黃 宇，歐家祥，李航峰，張俊瑋，沈興富

（1.貴州電網(wǎng)有限責(zé)任公司電力科學(xué)研究院，貴陽(yáng)550002；2.貴州黔馳信息股份有限公司，貴陽(yáng)550002）

目前用電負(fù)荷不斷增加，利用無(wú)功補(bǔ)償裝置調(diào)節(jié)電網(wǎng)電壓可避免電壓低于或高于臨界電壓。但無(wú)功補(bǔ)償裝置的工作故障率較高，影響用戶用電及供電局服務(wù)水平。因此需深入研究補(bǔ)償裝置故障遠(yuǎn)程監(jiān)測(cè)方法，及時(shí)診斷裝置故障[1]。

國(guó)內(nèi)裝置故障遠(yuǎn)程監(jiān)測(cè)技術(shù)已取得較大發(fā)展，將信號(hào)處理技術(shù)應(yīng)用到故障監(jiān)測(cè)中，分析補(bǔ)償裝置故障對(duì)電網(wǎng)電路幅值包絡(luò)的影響，獲取故障信號(hào)感應(yīng)規(guī)律，利用廣義變換的方法，診斷補(bǔ)償裝置的補(bǔ)償電容，提取裝置通信信號(hào)時(shí)頻信息，檢驗(yàn)時(shí)頻信息的頻率變化，對(duì)故障電容的位置進(jìn)行定位，實(shí)現(xiàn)故障狀態(tài)的遠(yuǎn)程監(jiān)測(cè)[2]。

在以上理論的基礎(chǔ)上，本文提出基于神經(jīng)網(wǎng)絡(luò)的配變無(wú)功補(bǔ)償裝置故障遠(yuǎn)程監(jiān)測(cè)方法。神經(jīng)網(wǎng)絡(luò)利用分布式并行信息處理方式，調(diào)整補(bǔ)償裝置內(nèi)部節(jié)點(diǎn)的連接關(guān)系，分析裝置故障。

1 基于神經(jīng)網(wǎng)絡(luò)的配變無(wú)功補(bǔ)償裝置故障遠(yuǎn)程監(jiān)測(cè)方法

1.1 采集配變無(wú)功補(bǔ)償裝置狀態(tài)信息

采集配變無(wú)功補(bǔ)償裝置通信信號(hào)，獲取補(bǔ)償裝置的運(yùn)行狀態(tài)信息。設(shè)置監(jiān)測(cè)主站和采集終端，相互交換補(bǔ)償裝置的狀態(tài)數(shù)據(jù)，采集終端使用三層B/S結(jié)構(gòu)，利用具有復(fù)雜邏輯操作的C/S 模式，將多種類型的通訊設(shè)備，連接到補(bǔ)償裝置[3]。采集終端的通信接口采用RS-485 芯片，通過(guò)光電隔離芯片和數(shù)字電路，在RS-485 主控電路中添加壓敏電阻和氣體放電管，以此增加無(wú)功補(bǔ)償裝置靜電放電的抗性，再利用變壓器、隔離電源回路、通信回路、以及RS-485主控電路，為RS-485 電路單獨(dú)供電[4-5]。采取撥號(hào)形式，將監(jiān)測(cè)主站的服務(wù)器接入Internet，通過(guò)中壓電力線載波這一通信信道，接收采集終端的傳輸信號(hào)[6]。此時(shí)補(bǔ)償裝置的采集信號(hào)可表示為

