何建強，滕志軍，李國強

（1.商洛學(xué)院 電子信息與電氣工程學(xué)院，商洛 726000；2.東北電力大學(xué) 信息工程學(xué)院，吉林 132012；3.國網(wǎng)呼倫貝爾供電公司，呼倫貝爾 021000）

隨著現(xiàn)代電力系統(tǒng)向大機組、大容量、高電壓等級的趨勢發(fā)展，對供電可靠性和穩(wěn)定性的要求也越來越高。溫度是運行中的高壓電氣設(shè)備很重要且需嚴格監(jiān)測的參數(shù)，設(shè)備溫度變化信息能夠正確反映高壓設(shè)備是否處于正常狀態(tài)，故高壓帶電體的溫度監(jiān)測已勢在必行[1]。高壓電纜接頭是電力系統(tǒng)運行中較為薄弱的環(huán)節(jié)，由于制作工藝有限，接點處容易出現(xiàn)氧化和接觸不良等情況，滿負荷負載電流流過時會出現(xiàn)局部過熱、溫升過高，極易導(dǎo)致設(shè)備損壞。根據(jù)電力部門事故通報統(tǒng)計，60%左右的電纜事故都由電纜接頭過熱所導(dǎo)致的。因此，變電站高壓電纜接頭的溫度監(jiān)測已成為電力系統(tǒng)可靠、安全運行所面臨的現(xiàn)實問題[2]。

人工間斷性的離線監(jiān)測是獲得高壓電纜接頭溫度的主要方法，無論是示溫貼片還是紅外測溫槍測溫，都不能實時獲取所有電纜接頭的溫度情況，不易于預(yù)測接頭溫度的發(fā)展趨勢?；谖锫?lián)網(wǎng)技術(shù)的高壓帶電體溫度實時監(jiān)測及預(yù)警系統(tǒng)可避免人工監(jiān)測的間斷性，通過對設(shè)備溫度實時采集、預(yù)測和分析，及時判斷出熱故障點并進行故障預(yù)警、報警，從而有效避免和降低火災(zāi)等不安全事故的發(fā)生[3]。

1 系統(tǒng)總體設(shè)計

圖1 溫度預(yù)警系統(tǒng)結(jié)構(gòu)Fig.1 Temperature warning system structure

2 硬件設(shè)計

2.1 傳感器節(jié)點硬件設(shè)計

傳感器節(jié)點負責(zé)對高壓電纜接頭三相測點的溫度進行實時采集，并將數(shù)據(jù)傳輸?shù)絽R聚節(jié)點，最終由匯聚節(jié)點進行存儲和上傳。傳感器節(jié)點主要由數(shù)據(jù)采集前端、數(shù)據(jù)處理模塊、無線通信模塊和供電模塊組成。圖2所示為傳感器節(jié)點組成原理。

圖2 傳感器節(jié)點組成原理Fig.2 Schematic diagram of sensor nodes

2.2 數(shù)據(jù)處理模塊設(shè)計

數(shù)據(jù)處理模塊以CC2530芯片為處理器，負責(zé)控制整個節(jié)點。CC2530是ZigBee新一代真正的片上系統(tǒng)（SoC）解決方案，滿足ZigBee對低成本、低功耗的要求，支持2.0～3.6 V的供電電壓，具有喚醒模式、睡眠模式和中斷模式3種電源管理方式[4]。數(shù)據(jù)處理模塊硬件電路如圖3所示。CC2530模塊主要分為時鐘電路、電源去耦濾波電路和SPI接口電路等幾個部分。

2.3 電源模塊設(shè)計

本設(shè)計中采用高壓自具電源和蓄電池組共同為測溫節(jié)點提供能量，當(dāng)高壓自具電源模塊正常工作時，作為電源為電路提供能量，同時對蓄電池組進行充電，圖4所示為高壓自具電源整流穩(wěn)壓模塊電路；而當(dāng)高壓側(cè)母線電流斷電或很小時，自具電源不能為節(jié)點提供足夠的能量，此時轉(zhuǎn)換到蓄電池組提供電源，從而保證整個系統(tǒng)能夠持續(xù)工作，圖5所示為蓄電池組充電管理電路[5]。

