強電磁干擾環(huán)境中的水利泵站漏電保護器服役狀態(tài)智能預測方法

買小虎

(甘肅水務節(jié)水科技發(fā)展有限責任公司，甘肅 蘭州 730000)

水利泵站的漏電保護器是重要的安全設備，能夠在泵站線路發(fā)生漏電事故時，快速切斷電源，保障泵站設備與人員的安全。通過預測保護器的服役狀態(tài)，能夠在保護器正常運行的狀態(tài)下，檢測出電路中的漏電情況，從而實現泵站的安全運行。為此，研究人員設計了多種預測方法。其中，基于馬爾可夫過程的水利泵站漏電保護器服役狀態(tài)智能預測方法，以及基于樣本熵重構與RF-LSTM模型的水利泵站漏電保護器服役狀態(tài)智能預測方法的應用較為廣泛。

基于馬爾可夫過程的水利泵站漏電保護器服役狀態(tài)智能預測方法，主要是利用馬爾可夫過程建立狀態(tài)轉移模型，準確描述保護器服役狀態(tài)，從而實現狀態(tài)智能預測[1]?；跇颖眷刂貥嬇cRF-LSTM模型的水利泵站漏電保護器服役狀態(tài)智能預測方法，主要是利用SER-RF-LSTM建立混合預測模型，得到服役狀態(tài)的重構特征分量，從而實現保護器狀態(tài)的準確預測[2]。以上兩種方法均存在一定的弊端，影響最終的預測效果[3]。因此，本文在強電磁干擾的環(huán)境下，設計了水利泵站漏電保護器服役狀態(tài)智能預測方法。

1 基于強電磁干擾的漏電保護器服役狀態(tài)預測方法設計

1.1 建立水利泵站漏電保護器服役狀態(tài)預測空間

在水利泵站正常運行時，受到泵站運行情況影響，漏電保護器的服役狀態(tài)存在轉移的情況[4]。隨著漏電保護器役齡的增加，保護器將出現拒動、誤動、自檢等狀態(tài)，將上述狀態(tài)進行預測，從而滿足保護器的運行需求。本文建立服役狀態(tài)預測空間，見圖1。

圖1 漏電保護器服役狀態(tài)空間示意圖

圖1中，μp為保護器修復狀態(tài)；μj為保護器維護狀態(tài)；μ1為故障修復狀態(tài)；λj為拒動狀態(tài)；J為檢修狀態(tài)。漏電保護器處于不同狀態(tài)，泵站工作狀態(tài)也不同。

狀態(tài)1時，水利泵站正常工作，漏電保護器正確不工作。

狀態(tài)2時，水利泵站線路退出，保護器處于檢修狀態(tài)，分別為緊急檢修、計劃性檢修，滿足檢修周期的保護服役狀態(tài)獲得重置[5]。

狀態(tài)3時，泵站線路正常工作，保護器不可自檢，拒動失效。

狀態(tài)4、6時，泵站正常，保護器無法拒動，服役狀態(tài)失效。

狀態(tài)5、9、10時，泵站相關故障被隔離，保護器預測為誤動狀態(tài)。

狀態(tài)7時，泵站設備發(fā)生故障，保護器預測為拒動狀態(tài)。

狀態(tài)8時，泵站設備發(fā)生故障，保護器預測為正常動作狀態(tài)[6]。

狀態(tài)11時，泵站設備故障得到修復，保護器動作正常。

狀態(tài)12、13時，泵站設備隔離后，保護器動作正常。在智能預測的過程中，漏電保護器處于何種服役狀態(tài)，均會在狀態(tài)空間中顯示出來。根據狀態(tài)空間得到的服役狀態(tài)情況，避免預測失誤的問題。

1.2 基于強電磁干擾環(huán)境預測漏電保護器服役狀態(tài)時域

服役狀態(tài)時域信號能夠反映保護器的物理狀態(tài)，從而確保狀態(tài)預測結果的準確性[7]。從漏電保護器服役狀態(tài)信號的時域與頻域信號中，獲取保護器各元件之間的互連關系，從而確保服役狀態(tài)預測的準確性。假設強磁干擾為δ，則信號帶寬B可表示為

B=δ/Tr

(1)

式(1)中，Tr為時域波形上升時間。Tr越短，B越大，δ越大。在此條件下，預測服役狀態(tài)的時域序列，公式如下：

(2)

式(2)中，y(Tr)為服役狀態(tài)的時域序列；αi為自回歸系數；i為第i個服役狀態(tài)值；p為回歸階數。根據y(Tr)，智能分析漏電保護器拒動作與誤動作的概率(見表1)。

表1 漏電保護器拒動作與誤動作的概率

表1顯示，在智能預測的過程中，漏電保護器動作電流不大于30mA，工作時間不大于0.1s，預測為正常動作狀態(tài)；動作電流大于30mA，工作時間大于0.1s，預測為異常動作狀態(tài)，越限報警，確保水利泵站的安全運行。將靈敏度、精準度作為智能預測方法的指標，靈敏度計算公式如下：

