基于ZigBee的智能配电变压器重过载监测方法

严 峻,王艳艳,宫杨非,许晓艺,王来善

(国网安徽省电力有限公司物资分公司,安徽 合肥 230061)

近几年,在物联网、云计算等高新技术的支持下,电网逐渐朝着智能化、自动化方向发展[1-2]。电力系统中,智能配电网是运行核心。配电网在输电网、发电厂中获取电能,并通过电缆、变压器和支线等设备将电能传输到用户终端,为用户提供安全可靠的用电服务。为降低电力系统运行风险,使电能质量能够满足供应需求,保护并监控智能配电网的运行状态十分重要。智能配电网变压器是配电网的核心设备,用户端与智能配电网变压器连接后,便可服务于用户。但是变压器在工作中发生故障的概率较高,故障出现次数最多的为重载或过载工作模式[3]。该类故障模式下,用户的用电持续性会受到很大影响。此外,由于智能配电网变压器长时间重过载工作会导致变压器温度升高,使设备的损耗率变大、生命周期缩短,因此对智能配电网变压器的重过载工况进行监测势在必行。

目前,针对配电网变压器的运行模式进行监测的研究已取得不少成果,文献[4]使用回归算法可有效获取变压器负载运行数据,但针对重过载模式的监测效果有待提升;文献[5]通过监测电流的方式,识别供电系统的负载突变状态,但此方法只可以使用电流数据监测供电系统的运行状态,应用存在局限性。针对上述问题,本文提出一种基于ZigBee的智能配电变压器重过载监测方法,经实验验证可知,该方法可以准确监测智能配电变压器重过载状态。

1 智能配电变压器重过载监测

1.1 基于ZigBee网络的智能配电变压器负荷监测模型

图1是基于ZigBee网络的智能配电变压器负荷监测模型结构图,该模型由负荷监测仪、维护单元、中心主站构成。

图1 基于ZigBee网络的智能配电变压器负荷监测模型

如图1所示,负荷监测仪会设置在智能配电变压器侧,不仅可以采集智能配电变压器侧的电压、电流等负荷信息,结合电能量计算算法对这些数据进行处理,从而得出实际传输的电能量,还可以使用ZigBee网络与电力公司中心主站连接,把智能配电变压器现场信息都上传至中心主站,中心主站可以远程下达操作命令。维护部门主要使用ZigBee网络与负荷监测仪通信,能够实时提取和管理负荷监测仪运行信息,实现配电变压器本地维护与远程维护。

智能配电变压器的监测主站会设置在每个电力公司中,且监测主站会使用光纤与每个变电站的ZigBee网关通信[6-7]。ZigBee终端节点与负荷监测仪通信,并使用ZigBee路由将监测信息传输至ZigBee智能网关,完成ZigBee网络数据传输。

为了实现重过载持续监测,本文在ZigBee网络中使用了混合路由算法,实现ZigBee网络能耗均衡,延长网络节点寿命,以免出现监测中断情况。在ZigBee网络中,首先进行网络组网和节点地址分配,然后根据网络规模、拓扑结构和性能需求等因素,选择适当的路由算法,其中包括混合路由算法。详情如下:

