窦国贤　高杨

摘   要：在电网系统中，故障检测是关系到电网正常运行的关键。采用小波变换实现对原始电网信息系统采样信号的特征提取，然后使用遗传算法对最为重要的特征的进行优化和搜索，优化后的数据输出至神经网络模型，神经网络模型对接收到的数据信息进行状态识别、特征分类，有效地提高了分类的准确性和故障诊断的可靠性。试验数据显示本设计的方案大大提高了计算速度，有利于用户快速从电网数据中把握重要信息，分析影响电网信息自动化系统故障数据信息，从而从根源上解决智能电网运行过程中存在的问题。为智能电网的健康、绿色运行提供较为有价值的技术保障，同时也具有较好的学术研究意义以及工程应用价值。

关键词：电网信息系统;故障检测;小波变换;遗传算法;神经网络模型;自动化

中图分类号：TP24                                             文献标识码：A

An Fault Fusion Monitoring Technology

for Improved Grid Information System Automation

DOU Guo-xian？覮，GAO Yang

（Anhui Jiyuan Software Co.，Ltd.，Lu'an，Anhui 230088，China）

Abstract：In the grid system，fault detection is the key to the normal operation of the grid. In this paper，the wavelet transform is used to extract the features of the original grid information system sampling signals，and then the genetic algorithm is used to optimize and search the most important features. Then use genetic algorithms to optimize and search for the most important features，the optimized data is output to the neural network model. The neural network model performs state recognition and feature classification on the received data information，which effectively improves the accuracy of classification and the reliability of fault diagnosis. The test data shows that the design of this paper greatly improves the calculation speed，which helps users to quickly grasp important information from the grid data，analyzes the fault data information affecting the grid information automation system，and solves the problems in the operation of the smart grid from the root cause. Therefore，the problems existing in the operation of the smart grid are solved from the root cause，which provides a valuable technical support for the health and green operation of the smart grid. It also has good academic research significance and engineering application value.

Key words：Grid information system;fault detection;wavelet transform;genetic algorithm;neural network model;automation

隨着电网技术和应用的发展加快，电网信息系统的规模和用户量与日俱增，电网结构也越来越复杂，这对电网的故障诊断提出了更高的要求[1-4]。 在电力应用中，电网结构及其运行状态错综复杂，电网拓扑结构也扑朔迷离，使得用户面对电网故障大数据时，难以捕捉隐含在电网数据中不计其数的不确定性因素，从而不有利监控电网的健康、良性发展[5-8]。众所周知，在大规模的电网系统应用中，故障现象是非常普遍的，也是难以避免的，因此，故障检测和诊断水平直接影响电网的健康、良性运行，其关系到用户的切身利益，如何有效提升电网信息故障检测技术是目前亟待解决的技术问题[5-7]。

目前，常用的故障检测和诊断方法仅仅是对电网信息中的单个组件（比如励磁系统及其调节器、原动机及其调节器、同步发送机以及电力负荷）进行检测，检测技术也仅仅局限于初级层次[8-10]，检测数据仅仅反映出单个部件的故障特征，无法从全局衡量，故障检测和诊断结果过于片面，难以提高故障诊断的可靠性，这就降低了对电网信息把控的能力。

1   故障融合检测技术方案

提出一种将小波变换与遗传算法、BP神经网络相结合的故障融合检测技术，能够自动从整体上全面检测电网信息系统的故障信息，提高了故障信息检测的准确性和可靠性。在本方案构架中，主要包括数据层、信息融合层、信息检测层和系统应用层，如图1所示。

图1   故障融合检测技术方案架构

在电网信息系统中，比较常用的电力信息系统也被称为电能生产与消费系统，电能生产与消费系统通常由发电、变电、输电、配电和用电等环节组成，能够将现有的一次能源经由发电动力装置（例如锅炉、汽轮机、发电机、电厂辅助生产系统等）转化成二级能源，再将转化后的二级能源经过输电系统、变电系统分配、运输到各个负载中心。因此，在该层，提取电网信息系统中各个模块的故障数据，以便于下一步进行数据融合。电网信息系统包括很多的模块单元，在本文仅仅罗列励磁系统及其调节器、原动机及其调节器、同步发送机、电力负荷作为示例性说明，以阐述本文设计的技术方案。故障数据包罗万象，类型繁多，比如开关打开、开关闭合、闸刀分开、闸刀闭合、设备带電、设备不带电、电压含量、电流含量、功率参数、转速数据、汽温参数、汽压参数、流量参数、真空度、设备温湿度、温升、温降等。这些都是影响故障的因素。将上述数据提出之后，然后在融合层进行故障数据融合，完成数据融合后的数据通过信息检测层来进行故障数据检测。此过程在后续章节中将做详细描述。最后检测后的数据通过数据管理调度平台提供给用户应用，用户也可以通过Internet网络将检测后的数据传递到远程数据监控中心，供更高一层的信息管理进行综合处理。

