宋佳駿，劉守豹，熊中浩

(大唐水電科學(xué)技術(shù)研究院有限公司，四川 成都 610074)

0 引言

電廠中高壓電氣設(shè)備在長(zhǎng)期運(yùn)行的情況下不可避免會(huì)出現(xiàn)各種各樣的劣化或者故障，對(duì)高壓電氣設(shè)備的實(shí)時(shí)監(jiān)測(cè)和故障預(yù)警不僅能保證設(shè)備的穩(wěn)定運(yùn)行，也能極大程度上提高供電可靠性[1]。隨著信息技術(shù)的發(fā)展，采用數(shù)字信號(hào)處理局部放電信號(hào)的技術(shù)愈發(fā)成熟，目前針對(duì)局部放電類型識(shí)別研究主要目的是提高缺陷識(shí)別精度，復(fù)雜的神經(jīng)網(wǎng)絡(luò)會(huì)占用大量計(jì)算資源，不符合工業(yè)運(yùn)作的實(shí)際需求響應(yīng)。在實(shí)際的監(jiān)測(cè)系統(tǒng)中，必須考慮計(jì)算機(jī)軟硬件資源環(huán)境的復(fù)雜程度以及識(shí)別算法的時(shí)延特性等問(wèn)題[2-3]。

在萬(wàn)物互聯(lián)的大背景下，傳統(tǒng)云計(jì)算處理海量數(shù)據(jù)的能力顯得尤為不足，存在實(shí)時(shí)性不夠、帶寬不足、能耗較大以及數(shù)據(jù)安全性低等問(wèn)題[4-5]。邊緣計(jì)算的出現(xiàn)使得上述問(wèn)題得到有效的解決，針對(duì)局部放電數(shù)據(jù)采樣頻率高、數(shù)據(jù)處理復(fù)雜等特點(diǎn)，本文提出了一種基于邊緣計(jì)算的局部放電模式識(shí)別方法，該方法將模式識(shí)別算法合理分配在邊緣計(jì)算框架中，有效地降低了云端計(jì)算壓力，在保證識(shí)別準(zhǔn)確性的情況下提高了數(shù)據(jù)處理的實(shí)時(shí)性。

1 基于邊緣計(jì)算的局部放電模式識(shí)別系統(tǒng)

1.1 邊緣計(jì)算簡(jiǎn)介

邊緣計(jì)算是指在靠近數(shù)據(jù)源頭邊緣執(zhí)行計(jì)算處理的一種新型計(jì)算模式，邊緣計(jì)算的下行數(shù)據(jù)鏈接云端計(jì)算服務(wù)，上行數(shù)據(jù)鏈接萬(wàn)物互聯(lián)、萬(wàn)物感知服務(wù)，而邊緣是指從數(shù)據(jù)源到云端計(jì)算中心路徑之間的任意計(jì)算和網(wǎng)絡(luò)資源[6]。邊緣計(jì)算的業(yè)務(wù)過(guò)程是對(duì)云計(jì)算的動(dòng)態(tài)擴(kuò)展，將獨(dú)立分散的資源進(jìn)行統(tǒng)一處理，以達(dá)到降低系統(tǒng)能耗，減少系統(tǒng)延遲的目的。在設(shè)備端數(shù)據(jù)冗余時(shí)，通過(guò)篩選、處理、建模等方式減少需要傳輸?shù)皆贫说臄?shù)據(jù)量[7]。

隨著我國(guó)制造業(yè)2025 的進(jìn)一步發(fā)展規(guī)劃，工業(yè)互聯(lián)網(wǎng)已經(jīng)開(kāi)始逐步上升為國(guó)家戰(zhàn)略，工業(yè)互聯(lián)網(wǎng)需要廣泛采集多源異構(gòu)數(shù)據(jù)，基于工業(yè)分析原理以及人工智能方法實(shí)現(xiàn)海量數(shù)據(jù)的深度分析。根據(jù)工業(yè)互聯(lián)網(wǎng)領(lǐng)域技術(shù)特性,采用了邊云協(xié)同的聯(lián)合式結(jié)構(gòu)，實(shí)現(xiàn)終端層、邊緣層、云層的層內(nèi)通信，其標(biāo)準(zhǔn)架構(gòu)如圖1 所示[8]。

圖1 邊緣計(jì)算標(biāo)準(zhǔn)架構(gòu)

1.2 系統(tǒng)架構(gòu)

為了充分利用邊云協(xié)同模式的優(yōu)勢(shì)，將局部放電模式識(shí)別方法高效、實(shí)用地應(yīng)用于工業(yè)互聯(lián)網(wǎng)，本文提出一種基于邊緣計(jì)算的局部放電模式識(shí)別系統(tǒng)，其系統(tǒng)架構(gòu)如圖2 所示。

