蔡徐平 方略

【摘 ?要】近年來，物聯(lián)網(wǎng)技術在采集電力運行數(shù)據(jù)、感知配電網(wǎng)運行狀態(tài)等領域發(fā)揮顯著功能，無線傳感網(wǎng)絡是物聯(lián)網(wǎng)技術的核心，因此本文結合傳統(tǒng)電纜故障定位和隔離先進技術，將無線傳感網(wǎng)絡應用于電力電纜故障地理位置定位，精準檢測電纜故障并為電纜維修提供詳細準確的故障線路及地理位置信息，具體思路如下：構建電力電纜無線傳感網(wǎng)絡監(jiān)控系統(tǒng)感知電纜運行狀態(tài)信息;以電纜狀態(tài)監(jiān)測信息作為樣本數(shù)據(jù)進行聚類分析，獲取異常傳感節(jié)點實現(xiàn)電纜故障定位，節(jié)點通過Web GIS電纜地理定位模塊即可發(fā)送詳細的地理位置信息。下面對本文創(chuàng)新方法作詳細介紹，而現(xiàn)有較為成熟的電纜故障定位及隔離技術原理不再贅述。

【關鍵詞】物聯(lián)網(wǎng);電力電纜;故障定位

1 基于聯(lián)網(wǎng)技術的電力電纜故障地理位置自動定位方法研究

1.1 基于無線傳感網(wǎng)絡的電力電纜故障監(jiān)控系統(tǒng)

1.1.1 總體架構

基于ZigBee無線傳感網(wǎng)絡的電纜故障監(jiān)控系統(tǒng)架構主要由無線傳感節(jié)點、中心節(jié)點、WebGIS地理定位模塊、監(jiān)控終端構成。其中，無線傳感節(jié)點以合理的距離部署于各個電纜監(jiān)控區(qū)域，電纜中間接頭、戶內(nèi)戶外終端頭等關鍵節(jié)點處加強布置，采集電纜運行的電流、電壓、溫濕度運行狀態(tài)數(shù)據(jù)，同時負責去除數(shù)據(jù)的無用信息與噪聲，以無線信號為介質(zhì)將預處理完成的數(shù)據(jù)傳輸至中心節(jié)點;中心節(jié)點主要任務是接收無線傳感節(jié)點采集的電纜監(jiān)控數(shù)據(jù)，以基站為中介將統(tǒng)一打包的數(shù)據(jù)傳輸至監(jiān)測終端;WebGIS地理定位模塊掌握了無線傳感網(wǎng)絡節(jié)點所在的位置信息，一旦出現(xiàn)電纜故障，該模塊依據(jù)自身地圖資源存儲信息在監(jiān)控終端成電纜故障地圖，提供故障維修的地理位置信息;監(jiān)控終端負責對無線傳感數(shù)據(jù)進行解包、分析、存儲，監(jiān)控人員通過PC客戶端、移動客戶端皆可查閱電纜狀態(tài)監(jiān)控信息，接收電纜故障預警信號和電纜故障的地理位置信息。

1.1.2 WebGIS電纜地理定位模塊

WebGIS地理定位模塊的核心是WebGIS技術，可準確定位電纜故障所在地理位置，便于維修人員實施檢修。WebGIS電纜地理定位模塊使用TCP/IP協(xié)議、Internet/Intranet標準運行，基于HTTP協(xié)議生成數(shù)據(jù)傳輸?shù)母袷?。WebGIS電纜地理定位模塊使用分布式服務體系結構，以增強處理無線傳感網(wǎng)絡產(chǎn)生的大規(guī)模數(shù)據(jù)，監(jiān)控終端與服務器的負載得以平衡，進一步提升電纜監(jiān)控數(shù)據(jù)處理的性能。

1.2 電力電纜故障節(jié)點判斷與定位

1.2.1 基于聚類分析的電纜故障定位模型

電纜運行出現(xiàn)故障時則會向無線傳感網(wǎng)絡發(fā)送零序電壓突變信號，電力電纜故障監(jiān)控系統(tǒng)后臺由此啟動電纜故障識別程序，監(jiān)控端接收電纜狀態(tài)監(jiān)控數(shù)據(jù)，以此作為數(shù)據(jù)樣本采用K-means聚類算法進行電纜故障數(shù)據(jù)聚類分析，根據(jù)聚類結果獲取異常數(shù)據(jù)識別出電纜故障。為此構建基于K-means聚類分析的電纜故障節(jié)點定位模型明確電纜故障定位思路，模型結構為：電流、電壓、溫濕度傳感節(jié)點-電纜監(jiān)控數(shù)據(jù)處理與傳輸-電纜監(jiān)控指標提取-K-means聚類分析-故障決策分析，輸出電纜故障定位結果。由此可知電纜故障節(jié)點定位分為兩部分，一是電纜監(jiān)控指標提取，二是K-means聚類算法分析。電纜監(jiān)控指標提取即為電纜的電壓、電流、溫濕度狀態(tài)監(jiān)測變量的提取;K-means聚類算法在電纜故障判斷中的應用如下詳述。

1.2.2 K-means聚類算法

K-means聚類算法在數(shù)據(jù)聚類分析領域的應用頻率較高，K-means聚類算法的聚類中心為多個聚類子集全部數(shù)據(jù)樣本均值。K-means聚類算法運行思路為：經(jīng)過迭代實現(xiàn)數(shù)據(jù)集類別劃分，當評估聚集性能的測度函數(shù)為最優(yōu)時，證明生成的聚類緊湊且聚類間獨立存在。那么基于K-means聚類算法實現(xiàn)電纜故障監(jiān)控的步驟為：基于K-means聚類算法對無線傳感器節(jié)點數(shù)據(jù)進行分簇獲取聚類中心;對比數(shù)據(jù)點和質(zhì)心間的距離判斷數(shù)據(jù)點是否處于異常狀態(tài)。K-means聚類算法使用歐幾里得距離作為數(shù)據(jù)點距離判斷量。歐幾里得距離屬于距離定義范疇，在相似度判定中使用頻繁。