輸入電壓為4～6 V，由LM2490電壓變換模塊提供，通過CN3058充電管理芯片，電路輸出端和蓄電池組正極連接。D4和D5分別為充電和充電結(jié)束狀態(tài)指示燈，蓄電池組進行充電時，CHRG被置為低電平，D4燈亮，表示充電狀態(tài)正常；充電結(jié)束后，DONE被內(nèi)部開關(guān)拉低，D5燈亮，指示充電結(jié)束。D6～D8采用正向壓降小的鍺二極管，通過構(gòu)成高壓自具電源與蓄電池組之間的隔離電路來防止電流反灌[6]。

3 基于BP神經(jīng)網(wǎng)絡(luò)的高壓帶電體溫度預(yù)測方法

3.1 BP神經(jīng)網(wǎng)絡(luò)算法描述

高壓帶電體溫度在線預(yù)警系統(tǒng)主要是對未來溫度短期預(yù)測，因此本設(shè)計只需三層網(wǎng)絡(luò)即可。設(shè)BP神經(jīng)網(wǎng)絡(luò)的輸入層含有n個節(jié)點、隱含層含有m個節(jié)點、輸出層含有l(wèi)個節(jié)點；輸入層和隱含層間權(quán)值為wij，隱含層與輸出層間權(quán)值為wjk；隱含層和輸出層閾值分別為tj和tk；f（）為轉(zhuǎn)移函數(shù)；輸出層期望輸出為dk[7]。

隱含層節(jié)點和輸出層節(jié)點的輸出分別為

圖3 數(shù)據(jù)處理模塊硬件電路Fig.3 Hardware circuit of data processing module

圖4 整流穩(wěn)壓模塊電路Fig.4 Rectifier voltage regulator circuit diagram

圖5 蓄電池組充電管理電路Fig.5 Battery charging management circuit

輸出值與期望輸出間的誤差為

由誤差公式可以看出，調(diào)整權(quán)值wij和wjk就可改變誤差E，權(quán)值調(diào)整量正比于誤差梯度下降，則對于輸出層與隱含層：

2)課堂引導(dǎo)學(xué)習(xí)。新課前教師根據(jù)學(xué)生的反饋，教師總結(jié)提煉出共性問題，在課堂上針對重難點微課著重講解，引導(dǎo)學(xué)生以小組為單位進行討論交流。

式中：η 為學(xué)習(xí)速率；傳遞函數(shù) f（x）=（1+e-x）-1，則f′（x）＝ f（x）［1-f（x）］。

BP權(quán)值調(diào)整公式為

標準BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程如圖6所示。

圖6 標準BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程流程Fig.6 Flow chart of standard BP neural network learning process

3.2 基于BP神經(jīng)網(wǎng)絡(luò)的高壓電纜接頭溫度預(yù)測仿真

以呼倫貝爾某變電站提供的2015年3～8月10 kV高壓電纜A相1號測點在線運行實際數(shù)據(jù)作為BP模型輸入學(xué)習(xí)樣本，獲得預(yù)測日（9月2日和7日）24 h的高壓電纜波動曲線與實際曲線間的關(guān)系如圖7與圖8所示。

從圖7、圖8可知，BP神經(jīng)網(wǎng)絡(luò)在對高壓設(shè)備溫度歷史運行數(shù)據(jù)統(tǒng)計歸納后，逐步對每層神經(jīng)元間的權(quán)值進行修正，所得預(yù)測數(shù)據(jù)與實際監(jiān)測數(shù)據(jù)走勢基本一致且誤差很小[8]。為了進一步分析模型的誤差特性，提取以上兩圖中的各點溫度數(shù)據(jù)作對比，獲得的預(yù)測值與實際監(jiān)測值的相對誤差如表1所示。

圖7 基于BP網(wǎng)絡(luò)的工作日溫度預(yù)測曲線Fig.7 Working days temperature prediction curve based on BP network

圖8 基于BP網(wǎng)絡(luò)的休息日溫度預(yù)測曲線Fig.8 Rest days temperature prediction curve based on BP network

