一种电力设备运维状态智能监测系统的制作方法

本发明涉及电力设备的激光信号感知、优化处理与诊断决策技术，尤其是涉及一种电力设备运维状态智能监测系统。

背景技术：

电力变电站是电力传输的重要载体，随着供电网络快速发展及供电半径的缩小，电力变电站的安全运行和事故时有发生，其中一个重要的原因是缺乏对电力变电站运维的在线监测。如传统的电力变电站运维是将点式监测装置如振动传感器安装在电力变电站部位进行振动监测，此方法在某些场合比如变电站设备较少的情况下比较经济实用，但其不足是只能反映电力变电站局部位置的振动情况，却无法实现整个电力变电站以及所敷设环境振动的在线监测，且安装繁琐、不可靠、受电磁干扰大等。为更好地进行电力变电站运维状态检测，当前比较常用的是分布式光纤感知技术。

目前，国内外光纤传感监测技术对配网设备的安全监测的研发和应用主要放在变电站内设备和电缆监测，比如micronoptics公司推出的光纤点式测温系统实现对开关柜的温度监测，lios公司推出的电力电缆监控系统实现对电力电缆和架空线路温度监测。但国内外研究机构用光纤传感监测技术对配网设备的安全监测大多还处于初期研究阶段，应用也基本停留在对个别设备和某个部件上的监测，远未形成涵盖电缆防偷盗、电缆关键区域点式测温、振动以及配网自动化的电力电缆在线监控系统的信息网络化综合平台。因此，现在应用全光纤传感监测技术对配网设备进行全面安全监测尚属空白。而具有广覆盖的配网自动化必须依靠先进的光纤传感监测技术，来助推配网自动化的建设，以确保设备的顺利实施和运行。

由于电力变电站设备分布面广、相距较远，致使分布式光纤节点部署不均衡、采集频率频繁、感知数据强关联等特点，且由于整个系统损耗和噪声的影响，造成所测电力变电站运维数据的真实性受损，从而形成漏报、误报，致使其应用受限。为了使光纤传感监测技术更好的应用于实际，对其数据质量和数据管理技术就提出了更高的要求，以便更准确的提高电力变电站运维感知数据的质量，并进行有效计算与准确报警。目前传统的提高传感器节点采集数据质量最简单的方法就是利用多次采样来为每个传感器收集足够多采样数据，然后取采样数据的平均值作为最终的采样数据，但由于分布式光纤节点部署不均衡、采集频率频繁、感知数据强关联等特点，直接简单的把采集数据传送到计算机进行运算，则容易出现数据检测不准确。

技术实现要素：

本发明的目的在于克服上述现有技术存在的缺陷而提供一种电力设备运维状态智能监测系统。

本发明的目的可以通过以下技术方案来实现：

一种电力设备运维状态智能监测系统，包括依次连接的信号感知装置、数据采集装置和信息运算诊断装置，所述信号感知装置包括分布式光纤传感器，分布安装于待测电力设备上，所述信息运算诊断装置存储有执行以下步骤的程序：

定时发出数据读取触发信号；

基于采集的数据，利用构建的基于线性自回归方法的预测模型进行预测处理，实现数据流优化，获得待测电力设备的最终采样数据；

基于所述最终采样数据获得待测电力设备的监测结果。

进一步地，所述信号感知装置包括激光信号感知单元、载流量监测器和温度监测器。

进一步地，所述预测模型为自回归ar(n)模型，表示为：

其中，βi为自回归参数，x为样本点，εt为不可观测的随机误差，为εt的方差，n为模型阶数。

进一步地，当随机误差εt＝0出现的概率小于设定阈值时，将所述预测模型调整为：

其中，β't＝βi+e(εt)/(nxt-i)，ε't＝εt-e(εt)，e(εt)为平均预测误差。

进一步地，所述数据流优化还包括：

计算预测数据的异常统计量，表达式为：

其中，ω²是表示时间序列中当前时刻向后n个相应的误差εt平方和的平均值；

当λ＞jij时，判定xt+1为异常数据，jij为基于广义jaccard系数定义的判定阈值。

进一步地，所述最终采样数据经信息融合处理后获得待测电力设备的监测结果。

进一步地，所述信息融合包括数据层次融合、特征层次融合以及决策层融合。

进一步地，所述程序还执行：向数据采集装置发送优化结束信息；

所述数据采集装置在收到所述优化结束信息后，启动下次数据采集操作。

与现有技术相比，本发明具有如下有益效果：

1、本发明可以利用光纤传感器对电网中的电力变压器运行状况进行全方位实时智能监测，通过综合分析处理各传感器信息，并且在出现异常情况时，通过控制相应的联动设备采取一定的措施来保障电网正常运行。

