电子通信指挥系统电源线路故障诊断研究

2021-01-25满芳芳李安麒

通信电源技术 2020年18期

满芳芳，李安麒，布和

（中国人民解放军96922部队，辽宁大连 116000）

0 引言

电子通信指挥系统在突发事件中是政府的应急通信的重要组成部分，而其中电源线路在常规情况下通常不会使用，容易出现故障，导致在突发情况下无法使用，因此需要对其电源线路故障进行诊断[1]。国外对线路故障诊断研究中早期通过数学分析法对人为制造的故障进行了故障诊断试验，后期则开始研究了人工智能技术在故障诊断上的可能性，而随着计算机技术的发展，故障诊断技术也开始逐步成熟[2]。而国内在该方面起步较晚，虽然随着研究也提出了运用模型，对线路中的数据进行带入，得出故障情况，但该方法存在很多局限性，而智能化的故障诊断技术又往往存在着成本过高的问题[3]。

1 电源线路故障诊断方法

1.1 线路电弧特性分析

考虑到在线路故障发生时，往往存在瞬时性短路，而当在电源线路中的接地故障出现时，因故障点和线路电源上保持联系，系统电源的故障点处会和大地形成故障回路，在电弧特性上会反映出一个幅值很大的电流压降[4]。而当系统电源线路属于正常工作的情况下，电弧通常比较稳定。电弧压降仅仅在弧柱有较小的反应，弧角上几乎没有变化。那么在电弧特性的分析中，去监测电弧动态电导变量和电弧的稳态电导常量，并根据时间常数得出电源线路中的电弧动态特性。在对电弧稳态电导常量的监测中，需要考虑到电弧电流的绝对值和单位长度下的电弧电压。根据文献研究的值，在电源线路中的电弧伏安特性上存在磁滞特征。由于非故障相与故障相间存在静电亲和，导致故障点处仍然会有一段时间燃烧，而且在电弧电压低于电弧重燃电压时，二次电弧情况才会消失。而二次电弧的伏安特性与一次电弧不同，在非故障相和故障相之间的互感，产生的电弧幅值对比一次电弧电流更小，同时存在时间变化动态特性。

1.2 电源线路特征提取

对电源线路特征的提取可以使用小波变换来进行，通过对电源线路中的局部格式频率自动变化的截取，在电源线路的高频处截取出窄的视觉窗，并在低频处截取宽的时间窗来处理非平稳信号。小波分析时，可以将信号分解成不同的小波分量。在不同的分量级中，反映不同宽度的时间窗口，不同级也对应不同宽度的频窗。在小波叠加的作用下，结果通常等于信号的低通频波。在不同的分级分析上，就需要实现精细程度的时、频分析。而对电源线路的参数指标的诊断中，可以采用小波的多分辨分析，对信号提供实时的时频分解，考虑到时频尺度时存在二进制变化的，在截取下的高频段的频率分辨较差，同时对低频段时间窗口分辨较差，因此要对电源线路的特征信号进行间隔划分。在诊断分析中，可以将频带进行多层次的划分，通过小波叠加对高分辨分析和低分辨分析的部分进行深入分解，同时根据信号特征选择相应的频带，并让信号频谱匹配，提高时间窗口和频率窗口的分辨率。

1.3 神经网络参数设置

神经网络在进行模式识别中，可以反映非线性映射，同时对于输入和输出的信息变化反应较快，适合复杂问题的求解[5]。而神经网络的自我学习能力较强，在网络训练后，根据计算需求可以自动选择计算步骤，同时具备泛化性能，在输入非训练函数时，仍能产生相应的响应，适合进行电源线路的故障诊断。对神经网络的参数设置中，网络层数的设置中，需要保证神经网络可以逼近所要求的任意连续函数。通常，神经网络中网络层数越多测量值越准确，但网络层数越多训练时间也就越长。电源线路故障诊断方法中的神经网络层数选择上，将故障信息划分为4组数据，在输入层的节点中选择4个，特征编码设置为8位，则输出节点选择8个。而隐含层神经元数的确定，可以根据被测目标的输入和输出信息来进行确定，在神经网络的设计中，可以对不同的隐含层数的网络进行训练，并在结果中找到符合要求的神经元数量。

1.4 粒子群算法神经网络诊断

神经网络作为多层前馈网络，可以模拟各种函数，而由于计算采用整体逼近的方法，使整体特征不会因个体误差而变化。但是神经网络中存在梯度下降的情况，且收敛速度较慢，同时对初始权值变化敏感，容易受到影响。神经网络中的各节点数量按章节1.3的方法进行确定，但在初始化时则需要对粒子群算法进行确定，同时由于适应度函数由网络的均方误差确定，因此在神经网络中全局最优值，可以采用粒子当前值。同时粒子群中粒子个体的适应度值应根据粒子个体的当前值，并使适应值作为当前值。在诊断中，通过自动编码，将上述的电弧特性以及线路特征参数输入至输入层中，通过神经元的激活函数进行参数计算，将输入的数据从输入端传送到隐含层，隐含层通过收敛将数据形成编码信息，再将编码信息传送至输出层中，在传输过程中完成信息重构，根据数据信息诊断电源线路故障情况。