配电变压器低压隔离开关柜内母线短路监测研究

刘立忠， 郑小翠， 柴卫军

(1.江山海维科技有限公司，浙江 江山 324100；2.江山市鑫源电气有限公司，浙江 江山 324100)

0 引 言

电力系统的运行是经济发展的基础，其运行的稳定性和安全性具有十分重大[1]意义。随着智能化电网的发展，对电力系统稳定性的监测逐渐受到人们的关注[2]。开关柜作为配电环节中最重要的部分，由于环境密闭、散热条件差，容易引发母线短路和火灾等安全事故[3]。对开关柜内的母线等主要部件进行温度监测，可以有效预防此类事故的发生，提高电力系统运行的稳定[4]。

对开关柜进行温度监测，可以提前预防母线短路的发生[5]。测温的方法根据接触方式可以分成接触式测温和非接触式测温[6]。接触式测温需要电池或者感应线圈供电，电池易出现爆炸，会影响开关柜的运行[7]。非接触式测温的方法主要有红外辐射测温和热成像等方法，是电力系统温度监测的主要方法[8]。

基于红外热辐射原理，本文对配电变压器低压隔离开关柜内母线进行短路监测研究。对其短路情况进行监测，保证电力系统的运行效率[9]。采用LSTM算法结合小波变换的算法，在母线短路的判断上综合考虑了历史数据的影响，提高了判断的精准度。

1 红外辐射测温原理

任何高于绝对零度的物体都会向外辐射红外能量，其辐射的能量和波长都与其温度有直接的关系[10]。当开关柜母线上出现短路或者电路异常时，会在电路中出现大的电流，使得母线温度升高[11]。辐射度与温度的关系可以描述为斯蒂潘-玻尔兹曼定律：

J=εσT4

(1)

式中:T为绝对温度;J为物体的红外辐射度，表示单位时间内在单位面积上物体向外辐射出的总能量;σ为斯蒂潘-玻尔兹曼常数;ε为黑体的辐射系数。由于辐射度随温度的波动会发生明显的变化，因此可以用于红外温度测量。

2 低压隔离开关柜母线短路监测系统设计

2.1 开关柜母线短路监测系统

开关柜内的母线短路监测系统总体架构如图1所示，通过红外无线温度传感器将开关柜内的母线温度传给监测预警系统，并通过总线传递给服务器[12]。当某开关柜内母线温度出现异常时，及时做出报警或启动闭锁装置，保证整个系统的稳定运行[13]。根据温度的变化情况，同样可以对母线的故障做出预警和判断，方便工作人员巡视，提醒维修人员做好设备检修工作[14]。

图1 开关柜母线温度监测系统总体架构

整个系统的物理结构可以分为三个层级结构，分别为系统监控层、数据传输层和温度采集层。系统监控层由服务器进行数据集中监管，并可以进行系统控制和温度查询等。

2.2 测温传感器电路

温度传感器电路如图2所示，主要由传感器芯片及0.1 μF电容和10 kΩ可变电阻构成。Vdd端口输入+5 V工作电压，通过SMBUS模式选择控制输出数字信号，可变电阻的大小决定于信号传输距离，端口Vss接地。

图2 温度传感器电路

2.3 单片机连接电路

测温传感器与单片机接口电路如图3所示，将SCL和SDA端口连接入MCU的I/O端口，传感器芯片MLX90614接两个20 kΩ的上拉电阻R1和R2，保证输出到MCU为高电平。

图3 MCU接口电路

2.4 调理单元

后端处理电路中，通过双层屏蔽电缆，将温度信号传递给总线[15]。信号通过ADuM1250总线磁隔离器进行隔离，阻断外界电路的电位对测温系统的干扰，避免共模扰动。ADuM1250外部处理电路连接如图4所示。

图4 ADuM1250连接电路

2.5 软件系统设计

由于开关柜中需要多个传感器，且系统需要监控多个开关柜，因此需要给红外传感器分配地址，以便于区分器件的部位，辨别出故障的位置。系统中的温度数据按字节传输，根据对方应答情况来判断数据是否传送成功，流程如图5所示。

图5 软件数据发送流程图

3 开关柜母线温度实时监控系统

由于信号传输线路较长，尽管做了较好的屏蔽，但是周围的环境产生的随机噪声，依然会对服务器接收的数据有所干扰。因此，服务器需要对接收到的数据进行辨别，剔除异常数据。

采用小波-LSTM算法对在线监测获得的数据进行处理，利用数据循环器对数据的波形变化情况进行辨别，可以得到开关柜内母线的短路故障信息以及老化程度数据，算法的基本逻辑如图6所示。