2、针对变电站设备分布面广、相距较远，致使分布式光纤节点部署不均衡、采集频率频繁、感知数据强关联等特点，且由于整个系统损耗和噪声的影响，造成所测电力变电站数据的真实性受损，从而形成漏报、误报，致使其应用受限等不足，本发明采用线性自回归方法，给出传感器数据流的预测模型及其预测机制。

3、本发明采用信息融合的故障诊断技术，分别是数据层次、特征层次以及决策层的融合，根据这些数据融合后的结果来对研究对象进行可靠性分析或故障诊断等研究，以便更加准确的判断出故障，而不至于形成误报。

4、为了降低预测误差，本发肯提出了一种预测模型自动调整策略，以便在预测误差超过预先设定的阈值时，自动调整预测模型，从而提高分布式光纤传感器信息的质量，并在数据出现异常情况时能够进行有效修正，在一定程度上降低光纤检测系统的缺陷发生率，避免了大量的现场工作，提高了工作效率。

5、通过信息融合的故障诊断技术的三个层次，分布式光纤的状态监测数据更加可靠，运算量也得提高，抗干扰能力也得到加强，更加符合分布式光纤的各种应用环境。

6、本发明可实现对电力变电站的温度、载流量、偷盗入侵等进行监测，确保电网安全、高效运行。

附图说明

图1为本发明实施例2的结构示意图；

图2为本发明的信号流图；

图3为本发明数据级融合过程示意图；

图4为本发明特征级融合过程示意图；

图5为本发明决策级融合过程示意图；

图6为无异常的试验数据与其预测值示意图；

图7为有异常的试验数据与其预测值示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

实施例1

本实施例提供一种电力设备运维状态智能监测系统，包括依次连接的信号感知装置、数据采集装置和信息运算诊断装置，信号感知装置包括分布式光纤传感器，分布安装于待测电力设备上，信息运算诊断装置存储有执行以下步骤的程序：

定时发出数据读取触发信号；

基于采集的数据，利用构建的基于线性自回归方法的预测模型进行预测处理，实现数据流优化，获得待测电力设备的最终采样数据；

基于最终采样数据获得待测电力设备的监测结果。

1、信号感知装置

信号感知装置的分布式光纤传感器包括激光信号感知单元、载流量监测器和温度监测器，可实现对电力变电站的温度、载流量、偷盗入侵等进行监测。

2、数据采集装置

数据采集装置用于快速采集变电站运维大量数据及其一些快速变换的电能信息。数据采集装置可采用数据采集卡，采用实时采样方式，依靠高速变换的a/d转换器，对每个采样点进行采入、量化、存储过程。这种采样方式要实现一个连续的波形采集，且把相应的采集数据放入数据采集卡，待信息流优化后，启动下次数据的采集，原有数据可以被覆盖，以便减少中间数据的缓存空间。

3、基于线性自回归方法的预测模型

传统的提高传感器节点采集数据质量最简单的方法就是利用多次采样来为每个传感器收集足够多的采样数据，然后取采样数据的平均值作为最终的采样数据，但该方法在分布式光纤传感技术在变电站运维检测中面临很大的挑战。首先变电站线路分布面广、相距较远，致使分布式光纤节点部署不均衡、采集频率频繁、感知数据强关联等特点，系统损耗和噪声的影响较大；其次，对不同状态信息的传感器节点，其感知器件的精度、节点环境和感知过程都可能是不同的，如果要求所有传感器都获取同样数量的样本是不现实的。如果直接简单的把采集数据传送到计算机进行运算，则容易出现数据检测不准确，形成漏报、误报。为消除此影响，提高传感器节点采集数据的质量，需要选择合适的智能采样方法，以便能够得到更能反映所测变压器健康状态的真实数据，比如温度曲线、绝缘及老化程度等。

