对数函数logsig()，这是由于输出模式为0～1，正好满足网格的输出要求。

表1 电缆沟环境状态安全等级划分表

网格训练是一个不断修正权值和阈值的过程，使得网络的输出误差越来越小。训练函数trainlm()是利用Levenberg-Marquardt算法对网格进行训练，测试样本数据矩阵为P_test，经过测试之后运行神经算法中的GABPMain主函数。得到最优初始权值和阈值后，运行算法当中callbackfun函数，得到使用随机权值和阈值以及使用优化后的权值和阈值两种情况下的训练误差曲线，并输出预测值、预测误差及训练误差。得到优化后的测试样本的仿真误差和训练样本的仿真误差分别为0.024 042和0.169 08。BP网格的训练样本的测试效果得到了比较大的改善。

随机选取样本集，调用BP优化模型，输出结果参照表1对其进行预测，30组预测结果及测试误差参见表2。

从表中可得，与测试样本的实际安全等级相比，本次试验所建立的BP神经网络模型对第5组样本实际安全等级为三级，而预测结果为二级，出现安全隐患的概率为41 %，对第20组样本实际安全等级为二级，而预测结果为一级，出现安全隐患的概率为71 %，其余均正确，准确率达93.3 %。

4 结 论

本文介绍了无线传感网应用于地下电缆通道的意义，根据电气行业标准，选取温湿度数据作为安全等级评估标准，并利用BP神经网络算法对监测数据进行分析，评估安全状态等级，从而实现隐患的识别与报警。实验结果表明:优化前的训练样本和测试样本的仿真误差分别为0.19和0.30，优化后这两个数值分别为0.17和0.024。经测试样本验证此系统预测的准确率达到93.3 %，建立的BP神经网络模型能很好地符合实际情况，准确率达到行业标准，可信度较高。

[1] 张希伟,戴海鹏,徐力杰,等.无线传感器网络中移动协助的数据收集策略[J].软件学报,2013(2):198-214.

[2] 钱志鸿,王义君.面向物联网的无线传感器网络综述[J].电子与信息学报,2013(1):215-227.

[3] 李炳林,宋海燕.无线传感网技术与无源光网络技术在智能电网用电采集系统中的应用[J].华东电力,2010(6):812-816.

[4] 范永健,陈 红,张晓莹.无线传感器网络数据隐私保护技术[J].计算机学报,2012(6):1131-1146.

[5] Chen Xiaoyun,Peng Qingjun,Song Weibin,et al.Research of the online monitoring in the cable trench based on wireless temperature and humidity sensor network[C]∥ICSHMIM 2014,2014:20-24.

[6] 彭基伟,吕文华,行鸿彦,等.基于改进GA-BP神经网络的湿度传感器的温度补偿[J].仪器仪表学报,2013(1):153-160.

[7] 陈智军.基于改进型遗传算法的前馈神经网络优化设计[J].计算机工程,2002(4):120-121，129.

[8] 黎连业，郭存芳,向东明.无线网络及其应用技术[M].北京：清华大学出版社，2004:134-162.

[9] 付永长,陈 涛,张文斌,等.地下电缆光纤光栅测温试验[J].电网技术,2010(5):212-215.

[10] 赵章界,刘海峰. 无线传感网中的安全问题[J].计算机安全,2010(6):1-4.

[11] 苏叶健. 无线传感网技术综述[J].信息通信,2012(6):275.

Wireless temperature and humidity sensor networks of underground cable channels and BP evaluation

WEN Yi, ZHAO Zhen-gang, SONG Wei-bin, LI Chuan

(Faculty of Information Engineering and Automation,Kunming University of Science and Technology,Kunming 650500,China)

Due to wireless sensor networks(WSNs)technology route is less and simple,short distance wireless sensing technology can solve problems of complex line difficulty of maintain caused by the underground cable channel.Through establishment of underground cable channel system based on WSNs,use temperature and humidity sensor for monitoring.The real-time monitoring data is transmitted back by WSNs technology,and through BP neural network model for grid training on monitoring data,set up optimization model and get weights before and after optimization and error curve of threshold training, simulation error of training samples and test samples before optimization are 0.19 and 0.30,respectively,these two values are 0.17 and 0.024 after optimization.Select 20 set of monitoring data of ChuXiong transformer substation randomly to BP model,compare the obtained results with cable channel temperature and humidity security levels,accuracy up to 93.3 %.

wireless sensor networks(WSNs); underground cable channels; temperature and humidity sensor; real-time monitoring; BP neural network

2015—11—23

10.13873/J.1000—9787(2016)10—0063—04

TP 274

A

1000—9787(2016)10—0063—04

文 溢(1992-)，男，湖南益阳人，硕士研究生，研究方向为物联网技术。