基于远程无线通信的直流电源故障诊断系统

蔡饶兴，汪 锐

(1.丽水市人民医院，浙江 丽水 323000; 2.国网安康供电公司，陕西 安康 725000)

针对上述技术的不足，本研究进行以下技术研究：

(1)构建了远程数据监控模型，在数据远端能够实现直流电源故障数据信息的远程诊断。

(2)本研究用交流互感器实现在直流电流源中的高精度电流采样，提高了电源中的数据故障诊断能力，并对故障数据信息进行直观监测。

(3)构建了改进型蚁群算法的神经网络模型，提高了直流电源故障诊断效率。

下面对本研究的技术方案进行以下设计：

1 系统架构设计

为迅速发现并定位直流电源系统的故障点，保证电网安全运行，本研究应用改进型蚁群神经网络建立直流电源故障诊断系统，该系统主要包括检测层、通讯层、数据分析层和上层监测层。直流电源故障诊断系统架构如图1所示。

海拔4119米的西藏扎西宗乡，“90后”杨涛正手捧两件货物，走在世界屋脊之上。2016年，杨涛开设了全球海拔最高的快递网店，服务当地7400多名农牧民，让快递可以直抵珠峰大本营。同年，美籍教师Charlie拉上Tyler和Jay，在上海创建导购网站，帮助外国人在网络上买遍中国，两年，他们用超过10万的订单量在互联网的世界演绎着“美国合伙人”的故事。在这些故事之外，还有无数的故事在发生，与其说它们在讲述，倒不如说它们在记录与见证。

图1 直流电源故障诊断系统架构

系统可分为三个部分，在结构上可分为数据层、通信层和网络层。数据层主要负责采集电流、电压、电池信息，包括电池内阻采集、巡检采集、母线电压采集和支路差流采集，各单元采集到数据后向管理主机汇集数据，然后上传到系统数据库中。故障信息还可以包括传感器技术，比如光电传感器、红外传感器、速度传感器、加速传感器、GIS传感器、振动传感器、纹波传感器、温湿度传感器、角度传感器、磁场传感器、转速传感器、RFID标签、GPS设备、射线辐射传感器、热敏传感器或能耗传感器等可以监测电源工作环境等周围数据信息。

通信层负责数据层与网络层之间的数据传输，可以部署多个交换机，通信协议为RS485/232协议、TCP/IP 以太网络协议等。采用有线通信模块时，可以采用RS485通信模块或RS232通信模块，所述无线通信模块至少包括TCP/IP网络系统、ZigBee无线网络、GPRS通信模块、CDMA无线通信、云通信模块或蓝牙通信模块等。在数据分析层中，本研究通过蚁群算法实现直流电源工作过程中数据信息的特征提取。在进行数据监测时，通过无线远程通信的方式实现数据通信，提高数据通信能力。下面对本研究的关键技术进行研究。

2 直流电源故障信息采集

本研究用交流互感器实现在直流电流源中的高精度电流采样，主要包括输入设定模块、功放模块、输出变压器、采样互感器和整流模块，通过误差处理将电源中的故障诊断数据新型提取并进行监测。直流电源信息采集模块如图2所示。

图2 直流电源信息采集模块

本研究中放大器部分是将一个高频(5-10 kHz)正弦信号放大800-1000 VA的功率，经过变压器输出高频(5-10 kHz)交流信号，送给一个带补偿的电流采样互感器，该互感器将0.01 A、1 A、10 A、100 A、600 A通过不同的绕组组合，最终电流采样互感器都输出是20mA的电流给放大器做误差反馈用，直流输出是通过整流滤波实现，整流滤波之前的交流电流有效值和整流滤波后的直流有效值是相等的，所以输出的交流、反馈的交流、输出的直流是严格按比例的。