本系统采用自回归ar(n)模型作为预测模型，对智能采样获得的变电站运维数据进行数据流优化处理。同时为了降低预测误差，采用一种预测模型自动调整策略，以便在预测误差超过预先设定的阈值时，自动调整预测模型。

(a)自回归ar(n)模型的建立

根据智能采样算法得到传感器n个样本点{xt}:x1，x2，…，xn。假设x1，x2，…，xt-1与xt的估计值有如下线性关系：其中β1,…,βn是待计算的参数，εt是不可观测的随机误差，是一个随机变量。即：

式(1)成为自回归ar(n)模型，βi为自回归参数，为εt的方差。

将{xt}序列直接代入式(1)，得到以下线性方程组：

用矩阵形式表示为：

y＝xβ+ε(3)

其中

根据多元回归理论，参数矩阵β的最小二乘估计为：

对于自回归ar(n)模型，选择合适的模型阶数n是需要预先考虑的。因为阶数n选的太大，计算量非常大，不适合数字信号处理器进行实时检测，但也不能选的太小，不然不能有效表示数据序列。具体的模型及阶数n选择可参考有关文献，此处不再详述。

(b)自回归ar(n)模型的预测机制

由式(1)可知，若εt是未知的，则是xt的预测值当参数βi、xi是已知的，则可计算的值。现假设xt是当前t时刻的实际值，则可以式(1)预测未来l(l＝1,2,…)时刻的数据值，即：当l＝1时，表示只预测未来一步时刻的数据，当xt+l-i,…,xt都是实际观察值，即：

当l>1时，表示要预测未来l步时刻的数据，由于在预测时，xt+l-1的值是未知的，所以用来代替xt+l-1执行预测，即：

在实际所感知的数据中，xt可能是一个不符合参数模型的数据，即异常数据。此时，如果用xt去预测xt+1,xt+2,…,则会出现预测失真。这时通常就用预测值来代替xt进行预测，这样误差就会小很多。

(c)自回归ar(n)模型的自动调整策略

根据自回归ar(n)模型的性质可知，即满足标准正态分布，e(εt)＝0，为了使模型的误差值εt尽可能为0，需要在预测过程中自动调整ar(n)模型的参数，即当εt＝0出现的概率小于一个阈值时，模型就需要调整。设当前时刻的预测误差为εt，平均预测误差为e(εt)，又设调整后的误差为ε't，要使ε't尽可能为0，可将εt-e(εt)的值近似为ε't，设ε't＝εt-e(εt)，则原模型可成为用β't代替βi+e(εt)/(nxt-i)，用ε't代替εt-e(εt)，则调整后的模型变为：

(d)自回归ar(n)模型的阈值

在模型自动调整策略中，需要进行阈值的确定。本发明阈值的确定是利用两个传感器节点的感知向量相似性度量来对相邻两个节点之间测量序列的相似程度进行比较。首先利用最大--最小规范化方法对感知向量进行规范化处理，然后选择广义jaccard系数(又称tanimoto系数)作为相似性度量阈值。假设用i和j表示两个相邻节点，则这两个节点经过规范化处理的感知数据分别为xi和xj，这两个感知向量的点积为xi·xj，则广义jaccard系数定义的阈值可以表示为：

(e)异常数据检测

由式(1)可得且若b是一步后移算子，即xt-1＝bxt,则

式(9)中令且设定则有：

式(10)中，ω²是表示时间序列中当前时刻向后n个相应的误差εt平方和的平均值，λ表示当前误差值εt+1的平方与ω²的比值，这样λ就可以作为监测xt+1是否异常的统计量。当λ＞jij，xt+1就是异常数据。这里jij是根据广义jaccard系数定义的阈值，可根据实际要求和数据特点进行设定，如设jij＝2，则表示如果当前误差的平方和是平均误差平方和的两倍时，则认为是异常数据。通常jij设定越大，表示对异常数据检测的要求越低。