2   融合检测方法

首先建立融合检测模型，如图2所示。本技术方法采用小波变换函数提取电网信息系统中的参数，比如励磁系统及其调节器参数、原动机及其调节器参数、同步发送机参数、电力负荷参数等。将所提取的各个模块的数据输入至遗传算法模型，根据遗传算法对输入的特征参数进行搜索，寻找最为关键的特征参数，并将故障信息融合，同时设置目标信息特征，然后将遗传算法搜索找的最关键的特征参数与设定的目标特征共同作为计算的训练样本输出，输出参数信息通过BP神经网络模型进行数据训练，最终得出电网信息系统中的各个参数的状态识别和故障诊断。

下面对融合检测技术方案进行详细说明。

2.1   小波变换计算

小波变换具有多分辨率的结构特点，能够从粗到细地观察输入信号，在时域频域具有表征信号的局部特征能力，有利于检测信号的瞬态或奇异点。

假设定义小波变换函数为：

ψa（t） = （1/a）*ψ（t/a）        （1）

式（1）表示在时域、频域范围内具有良好局部化特性的伸缩小波函数，对式（1）进行卷积分计算，得出：

Wx（a，t）={ x，ψa（t）}=Wxa（t）=ψa（t）*x（t）   （2）

在上式中，a表示将特定基函数压缩或伸展的尺度，计算时，a控制平滑量或分辨率，a的取值不易过小，a太小时，在进行特征提取时，敏感度过大，容易发生轮廓局部奇变;a的取值也不易过大，a太大时，容易易使波形发生失真，使有价值的局部结构化信息丢失，造成计算失误。

图2   融合检测模型结构图

在上式中，t表示a沿着x轴进行的平移位移量。在计算时，参数t表示导数运算时的空间位置，假设 t处于波形明显跳变点周围，上述的子波变换可输出一个峰值，波形局部升起部位的空间位置、宽度、强弱以及跳变方向等波形结构化信息则可显而易见。

然后对输入的数据进行小波变换首选选择小波基，其中假设小波基ψt为平滑函数θ（t）的一阶导数：则：

ψt = dθ（t）/dt      （3）

而θa（t）=（1/a）* θ（t/a）               （4）

那么ψa（t） = adθa（t）/dt                 （5）

然后将电网信息系统的相关参数x（t）关于ψt进行小波变换为：

Wx（a，t） = x*ψa（t） = x*（adθa /dt）*（t）

= ad（x*θa）*（t）/dt                （6）

最终得出小波变换的值。通过利用小波变换，比利用傅立叶变换具有很多优势，能够抑制噪声的干扰，提高特征提取的精度，准确度高，性能稳定。

2.2   遗传算法模型

遗传算法（Genetic Algorithm，GA）一种借鉴生物界自然选择和自然遗传机制的随机化搜索算法。其本质是一种高效、并行、全局搜索的方法，在搜索期间自动地获取、积累关于搜索空间的相关知识，并自适应地通过控制搜索过程，来求出最佳解，下面根据融合数据，并利用遗传算法计算作进一步介绍。

（1）编码，在开始进行遗传算法时，首先对所选参数进行编码;其中编码主要包括二进制编码法、浮点编码法、符号编码法等。在本文计算时，采用二进制编码来实现遗传算法的开始工作，假设变量的最大值为31，可采用5位来表达全部的值。

即：x = 6   00110;

（2）产生初始群体;

根据上述计算结果产生初始群体为：

01101     11000    01000  10011

（3）评价个体的适应度

根据适应度函数评价个体适应度，采用的适应度函数为：

P = fi /∑fi        （6）

（4） 选择运算

假设第0代数据如表1所示：

表1   第0代数据

根据公式（6）计算得出：

适应值 f（13） = 169;

p = 169/（169 + 576 + 64 + 361） = 0.1444

在选择概率的时候，

（5）按照遗传规律选择遗传算子

在本文中，采用最佳保留选择方法选择遗传算子，首先按轮盘赌选择方法进行遗传算法具备的选择操作，然后将当前故障融合数据群体中适应度最高的数据结构完整无缺地复制到下一代的群体中。