表1 10 kV高壓電纜接頭的BP神經(jīng)網(wǎng)絡(luò)溫度預(yù)測誤差Tab.1 10 kV high voltage cable joint temperature prediction error of BP neural network

由表1中的數(shù)據(jù)分析可知，對工作日進行預(yù)測的最小相對誤差為0.02%、平均相對誤差為1.20%、最大相對誤差為2.54%、均方根誤差為0.82℃；對休息日進行預(yù)測的最小相對誤差為0.09%、平均相對誤差為1.47%、最大相對誤差為3.17%、均方根誤差為0.96℃；休息日預(yù)測數(shù)據(jù)的誤差大于工作日，主要因為休息日中用電量的多變性及數(shù)據(jù)統(tǒng)計間的時差較大。

3.3 BP神經(jīng)網(wǎng)絡(luò)的缺點及改進方法

BP算法一般需要成千上萬次的迭代運算，造成學(xué)習(xí)效率較低、收斂速度慢；BP算法采用的是梯度下降法，容易出現(xiàn)局部極小點，且誤差函數(shù)只能單向減小而不可能有任何上升趨勢，因此跳出極小點的可能性幾乎沒有[9]。在實際應(yīng)用中，面對這2個重要問題，主要有梯度自適應(yīng)算法、附加動量法和L-M算法等典型修正算法。

針對以上3種不同的BP改進學(xué)習(xí)算法，采用前文的高壓帶電體溫度數(shù)據(jù)，并以休息日為例，仿真和計算結(jié)果如圖9～圖12所示。

從以上4個圖的比較可以看出，L-M算法的學(xué)習(xí)速度最快。4種算法的預(yù)測結(jié)果均方根誤差如表2所示。利用附加動量法得到的預(yù)測結(jié)果容易出現(xiàn)較大偏差；L-M算法的誤差較小，完全能夠滿足應(yīng)用要求。綜合考慮學(xué)習(xí)速度和預(yù)測誤差，本設(shè)計最后選擇L-M算法訓(xùn)練BP網(wǎng)絡(luò)。

圖9 標準BP算法訓(xùn)練誤差曲線Fig.9 Training error curve of standard BP algorithm

圖10 梯度自適應(yīng)算法訓(xùn)練誤差曲線Fig.10 Gradient adaptive algorithm training error curve

圖12 L-M算法訓(xùn)練誤差曲線Fig.12 L-M algorithm training error curve

表2 改進后溫度預(yù)測模型的誤差比較Tab.2 Error comparison of the improved temperature prediction model

4 預(yù)警系統(tǒng)軟件設(shè)計

當(dāng)數(shù)據(jù)傳至監(jiān)測中心后，由開發(fā)的監(jiān)測中心軟件實現(xiàn)高壓帶電體溫度預(yù)警功能。通過C#開發(fā)系統(tǒng)管理軟件，利用SQL2008數(shù)據(jù)庫實現(xiàn)高壓帶電體溫度數(shù)據(jù)的存儲、統(tǒng)計和管理[10]。系統(tǒng)采用越限報警和故障預(yù)警合作方式實現(xiàn)溫度監(jiān)測的準確化，越限報警閾值設(shè)置為75℃，高壓電纜接頭溫度預(yù)警流程如圖13所示。

4.1 預(yù)警系統(tǒng)管理軟件

圖14為管理軟件實時顯示界面，通過此界面可以直觀地看到各監(jiān)測節(jié)點的實時溫度值以及其工作狀態(tài)。

圖15為運行狀況分析界面。工作人員通過選擇一段時間，分析此時間段內(nèi)的各監(jiān)測設(shè)備的缺陷等級，并對設(shè)備運行結(jié)果進行詳細描述，給出處理措施。

圖13 高壓電纜接頭溫度預(yù)警流程Fig.13 Flow chart of the high-voltage cable joint temperature warning

圖14 實時顯示界面Fig.14 Real-time display interface

圖15 運行狀況分析界面Fig.15 Operation analysis interface

4.2 實驗數(shù)據(jù)

