低時延通信中的變電站電源設備異常振動狀態(tài)智能檢測

陳詠齡

（國網(wǎng)湖北省電力有限公司黃岡供電公司，湖北 黃岡 438000）

0 引 言

隨著電力工業(yè)的快速發(fā)展，變電站作為電力系統(tǒng)的核心組成部分，承擔著變換電壓、分配電能以及保證電網(wǎng)穩(wěn)定運行的重要任務[1]。電源設備是變電站的核心設備，其正常運行對電網(wǎng)的穩(wěn)定運行至關重要。若電源設備發(fā)生故障，則可能會導致停電、電壓波動等問題，嚴重影響供電可靠性和用電質(zhì)量，甚至可能引發(fā)事故并造成損失。因此，及早發(fā)現(xiàn)和解決電源設備運行中的異常情況十分重要，可以提高電網(wǎng)的安全性和可靠性[2]。

電源設備的振動狀態(tài)是反映設備運行狀況的重要指標之一，通過監(jiān)測設備振動可以及時判斷設備是否存在異常情況。早期的設備狀態(tài)檢測方法主要依靠人工巡檢和定期檢測等手段，存在人力成本高、監(jiān)測精度低以及無法實時預警等問題。隨著人工智能技術的發(fā)展，利用物聯(lián)網(wǎng)、傳感器技術和數(shù)據(jù)分析等手段，監(jiān)測和分析電源設備的振動，實現(xiàn)遠程監(jiān)控、實時預警以及故障診斷等功能，提高設備故障的檢出率和診斷準確率。然而，在實際應用中發(fā)現(xiàn)，傳統(tǒng)檢測方法的檢測準確率偏低。針對這一問題，本研究以低時延通信環(huán)境為基礎，設計新的變電站電源設備異常振動狀態(tài)智能檢測方法。

1 變電站電源設備異常振動狀態(tài)檢測

1.1 低時延通信環(huán)境下變電站電源設備的頻率估計

在低時延環(huán)境下，當變電站電源設備產(chǎn)生振動信號時，可以在無線信道中傳輸振動信號的反射波。在不同的傳輸路徑中，反射波信號的到達時間不同，通過疊加相同的信號，可以得到增強的反射波信號[3]。

從發(fā)出時刻起，振動信號通過低時延環(huán)境傳輸，當信號經(jīng)過多徑效應反射后，會形成2個反射面，由此建立的多徑效應計算模型為

式中：li為第i條傳輸路徑的長度；a為計算參數(shù)；c為光速；t為時間。接收到的信號在移動信道中經(jīng)過衰落和多種時延會導致多徑信號的疊加。假設信道內(nèi)保持特征的帶寬表示為f，通常情況下，f的數(shù)值為時延擴展最大值的倒數(shù)。在多徑效應的作用下，接收信號的過程會受到環(huán)境干擾，存在較大幅度的振動，這種情況下，增強信號過程的持續(xù)時間會延長。此時，可以通過捕獲相關信號來提升在低時延環(huán)境下變電站電源設備的振動傳輸頻率。在設定高頻時，假設從n個子載波中選擇一定距離的載波信道[4]。當信道變化緩慢且變電站設備處于正常運行狀態(tài)時，捕獲階段的信號可以表示為

式中：R(e)為經(jīng)過校正后的信道信號；w為同步信道位置；φ為相同子信道中的傳送結果；F為幀數(shù)。通過估計誤差比較閾值的誤差，獲得最后的頻率估計結果[5]。通過對本地節(jié)點的主時隙進行更改，獲得低時延振動信號。該過程中，低時延環(huán)境下變電站電源設備頻率信號的分布情況如圖1所示。

圖1 低時延環(huán)境下變電站電源設備頻率信號的分布情況

1.2 通過時間序列篩選異常數(shù)據(jù)集

以式（2）所得的結果為基礎，形成有序集合X={x1,x2,…,xn}。在實際的變電站電源設備運行過程中，根據(jù)電源設備頻率對應的時間序列特性，分配協(xié)議幀結構[6]。假設R{tn,xn}為數(shù)據(jù)流時間間隔的滑動窗口，對時間序列的不同階段數(shù)進行比較。通常情況下，如果時間取值較小，時間序列X中沒有出現(xiàn)異常改變時，則認為其均勻分布，計算當前時間窗中全部的時間序列，并得到其平均值avg(X)[7]。經(jīng)過平均值avg(X)計算后如果產(chǎn)生一定的偏離，則表示電源設備存在異常的可能性較大。因此，需要在滑動窗口中對異?？赡苄暂^大的數(shù)據(jù)進行選擇[8]。選擇待分析的數(shù)據(jù)點xe，并設定滑動時間為t。選取數(shù)據(jù)點對應的時間序列，根據(jù)滑動窗口的開始時間設定滑動路徑長度為w，計算滑動窗口內(nèi)至數(shù)據(jù)點空間中心這一階段的平均距離，過程為

式中：d(xe)為t時間段內(nèi)數(shù)據(jù)點與數(shù)據(jù)中心之間的距離。設定滑動閾值為k，如果式（3）的計算結果大于等于k，則表示滑動窗口會沿著時間序列后移；如果計算結果小于k，則表示在滑動時間內(nèi)，變電站電源設備存在異常振動數(shù)據(jù)[9]。

