陆嘏骁

摘 要：随着大数据时代的到来，随着智能电网的不断发展，现代监测管理技术已经越来越受到关注。本文系统地论述了电气设备监测管理技术的现状与发展，阐述了电气设备监测管理技术系统的组成结构，在此基础上，深入讨论电气设备实行在线监测与智能管理过程中将遇到的问题和瓶颈，并对未来的发展前景提出看法。

关键字： 电气设备在线监测传感器信息传输智能决策

中图分类号：S972文献标识码： A

1、引言

这是个充满数据的时代，大至国家规划，小到日常生活，点滴的行动都会产生大量数据。当然，作为电网企业，每天产生的数据量更是惊人。可是，这些海量的数据是怎样产生的？数据背后又意味着什么？如果将这些庞大的数据进行整合、分析、归纳后，又将形成怎样的变化？本文将对电气设备数据产生的源头：监测管理技术进行重点讨论、分析和展望，以便将监测管理技术与大数据技术相融合，促进智能电网的更好发展，为今后电网的智能管理开拓新的研究领域。

2、监测管理概述

“监测”一词的含义是为了特殊的目的而进行的注视、观察与校对。电气设备的监测管理技术是利用各种传感器和测量手段对反映电气设备的物理、化学量进行检测，并通过现代的计算机网路智能分析技术，用以判断电气设备的运行情况是否在稳定正常范围内，对运行趋势进行科学甄别分析，并能精确、快速地寻找到故障位置，准确、便捷地分析出故障原因，以便做到对电气设备的全方位、全寿命的精准、高效管理。

3、监测管理现状

电气设备的在监测模式经历了从单机监测到分布式监测，再到最新的的基于网路的远程监测这样的一个发展过程。

以下是目前常见的监测管理系统的主要构成功能图

图1 常见的监测管理系统的主要构成功能图

目前的在线监测管理技术基本有以下几部分构成：

1）传感技术：传感器是一种能把物理量或化学量转变成便于利用的电信号的器件。传感器的选择取决于被测对象的特征及选用监测方法。通常要求传感器具有较强的抗干扰能力、对环境变化的耐受能力、高灵敏度的能力以及非侵入性等特点。

2）信息采集：是指将传感器收集的模拟量，转换成数字量，由计算机进行存储、处理、打印的过程，采集的任务包括对传感器输出信号的去噪、选取、滤波、模／数转换以及对传感器的补偿和校正等。此外还涉及到数据通信技术和微型处理器等技术。

3）数据分析：数据监测一般包括参考模型和故障特征提取两种方法。前者将测量结果与基于数学仿真模型或人工智能等方法的预测模型进行比较得出结论。故障特征提取方法主要是通过时／频分析，小波变换等数字信号处理技术而获得。

4）智能决策：智能决策系统是一种基于人工智能的计算机监测管理系统。它能模拟故障智能决策的思维方式运用已有的故障诊断技术知识和专家经验，对收集到的电气设备的数据等各种信息进行归纳和挖掘，从而作出推理和判断，并能不断修改、补充知识以完善决策系统。

以下是某公司设计的一套成型的变电站电气设备在线监测智能管理系统的功能图。

某公司设计的SIM3监测系统功能图

4、目前的难点及发展趋势

随着现代数学、信息科学、计算机技术、电子技术、人工智能技术、网路技术等科学技术的交叉发展，现代测量、控制、自动化技术的不断完善，在线监测与诊断已成为一门独立的新兴学科。

目前国内多数在线监测与诊断功能还比较单一。随着传感器技术的日趋成熟，为电气设备在线监测提供更多的数据支撑，今后电气设备的监测不再是简单的电气量（电压、电流、有功、无功等 ）监测，而是引入物理量（温度、速度、流量、压力等）、化学量（离子、PH值等）、生物量（酶、抗原、抗体、微生物、细胞等）的监测。

今后在线监测技术的发展趋势应是向多功能多参数的综合智能传感器和自主学习型智能决策系统的进一步开发研究。智能传感器是具有信息处理功能的传感器,带有微处理机,具有采集、处理、交换信息的能力,是传感器集成化与微处理机相结合的产物，并在不断积累监测数据和诊断经验的基础上，发展人工智能技术、建立人工神经网络和专家系统实现诊断的全部自动化。

当然发展也将遇到一些难点：

1）传感器的选型

随着传感器技术的日趋成熟，为电气设备在线监测提供更多的数据支撑，今后电气设备的监测不再是简单的电气量（电压、电流、有功、无功）监测，而是引入物理量（温度、速度、流量、压力）、化学量（气味）、生物量的监测。

