物联网技术在电厂设备运行监测系统中的应用

王健宁

(中国电建集团河北省电力勘测设计研究院有限公司，河北 石家庄 050031)

0 引言

目前，物联网技术[1]被广泛应用到互联网和5G通信技术中，已经成为炙手可热的研究重点，针对该技术我国已经开展全国性以及战略性的研究部署，利用先进的传感技术、识别技术和网络通信等，结合特殊的协议转换实现不同种类的连接，因此该技术广泛应用于交通和电网等[2-3]。目前，电力企业的运行状态检测方法还不够完善，国内外针对该问题研究多年，无论是性能或监测工艺仍不理想，且电力设备运行的监测关乎工作人员的安全，因此，相关学者纷纷对电厂运行设备监测进行了研究。

孙海铭等[4]在机器视觉技术的基础上监测电厂设备的温度异常情况；李佳等[5]基于遗传算法实现电厂设备运行监测。这2种方法在对电厂设备运行监测过程中没有提取电力设备运行状态信息和聚类，无法获取完整的数据状态种类，在电厂设备运行监测过程中可能出现重复监测等情况，增加了监测时间成本，存在聚类效果差、监测效果差和监测结果平均误差大的问题。为了解决上述方法中存在的问题，提出物联网技术在电厂设备运行监测系统中的应用方法。

1 电力设备运行状态信息提取

假设电厂设备运行数据集为X，其表达式为

(1)

m为电力数据集内的成分数量；xj为电力数据集内的数据成分；(xj1,xj2,…,xjx)为数据成分的监测值。

假设电力设备的状态为C，其表达式为

C={ci,i=1,2,…,n}

(2)

令pci为类别ci的聚类中心，其表达式为

pci=(ci1,ci2,…,cin)

(3)

cin为电力设备状态类别数量。

为获取电力设备数据集X内各成分的设备状态在ci中的程度，可通过电力设备状态的隶属度进行计算，则设备状态的隶属度矩阵[6]为

(4)

U为电厂设备状态类别的隶属度矩阵；uij为电厂设备状态的隶属度。

uij需满足下列条件，即

(5)

对电厂设备监测过程中，数据集X内的监测数据状态的数量以及量纲等均不相同，所以需要对其进行归一化处理[7]。假设在评价电厂设备状态优劣度的方法中，获取到归一化后的数据为xnor,ji，当优劣度较大时，数据监测量xnor，ji为

(6)

当处于中间型优劣度时，数据监测量xnor,ji为

(7)

当优劣度较小时，数据监测量xnor,ji为

(8)

α和α1以及α2分别为优劣度较大和中间优劣度时监测量的警告数值；β和β1以及β2分别为优劣度较大时和中间优劣度时监测量的优良值。

对电力设备状态评估过程中，为展示出欧氏距离[8]，可对其进行加权处理，则元素xnor,ji以及ci的加权欧氏距离为

(9)

q为加权次数；s为电力数据集维度；w为电力设备状态评估体系的权重向量，其表达式为

w={wp,p=1,2,…,s}

(10)

则在FCM算法[9]下的设备状态信息目标函数为

(11)

J为FCM算法的目标函数；U为电厂设备状态隶属度；C为电厂设备状态类别；X为电厂设备监测数据集。

在聚类原理的基础上建立出拉格朗日函数[10]，即

(12)

F为拉格朗日函数；λ为拉格朗日参数。

将F内的全部参数进行求导，生成电厂监测数据成分隶属度，其表达式为

(13)

uij为电厂设备监测数据聚类的隶属度。

经求导得出类别ci聚类中心的求解公式为

(14)

pci为ci的聚类中心。

通过式(13)和式(14)不断更新pci和uij，生成聚类[11]中心集，其表达式为

(15)

为获取目前设备的状态，可对监测数据类别ci的状态进行评价，其评价表达式为

Vi=wciq

(16)

在隶属度最大原则的基础上得出监测数据集X中各成分的状态类别，进而得到状态信息集，即可实现电厂设备运行监测数据的状态信息提取，其表达式为

(17)

SX为状态信息集。

2 基于物联网技术的电厂设备运行监测

在进行电厂设备运行监测时，可通过物联网技术将设备与设备之间进行连接完成通信，即可实现数据实时传输与控制，由于电厂通常利用中央节点进行电流量的控制，因此当交换机的数量是N，此时的电力传输的平均延时公式为

(18)

ti为电力传输交换机之间的延时；N-1为链路条的个数。

通过计算电力传输时延以及节点构建出电厂设备的拓扑结构，从而达到电厂设备的通信要求。

由于电厂设备在监测途中会受到电磁干扰导致数据不完整，为将时延和电厂监测数据丢失的影响降至最低，可将电力流量进行划分，根据式(16)的评估状态融合电厂设备的监测数据，进而生成电网生存周期的表达式为