图6 算法逻辑图

LSTM具有输入、输出和遗忘三个门，其中遗忘门决定了对于历史数据的遗留比例。准确的数据会被计入到网络中，成为历史记忆的一部分，无用的数据将会被剔除。输入门限值的大小与前一刻的输出具有较大的关系，体现了该算法的长短期记忆功能。

LSTM在t时刻的输出结果为：

(2)

式中:ft、it、io分别为t时刻遗忘门、输入门和输出门的输出值;afx、aix、aox分别为t时刻系统的输入权重;bfs、bis、bos分别为前一时刻输出st-1的权重;cf、ci、co为系统偏置。

对于配电变压器中，母线设备的故障信号通常是阶跃信号，偶尔会出现瞬态突变，需要对信号进行小波变换，变换后的信号经过分析得到设备的老化情况，如果出现信号突变信息情况，则说明母线短路等故障出现。函数f(t)小波变换的表达式为：

(3)

式中:Wf(a,b)为小波变换系数；a为尺度因子；b为平移长度；Ψ(t)为t时刻小波函数。

4 结果和讨论

以某电站的开关柜设备为例，进行循环编码LSTM神经网络的算法验证，验证红外测温装置对于母线短路的监控效果。由于本文采用的算法需要综合考虑历史温度数据，因此采用历史温度数据的85%作为算法训练数据，另外的15%作为测试数据结果。比较和验证在不同算法的情况下，测试结果输出的正确性。以某开关柜内的母线为例，其主要参数如表1所示。

表1 各参数采样值示例

采集到的主要数据除了采用红外测温系统测得的温度外，还有其他环境参数值，主要包括水值、气体含量等，一共六项参数。采集500个的数据点，可以得到一个6×500的数据矩阵。将该数据矩阵代入到LSTM神经网络中进行计算，可以得到6×500个数据输出值。将输出值小于0.5数据对应的输入数据删除，并在下一次才采样过程中进行补充，直至满足500个样本，完成数据清洗过程。

清洗后的数据经过小波变换，进行小波分解，分解尺度选择为5，并按照式(3)的算法可以得到小波系数，进而得到变换后的信号。变换后的数据根据尺度不同可以分解成5个单独的信号，得到新的30×500矩阵。生成后的数据以500个为1组，依次编码，可以得到一个新的编码向量，编码后的向量再一次输入到LSTM中，得到LSTM算法中的记忆值和输出值，输出值连接至神经网络中，即可以对该母线的状态进行判断和故障定位。

对每个母线的工作状态可以分成四种，分别为正常、小心、异常和短路。对应输出层的神经元值，4个大于0小于1的值代表4种状态的置信度，某位数值越大，则母线处于该种状态的可能性就越高。经过系统计算后，得到该系统输出结果如表2所示。母线的输出结果置信度编码为[0.95 0.25 0.13 0.002]，数值接近于1，可知该结果置信度很高，证明该母线工作在正常状态。

表2 系统输出结果

为了验证本算法的精度，将本算法与CNN卷积神经网络算法进行对比，采用相同的数据矩阵，在相同的平台上进行精度测算，得到结果如图7所示。从图7(a)可以看出，与CNN卷积网络相比，本文算法的精度平均超过95%，部分点甚至可以达到100%，而CNN算法的精度大多低于或等于90%，可知采用本算法的母线短路监测精度非常高。同时，图7(b)表示的是相同情况下的数据损坏情况，可以看出本文算法的数据损坏率都低于15%，部分约为5%左右，而CNN算法的数据损坏率比较高约为20%左右，且波动幅度也较大，可知本文算法在稳定性方面优势明显。

图7 LSTM循环算法与CNN网络算法的比较

采用本文方法的开关柜母线温度监测报警系统显示界面如图8所示，结合循环LSTM算法，对于温度监测报警和短路的判断精度更高，可以有效维护电力系统的稳定并可以有效节省维修人力。

图8 开关柜温度检测报警系统显示

4 结束语

采用红外测温的方式，可以方便、快捷和有效地对于母线温度进行监控，判断其是否处于短路和虚连等异常工作状态。利用LSTM算法结合小波变换，综合考虑历史数据和环境因素，剔除无效和噪声数据，大大提高了系统判断的精度。试验证明该算法相比于CNN神经网络算法精度更高、稳定性更好，可以用于配电变压器中隔离开关柜内的母线短路监测。