(3)

式(3)中，Se為智能預測方法的靈敏度指標；TP為保護器處于狀態(tài)1，被正確預測為狀態(tài)1的數量；P為實際為狀態(tài)1的數量。預測精度計算公式如下：

(4)

式(4)中，Ac為服役狀態(tài)智能預測的精度；TN為保護器處于狀態(tài)1，但被錯誤地預測為狀態(tài)2的數量；Al為總樣本數。Se越高，預測效果越佳。Ac越高，預測效果越佳。

2 實驗分析

為了驗證本文設計的方法是否滿足水利泵站漏電保護器服役狀態(tài)智能預測需求，本文對上述方法進行了實驗分析。最終的實驗結果則以文獻[1]基于馬爾可夫過程的水利泵站漏電保護器服役狀態(tài)智能預測方法、文獻[2]基于樣本熵重構與RF-LSTM模型的水利泵站漏電保護器服役狀態(tài)智能預測方法，以及本文設計的基于強電磁干擾環(huán)境的水利泵站漏電保護器服役狀態(tài)智能預測方法進行對比的形式呈現。具體的實驗準備過程以及最終的實驗結果介紹如下。

2.1 實驗過程

本次實驗以水利泵站的真實數據為主，確保預測結果的真實有效性。將漏電保護器的服役狀態(tài)分為正常與異常兩種，根據動作狀態(tài)預測服役狀態(tài)(見圖2)。

圖2 漏電保護器服役狀態(tài)智能分析框圖

如圖2所示，本次實驗根據服役狀態(tài)智能分析情況，設定相關指標，確定最終的預測結果是否準確。其中，Se表示智能預測的靈敏度，用于敏感地預測漏電保護器狀態(tài)變化，并及時發(fā)出預警、故障信號；Ac表示智能預測的精準度，用于準確地預測出保護器的服役狀態(tài)，避免正常工作狀態(tài)與故障狀態(tài)混淆的情況；V表示智能預測的可解釋性，表示智能預測方法能夠提供的可解釋的預測結果，根據漏電保護器內部工作機制與輸出結果評估預測值，進一步確保預測準確性，V越高，預測效果越佳；T表示狀態(tài)預測的實時性，T越小，預測效果越佳。

2.2 實驗結果

在上述實驗條件下，本文隨機選取出低、中、高三種強度的電磁干擾，并將運行數據采集周期設定為1h、2h、3h，能夠滿足本次實驗需求。在其他條件均已知的情況下，將文獻[1]基于馬爾可夫過程的水利泵站漏電保護器服役狀態(tài)智能預測方法的性能指標、文獻[2]基于樣本熵重構與RF-LSTM模型的水利泵站漏電保護器服役狀態(tài)智能預測方法的性能指標，以及本文設計的基于強電磁干擾環(huán)境的水利泵站漏電保護器服役狀態(tài)智能預測方法的性能指標進行對比(見表2)。

表2 電磁干擾強度實驗結果

表2顯示，采用文獻[1]基于馬爾可夫過程的水利泵站漏電保護器服役狀態(tài)智能預測方法，在電磁干擾強度從低到高的過程中，Se、Ac均有一定程度的下降，T有一定程度的上升，只有V保持穩(wěn)定。由此可見，該方法在可解釋性方面具有優(yōu)勢，但是整體預測水平較低，不利于漏電保護器的正常運行。

采用文獻[2]基于樣本熵重構與RF-LSTM模型的水利泵站漏電保護器服役狀態(tài)智能預測方法，在電磁干擾強度同樣從低到高的過程中，Se、Ac、V的值較之文獻[1]預測方法有所提升，T的值較文獻[1]預測方法有所下降，由此可見，該方法的預測性能優(yōu)于文獻[1]方法，但仍存在隨電磁干擾的變化而變化的情況，亟須對其進一步優(yōu)化。而采用本文設計的基于強電磁干擾環(huán)境的水利泵站漏電保護器服役狀態(tài)智能預測方法，在電磁干擾強度從低到高的過程中，Se、Ac、V、T的值均處于較為穩(wěn)定的狀態(tài)，Se、Ac、V相對較高，T相對較低。由此可見，本文設計的方法具有較高的預測水平，能夠滿足漏電保護器服役狀態(tài)預測需求。

3 結 語

受到電磁干擾環(huán)境的影響，水利泵站的安全運行面臨著重大挑戰(zhàn)。本文設計了在強電磁干擾環(huán)境下，水利泵站漏電保護器服役狀態(tài)智能預測方法。從預測空間、時域預測兩個方面，對漏電保護器的運行數據進行智能分析，實現了真正意義上的服役狀態(tài)的準確預測。