為提高異常數(shù)據(jù)的聚類質(zhì)量，設定異常數(shù)據(jù)集合為Q，數(shù)據(jù)集中的數(shù)據(jù)點數(shù)量為n。預處理異常數(shù)據(jù)集，將其拆分為k個對象，并形成K-means聚類。建立聚類目標函數(shù)后，計算聚類簇中的平均值，對聚類質(zhì)量進行評估，計算公式為

建立異常數(shù)據(jù)集的過程中，H值會隨著實際狀態(tài)而改變，當H值為最小時，聚類效果最好[10]。在此基礎上，將異常數(shù)據(jù)進行整合，生成異常數(shù)據(jù)集。

1.3 實現(xiàn)對電源設備異常振動狀態(tài)的檢測

在低時延通信環(huán)境下估計變電站電源設備的頻率后，通過時間序列篩選變電站電源設備異常振動數(shù)據(jù)集。在此基礎上，實現(xiàn)對電源設備異常振動狀態(tài)的檢測，過程如下。

第一步：特征提取。從異常振動數(shù)據(jù)集中提取合適的特征，這些特征包括時域特征（如幅值、均值、方差等）、頻域特征（如頻率分量、譜能量等）、統(tǒng)計特征（如峰度、偏度、自相關等）等。

第二步：特征選擇。根據(jù)信息增益分析方法，選擇最具區(qū)分能力和預測能力的特征。

第三步：數(shù)據(jù)集劃分。將數(shù)據(jù)集劃分為訓練集和測試集，通常采用交叉驗證或留出法劃分，確保評估模型的泛化性能。

第四步：模型選擇和訓練。根據(jù)任務需求和數(shù)據(jù)特點，選擇決策樹算法，將訓練集的特征和標簽（正常或異常）輸入決策樹算法模型，進行模型訓練。

第五步：異常檢測。當有新的未標記數(shù)據(jù)進入，使用已訓練好的模型對其進行異常振動狀態(tài)的檢測。根據(jù)模型輸出的預測結果，通過設定的閾值或其他方式判斷是否為異常狀態(tài)。

2 實驗測試與分析

2.1 搭建實驗環(huán)境

對變電站電源設備在振動過程中產(chǎn)生的異常數(shù)據(jù)進行采集，設置6個小組。其中小組1～小組3運用本文方法，小組4～小組6運用傳統(tǒng)的基于隨機森林的電源設備異常振動狀態(tài)檢方法。運用不同方法對異常數(shù)據(jù)進行檢測，并計算檢測準確率，對比其結果得到在實際應用場景中的檢測效果。通過獲得不同異常振動信號變化量，在采集實驗數(shù)據(jù)后，還需對數(shù)據(jù)進行偏差量化處理，其公式為

式中：ai為時間段內(nèi)對應的幅值特征量；bi為剩余時間段內(nèi)的幅值量；N為幅值點數(shù)量。

搭建變壓器測試環(huán)境，電源部分為接入三相電源的調(diào)壓設備，輸入電壓為350 V交流電，輸出電壓的范圍為0～250 V。振動傳感器用于信號采集，設定傳感器的參數(shù)如表1所示。

表1 振動傳感器參數(shù)

運用幅值特征量，對正常情況與故障情況下的振動數(shù)據(jù)進行采集，具體實物如圖2所示。

圖2 實驗所用傳感設備

將采集數(shù)據(jù)進行預處理得到實驗所用的變壓器異常振動數(shù)據(jù)特征。對變電站的設備進行異常振動狀態(tài)監(jiān)測，得到規(guī)定時間段內(nèi)的異常振動數(shù)據(jù)。

2.2 結果與分析

為避免實驗結果過于單一，將文獻[4]提出的基于W-ReLU的設備異常檢測方法（方法1）、文獻[8]提出的基于振動時頻信號灰度共生矩陣的設備狀態(tài)檢測方法（方法2）作為對比方法，與文章設計方法共同完成性能驗證。

在變電站電源設備的運行過程中，提取規(guī)定時間段內(nèi)變電站電源設備的振動狀態(tài)特征，并獲得異常數(shù)據(jù)結果。將獲取結果與實際結果相對比，計算不同方法的檢測準確率，結果如表2所示。

表2 不同方法的檢測準確率 單位：%

由表2所示的實驗結果可知，文章設計方法的檢測準確率為85.2%～96.6%，方法1的檢測準確率為78.6%～82.6%，方法2的檢測準確率為78.2%～81.0%。相比之下，文章設計方法的檢測準確率更高，說明文章設計方法能夠有效檢測變電站電源設備的異常振動狀態(tài)。

3 結 論

文章在低時延通信環(huán)境下研究了變電站電源設備異常振動狀態(tài)的智能檢測方法。該方法在低時延通信環(huán)境中得到了變電站電源設備頻率的估計值后，通過時間序列篩選變電站電源設備異常振動數(shù)據(jù)集。在此基礎上，將數(shù)據(jù)輸入訓練后的決策樹算法，得到異常振動狀態(tài)檢測結果，并取得了較好的應用效果。