Li=Q×fij+Ei/ei

(19)

Ei为电网节点i的原始能量；ei为数据传输过程中所需要的单位能量；fij为电网结构中节点i到节点j的平均流量和最大流量之间的比值。

节点距离因子的计算公式为

(20)

距离因子可平衡电网能耗，减少节点出现不合理现象，延长电网设备的寿命。

在优化电力设备的基础上对监测数据的状态信息进一步辨识，利用横向近似的方法分析电力情况，即通过邻近样本的负荷变化对电力数据状态进行辨识。通常情况下，邻近时间的正常负荷电力数据不会出现突变，且其变化率均在某一固定波动范围内，若超出该范围，则将该点视为异常数据点。

在电力状态信息的基础上得出其负荷的变化率θ(i)，当θ(i)为最小时将其标记为θmin，同理最大变化率为θmax，从而得出负荷变化率允许波动的范围为[θmin,θmax]，当电厂设备状态信息在该范围内，说明该监测数据点为正常，否则视为异常数据。

当数据点为异常数据时，可根据此数据点邻近2点数据的变化率的均值对该异常点进行改正，数据点改正表达式为

(21)

Y1(i)为经过改正后的电厂设备异常值；Yd(i-1)为电力负荷值；Y1(i-1)为电厂设备数据特征值。

经过对电力设备异常数据点的修正进一步确认该点为异常点。

经过以上对异常电厂设备数据状态的辨识以及修正，即可实现电厂设备运行监测[12]。

3 实验与结果

为了验证物联网技术在电厂设备运行监测系统中的应用方法的整体有效性，分别采用本文方法、文献[4]方法和文献[5]方法进行监测运行时间、聚类效果、监测效果和监测结果平均误差的测试。

3.1 监测运行时间

在监测电厂设备运行过程时必须保证监测的高效性，为验证本文方法的优劣，在同一条件下，利用3种监测方法对同一电厂设备进行监测。在实验过程中共设置了5组不同数据量，观察每组数据量中3种方法所需的检测时间，其结果如图1所示。

图1 3种方法的监测运行时间

分析图1可知，由于数据量的增多，3种方法所需的检测时间均不同程度的增加，经对比发现，本文方法是3种方法中最高效的，不论数据量多少，其监测用时都是最低的。这是因为本文方法在对电厂设备运行监测前提取了电力状态信息，分类出电力状态种类，保证数据的完整且不杂乱，因此降低计算复杂度，从而减少监测运行时间，保证监测的高效性。

3.2 聚类效果

电厂设备在运行监测过程中，电力数据状态的聚类效果十分重要，聚类结果是否全面关乎电力数据类别是否全面。在某一设备数据下利用本文方法进行聚类，实验结果如图2所示。

图2 本文方法监测电厂设备数据聚类结果

根据图2可知，本文方法的聚类结果不仅准确且无遗漏，同时设备数据类别之间界限分明，证明本文方法聚类效果好，计算量少，可加强电厂设备运行监测性能。

3.3 监测效果

为进一步证明本文方法的监测效果，在同一环境下任意选取正在运行的电厂设备进行监测。通常情况下，设备通道内的距离会在允许范围内波动，若超出这一范围，说明该时间的设备出现异常，即实现设备的异常监测。

该设备实际的监测结果如图3所示。

图3 真实电厂设备运行监测结果

将本文方法、文献[4]方法以及文献[5]方法的监测结果与其进行对比，对比结果如图4所示。

图4 不同方法的电厂设备运行监测结果

经对比后发现，本文方法的监测结果与实际结果基本重合，文献[4]方法的监测结果与实际结果偏差较小，但文献[5]方法监测结果与实际结果完全不一致，将正常运行时间的设备监测为。

3.4 监测结果平均误差

在对运行电厂设备监测过程中，会由于外界的各种因素导致监测结果出现偏差，仅仅比较几次监测结果的偏差不足以证明其准确性，因此，将每20次监测结果分为1组并取其平均绝对误差，共随机选取100次监测结果，共分为5组实验，判断误差最小的监测方法。所得实验对比结果如图5所示。

根据图5可知，本文方法在每组实验中的偏差都是最小的，几乎可忽略不计，其余2种方法的平均绝对误差均远远大于本文方法，因此证明本文方法的性能最优，是监测电厂设备运行的最优方法。

图5 不同方法的监测结果平均误差

4 结束语

电力设备在运行过程中，最担心的问题是无法第一时间发现设备出现的故障，导致出现安全问题，造成财产的损失，为此本文提出物联网技术在电厂设备运行监测系统中的应用。该方法首先对电厂设备信息状态进行提取，其次在物联网技术的基础上对信息状态进行辨识和改正，实现电厂设备运行监测。解决了监测运行时间长、聚类效果差、监测效果差和监测结果平均误差大的问题，保证电厂工作效率，确保工作人员安全，延长电厂设备寿命。