异常数据检测算法基本过程如下：

input:感知数据data，阈值jij；

output:判断是否为异常数据；

step1:s＝0；jij＝初值

step2:接受data

step3:while(有感知数据)do

step4:begin

step5:ifdetect_anomaly(data)thens＝s+1；

step6:ifs>＝jijthen

a)检测到异常数据

b)s＝0；

step7:endif

step8:接受data

step9:endwhile

(f)数据流优化技术的验证

为了测试基于自线性回归模型ar(n)的预测机制、动态调整策略的有效性以及测试异常数据检测算法。本实施例对温度、振动噪声两个指标进行了测试，数据采集节点布置在变电站不同位置区域，数据的采样周期为60s，测试数据包括温度、振动两项，其中温度单位是℃，振动噪声单位用电压v表示。具体实现过程就是在某段时间内，从实验数据中选用100个作为样本数据，采用式(3)提供的矩阵方程构建成式(6)预测模型，阶数选为4，自动调整策略按照式(7)原则进行，阈值按式(8)确定为2，异常数据的产生是通过人为加热、加噪进行模拟。图6表示某段时间内无异常数据时候的部分数据截图所对应的预测效果，其试验数据同预测数据基本相同。图7表示某段时间内人为模拟异常数据时候的部分数据截图所对应的预测效果，由图7可以看出，预测结果未受异常数据太大干扰，基本维持在正常范围。

4、监测结果的获取

在获得最终采样数据后，对数据进行信息融合处理，以便更加准确给决策层判断提供依据，而不至于形成误报，基于融合的数据获得待测电力设备的监测结果。本实施例的信息融合包括数据层次融合、特征层次融合以及决策层融合。

数据级层次融合主要是对分布式光纤传感器采集到的原始数据直接进行处理，根据这些数据融合后的结果来对研究对象进行可靠性分析或故障诊断等研究。如图3所示。

如图4所示，特征级融合是对传感器获得的大量数据先进行处理，这样会使数据量变小，在对这些大量信息流优化之后得到这些数据的特征向量，对这些特征向量进行融合处理的过程被称为特征层次的融合，得到融合的结果之后，对研究对象再进行可靠性分析或故障诊断等研究。相比较于数据层次的融合，特征层次的融合无疑要更进一步，因此特征层次的融合也被称作第二层次的融合。特征层次融合的最大优点就是实时性比数据级层融合的实时性要好，因为在数据融合之前对数据进行了处理，减小了融合的计算量，缩短了融合需要的时间。

决策级层次融合是在特征层次融合的基础之上对数据进行进一步的处理，这使数据的数量进一步缩减，融合计算量也进一步减少，在得到决策向量后，对这些决策向量进行融合，在融合之后得到决策级层次融合结果，以此结果对研究对象进行可靠性分析及故障诊断等研究，如图5所示。

与前两个层次融合相比，决策级层次的信息融合是计算量最小的层次融合，决策级层次的融合是信息融合最高层次的融合。决策层次的优点显而易见：由于对数据不断处理，数据的数量小，计算量小，实时性更好。此外决策级层次的融合对传感器的要求较低，因此对传感器的依赖程度小，决策层次的融合抗干扰能力较好。通过信息融合的故障诊断技术的三个层次，分布式光纤的状态监测数据更加可靠，运算量也得提高，抗干扰能力也得到加强，更加符合分布式光纤的各种应用环境。

上述系统利用光纤传感器对电网中的电力变压器运行状况进行全方位实时智能监测,并采用信息融合的故障诊断技术，分别是数据层次、特征层次以及决策层的融合，根据这些数据融合后的结果来对研究对象进行可靠性分析或故障诊断等研究，以便更加准确的判断出故障，而不至于形成误报。该智能监测系统可实现对电力变电站的温度、载流量、偷盗入侵等进行监测，确保电网安全、高效运行；综合分析处理各传感器信息，并且在出现异常情况时，通过控制相应的联动设备采取一定的措施来保障电网正常运行。

实施例2

本实施例提供的电力设备运维状态智能监测系统如图1所示，对电力设备1进行实时监控。电力设备主要是指需要进行相应状态监测的设备，包括变电站的变压器、开关柜、输电线路等。本实施例中监测的电力设备为变电站。该监测系统的信号流如图2所示。

该监测系统中，激光信号感知单元包括光纤2、光耦合器3、光纤放大器4、anti-stokes光滤波器5、stokes光滤波器6、光电转换信号放大器7和8、激光器17、脉冲驱动电路9、防盗预警监测电路10以及高压电路11。

