基于ZigBee网络和视频监控的电力设备故障监测与诊断

王 晟，陈新星，陈人楷

(国网福建省电力有限公司信息通信分公司，福建 福州 350000)

随着电网建设规模不断扩大和电力设备覆盖率的提高，需要调控中心监控的电力设备数量激增，难以及时高效、准确地发现电力设备存在的安全隐患和故障[1-2]，因此开展电力设备故障高精度远程监测与故障诊断，有针对性地根据实际需求进行可靠的运营和维护，对提高电力部门的管理能力和保障用户的用电安全具有重要的理论价值和实际意义。

与传统通信网络相比，ZigBee网络具有铺设成本低和传输效率高的优点。本文运用ZigBee无线网络传输电力设备视频监控信号和故障信号，给出了电力设备故障监测与诊断框架，运用正则化极限学习机(regularized extreme learning machine ，RELM)进行电力设备故障诊断，与极限学习机(extreme learning machine，ELM)、支持向量机(support vector machine，SVM)和前馈神经网络(backpropagation network，BPNN)相比，具有更高的诊断准确率和更低的误判率，提高了电力设备故障诊断的精度，为电力设备故障诊断研究和应用提供了新的方法。

1 电力设备故障监测系统结构

为实现电力设备故障监测与诊断，基于ZigBee网络成本低和传输效率高的优点[3]建立电力设备故障检测系统，运用ZigBee无线网络传输电力设备视频监控信号和故障信号。系统结构和ZigBee无线网络结构如图1所示。

图1 系统结构和ZigBee无线网络结构图

图中监测模块、主控模块以及GPRS信号发射模块为电力设备故障监控终端；ZigBee网络模块和Internet网络模块负责无线网络通信，传输电力设备视频监控信号和故障信号；GPRS信号接收模块和计算机处理中心为监控中心，负责处理数据、故障诊断和调度维护。

2 电力设备故障监测与诊断框架

传统的电力设备监测与故障诊断分析是静态的，属于事后维修或预防维修，一般是等到设备无法正常工作时再进行维修，或者是预先制定计划定期进行检修或更换，存在效率低下、费时费力、维修成本高等缺点[4]。为实现电力设备故障监测与诊断，本文提出如图2所示的电力设备故障监测与诊断架构。

图2 电力设备故障监测与诊断架构

电力设备故障监测与诊断架构包括3层，分别为状态监测层、故障诊断层和维修方案层。状态监测层主要负责采集电力设备监测数据并通过ZigBee网络进行传输；故障诊断层主要负责关键数据的分析与处理，进行故障诊断，并与电力设备监测的历史数据库、设备故障库等的数据对比；维修方案层主要根据故障诊断结果，制定科学合理的维修方案。

3 正则化极限学习机

ELM的数学模型为[5-6]：

(1)

式中：x,fL(x)分别为输入、输出变量；L为ELM模型的隐含层神经元数；βi为第i个隐含层神经元对于输出神经元的权重系数，βi∈R；G(ai,bi,x)为第i个隐含层神经元的输出函数，ai,bi分别为第i个隐含层神经元的输入权重和偏置，ai∈Rn，bi∈R，n为样本数量。输出函数G(ai,bi,x)为：

G(ai,bi,x)=g(ai·x+bi)

(2)

(3)

公式(3)的矩阵形式为：

Hβ=Y

(4)

其中：

(5)

式中：h(xi)=[G(a1,b1,xi) …G(aL,bL,xi)]。为提高ELM模型的准确性，在ELM模型中引入正则化因子λ，即为RELM，则求解β的过程为：

(6)

式中：εl为训练偏差。根据Karush-Kuhn-Tucker条件[7]，式(6)的优化问题可转化为：

(7)

式中：al,j为Lagrange乘数，Karush-Kuhn-Tucker乘数；εl,j为第l个隐含层第j个单元的偏置；yl,j为期望输出值。则β的最优解为：

(8)

式中：I为最小化损失函数。

通过以上分析可知，隐含层神经元数L和正则化因子λ的参数选择直接影响RELM的性能。

4 实验与结果分析

为了验证本文算法的有效性，选择苏正220 kV变电站10 kV#1电容器组正常状态、外壳渗漏油、电容器瓷套管炸裂、电容器击穿和熔断器熔断等5种信号样本数据为研究对象，不同信号样本数据见表1。

表1 信号样本数据

选择准确率TR和误判率FR作为评价电力设备故障诊断系统性能的指标[7-8]，其中，对于准确率TR，若电力设备故障类型的总数为Total，被正确识别的电力设备故障类型数为Acc，则电力设备故障诊断的准确率为TR=Acc/Total。对于误判率FR，若第i类电力设备故障的实际数量为H，而将第i类电力设备故障误判为第j类电力设备故障的数量为G，则电力设备故障类型的误判率为Fij=G/H。

1)诊断流程。

基于ZigBee网络和视频监控的电力设备故障监测与诊断流程为：首先由各类传感器采集电力设备故障信号数据；其次利用小波包3层分解和重构电力设备故障信号数据提取小波包能量特征(共8个频带的小波包能量特征)；再次将提取的特征数据分成训练样本和测试样本，将训练样本的电力设备故障信号特征数据和根据特征数据获得的故障类型(正常状态、外壳渗漏油、电容器瓷套管炸裂、电容器击穿和熔断器熔断)作为RELM模型的输入和输出，建立电力设备故障的RELM识别模型，之后运用测试样本验证电力设备故障RELM识别模型的有效性。

2)结果分析。

为了验证本文电力设备故障诊断方法的效果，将RELM与ELM、SVM和BPNN进行对比，对比结果如表2和图3～图6所示。

表2 诊断结果 %

图3 RELM诊断结果

图4 ELM诊断结果

图5 SVM诊断结果

图6 BPNN诊断结果

图3～图6直观地展示了电力设备故障的诊断类别和电力设备故障的实际类别，其中“*”表示电力设备故障的诊断类别，“○”表示电力设备故障的实际类别。当“*”和“○”重合时，电力设备故障的诊断类别和电力设备故障实际类别一致，说明诊断结果正确；当“*”和“○”不重合时，电力设备故障的诊断类别和电力设备故障实际类别不一致，此时电力设备故障诊断错误。由表2和图3～图6可知，RELM的电力设备故障诊断准确率和误判率分别为99.45%和0.55%，优于ELM的96.28%和3.72%，SVM的96.43%和3.57%以及BPNN的92.33%和2.67%。与ELM、SVM和BPNN对比发现，运用本文算法RELM进行电力设备故障诊断具有更高的诊断准确率和更低的误判率，提高了电力设备故障诊断的精度，为电力设备故障诊断研究和应用提供了新的方法。

5 结束语

为实现电力设备故障监测与高精度诊断，本文提出了一种基于ZigBee网络和视频监控的电力设备故障监测与诊断方法。与ELM、SVM和BPNN相比，运用本文方法进行电力设备故障诊断具有更高的准确率和更低的误判率，为电力设备故障诊断提供了新的方法。但本文只提取了电力设备故障信号的8个频带的小波包能量特征，所提取的故障特征较少，下一步将研究包括更多特征的电力设备故障诊断方法。