式中：r（t）為t 時(shí)刻，監(jiān)測(cè)主站采集的補(bǔ)償裝置通信信號(hào)；k 為采集信號(hào)的多徑數(shù)目；N 為多徑數(shù)目的總數(shù)量；Ak為第k 條多徑的幅度；tk為第k 條多徑的時(shí)延；pk為第k 條多徑的衰減信號(hào)波形[7]。消除采集信號(hào)的干擾信號(hào)，使用自適應(yīng)數(shù)字濾波器，通過(guò)參數(shù)可調(diào)的方式，對(duì)采集信號(hào)進(jìn)行濾波處理，轉(zhuǎn)換為數(shù)字信號(hào)。對(duì)比數(shù)字信號(hào)和期望信號(hào)，得到誤差信號(hào)，通過(guò)自適應(yīng)干擾消除算法，更新調(diào)整濾波器參數(shù)，輸出干擾程度達(dá)到最小的采集信號(hào)[8]。假設(shè)期望信號(hào)與輸入信號(hào)為聯(lián)合平穩(wěn)過(guò)程，則自適應(yīng)濾波算法為

式中：E 為主通道輸入信號(hào)r（t）的方差；R 為r（t）迭代運(yùn)算的更新量大?。粀 為濾波器最優(yōu)權(quán)值矢量；r′（t）為濾波器t 時(shí)刻的輸出信號(hào)；P 為r（t）的自相關(guān)系數(shù)[9-10]。

1.2 監(jiān)測(cè)無(wú)功補(bǔ)償裝置運(yùn)行參數(shù)

利用傳感技術(shù)，融合處理補(bǔ)償裝置狀態(tài)信息，降低采集數(shù)據(jù)的虛警率和信息熵，在信息狀態(tài)量之間建立聯(lián)系，提高信息狀態(tài)量的有序度，對(duì)裝置運(yùn)行狀態(tài)進(jìn)行一致性描述，以此識(shí)別裝置無(wú)功補(bǔ)償參數(shù)。獲取補(bǔ)償裝置運(yùn)行狀態(tài)的有功功率P，公式為

式中：T 為補(bǔ)償裝置監(jiān)測(cè)周期；u（t）為t 時(shí)刻補(bǔ)償裝置的瞬時(shí)電壓；i（t）為瞬時(shí)電流[11]。補(bǔ)償裝置的無(wú)功補(bǔ)償量Q 為

式中：cosφ1為裝置補(bǔ)償前功率參數(shù)；cosφ2為補(bǔ)償后功率參數(shù)，數(shù)值介于0～1 之間[12]。補(bǔ)償容量應(yīng)滿足的不等式為

式中：P1為最大負(fù)荷日平均有功功率；P2為最大負(fù)荷日平均無(wú)功功率；φ3為采用大負(fù)荷日平均功率因數(shù)[13]。

監(jiān)測(cè)補(bǔ)償裝置的供電線路，比較額定電壓與節(jié)點(diǎn)實(shí)際電壓，計(jì)算電壓偏差百分?jǐn)?shù)ε：

式中：U1為節(jié)點(diǎn)實(shí)際電壓有效值；U2為該供電線節(jié)點(diǎn)，對(duì)應(yīng)標(biāo)稱電壓有效值[14]。利用ε 確定節(jié)點(diǎn)實(shí)際電壓與理論值的偏離程度，當(dāng)偏離程度超過(guò)1%時(shí)，判斷補(bǔ)償裝置供電電壓產(chǎn)生偏離。記錄電壓偏離的越限時(shí)間，計(jì)算該時(shí)間與監(jiān)測(cè)周期的比值，得到補(bǔ)償裝置電壓不合格率，設(shè)置不合格率的最高限值為2%。測(cè)量監(jiān)測(cè)周期內(nèi)的電壓幅值，計(jì)算補(bǔ)償裝置的電壓波動(dòng)率d：

式中：W1、W2分別為監(jiān)測(cè)周期內(nèi)電壓幅值的最大值和最小值；W3為補(bǔ)償裝置額定電壓幅值，設(shè)置電壓波動(dòng)率的最高限值為1%。采用三相電量法，計(jì)算補(bǔ)償裝置的三相電壓不平衡度。電壓不平衡度算子L公式為

