首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于大数据的开关柜远程智能诊断技术研究

基于大数据的开关柜远程智能诊断技术研究

2024-10-17 24 上传者：管理员

摘要：开关柜在电力系统中发挥着重要的作用，一旦发生故障，不仅会导致停电，而且对电力系统运行的安全性和可靠性具有重要影响。通过调查发现，事故的多发点是柜体温度过高或者六氟化硫（SF6）气体泄漏后导致绝缘强度降低。因此提出一种基于大数据的开关柜远程智能诊断技术。针对开关柜结构紧凑、无人值守、检修不易的特点，通过内置传感器，采集开关柜的状态参数和环境参数，并远程传送到服务器端，利用大数据分析算法对开关柜状态做出智能判断。该方法可实现对开关柜状态进行在线监测，防止由于温度过高或者六氧化硫气体泄漏而造成的供电事故，减少事故造成的损失，提高供电可靠性。

关键词：
六氟化硫
在线检测
大数据
开关柜
故障诊断
加入收藏

电力开关柜是电力系统中重要的电气设备，对保证电力系统的正常运行发挥了巨大的作用[1]。在实际工作中，开关柜可能会发生各种类型的故障，威胁电力系统的正常运行。具体来说，开关柜常见状况有温度过高和六氟化硫(SF6)气体泄漏导致绝缘强度降低两种情况。开关柜由于制造中质量或安装规范都会造成设备故障，例如相关触头接触不良、设备过热等问题。其中以大电流开关柜设备故障最为严重[2]。并且，开关设备中广泛使用SF6气体，因为其具有理想的绝缘和灭弧性能。但由于SF6气体制造、安装等质量差异以及材料老化等原因，引发开关设备泄漏较为严重[3]。当开关柜中的SF6气体发生泄漏，会对相关工作人员及设备运行带来严重危害。为此，大多开关柜会将开关室、出线室及布线室隔离，避免安全隐患[4]。在运行中的开关柜门禁止打开，值班巡视人员无法通过常规的监视方法发现故障，导致封闭式柜事故逐渐成为影响电力安全生产的难题之一。因此，实现对开关柜内环境的远程智能诊断，对电力安全是非常重要的。

1、相关技术

经过对多个开关柜状态在线监控，及电力设备状态在线监控技术的调研，目前电力系统的设备状态的智能诊断平台主要采用了以下两种技术：

(1）大数据分析技术：

这类技术是平台在线监测电力设备的多种状态参数，例如开关柜的断路器机构特性、温度及局放进行在线监测，通过云平台大数据中心接收通讯管理机输出状态参数，进行多维度、多状态量的综合分析评估[5]。如文献[6]对电网企业变压器设备状态分析其运行状态特征，构建设备状态模型，并基于该模型进行风险分析。文献[7]对高压断路器监测量分析其特征学习领域。结合数据样本特点，进行故障诊断。文献[8]通过对湖州电网220 kV输电线路2015年的环境温度、线路负荷数据参数,建立关系模型，找出了线路温度的重点预警线路。

而针对开关柜的状态评估，文献[9]提出了一种采用隶属度函数和比例模型,建立开关柜状态评价模型,并将模型应用于过去5年内的20个时段,分别计算出20次状态评价结果,并采用贝叶斯条件概率模型,计算开关柜的未来状态处于各等级的概率。文献[10]提出了一种基于变权重理论和多源实时信息融合的状态评价模型。文献[11]提出了一种基于正态云模型和D-S证据理论的分层评估算法，先对影响开关柜运行状态的指标进行聚类分层,运用正态云模型确定各指标与各评价等级的关联度,再运用D-S证据理论对开关柜整体运行状态进行评估。

(2）人工智能诊断技术：

此类平台采用神经网络或者专家系统进行开关柜状态的智能诊断。目前人工智能在电力系统中得到了广泛应用,提高了电力系统的安全性、可靠性和运行能力[12]。文献[13]利用改进的SOM神经网络提出了一种电力调度的故障诊断模型，以故障的特征向量建立学习样本，大大提高了不同类型的故障诊断能力。文献[14]提出一种基于RBF神经网络的换流站交流滤波器故障预警机制，在线识别交流滤波器健康状态。文献[15]运用专家系统和人工神经网络相结合进行变压器故障诊断。文献[16]提出一种改进的萤火虫算法(IFA)优化概率神经网络(PNN)的电力变压器的故障诊断方法。文献[17]以人工神经网络和灰色关联分析算法为基础,建立了基于电枢电流信号分析的直流电机在线故障诊断数学模型。