圖2 基于邊緣計(jì)算的局部放電模式識(shí)別系統(tǒng)示意圖

(1)終端層：現(xiàn)場(chǎng)終端層主要功能是采集回路中產(chǎn)生的脈沖電流波形信號(hào)，再將原始局部放電波形數(shù)據(jù)進(jìn)行濾波處理、特征提取后上傳至邊緣層。主要完成原始數(shù)據(jù)收集、數(shù)據(jù)處理和上傳等任務(wù),并完成了終端底層和邊緣層之間的信息、數(shù)據(jù)互聯(lián)。

(2)邊緣層：邊緣層是系統(tǒng)架構(gòu)的核心，提供一定的計(jì)算及存儲(chǔ)能力，可以完成數(shù)據(jù)篩選、圖形繪制、模式識(shí)別等任務(wù)。邊緣層為系統(tǒng)提供可視化功能服務(wù)，其中搭載的神經(jīng)網(wǎng)絡(luò)模型能夠迅速識(shí)別放電類型。經(jīng)過(guò)處理的數(shù)據(jù)從邊緣節(jié)點(diǎn)匯集到中心云，減小了中心云節(jié)點(diǎn)壓力，增強(qiáng)了系統(tǒng)實(shí)時(shí)處理能力。

(3)云層：云層集成有多臺(tái)高性能服務(wù)器，具有強(qiáng)大的數(shù)據(jù)計(jì)算、數(shù)據(jù)處理、數(shù)據(jù)存儲(chǔ)、模塊迭代更新等功能。云層需要作為全局?jǐn)?shù)據(jù)分析的支撐，其數(shù)據(jù)庫(kù)保存了大量歷史信息，用于大數(shù)據(jù)分析挖掘、數(shù)據(jù)共享，同時(shí)需要完成算法模塊的訓(xùn)練與升級(jí)，而更新后的算法推送至邊緣層，實(shí)現(xiàn)整個(gè)計(jì)算分析模塊的自主學(xué)習(xí)閉環(huán)。

2 局部放電信號(hào)特征提取

2.1 局部放電相位分布譜圖構(gòu)造

本文通過(guò)實(shí)驗(yàn)?zāi)M了電暈放電、懸浮放電、氣隙放電3 種局部放電缺陷模型，采用脈沖電流法采集局部放電模型產(chǎn)生的局部放電數(shù)據(jù)，將濾波后的信號(hào)用于進(jìn)一步分析研究?；谒鶞y(cè)得的局部放電信號(hào)，構(gòu)造放電次數(shù)-放電量-放電相位(n-q-φ)三維譜圖，空間三維譜圖反映的是放電量q、相位φ、放電次數(shù)n 三者之間的關(guān)系，通過(guò)分析三者關(guān)系可以充分挖掘放電類型隱含的信息，進(jìn)而診斷不同的故障類型[9-10]。將代表相位和放電量的坐標(biāo)劃分為256 份，整個(gè)XY 軸被分割為256×256個(gè)網(wǎng)格，統(tǒng)計(jì)分割區(qū)域的放電次數(shù)n(φi、qj)。三維譜圖在邊緣端進(jìn)行繪制并展示，如圖3～圖5 所示。

圖3 電暈放電三維譜圖

圖4 懸浮放電三維譜圖

圖5 氣隙放電三維譜圖

2.2 特征提取

為了有效挖掘不同類型局部放電的潛在信息，本文提取了平均值、均方差、陡峭度、偏斜度、互相關(guān)系數(shù)、放電因素、相位不對(duì)稱度7 種統(tǒng)計(jì)特征量。3 種放電模型的特征參數(shù)提取由設(shè)備層完成。

平均值：

其中，W 為半周期相窗數(shù)，xi為第i 個(gè)相窗的相位，pi為放電概率。

方差：

偏斜度：

其中，△x 為相窗寬度。

放電因數(shù)：

相位不對(duì)稱度：

概率：

其中，yi為譜圖的幅值。

3 基于粒子群優(yōu)化廣義回歸神經(jīng)網(wǎng)絡(luò)(PSO-GRNN)的識(shí)別分析

3.1 廣義回歸神經(jīng)網(wǎng)絡(luò)

GRNN 是徑向基神經(jīng)網(wǎng)絡(luò)的一種，具有很強(qiáng)的非線性映射能力，其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)可被大致分為輸入層(input layer)、模式層(pattern layer)、求和層(summation layer)、輸出層(output layer)4 層，如圖6 所示[11-12]。

圖6 GRNN 結(jié)構(gòu)示意圖

GRNN 的網(wǎng)絡(luò)輸出為：

式中，X為網(wǎng)絡(luò)輸入，Xi、Yi為樣本觀測(cè)值；Y^(X)為網(wǎng)絡(luò)輸出；δ為高斯函數(shù)的寬度系數(shù)，也叫作光滑因子。