1.2.3 基于歐幾里得距離的電纜故障判斷

基于K-means聚類算法獲取電纜狀態(tài)監(jiān)測數(shù)據(jù)點的分簇結果，以此為前提求取海量數(shù)據(jù)點和簇心之間的歐幾里得距離，根據(jù)歐幾里得距離判斷數(shù)據(jù)是否異常的依據(jù)為：若歐幾里得距離在當前距離均值以上，證明此數(shù)據(jù)點屬于異常數(shù)據(jù)點集，反之則屬于正常數(shù)據(jù)點集。需對異常數(shù)據(jù)點集數(shù)據(jù)展開進一步檢測，方法如下：構建兩個對比數(shù)據(jù)，一是疑似異常點到質(zhì)心距離和距離均值的差，二是疑似異常點聚類中所有數(shù)據(jù)點到質(zhì)心距離的1.67倍，對比兩種數(shù)據(jù)，當前者數(shù)據(jù)超過后者數(shù)據(jù)時，則證明該電纜狀態(tài)監(jiān)測數(shù)據(jù)異常，輸出異常數(shù)據(jù)坐標即可獲取無線傳感網(wǎng)絡中的異常節(jié)點，即電纜故障節(jié)點。發(fā)生電纜故障的無線傳感網(wǎng)絡節(jié)點通過WebGIS電纜地理定位模塊即可生成地圖，為檢修人員提供精準的電纜故障維修地理位置信息。

2 實驗研究

通過仿真實驗形式驗證本文方法處理電纜故障地理位置自動定位的可行性與優(yōu)勢，仿真實驗在Matlab 7中完成算法編程，通過Visual DSP++設計電力電纜故障監(jiān)控系統(tǒng)，實驗樣本數(shù)據(jù)為某配電網(wǎng)運行產(chǎn)生的數(shù)據(jù);定義1200m×1200m大小區(qū)域作為電力電纜監(jiān)控節(jié)點布局區(qū)域，電纜節(jié)點通信覆蓋范圍約為11.5m，監(jiān)控系統(tǒng)采集數(shù)據(jù)的時間間隔為8min。對編號為D06、D16、D24、D33、D42的電纜節(jié)點進行故障定位，每個節(jié)點預期采集300個數(shù)據(jù)樣本并展開數(shù)據(jù)聚類分析，其預期采集數(shù)據(jù)樣本、實際采集數(shù)據(jù)樣本及數(shù)據(jù)丟失率分別為300/299/0.30，300/300/0，300/299/0.30，300/ 298/0.67，300/300/0。分析可知，基于ZigBee無線傳感網(wǎng)絡的電纜故障監(jiān)控系統(tǒng)采集數(shù)據(jù)丟失率較低，最高僅為0.67%，丟失的數(shù)據(jù)一般發(fā)生在節(jié)點與服務器傳輸期間;較低的數(shù)據(jù)丟失率得益于無線傳感網(wǎng)絡中ZigBee節(jié)點的使用，將CC2530處理器作為ZigBee節(jié)點的核心構件有效增強電纜狀態(tài)數(shù)據(jù)采集的性能。

由此看來，本文方法采集的電纜狀態(tài)數(shù)據(jù)完整性較強，為聚類分析提供了相對全面的數(shù)據(jù)樣本基礎。采用本文方法獲取的D06、D16、D24、D33、D42數(shù)據(jù)聚類時間開銷（秒）、初次檢測異常數(shù)據(jù)量（個）、是否出現(xiàn)電纜故障、故障電纜地圖生成是否準確分別為：8.89/7/否，0.91/11/是/是，0.89/4/否，0.94/6/否，0.92/4/否。以上結果顯示只有D16電纜節(jié)點出現(xiàn)故障，該情況與配電網(wǎng)中電纜運行的實際情況一致，證明了本文方法進行電纜故障檢測的有效性。

經(jīng)對比，本文方法生成的電纜故障地圖準確無誤，地圖清晰顯示了故障位置與維修團隊所在位置，方便維修人員快速到達維修地點，高效恢復電纜正常運行，保障了社會生產(chǎn)與生活的安全性。

3 結語

本文方法獲取較優(yōu)的定位結果在于將物聯(lián)傳感網(wǎng)絡與K-means聚類算法有機融合，無線傳感網(wǎng)絡能采集廣域的電纜狀態(tài)數(shù)據(jù)，保障了數(shù)據(jù)樣本分析的全面性。同時無線傳感網(wǎng)絡數(shù)據(jù)具有規(guī)模大、數(shù)據(jù)密度大、分布范圍廣、異常數(shù)據(jù)占比較少的特點，造成較大的電纜狀態(tài)數(shù)據(jù)挖掘難題。K-means聚類算法用于數(shù)據(jù)聚類分析的頻率較高，面對數(shù)據(jù)簇密集、數(shù)據(jù)聚類差異大的情況更容易發(fā)揮較優(yōu)的聚類效果，K-means聚類算法這一特性與無線傳感網(wǎng)絡數(shù)據(jù)特征吻合，因此K-means聚類算法進行電纜狀態(tài)數(shù)據(jù)聚類更易展現(xiàn)其優(yōu)勢。

參考文獻：

[1]劉海妹.基于物聯(lián)網(wǎng)的智能電網(wǎng)故障監(jiān)控系統(tǒng)研究[J].電源技術，2015，10.

（作者單位：國網(wǎng)上海市電力公司浦東供電公司）