本文所研发的开关柜状态的在线监测系统，具体目标是针对国网奉化江口供电所电力线路的所有开关柜，对开关柜内部的温湿度和SF6浓度进行分布式实时监测。一个开关柜安装3个无线温度传感器，分别安装在A、B、C相进口和3个SF6传感器，分别安装在不同高度。传感器数据的收发和管理均由一个单片机完成，再通过GPRS模块远程传输。以2 s的采样率进行检测，仅在2 h的区间里，单个开关柜的单片机即采集到了518 400个样本数据。而目标供电所的所有开关柜在线监测开展后，检测数据的数量将爆炸性增长。因此必须采用大数据分析技术，从海量数据中快速进行处理和分析。而最终获取的信息，能够对设备运行状态进行有效评估，提高开关柜的使用寿命，提升设备的经济效益。

2、系统架构

本文研究一种基于大数据开关柜远程智能诊断方法，针对开关柜结构紧凑、无人值守、检修不易的特点，拟通过内置传感器，采集开关柜的状态参数和环境参数，并远程传送到服务器端，利用大数据分析算法对开关柜状态做出智能判断。

该方法基于以下架构，如图1所示。

图1 系统架构

主要包括两个部分：

(1)开关柜端:状态数据采集装置部署在封闭的开关柜内部，通过集成在单片机上的GPRS模块，将开关柜数据通过基站，发送到远程服务器端;

(2)服务器端:接收到多个开关柜的海量状态数据，则采用基于大数据的开关柜智能诊断技术，对开关柜的运行状态做出判断。

2.1 开关柜状态数据采集

基于对开关柜常见状况的调研，发现频发事件有温度过高和SF6浓度过高两种情况。因此利用单片机采集AM2301温湿度传感器和六氟化硫传感器的数据，进行实时监控，一旦数据超过阈值即发出报警信号。单片机采用CC2530核心板作为主控器，设计了各个传感器的接口电路，以便CC2530进行数据采集。如图2所示。

图2 温湿度传感器和SF6传感器

该技术具备尺寸小、功耗低、安装方便的特点，很容易部署在封闭的开关柜内。同时具备良好的扩展性，如果将来对其他状态参数有监测需求，可以很方便地进行扩展。

2.2 开关柜数据远程通信

开关柜的状态数据要进行在线监测，需要具备远程通讯功能。本方法采用GPRS通讯技术，仅需在单片机上配备GPRS模块，即可定时发布数据信息。不需外加其他通讯设备，可直接利用当前移动通讯的基础设施，具备功耗小、成本低的特点。如图3所示。

图3 GPRS通信模块

3、基于大数据的智能分析和诊断

开关柜远程采集的状态数据按照按其先后发生的时间顺序排列，形成了典型的时间序列。但温湿度数据和SF6气体浓度存在不同数据分布特性，如温度数据会随着时间窗口增加而呈现上升或者下降趋势，但SF6气体浓度数据只要没有泄露，其数据分布平稳，即其统计特性（均值、方差等数据分布）不会随着时间窗口的不同而变化。因此本文采用不同算法对其进行了处理和分析。

3.1 数据预处理

24小时传感器采集到大批量的数据，需要对此数据进行去冗余处理。本文针对两种传感器采用了以下预处理方法：

(1）阈值法：

温湿度和SF6传感器数据的当前数据和系统设置的阈值进行比较，如110 kV开关柜的安全温度范围是A、B相处于0-120℃区间，C相是0-155℃区间。如果超过预设阈值则报警；如果数值没有太大变化则降低采样率；

(2）梯度上升法：

比较当前数据和前一历史数据之间差值，如果二者的差值(当前数据-历史数据)超出预定阈值，则发送数据并报警。

3.2 温湿度数据处理

本文采用自回归移动平均模型(Auto Regressive Integrated Moving Average,ARIMA)算法[18]。ARIMA算法本质上属于一种预测算法，本文利用该算法进行开关柜的故障辨识。

3.2.1 序列平稳性检测

在状态数据采集中，发现不同时间单位中，2 h以内的温度数据呈现下降的变化趋势，且局部的随机波动性比较强。一天的数据有明显的升降趋势，最大值达到71℃，最小值达到45℃，温差在[0℃，26℃]间浮动。而一周的数据呈现明显的周期性。因此，在短期区间内，温度数据的波动性较平缓，趋势变化明显。在长期时间序列中，温度数据波动性明显，随着时间的增加，温差越来越大。

3.2.2 ARIMA算法

自回归移动平均模型ARIMA经过差分处理后获得平稳序列，即可使用求和自回归移动平均模型来进行拟合预测，其数学模型ARIMA(p,d,q)为：

式（1）中，yt为原始时间序列，dyt表示yt经过d次差分后的平稳序列，εt表示零均值的白噪声随机误差序列，φi(i=1,2,…,p)和θj(j=1,2,…,q)为估计参数，p和q为模型的阶。

本文通过对国网奉化江口供电所开关柜数据进行时序分析[19]，将状态划分为3个警告等级，通过ARIMA模型预测出一天内样本数据发生的警告等级（例如根据历史信息，某开关柜的温度可能会在一天内从1级警告转为3级警告），同时对于较高警告等级的数据也预测其发生的时间（例如预测某个开关柜温度报警会发生在5天后）。