当检测电子装置需要0-5 V的直流电压，则通过控制箱设置0-5 V的直流电压基准，输出信息通过处理单元，经处理单元中的0P-07运放模块进行比较，当输入的模拟量与运放比较器的标准值进行比较时，当输出值与基准值不一致时，则通过处理器自身的自动修正而达到期望输出值，当输出值与基准值一致时，则输出信息号进行下一个单元-扩流单元，扩流单元使输出信息放大至输出单元。采集单元对信号进行采样，采样信号经反馈单元反馈到处理信号的输入端，与输入端的基准信号进行比较，如果的输出信号的采样信号与设定的基准值不一致时，则处理单元会自行修正以达到输出的期望值，如果输出信号的采样信号与设定的基准值一致时，则输出符合设定要求，满足输出需要。

3 改进型蚁群算法的神经网络模型

改进型蚁群算法的神经网络模型能够提取不同的故障因素特征，并将数据训练成蚁群算法(Ant Colony Optimization，ACO)优化深度卷积神经网络DCNN，利用ACO算法强大的搜索能力对DCNN关键参数进行寻优，通过这种方法提高了直流电源的故障诊断能力。直流电源的故障诊断流程如图3所示。

图3 改进型蚁群算法的神经网络模型

将直流电源中的故障信息特征比作为蚂蚁元素，以便于后期计算。在整个蚁群算法模型中，其中蚂蚁元素个体数量记作为，蚁群算法模型中蚂蚁信息素强度记作为，由于信息元素在蚁群算法模型中能够进行转移的概率记作为，蚁群算法模型中蚂蚁移动的速度记作为，蚁群算法模型中蚂蚁元素的步长记作为，蚁群算法模型的适应度函数记作为()。在通过本研究的方法进行ACO搜索时，蚁群算法模型中直流电源故障信息特征输入的故障信息蚁群位置通过以下函数表示：

(1)

=(1-)+()

(2)

在式(2)中，为直流电源故障信息特征作为蚁群算法中信息素挥发常数，()为蚁群算法模型中每只蚂蚁对应的适应度值。利用ADO优化DCNN模型参数时，先将蚁群算法中蚂蚁元素进行初始化处理。在数据处理时，蚁群算法蚂蚁元素初始时刻设为=0，初始迭代次数设为=0，最大迭代次数为，并确定信息素初始含量。

然后，设置DCNN模型处理直流电源故障数据信息需要进行优化的神经网络参数，为了提高计算能力，通过数据集合表示为1={,,…,,}。每个蚁群算法模型在工作时，蚂蚁元素从1出发，在蚁群的搜索过程中计算蚂蚁的状态转移概率，可表示为：

(3)

式(3)中，()表示蚁群算法在计算直流电源故障信息特征时搜索路径间的信息素含量，表示蚁群算法在计算直流电源故障信息特征时信息素启发因子，表示计算直流电源故障信息特征时蚁群算法具有的启发函数重要因子，1表示在计算直流电源故障信息特征转换为蚁群算法过程中具有的启发函数，为蚁群算法中蚂蚁元素在下一步搜索过程中的节点集合。通过在搜索过程中不断更新信息素，记录当前迭代过程的最优解，对路径残余信息进行更新，可表示为：

(+1)=(1-)+Δ

(4)

其中Δ表示蚂蚁元素在运行过程中释放的信息素含量，表示蚂蚁元素在寻求直流电源故障数据信息时信息素挥发因子。当训练样本的迭代次数满足条件≥时，输出DCNN最优参数值，ACO优化过程结束。ACO优化DCNN模型参数训练完成后，对DCNN模型进行训练实现直流电源的故障诊断。进行故障诊断时先将采集到的直流电源数据进行平滑处理和归一化处理，将经过预处理的直流电源数据按照比例分为训练集、测试集和验证集。将训练集数据进行重叠切片，然后将重叠切片后的数据进行融合，以双通道形式作为故障诊断模型的输入。用训练好的蚁群神经网络训练测试数据，输出直流电源的故障诊断结果。

