低时延通信中的变电站电源设备异常振动状态智能检测

陈咏龄

（国网湖北省电力有限公司黄冈供电公司，湖北 黄冈 438000）

0 引 言

随着电力工业的快速发展，变电站作为电力系统的核心组成部分，承担着变换电压、分配电能以及保证电网稳定运行的重要任务[1]。电源设备是变电站的核心设备，其正常运行对电网的稳定运行至关重要。若电源设备发生故障，则可能会导致停电、电压波动等问题，严重影响供电可靠性和用电质量，甚至可能引发事故并造成损失。因此，及早发现和解决电源设备运行中的异常情况十分重要，可以提高电网的安全性和可靠性[2]。

电源设备的振动状态是反映设备运行状况的重要指标之一，通过监测设备振动可以及时判断设备是否存在异常情况。早期的设备状态检测方法主要依靠人工巡检和定期检测等手段，存在人力成本高、监测精度低以及无法实时预警等问题。随着人工智能技术的发展，利用物联网、传感器技术和数据分析等手段，监测和分析电源设备的振动，实现远程监控、实时预警以及故障诊断等功能，提高设备故障的检出率和诊断准确率。然而，在实际应用中发现，传统检测方法的检测准确率偏低。针对这一问题，本研究以低时延通信环境为基础，设计新的变电站电源设备异常振动状态智能检测方法。

1 变电站电源设备异常振动状态检测

1.1 低时延通信环境下变电站电源设备的频率估计

在低时延环境下，当变电站电源设备产生振动信号时，可以在无线信道中传输振动信号的反射波。在不同的传输路径中，反射波信号的到达时间不同，通过叠加相同的信号，可以得到增强的反射波信号[3]。

从发出时刻起，振动信号通过低时延环境传输，当信号经过多径效应反射后，会形成2个反射面，由此建立的多径效应计算模型为

式中：li为第i条传输路径的长度；a为计算参数；c为光速；t为时间。接收到的信号在移动信道中经过衰落和多种时延会导致多径信号的叠加。假设信道内保持特征的带宽表示为f，通常情况下，f的数值为时延扩展最大值的倒数。在多径效应的作用下，接收信号的过程会受到环境干扰，存在较大幅度的振动，这种情况下，增强信号过程的持续时间会延长。此时，可以通过捕获相关信号来提升在低时延环境下变电站电源设备的振动传输频率。在设定高频时，假设从n个子载波中选择一定距离的载波信道[4]。当信道变化缓慢且变电站设备处于正常运行状态时，捕获阶段的信号可以表示为

式中：R(e)为经过校正后的信道信号；w为同步信道位置；φ为相同子信道中的传送结果；F为帧数。通过估计误差比较阈值的误差，获得最后的频率估计结果[5]。通过对本地节点的主时隙进行更改，获得低时延振动信号。该过程中，低时延环境下变电站电源设备频率信号的分布情况如图1所示。

图1 低时延环境下变电站电源设备频率信号的分布情况

1.2 通过时间序列筛选异常数据集

以式（2）所得的结果为基础，形成有序集合X={x1,x2,…,xn}。在实际的变电站电源设备运行过程中，根据电源设备频率对应的时间序列特性，分配协议帧结构[6]。假设R{tn,xn}为数据流时间间隔的滑动窗口，对时间序列的不同阶段数进行比较。通常情况下，如果时间取值较小，时间序列X中没有出现异常改变时，则认为其均匀分布，计算当前时间窗中全部的时间序列，并得到其平均值avg(X)[7]。经过平均值avg(X)计算后如果产生一定的偏离，则表示电源设备存在异常的可能性较大。因此，需要在滑动窗口中对异常可能性较大的数据进行选择[8]。选择待分析的数据点xe，并设定滑动时间为t。选取数据点对应的时间序列，根据滑动窗口的开始时间设定滑动路径长度为w，计算滑动窗口内至数据点空间中心这一阶段的平均距离，过程为