GRNN 能夠通過(guò)輸入樣本逼近網(wǎng)絡(luò)隱含關(guān)系，且GRNN 網(wǎng)絡(luò)結(jié)構(gòu)具有極好的非線性映射能力以及很強(qiáng)的魯棒性。且GRNN 的訓(xùn)練非常簡(jiǎn)單，當(dāng)訓(xùn)練樣本輸入隱含層時(shí)，網(wǎng)絡(luò)訓(xùn)練隨機(jī)完成。它的訓(xùn)練不需要迭代，因此更適用于在線數(shù)據(jù)的實(shí)時(shí)處理。GRNN 只有光滑因子一個(gè)自由參數(shù)，整個(gè)算法在云層優(yōu)化和升級(jí)后再搭載至邊緣層。

3.2 粒子群優(yōu)化理論

粒子群算法基于生物群體和進(jìn)化的原理，通過(guò)個(gè)體相對(duì)群體的適應(yīng)度調(diào)整個(gè)體最優(yōu)解。粒子群算法根據(jù)個(gè)體最優(yōu)位置和群體最優(yōu)位置修正粒子自身位置，向整體最優(yōu)目標(biāo)函數(shù)改進(jìn)優(yōu)化[13]。算法首先通過(guò)初始化隨機(jī)種群，個(gè)體粒子經(jīng)過(guò)多次迭代，尋找個(gè)體最優(yōu)解，比較群體歷史最優(yōu)位置，尋找全局最優(yōu)解，由此根據(jù)式(10)和式(11)更新自身狀態(tài)[14]。

式中，xid(t)為第i 個(gè)粒子t 次迭代在d 維上的位置；vid(t)為第i 個(gè)粒子t 次迭代在d 維上的速度；pid(t)為第i 個(gè)粒子t 次迭代中經(jīng)過(guò)的最優(yōu)位置；pgd(t)為所有粒子t 次迭代中經(jīng)過(guò)的最優(yōu)位置；w1為初始慣性權(quán)值；η1、η2為加速常數(shù)，通常取2；r1、r2為0～1 之間的隨機(jī)數(shù)。

在GRNN 識(shí)別模型中，將訓(xùn)練樣本的輸出值與實(shí)際值的均方差作為適應(yīng)度函數(shù)尋找最優(yōu)光滑因子。

3.3 分類識(shí)別結(jié)果分析

本文選擇廣義回歸神經(jīng)網(wǎng)絡(luò)和BP 神經(jīng)網(wǎng)絡(luò)兩種方法對(duì)3 種局部放電進(jìn)行分類識(shí)別實(shí)驗(yàn)，網(wǎng)絡(luò)輸入即為2.2 節(jié)提取的7 種統(tǒng)計(jì)特征參量，從樣本數(shù)據(jù)集中選擇120 組作為訓(xùn)練學(xué)習(xí)樣本，30 組作為識(shí)別算法的測(cè)試樣本。分類結(jié)果及運(yùn)行時(shí)間如表1 所示。

表1 不同識(shí)別方法放電類型識(shí)別結(jié)果

BP 神經(jīng)網(wǎng)絡(luò)是當(dāng)前應(yīng)用最廣泛的人工神經(jīng)網(wǎng)絡(luò)算法，由于BP 神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)多、拓?fù)浣Y(jié)構(gòu)復(fù)雜、訓(xùn)練時(shí)間長(zhǎng)等因素，使得其在工業(yè)互聯(lián)網(wǎng)難以大規(guī)模落地應(yīng)用[15]。相比之下GRNN 網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單，訓(xùn)練速度快，由于云端存儲(chǔ)有大量歷史數(shù)據(jù)以及故障樣本，使得平滑因子的尋優(yōu)效果更好。因此，本文提出基于邊緣計(jì)算的局部放電模式識(shí)別方法能夠更好地服務(wù)于工業(yè)互聯(lián)網(wǎng)系統(tǒng)。

4 結(jié)論

本文充分整合了云計(jì)算和邊緣計(jì)算協(xié)同服務(wù)架構(gòu)的優(yōu)勢(shì)，提出了一種邊云協(xié)同的局部放電模式識(shí)別方法，將平滑因子的優(yōu)化及神經(jīng)網(wǎng)絡(luò)模型更新部署在云端，而將訓(xùn)練好的廣義回歸神經(jīng)網(wǎng)絡(luò)模型部署在邊緣層，解決了系統(tǒng)資源分配問(wèn)題，提高了系統(tǒng)響應(yīng)速度。文中提取了局部放電波形信號(hào)的放電量、放電相位及放電次數(shù)來(lái)繪制PRPD 圖譜，計(jì)算并選取了PRPD 圖譜的7 種特征參量，利用PSO-GRNN 方法對(duì)電暈放電、懸浮放電、氣隙放電3 種放電類型進(jìn)行了識(shí)別。實(shí)驗(yàn)結(jié)果表明，所提模式識(shí)別方法正確識(shí)別率較高、識(shí)別速率快，適合嵌入到邊緣計(jì)算框架中。這種計(jì)算模式能夠在一定程度上滿足人工智能在云體系架構(gòu)中對(duì)計(jì)算和存儲(chǔ)資源的需求，能夠靈活應(yīng)用于工業(yè)互聯(lián)網(wǎng)的各種場(chǎng)景。