式中：M1、M2、M3分別為三相線電壓有效值[15]。補(bǔ)償裝置的三相不平衡度δ 為

設(shè)置三相不平衡度的最高限值為2%。最后監(jiān)測(cè)補(bǔ)償裝置的動(dòng)態(tài)響應(yīng)時(shí)間，過(guò)程如圖1所示。

圖1 裝置動(dòng)態(tài)響應(yīng)時(shí)間示意圖Fig.1 Schematic diagram of dynamic response time of the device

如圖1所示，發(fā)出控制信號(hào)后，裝置響應(yīng)時(shí)間應(yīng)達(dá)到無(wú)功輸出值90%的所用時(shí)間，且沒(méi)有產(chǎn)生過(guò)沖。實(shí)時(shí)監(jiān)測(cè)補(bǔ)償裝置的電能質(zhì)量數(shù)據(jù)，對(duì)無(wú)功補(bǔ)償容量、電壓偏差、電壓波動(dòng)率、三相不平衡度、裝置響應(yīng)時(shí)間進(jìn)行評(píng)估，至此完成無(wú)功補(bǔ)償裝置運(yùn)行參數(shù)的監(jiān)測(cè)。

1.3 基于神經(jīng)網(wǎng)絡(luò)識(shí)別無(wú)功補(bǔ)償裝置故障類型

當(dāng)監(jiān)測(cè)參數(shù)產(chǎn)生異常變化時(shí)，判斷無(wú)功補(bǔ)償裝置發(fā)生故障，對(duì)故障類型進(jìn)行識(shí)別，實(shí)時(shí)跟蹤故障參數(shù)的變化情況，得到故障樣本，傳送到監(jiān)測(cè)主站，利用神經(jīng)網(wǎng)絡(luò)的人工智能算法，對(duì)無(wú)功補(bǔ)償裝置故障進(jìn)行編號(hào)分類。通過(guò)采集終端，采集裝置運(yùn)行狀態(tài)的振動(dòng)信號(hào)，針對(duì)預(yù)處理后的信號(hào)，進(jìn)行小波分解系數(shù)單支重構(gòu)，將振動(dòng)信號(hào)各個(gè)頻段的譜峰能量值，作為補(bǔ)償裝置的故障特征量，從而獲取故障信號(hào)數(shù)值描述的特征信息，得到神經(jīng)網(wǎng)絡(luò)輸入的訓(xùn)練樣本。再利用模糊關(guān)系矩陣和模糊規(guī)則，描述振動(dòng)信號(hào)與故障原因、故障種類之間的關(guān)系，得到補(bǔ)償裝置的主要故障類型，將其作為神經(jīng)網(wǎng)絡(luò)的檢驗(yàn)樣本。確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，初始化各層接點(diǎn)數(shù)量，得到隱藏層和輸出層的輸出值，調(diào)整輸入層至隱藏層的連接權(quán)值，以及隱藏層和輸出層的輸出閾值，計(jì)算實(shí)際輸出值與訓(xùn)練樣本的偏差。多次更新訓(xùn)練次數(shù)，減小輸出值與訓(xùn)練樣本的誤差，實(shí)現(xiàn)裝置故障特征的神經(jīng)網(wǎng)絡(luò)訓(xùn)練，將輸出值與檢驗(yàn)樣本進(jìn)行對(duì)比，識(shí)別無(wú)功補(bǔ)償裝置的故障類型。記錄故障類型和故障時(shí)刻，判斷裝置產(chǎn)生故障的原因，實(shí)現(xiàn)基于神經(jīng)網(wǎng)絡(luò)，無(wú)功補(bǔ)償裝置故障類型的識(shí)別。至此完成基于神經(jīng)網(wǎng)絡(luò)的配變無(wú)功補(bǔ)償裝置故障遠(yuǎn)程監(jiān)測(cè)方法設(shè)計(jì)。