数据采集装置为高速数据采集电路12。载流量监测器和温度监测器共同组成载流量/温度监测电路13。

信息运算诊断装置由dsp14和15以及中央信息处理监测平台16组成，dsp14分别连接激光器17和脉冲驱动电路9，用于防盗监测，dsp15分别连接高速数据采集电路12、载流量/温度监测电路13和高压电路11，用于温度/负荷载流量的监测。中央信息处理监测平台16分别连接dsp14和15以及高速数据采集电路12。防盗预警监测电路、高压电路、载流量/温度监测电路是现有的电路模块。本实施例中，dsp14和15采用主处理器dspc6000。

激光信号感知通常用于分布点比较多，不需要采用直接接触的电力设备信号告知的应用场景，比如变压器的基座下沉、变压器的振动、输电线路的偷盗等场合。其信号感知过程如下：图1中的脉冲驱动电路→激光器→光纤放大器→光耦合器→光纤→防盗预警监测电路→dsp等电路构成，采用基于φ-otdr技术对电力电缆周边的振动信号进行分布式检测，并实现感应微振动信号的除噪、信号分析与识别、事件分析，能够实现长达30公里的多个振动事件的同时检测，具有高的空间分辨率，空间分辨率最高可达±35米(可根据监测距离来定制空间分辨率)。由于本实施例的电力变电站分布式光纤防盗预警监测子系统采用第三代半导体激光器件及光纤技术，功率及精度均比第二代半导体制作的激光器更加高等，从而使得本发明设计的电力变电站运维监测子系统具有测量灵敏度高，空间分辨率小、响应速度快、误报率低、测量长度大、工作稳定等优点。同理，变电站运维的分布式光纤载流量/温度安全监测子系统如图1中的高压隔离电路、光电信号放大器、载流量/温度检测电路、光纤、dsp等电路构成，通过积累和分析电缆运行的温度数据，寻找电缆瓶颈处运行温度和载流量变化的关系，实现有效利用电缆设计允许载流量和达到经济运行；通过温度监测的数据，研究电缆线路附近的建筑或设施对变电站运行的影响程度；通过监测变电站运行温度，为研究变电站上升温度与变电站绝缘老化的关系提供依据；通过对变压器运维温度设定报警温度来监测电缆变压器温度，找到变电站在运行过程中存在隐患问题。

变电站振动、防盗预警监测、载流量/温度安全监测过程如下：光波接收电路采集到后向散射光经滤波器分别产生anti-stokes散射光和stoke散射光，微弱的光信号通过光电转换电路形成对应的电信号，光电转换电路中的apd必须工作与高压环境，高压偏置电路正是为此设计用于控制apd两端的电压大小。光信号转换成电信号后，因为电信号极其微弱，必须通过信号放大电路的高增益效果实现信号的加强。加强的信号经由高速数据采集电路采集传送到主处理器中运算处理，即可得到温度值，然通过光时域定位技术确定每个发生散射的位置点，与此前采集的载流量/温度相对应，经过多次采集累加去噪，最终可以产生被测线路的防盗预警监测、载流量/温度分布情况。

该监测系统同时采用实时采样方式，依靠高速变换的a/d转换器，对每个采样点进行采入、量化、存储过程。这种采样方式要实现一个连续的波形采集，且把相应的采集数据放入数据采集卡，待信息流优化后，启动下次数据的采集，原有数据可以被覆盖，以便减少中间数据的缓存空间。在系统工作时，两路被测信号经过前置放大及主放大以后，变成0-5v的信号分别送入各自的a/d转换器中，经过a/d转换后(即实现了在一个周期内信号的多点取样，转化速率即是取样频率)从而得到一组数据信号流。在控制电路的作用下分别送入数据存贮器存放。控制电路受到来自触发电路的触发信号后，就启动一次写操作循环。在写循环中，控制电路自动送出顺序递增的写地址，使得每组数据写到相应的存贮单元内，在数据存贮到一定量要求以后，通过dma传输方式将存贮单元的内容送到dts主机相应的存贮单元，经过计算机的线性累加达到数字平均的目的。

本实施例中，中央信息处理监测平台16是基于soa架构的可灵活扩展的应用框架，以满足未来监测设备添加、业务功能升级的需要，并设计一致的接口适配器模式，可灵活接入多个厂家、多种接口类型的监测设备；同时建立集中的数据计算与分析模块，提供设备状态综合监测分析能力；满足分散管理、集中监测的业务管理模式。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由本发明所确定的保护范围内。