针对传感器的分类，不同的被测量可以采用相同的测量原理，同一个被测量可以采用不同的测量原理。因此，必须掌握在不同的测量原理之间测量不同的被测量时，各自具有的特点。

常用的基本物理量和派生物理量。

表1-1常用的基本物理量和派生物理量

基 本 物 理 量 派 生 物 理 量

位移 线位移 长度、厚度、应变、振动、磨损、不平度

角位移 旋转角、偏转角、角振动

速度 线速度 速度、振动、流量、动量

角速度 转速、角振动

加速度 线加速度 振动、冲击、质量

角加速度 角振动、扭矩、转动惯量

力 压力 重力、应力、力矩

时间 频率 周期、计数、统计分布

温度 热容量、气体速度、涡流

光 光通量与密度、光谱分布

但是面对种类众多的传感器，对于电气设备怎样选择具体机构的运行参数，对于运行参数怎样提取准确的状态信号，又怎样从经济价格角度综合选用对应的传感器，目前还没有统一固定的模式。

比如对于电网传输的重要设备——变压器，就有很多种测取信号的方式，如下表格：

表1-2变压器状态在线监测的项目

变压器状态在线监测的项目 备注

项目 方式一 方式二

1 绕组温度多点测量 局部放电测量和定位

2 铁心温度测量 油中溶解气体测量和分析

3 油量、油位、油温测量 油量、油位、油温测

4 绕组输入、输出电压、电流、

有功、无功监视 有载分接开关的触头

磨损测量

5 绝缘分解物测定 电气回路的完整性测

6 内部局部放电量检测和位置判断 变压器绕组变形在线监测

7 冷却系统检测。 全箱体温度测量

2） 智能决策系统的研发

目前已研究的智能系统模型有：基于规则的智能决策系统、基于实例的智能决策系统、基于行为的智能决策系统、基于模糊逻辑的智能决策系统和基于人工神经网络的智能决策系统

但是这些理论都有各自的缺陷、发展瓶颈和实践难点。目前比较流行的方法是将模糊算法、神经网络和遗传算法三个领域综合在一起，利用模糊理论来处理诊断领域的模糊性问题，利用遗传算法来优化网络结构和隶属函数，多领域的共同研究，可以有力的促进不同领域之间的交叉渗透和共同发展。

智能决策系统的核心问题是它的学习能力问题，知识的自动获取一直是故障智能决策系统的难点，解决知识获取的途径是机器学习，即让机器能够在实际工作中不断地总结成功和失败的经验教训，对知识库中的诊断知识进行调整和修改，以丰富和完善系统知识。机器学习是提高智能决策系统的主要途径，也是提高决策系统智能性的重要标志。随着神经网络隐节点和反向传播算法及连接机制学习蓬勃发展，传统的符号学习与连接机制已经逐步被取代。基于生物发育进化论的进化学习系统和遗传算法，因吸取了归纳学习与连接机制学习的长处而受到重视。基于行为主义的强化学习系统因发展新算法的应用连接机制，学习遗传算法的新成就发展也十分迅速。数据挖掘研究的蓬勃发展，为从计算机数据库和计算机网络提取有用信息和知识提供了新的方法，已经取得了许多有价值的研究和应用成果。

因此，发展和完善现有的机器学习方法，探索新的学习方法，建立实用的机器学习系统，特别是多种学习方法协同工作的诊断系统，将是今后研究的一个重要方向。

6、结束语

总之，随着大数据时代的到来，电力工业也正发生着巨大的改革，微电子、计算机、智能技术和网络技术的不断发展完善，电气设备的在线监测与智能管理技术的准确性会越来越高、操作使用越来越方便，对于供电企业来说既能节约电气设备的维护成本，又能提高设备运行效能，更能保证电网运行的安全性和稳定性，避免发生重大停电事故发生，造成巨大的经济损失和社会影响，因此在线监测与智能管理必将是发展的必然趋势。

参考文献：

1、叶庆ㄎ何蔼┍涞缭诵谐＜故障分析 2010

2、机械设备故障诊断技术振动、冲击、噪声国家重点实验室(上海交通大学) 2005

3、夏虹.《设备故障诊断技术》.哈尔滨工业大学出版社2010

4、秦申蓓 电力变压器状态在线监测技术2000

5、DUVAL M. A Review of Faults D etectab le by Gas- in - oil Analys is in T rans form ers [ J ] . E lectrical Insu lation Magazin e, IEEE, 2002