1)获取并在特定范围内分享两跳邻居信息。

①ZigBee网络节点在1区间中发布路由请求的寻路分组信息,使用路由请求中的保留字段判断是否存在横向邻居信息O。如果存在,将此字段编码为a1,反之编码为a2。

②ZigBee网络中,源节点V在跨层信息共享监测后,发现O便会马上向父辈节点传输此信息。

2)路由设计和数据传输。

①为分辨目的节点U是否有可能属于自己或子孙节点的横向邻居,如果属于便直接向此节点传输数据信息,如果不属于便进入下一环节。

②在组播1个路由请求寻路分组时,V、U之间的树路由跳数和1的差值就是寻路分组的跳数阈值,组播目标分别是父节点、横向邻居节点E1、所处分支具备E1的子节点。

③中间节点获取路由请求后,会先分辨此路由请求的跳数是否小于跳数阈值,如果是,便会忽略此请求。如果目前节点属于U的亲戚节点,便会运算自己至U的跳数,之后分辨此值与路由请求经历跳数之和是否大于跳数阈值,如果是,便会忽略此请求,反之使用树路由向U传输此请求;如果目前节点属于路由请求发送节点的横向邻居节点[8],便使用步骤②的方法解决此请求携带问题。如果路由请求的发送节点属于目前节点的父节点,那么需要分辨此节点和其字节节点存在横向邻居的可能性,若存在,需要对组播路由请求进行检查,反之忽略;如果路由节点的发送节点属于目前节点的公共父节点,使用步骤②方法解决此请求,反之忽略此请求。

④当节点U收到节点V发出的路由请求后,如果该路由请求所涉及的跳数不超过预设的跳数阈值,则节点U会以路由请求的来源为依据,传输该路由请求至节点V[9-11]。

⑤中间节点获取路由请求后,构建至U的路由,将路由节点中对应字段的值实施更新处理后,以单播的模式对V传输路由请求。

⑥V获取路由请求后,构建至U的路由。

1.2 基于经验模态分解的智能配电变压器负荷数据特征挖掘方法

用y(t)表示负荷信号,其局部特征时间尺度Xh为:

Xh=(xh1,xh2,…,xhi)i=1,2,…,M

(1)

式中:xhi、M分别为智能配电变压器负荷信号的数据以及数据长度。

将配电变压器的负荷包络信号s(t)执行高斯离散采样处理,在筛选后,通过经验模态分解方法,对配电变压器负荷信号y(t)实施分解,获取的高频分量为:

s(t)=y(t)+x(t)=b(t)ejα(t)

(2)

式中:x(t)为负荷信号小波分解尺度,b(t)、α(t)均为使用经验模态分解方法获取负荷信号的包络特征,j为虚数单位。

对y(b)实施经验模态分解卷积,频率段的时域波形保持不变,获取分解后的配电变压器负荷信号y(t)的固有模态时频特征分量。

zm-1-dm=zm

(3)

式中:zm为频率段m的固有模态时频特征的残余信号,dm为时频特征分量。如果zm的幅值不大于阈值,则获取的固有模态时频特征即为负荷信号的数据特征,反之可以舍弃。

1.3 基于BP神经网络的配电变压器重过载识别方法

基于BP神经网络的配电变压器重过载识别方法操作流程如下:

1)负荷数据特征预处理。

首先去除存在空缺值的负荷数据特征,实施负荷数据特征归一化操作。

(4)

2)负荷数据特征聚类。

(5)

(6)

(7)

(8)

对全部负荷数据特征分量的函数密度值实施排序,智能配电变压器全部负荷数据特征分量和聚类中心差异度的线性加权是聚类代价函数G,代价函数G为最小值Gmin时,便完成智能配电变压器负荷数据特征聚类[13-15]:

(9)

3)采样负荷特征训练块。

4)启动BP神经网络模型,初始化网络参数,建立BP神经网络分类器,BP神经网络分类器的应用架构如图2所示。

图2 BP神经网络分类器

BP神经网络分类器中分类器的数目与需要识别目标的数目相对应。比如需要监测的智能配电变压器数目是4个,则分类器的数目也是4个。各个分类器的输入层节点数量和输入负荷数据特征矢量的维数相同,各个输入节点即为各个负荷数据特征,但输出节点数目是1个。

5)重过载识别。

训练各个需要监测的智能配电变压器负荷数据特征,把属于重过载的特征样本期望输出设成2,将不属于重过载的特征样本期望输出设成1。用BP神经网络分类器判别某智能配电变压器是否属于重过载,如果输入的负荷数据特征属于重过载,此分类器的输出就是2,反之是1。