4 应用测试

本实验的实验环境中硬件环境使用1台CPU为8核16 GB的CP，硬盘容量为512 G,电脑操作系统为Windows 10，通过MATLAB 2014软件系统进行数据分析。

系统的监控界面每秒更新一次，可以监测故障检测装置各通道采集运算结果，界面展示的系统数据层的具体参数。本研究通过MATLAB软件系统进行计算处理对比，以月份作为外因素，分析范本数据和实验数据中设备故障次数与外因素的关系。

本研究搭建实验平台对系统的功能指标进行测试，整个实验平台包括直流电源数据采集装置、信号源以及用于显示波形的PC机。采集卡用USB线与PC机相连接，PC机上安装了用来项目测试的软件。实验设备如表1所示。

表1 实验设备参数

实验平台中校准器中的电压和电流信号，可以作为0～180 V和0～2.25 A范围内电压和电流信号的标准信号源，通过三个输出通道实现多达90A的单相交直流电流并联输出，输出频率范围可达到15～400 Hz。系统监控界面如图4所示。

图4 故障诊断准确率

为验证本研究故障诊断模型的故障识别效果，采集通信电源的5000组数据作为模型的训练集，SVM分类器作为对照进行实验(下文称为方案一方法)，卷积分神经网络(下文称为方案二方法)对通信电源的短路、过载、缺相、过压和欠压五种故障类型进行识别，使用1～5对故障类型进行编号，得到系统故障识别率如表2所示。

表2 测试结果示意表

经过对上述原始信号进行多次测量和复核，测量结果与本研究采集装置采集到的结果一致，本研究直流电源故障诊断装置的数据采集精度更高，采集直流电源信号的准确度达到100%。数字电压表采集精度比本研究装置低，采集到的数据与实际结果仍存在一定的误差，电压波峰值的误差为1.959 V。

为验证本研究直流电源故障诊断模型的故障诊断效果，将本研究蚁群神经网络与标准的卷积神经网络进行实验并对比实验效果，该步骤可以通过MATLAB 2014进行数据分析，软件安装界面如图5所示。

图5 MATLAB 2014安装界面示意图

安装完毕后，MATLAB 2014安装完毕界面如图6所示。

图6 MABLAB 2014安装完毕界面示意图

通过MATLAB软件能够对上述数据信息及时分析，借助于语言、工具和内置数学函数的方式实现数据信息分解，在软件内构建模型，并仿真运行Simulink，以提高直流电源故障诊断能力。在仿真设计过程中，假设学习速率设定为0.5。为减少随机因素对最终故障诊断结果的影响，在实验过程中重复进行10次实验测试，两种方法在测试样本集的故障诊断准确率如图7所示。

图7 故障诊断准确率

由图7可以看出，与标准的卷积神经网络相比，本研究经过蚁群算法优化后的故障诊断模型的准确率更高，其平均故障诊断的准确率高达99.58%，10次实验的故障诊断准确率的方差为0.005，故障诊断模型的稳定性更好。在相同数量的样本下，本研究蚁群神经网络能有效提取更深层的特征进行学习，极大地提高了故障诊断模型的学习能力。方案一方法和方案二方法准确率最高分别达到92%、94.5%，现有技术中的故障诊断效果不稳定，平均故障诊断准确率不及本研究故障诊断模型，且模型的收敛速度较慢。

5 结 论

针对直流电源容易出现故障问题，构建了包括检测层、通信层、数据分析层和上层监测层的改进型蚁群神经网络建立直流电源故障诊断系统，该系统能够实现直流电源故障远程诊断，提高了神经网络数据信息的诊断能力。并通过包括输入设定模块、功放模块、输出变压器、采样互感器和整流模块的采集系统实现直流故障数据信息的采集，通过改进蚁群算法模型实现最优故障的搜索，提高了直流电源故障诊断能力，但是本研究仍需进一步研究，这需要进一步的努力。