2 實(shí)驗(yàn)論證分析

進(jìn)行對(duì)比實(shí)驗(yàn)，將此次設(shè)計(jì)方法記為實(shí)驗(yàn)A組，兩種傳統(tǒng)無(wú)功補(bǔ)償裝置故障遠(yuǎn)程監(jiān)測(cè)方法，分別記為實(shí)驗(yàn)B 組和實(shí)驗(yàn)C 組，比較三組實(shí)驗(yàn)識(shí)別補(bǔ)償裝置故障的準(zhǔn)確率。

2.1 實(shí)驗(yàn)準(zhǔn)備

以某供電局為實(shí)驗(yàn)對(duì)象，統(tǒng)計(jì)時(shí)段為10月1日～10月15日，選取一條典型的10 kV 配電線路的補(bǔ)償點(diǎn)進(jìn)行無(wú)功補(bǔ)償，具體參數(shù)如表1所示。

表1 實(shí)驗(yàn)參數(shù)設(shè)置Tab.1 Experimental parameter setting

利用無(wú)功補(bǔ)償裝置，在補(bǔ)償點(diǎn)投入相應(yīng)補(bǔ)償容量，此時(shí)配電線路的各點(diǎn)電壓如圖2所示。

圖2 電網(wǎng)線路無(wú)功補(bǔ)償前后電壓Fig.2 Voltage before and after reactive power compensation

三組實(shí)驗(yàn)分別對(duì)補(bǔ)償裝置的運(yùn)行狀態(tài)進(jìn)行監(jiān)測(cè)。實(shí)驗(yàn)A 組對(duì)無(wú)功補(bǔ)償裝置的常見(jiàn)故障進(jìn)行數(shù)字化歸類，劃分為正常狀況和11 種故障狀況，如表2所示。

在表2所示的每種狀態(tài)中，獲取20 組樣本，將前10 組作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本，后10 組作為檢驗(yàn)樣本。提取裝置運(yùn)行時(shí)產(chǎn)生的信號(hào)，處理后提取信號(hào)特征，得到神經(jīng)網(wǎng)絡(luò)訓(xùn)練的輸入值。設(shè)故障信號(hào)的誤差能量為E，此時(shí)神經(jīng)網(wǎng)絡(luò)輸出值與訓(xùn)練樣本和檢驗(yàn)樣本的對(duì)比結(jié)果如表3所示。

表2 無(wú)功補(bǔ)償裝置正常狀態(tài)及常見(jiàn)故障類型Tab.2 Normal state and common fault types of reactive power compensation device

表3 神經(jīng)網(wǎng)絡(luò)實(shí)際輸出值對(duì)比結(jié)果Tab.3 Comparison results of actual output values of neural network

如表3所示，訓(xùn)練樣本和檢驗(yàn)樣本與實(shí)際輸出值的誤差能量值較小，最大誤差能量為2.81E，說(shuō)明訓(xùn)練樣本和檢驗(yàn)樣本與實(shí)際輸出值之間較為吻合，因此實(shí)驗(yàn)A 組將神經(jīng)網(wǎng)絡(luò)輸入端節(jié)點(diǎn)數(shù)量定為10，對(duì)應(yīng)無(wú)功補(bǔ)償裝置的運(yùn)行狀況，以此實(shí)現(xiàn)故障監(jiān)測(cè)具有合理性。

2.2 實(shí)驗(yàn)結(jié)果

2.2.1 第一組實(shí)驗(yàn)結(jié)果

三組實(shí)驗(yàn)采集無(wú)功補(bǔ)償裝置的運(yùn)行狀態(tài)信號(hào)，設(shè)置采樣頻率為50 kHz，信號(hào)時(shí)速為30 km/h，實(shí)際采集的補(bǔ)償裝置信號(hào)頻譜，在2500 Hz 發(fā)生明顯頻率畸變。在此基礎(chǔ)上，利用單邊衰減脈沖信號(hào)模型，仿真裝置故障信號(hào)，設(shè)置故障頻率為2500 Hz，三組實(shí)驗(yàn)采集并處理信號(hào)后，比較異常信號(hào)的中心頻率，實(shí)驗(yàn)結(jié)果如表4所示。