6)分类类型投票。

针对分类器对负荷数据特征的分类结果实施多数表决投票:

(10)

式中:P为投票结果,Pnm为智能配电变压器负荷数据特征被识别为重过载的结果。Pnm的取值为1或2,Pnm的值为1时,表示此智能配电变压器不存在重过载;Pnm的值为2时,表示此智能配电变压器存在重过载。

2 实验分析

为了分析本文所提方法的监测效果与应用价值,选择某地区商住混合区域的智能配电变压器数据作为实验数据集。在此数据集中包含2台商业类智能配电变压器,将其编码成A1、A2,2台住宅类智能配电变压器,将其编码成B1、B2。把2020年度数据的85%设成训练集,15%设成测试集。本文方法的重过载监测结果主要通过预警结果体现,A1、A2、B1、B2使用本文方法后,重过载预警信息如图3～图6所示。

图3 A1重过载预警信息

图4 A2重过载预警信息

图5 B1重过载预警信息

图6 B2重过载预警信息

由图3～图6可知,采用本文方法对智能配电变压器A1、A2、B1、B2实施重过载监测后,可有效预警多个智能配电变压器重过载情况,其中A1、A2出现重过载的情况较少,B1、B2出现重过载的情况较多,说明将本文方法用于智能配电变压器重过载监测工作是可行的。

1)采用本文方法进行智能配电变压器重过载监测时,不同平滑因子条件下,A1、A2、B1、B2等智能配电变压器重过载监测的Davies-Bouldin指数。Davies-Bouldin指数是一种评估算法优劣的指标,通过计算每个簇类最大相似度的均值来评估监测效果。Davies-Bouldin指数越小,表示监测精度越高。

(11)

表1 Davies-Bouldin指数的测试结果

由表1可知,当平滑因子值为0.06时,采用本文方法对智能配电变压器A1、A2、B1、B2进行重过载监测时的Davies-Bouldin指数最小,此时几个智能配电变压器重过载监测精度最高。为此,本文方法在应用过程中将平滑因子值设成0.06。

2)测试本文方法在监测智能配电变压器重过载时对变压器负荷数据特征的聚类效果,主要通过SSE指标体现。SSE指标可体现聚类结果的误差平方和,此值越大,表示聚类精度越差。采用本文方法对智能配电变压器A1、A2、B1、B2进行重过载监测时,电压、电流2种负荷数据特征的聚类效果如图7、图8所示。

图7 电压数据特征聚类效果

图8 电流数据特征聚类效果

由图7、图8可知,电压、电流2种负荷数据特征聚类后,SSE指标都较小,分别是0.2、0.1,聚类精度较高。

3)采用本文方法对A1、A2、B1、B2多个智能配电变压器重过载监测时网络节点的网络寿命。当网络中节点能量比初始能量缩小幅度达到5%时,便可判断此节点死亡,节点不具有应用价值。如果死亡节点量是总节点数量的四分之一,网络便停止传输信息。使用本文方法的ZigBee网络的寿命测试结果如图9所示。

由图9可知,采用本文方法对A1、A2、B1、B2多个智能配电变压器重过载监测时,ZigBee网络寿命较长,网络寿命大于9 600 s,原因是采用本文方法构建路由时,注意到横向邻居节点的存在,有效均衡了节点能耗,保证网络寿命能够支持重过载持续监测的应用需求。

3 结论

本文设计的基于ZigBee网络的智能配电变压器重过载监测方法,在实验中被证实可实现智能配电变压器风险监测,具体应用价值如下:

1)通过对配电变压器负载情况进行实时监测和分析,可以帮助运营人员更好地了解电网的供电状态和负荷状况,从而采取相应的调控措施,保障供电系统的可靠性。

2)智能配电变压器重过载监测方法可以提供精确的负荷数据,帮助电网运营人员进行负荷分析和功率调度,在不超过变压器额定负载的前提下,合理调整供电策略,达到节能调度和优化供电质量的目的。