（6）配对交配

按照表2交配位进行交配：

表2   交配位配置数据

然后生成第一代，如表3所示。

表3   生成的第一代数据

（7）对群体变异

对群体的变异运算是对个体的某个基因座上的基因值按一些较小的概率而进行改变，基于此，可以产生新的个体。在本文中，采用基本位变异的方法实施变异运算，在计算时，首先要确定出不同个体基因变异的位置，然后依照一定的概率计算，将变异点的原有基因值反转取值。如图3所示，图3为遗传算法步骤示意图。

图3   遗传算法步骤示意图

通过遗传算法能够以全局的方式搜索电网信息系统数据，快速地搜索出最优解。通过遗传算法能够更好地解决电力系统中的多变量、非线性、不连续、多约束的优化不良的问题。

2.3   BP神经网络计算

通过遗传算法之后，在利用BP神经网络计算模型计算，其采用反向传播算法将误差数据反向传播，以获取更高的学习效率，如图4所示。

图4   基于BP神经网络模型的学习机构

假设输入的遗传算法最优数据样本集X1、X2、..Xn寻找一个W*，将f（W*Xi）*Xi与输出Yi最大程度地接近，令f为激励函数。则误差函数表示为：

e = ■*∑n    i=1（Yi - Yi*）2      （7）

调节误差e时，如果将误差调整到最小值，可以通过求导数来处理，下降梯度可以为：

在上述学习、训练中，每次修改权重矩阵W均通过求误差函数的偏导（也叫梯度梯度）来实现。这种方式比直接通过误差计算来调整具有更好的适应性。

3   检测试验及分析

设置 4 台异步电动机，其额定功率为 5 kW、转差率 s = 12 % 、额定转速为 1 450 rad/ min ，在4 台异步电动机中，2台正常，另外2台人为破坏，为故障电动机。在工频为50 Hz、 采样频率为2 000 Hz、采样点数为10 000 个的情况下，分别使用传统技术方案和采用本文融合检测技术方法进行试验，通过信号发生器，得出以下波形。

t/ms

图5   传统方法异步电动机定子电流波形

t/ms

图6   本文方法异步电动机定子电流波形

f/Hz

图7   传统方法异步电动机定子电流频谱

f/Hz

图8   本文方法异步电动机定子电流频谱

通过上述波形分析，经过本文设计的方法处理的波形更加精确。有助于用户分析数据，提高电网信息系统检测能力。

4   结  论

基于小波变换的思路提出电网信息系统自动化融合检测技术，并在小波变换的基础上结合遗传算法和BP神经网络模型算法，提高融合故障诊断的精确性。克服了传统技术中存在数量庞大的输入特征信息造成的网络计算量偏差较大，实时性较差，故障检测准确度低下的技术问题。试验数据显示本方法能够将原始输入样本数据按不同属性、等级进行分类，并根据特定的电网信息系统的应用场景正确地选择提取特征信息，提高了故障检测的精确性、可靠性，有助于用户进一步研究、分析电网故障事件。

参 考 文 献

[1]    郝建新. 基于小波变换与Retinex的电路板红外图像增强技术[J]. 红外技术，2015，（12）：1036—1040.

[2]    郝然，艾芊，肖斐. 基于多元大数据平台的用电行为分析构架研究[J]. 电力自动化设备，2017，37（8）：26—33.

[3]    王远，陶烨，蒋英明，等. 智能电网时序大数据实时处理系统[J]. 计算机应用，2015，（z2）：93—97.

[4]    刘广一，朱文东，陈金祥，等. 智能电网大数据的特点、应用场景与分析平台[J].南方电网技术，2016，10（5）：102—110.

[5]    袁圃，毛剑琳，向凤红，等.  改进的基于遗传优化BP神经网络的电网故障诊断[J/O].电力系统及其自动化学报，2017，29（1）：118—122.

[6]    冉亮，李炜，孙向聚. 基于大数据技术的智能电网系统应用研究[J].自动化与仪器仪表，2017，（9）：182—183.

[7]    孙慧影，林中鹏，黄灿，等. 基于改进BP神经网络的矿用通风机故障诊断[J]. 工矿自动化，2017，43（4）：37—41.

[8]    葛磊蛟，王守相，瞿海妮. 智能配用電大数据存储架构设计[J]. 电力自动化设备，2016，36（6）：194—202.

[9]    雷静，余斌. 基于信息融合和神经网络的煤岩识别方法[J].工矿自动化，2017，43（9）：102—105.

[10]  马天兵，王孝东，杜菲，等. 基于小波包和BP神经网络的刚性罐道故障诊断[J]. 工矿自动化，2018，44（8）：76—80.