表4 第一組實(shí)驗(yàn)結(jié)果Tab.4 Experimental results of the first group

如表4所示，實(shí)驗(yàn)A 組異常信號(hào)的平均中心頻率為2504 Hz，實(shí)驗(yàn)B 組和C 組的平均中心頻率分別為2538 Hz、2549 Hz，A 組與2500 Hz 更加接近。2.2.2 第二組實(shí)驗(yàn)結(jié)果

在第一組實(shí)驗(yàn)的基礎(chǔ)上，改變占空比，檢驗(yàn)三組實(shí)驗(yàn)提取的故障信號(hào)，與無(wú)功補(bǔ)償裝置故障仿真信號(hào)的相似程度。利用互相關(guān)系數(shù)，衡量故障信號(hào)的提取效果，相關(guān)系數(shù)越大，提取信號(hào)與原信號(hào)越相似，實(shí)驗(yàn)對(duì)比結(jié)果如表5所示。

表5 第二組實(shí)驗(yàn)結(jié)果Tab.5 Experimental results of the second group

如表5所示，當(dāng)占相比增加時(shí)，提取信息的相關(guān)系數(shù)也隨之增加，但實(shí)驗(yàn)A 組相關(guān)系數(shù)一直高于B 組和C 組，平均相關(guān)系數(shù)為0.850，B 組和C 組平均相關(guān)系數(shù)分別為0.783、0.736，A 組相關(guān)系數(shù)分別提高了0.067、0.112。

2.2.3 第三組實(shí)驗(yàn)結(jié)果

三組實(shí)驗(yàn)提取故障信號(hào)特征信息后，識(shí)別無(wú)功補(bǔ)償裝置的故障類型，利用Matlab2010b 軟件平臺(tái)，統(tǒng)計(jì)三組實(shí)驗(yàn)對(duì)不同故障狀態(tài)的診斷結(jié)果，計(jì)算故障診斷準(zhǔn)確率，結(jié)果如表6所示。

表6 第三組實(shí)驗(yàn)結(jié)果Tab.6 Results of the third group

如表6所示，針對(duì)無(wú)功補(bǔ)償裝置的常見(jiàn)故障類型，實(shí)驗(yàn)A 組平均識(shí)別準(zhǔn)確率為98.1%，實(shí)驗(yàn)B 組和C 組識(shí)別準(zhǔn)確率分別為91.0%、86.9%，A 組識(shí)別準(zhǔn)確率分別提高了7.1%、11.2%。

綜上所述，此次設(shè)計(jì)方法相比傳統(tǒng)方法，減少了故障信號(hào)采集頻偏，提高了故障信號(hào)提取效果，采集異常信號(hào)的中心頻率更接近實(shí)際故障頻率，與實(shí)際故障信號(hào)更加相似，在此基礎(chǔ)上提取故障信號(hào)特征量，利用神經(jīng)網(wǎng)絡(luò)識(shí)別故障，提高了無(wú)功補(bǔ)償裝置故障類型的識(shí)別準(zhǔn)確率。

3 結(jié)語(yǔ)

此次設(shè)計(jì)方法利用神經(jīng)網(wǎng)絡(luò)，對(duì)補(bǔ)償裝置故障進(jìn)行識(shí)別，提高了故障診斷準(zhǔn)確率。但此次方法仍存在一定不足，故障參數(shù)監(jiān)測(cè)局限于穩(wěn)態(tài)評(píng)估，在今后的研究中，會(huì)對(duì)比無(wú)功補(bǔ)償裝置的補(bǔ)償性能，實(shí)現(xiàn)暫態(tài)部分的電能質(zhì)量分析。