3.3 SF6气体浓度数据处理

六氟化硫气体泄漏检测模块主要用于预防环网柜内的灭弧气体六氟化硫的泄漏，进行浓度检测并及时预警。六氟化硫是一种典型的重质气体，其相对分子质量为空气的5倍,因此在泄露过程中，气体由开始外泄到均匀分布,会经历喷射、重力扩展、空气卷吸及被动扩散等4个阶段,在60 s内，开关柜的SF6体积分数即可超过危险值(1 000 uL/L)。本文采用k-ε湍流输运方程对其进行建模：

式中，C1ε和C2ε是经验常数，σk和σε是湍流普朗特数，ρ为气体密度，xi,xj是气体沿着开关柜体移动的轴向及径向距离。

4、算例分析

本文采用国网奉化供电公司江口供电所的某开关柜状态数据作为分析对象，仿真服务器平台共包含4台服务器，其中1台作为主节点服务器，其余3台作为工作节点服务器。服务器的配置中，CPU为Intel(R) Xeon E31231,RAM为16 GB，硬盘为2 TB。获取的数据集的80%作为训练集，20%作为测试集。

4.1 温湿度时序数据分析

ARIMA模型利用时间序列数据对物理量进行预测，故利用均方根误差法进行评估：

式中，Yi为i时刻的实际值，为该时刻的预测值，K为i时刻最大取值。

表1 开关柜测温性能表

从表1中可看出，基于ARIMA模型的温度监测系统，对温度变化反应更加灵敏，能提前发现温度异常现象，从而提早预测，提高开关柜的安全性。

4.2 SF6气体浓度数据分析

以460×770×1 620尺寸的开关柜为例，以六氟化硫作为泄漏气体完成泄露实验。测试时间为150 s,测试软件为Origin8.0，得到SF6气体泄漏后自然扩散的浓度分布曲线如图4所示。

图4 自然扩散的浓度分布曲线

以0.5 m为界，大于等于0.5 m为上层，小于0.5 m为底层。分析图4可知，上层SF6气体浓度分布曲线与底层存在明显差异。底层SF6扩散曲线速度先快速上升，一定时间后缓慢上升，趋近平稳。当时间到达50 s后，上层SF6开始扩散，同时扩散速度较为缓慢。并且泄漏量越大，到达缓慢上升阶段所需要的时间则越长。泄漏浓度越大，分层也越明显，对相关工作人员的危害越大。该数据结果验证并说明了所安装的传感器位置的有效性。

5、结束语

在智能电网建设中，所获取的电力设备的状态数据具有体量大、维度高的特点，需要大数据技术对其进行有效的存储和高效的特征提取，才能更好地用于后续的数据分析。本文研究了基于传感器和大数据的开光柜远程监测平台，在平台基础上，针对时间序列数据，例如温湿度，提出了基于ARIMA模型的分析和预测方法；针对重质气体即SF6进行了建模。在仿真平台上验证了所提算法的性能，给出了分析结果。本方法2018年应用于国网奉化供电江口供电所部分开光柜，实现了多个网元的温湿度和SF6采集监控，发现8次温度异常情况和3次SF6气体泄露，在初始阶段及时发现异常，派人紧急处理，随后开光柜状态逐步恢复正常。该数据处理过程可以有效地扩展至其他各类智能电网大数据的处理。

参考文献:

[1]张盟盟,凡凤仙,胡晓红.室内流场湍流模型对比研究[J].能源工程,2018(2):52-59.

[2]刘云鹏,郭沁.高压开关柜电缆室温湿度场数值计算分析[J].高压电器,2017,53(9):12-16,22.

[3]李长庚,刘强兴.SF6充气式开关柜特点分析[J].电工技术,2017(11):89-91.

[5]周开河,杨跃平,叶夏明,等.架空线路绝缘喷涂异物检测识别及机器人运动轨迹规划[J].电测与仪表,2023,60(6):32-39.

[6]吴军英,刘明硕,常永娟,等.基于大数据的变压器设备状态及风险分析研究与应用[J].贵州电力技术,2017(10):22-30.

[7]朱萌.面向大数据的高压断路器状态信息挖掘与故障诊断[D].南京:东南大学,2018.

[8]王琳慧,吴松,冯骏杰,等.基于大数据的输电线路温度分析与预测[J].湖州师范学院学报,2018,40(2):42-47.

[9]亢超群,李二霞,盛万兴,等.基于多源信息融合的配电真空开关柜动态状态评价研究[J].高压电器,2017,53(3):235-241.

[10]陈曦,唐斌,余飞.基于变权重理论和融合实时信息配电开关柜的状态评价[J].电子测量与仪器学报,2018,32(8):193-200.

[11]贾亚楠,刘东明,随慧斌.基于正态云模型和D-S证据理论的开关柜运行状态综合评估[J].高压电器,2017,53(9):247-252.

[12]朱永利,尹金良.人工智能在电力系统中的应用研究与实践综述[J].发电技术,2018,39(2):106-111.