式中：d(xe)为t时间段内数据点与数据中心之间的距离。设定滑动阈值为k，如果式（3）的计算结果大于等于k，则表示滑动窗口会沿着时间序列后移；如果计算结果小于k，则表示在滑动时间内，变电站电源设备存在异常振动数据[9]。

为提高异常数据的聚类质量，设定异常数据集合为Q，数据集中的数据点数量为n。预处理异常数据集，将其拆分为k个对象，并形成K-means聚类。建立聚类目标函数后，计算聚类簇中的平均值，对聚类质量进行评估，计算公式为

建立异常数据集的过程中，H值会随着实际状态而改变，当H值为最小时，聚类效果最好[10]。在此基础上，将异常数据进行整合，生成异常数据集。

1.3 实现对电源设备异常振动状态的检测

在低时延通信环境下估计变电站电源设备的频率后，通过时间序列筛选变电站电源设备异常振动数据集。在此基础上，实现对电源设备异常振动状态的检测，过程如下。

第一步：特征提取。从异常振动数据集中提取合适的特征，这些特征包括时域特征（如幅值、均值、方差等）、频域特征（如频率分量、谱能量等）、统计特征（如峰度、偏度、自相关等）等。

第二步：特征选择。根据信息增益分析方法，选择最具区分能力和预测能力的特征。

第三步：数据集划分。将数据集划分为训练集和测试集，通常采用交叉验证或留出法划分，确保评估模型的泛化性能。

第四步：模型选择和训练。根据任务需求和数据特点，选择决策树算法，将训练集的特征和标签（正常或异常）输入决策树算法模型，进行模型训练。

第五步：异常检测。当有新的未标记数据进入，使用已训练好的模型对其进行异常振动状态的检测。根据模型输出的预测结果，通过设定的阈值或其他方式判断是否为异常状态。

2 实验测试与分析

2.1 搭建实验环境

对变电站电源设备在振动过程中产生的异常数据进行采集，设置6个小组。其中小组1～小组3运用本文方法，小组4～小组6运用传统的基于随机森林的电源设备异常振动状态检方法。运用不同方法对异常数据进行检测，并计算检测准确率，对比其结果得到在实际应用场景中的检测效果。通过获得不同异常振动信号变化量，在采集实验数据后，还需对数据进行偏差量化处理，其公式为

式中：ai为时间段内对应的幅值特征量；bi为剩余时间段内的幅值量；N为幅值点数量。

搭建变压器测试环境，电源部分为接入三相电源的调压设备，输入电压为350 V交流电，输出电压的范围为0～250 V。振动传感器用于信号采集，设定传感器的参数如表1所示。

表1 振动传感器参数

运用幅值特征量，对正常情况与故障情况下的振动数据进行采集，具体实物如图2所示。

图2 实验所用传感设备

将采集数据进行预处理得到实验所用的变压器异常振动数据特征。对变电站的设备进行异常振动状态监测，得到规定时间段内的异常振动数据。

2.2 结果与分析

为避免实验结果过于单一，将文献[4]提出的基于W-ReLU的设备异常检测方法（方法1）、文献[8]提出的基于振动时频信号灰度共生矩阵的设备状态检测方法（方法2）作为对比方法，与文章设计方法共同完成性能验证。

在变电站电源设备的运行过程中，提取规定时间段内变电站电源设备的振动状态特征，并获得异常数据结果。将获取结果与实际结果相对比，计算不同方法的检测准确率，结果如表2所示。

表2 不同方法的检测准确率 单位：%

由表2所示的实验结果可知，文章设计方法的检测准确率为85.2%～96.6%，方法1的检测准确率为78.6%～82.6%，方法2的检测准确率为78.2%～81.0%。相比之下，文章设计方法的检测准确率更高，说明文章设计方法能够有效检测变电站电源设备的异常振动状态。

3 结 论

文章在低时延通信环境下研究了变电站电源设备异常振动状态的智能检测方法。该方法在低时延通信环境中得到了变电站电源设备频率的估计值后，通过时间序列筛选变电站电源设备异常振动数据集。在此基础上，将数据输入训练后的决策树算法，得到异常振动状态检测结果，并取得了较好的应用效果。