在監(jiān)測與傳輸試驗中，為了驗證接收數(shù)據(jù)的準確性，采用紅外測溫槍進行10 kV高壓電纜三相測點的同步數(shù)據(jù)檢測分析，經(jīng)比對，2種方式進行的高壓電纜接頭三相溫度數(shù)據(jù)檢測分析基本一致。

以工作日和休息日即10月21日與26日數(shù)據(jù)為基準，與運用優(yōu)化后的BP網(wǎng)絡(luò)進行預(yù)測所得到的溫度值進行對比，可得到如表3所示的實際測試值與預(yù)測值的比較。從表中可以看出，BP網(wǎng)絡(luò)的預(yù)測精度在4%以內(nèi)，沒有超過設(shè)定的模型誤差5%，能夠滿足實際應(yīng)用需求。

表3 工作日和休息日的實際溫度和預(yù)測值對比Tab.3 Comparison of actual and predicted values of working days and rest days

5 結(jié)語

本文提出了一種基于物聯(lián)網(wǎng)的高壓帶電體溫度在線預(yù)警系統(tǒng)，對預(yù)警系統(tǒng)監(jiān)測網(wǎng)絡(luò)進行設(shè)計，提出了高壓帶電體溫度故障預(yù)測算法，并針對BP神經(jīng)網(wǎng)絡(luò)算法中存在的問題提出了改進措施[11]。仿真驗證了其可行性，可以滿足電力系統(tǒng)中高壓帶電體溫度故障的預(yù)警要求。對整個預(yù)警系統(tǒng)進行了相關(guān)實驗，驗證了本預(yù)警系統(tǒng)的可行性及穩(wěn)定性，通過改進后的BP神經(jīng)網(wǎng)絡(luò)預(yù)測算法，實現(xiàn)了高壓帶電體溫度故障的預(yù)測預(yù)警。

[1]劉建勝，酆達，張凡.一種用于變電站高壓觸點溫度在線監(jiān)測的新方法[J].電力系統(tǒng)自動化，2004，28（4）：54-57.

[2]滕志軍，李國強，何鑫，等.基于ZigBee的高壓電氣設(shè)備溫度在線監(jiān)測系統(tǒng)[J].電測與儀表，2014，51（1）：85-88.

[3]高慶敏，和歡，石瑞杰.基于ZigBee無線傳感網(wǎng)絡(luò)在變電站監(jiān)測系統(tǒng)中的應(yīng)用[J].華北水利水電學(xué)院學(xué)報，2010，31（1）：53-54.

[4]滕志軍，李國強，何鑫，等.高壓帶電體溫度監(jiān)測及灰色預(yù)測分析[J].電工電能新技術(shù)，2014，33（9）：62-67.

[5]王玲芝，李春茂，袁立行.基于ZigBee技術(shù)的高壓設(shè)備溫升監(jiān)測系統(tǒng)[J].測控技術(shù)，2010，29（12）：1-3.

[6]滕志軍，王中寶，何建強，等.ZigBee在軋機系統(tǒng)電能質(zhì)量的監(jiān)測應(yīng)用[J].電測與儀表，2013，50（3）：117-119，128.

[7]韓玉蘭，蘆興，路燦，等.高壓開關(guān)柜隔離觸頭溫度紅外檢測系統(tǒng)的研制[J].高壓電器，2008，44（6）：578-581.

[8]貝偉仰，江虹.基于紅外測溫的無線溫度監(jiān)測系統(tǒng)的研究[J].計算機測量與控制，2011，19（10）：2397-2400.

[9]周英，尹邦德，任鈴，等.基于BP神經(jīng)網(wǎng)絡(luò)的電網(wǎng)短期負荷預(yù)測模型研究[J].電測與儀表，2011，48（2）：68-71.

[10]項文強，張華，王姮，等.基于L-M算法的BP網(wǎng)絡(luò)在變壓器故障診斷中的應(yīng)用[J].電力系統(tǒng)保護與控制，2011，39（8）：100-103，111.

[11]滕志軍，何建強，何鑫.基于物聯(lián)網(wǎng)技術(shù)的高鐵電能質(zhì)量監(jiān)測系統(tǒng)[J].電氣應(yīng)用，2014.33（3）：64-69.