摘要：當(dāng)前，物聯(lián)網(wǎng)電力設(shè)備故障定位模型多為智能化結(jié)構(gòu)，定位方式較為單一，最終得出的定位結(jié)果存在不可控偏差。為解決這一問題，文章開展基于BP神經(jīng)網(wǎng)絡(luò)算法的物聯(lián)網(wǎng)電力設(shè)備故障定位方法研究。文章先進(jìn)行數(shù)據(jù)預(yù)處理及設(shè)備故障特征提取，然后采用BP神經(jīng)網(wǎng)絡(luò)算法，提升整體的電力故障定位效率，最后構(gòu)建BP神經(jīng)網(wǎng)絡(luò)測(cè)算電力設(shè)備故障定位模型，采用自適應(yīng)間隔核驗(yàn)方式實(shí)現(xiàn)故障定位處理。測(cè)試結(jié)果表明：與傳統(tǒng)低壓脈沖電力設(shè)備故障定位方法、傳統(tǒng)GRU電力設(shè)備故障定位方法相比，所提電力設(shè)備故障定位方法定位誤判率較低，定位精準(zhǔn)度更高，具有一定應(yīng)用價(jià)值。

關(guān)鍵詞：BP神經(jīng)網(wǎng)絡(luò)；物聯(lián)網(wǎng)；電力設(shè)備；故障識(shí)別；遠(yuǎn)程異常感應(yīng)

中圖分類號(hào)：TM744 文獻(xiàn)標(biāo)志碼：A

0 引言

電力設(shè)備在智能電網(wǎng)中起到支撐作用，一旦出現(xiàn)故障，極有可能導(dǎo)致能源供應(yīng)中斷，增加電網(wǎng)的運(yùn)行壓力，形成隱性的運(yùn)行故障隱患，嚴(yán)重時(shí)還會(huì)導(dǎo)致電網(wǎng)癱瘓和損壞。為此，文章開展基于BP神經(jīng)網(wǎng)絡(luò)算法的物聯(lián)網(wǎng)電力設(shè)備故障定位方法研究。BP神經(jīng)網(wǎng)絡(luò)算法（Back Propagation， BP）是一種能夠處理復(fù)雜非線性問題的數(shù)學(xué)模型［1-3］。在電力設(shè)備故障定位中，BP神經(jīng)網(wǎng)絡(luò)可以通過學(xué)習(xí)歷史故障數(shù)據(jù)和設(shè)備運(yùn)行狀態(tài)信息，自動(dòng)提取故障特征，建立故障與故障特征之間的映射關(guān)系。當(dāng)設(shè)備發(fā)生故障時(shí)，系統(tǒng)可實(shí)時(shí)采集設(shè)備的運(yùn)行狀態(tài)數(shù)據(jù)，將其輸入訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)模型中，通過模型的輸出快速確定故障的位置和類型［4］。

1 設(shè)計(jì)物聯(lián)網(wǎng)電力設(shè)備BP神經(jīng)網(wǎng)絡(luò)測(cè)算故障定位方法

1.1 數(shù)據(jù)預(yù)處理及設(shè)備故障特征提取

物聯(lián)網(wǎng)電力設(shè)備的數(shù)據(jù)預(yù)處理一般是對(duì)原始數(shù)據(jù)進(jìn)行實(shí)時(shí)分類及專業(yè)性輔助處理，包括清洗、去噪和標(biāo)準(zhǔn)化等。首先，在測(cè)試設(shè)備附近部署監(jiān)測(cè)節(jié)點(diǎn)，利用節(jié)點(diǎn)關(guān)聯(lián)信道，便于實(shí)時(shí)數(shù)據(jù)和應(yīng)用信息的傳輸共享［5］。隨后，預(yù)設(shè)對(duì)應(yīng)周期，同周期對(duì)基礎(chǔ)的應(yīng)用數(shù)據(jù)進(jìn)行采集，匯總后先對(duì)數(shù)據(jù)進(jìn)行去噪處理，再根據(jù)預(yù)設(shè)定的清洗規(guī)則，將缺失位置進(jìn)行填充處理，識(shí)別出異常值，使用正常的數(shù)據(jù)來替換異常值［6］。在預(yù)處理過程中，還須要通過比對(duì)重復(fù)記錄，選擇刪除或合并重復(fù)的數(shù)據(jù)項(xiàng)［7］。隨后，將數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一的格式或類型，數(shù)據(jù)縮放到同一尺度，以便于神經(jīng)網(wǎng)絡(luò)模型能夠更好地學(xué)習(xí)。

完成數(shù)據(jù)預(yù)處理后，對(duì)設(shè)備故障特征進(jìn)行提取。電力設(shè)備的故障特征提取范圍較大，包括電壓波動(dòng)、電流異常、溫度升高等。由于電力設(shè)備的運(yùn)行波動(dòng)較大，可以更好地反映實(shí)時(shí)的特征，所以先計(jì)算電壓的標(biāo)準(zhǔn)差作為初始特征，具體公式如下：

F=δ2+∫-1Q（1）

式（1）中：F代表電壓的標(biāo)準(zhǔn)差，δ代表電壓限值，代表采樣電壓標(biāo)準(zhǔn)，Q代表采樣均值。針對(duì)多個(gè)周期的測(cè)定，對(duì)點(diǎn)電壓的峰值點(diǎn)、谷值點(diǎn)以及穩(wěn)定區(qū)段進(jìn)行標(biāo)記與劃分，采集對(duì)應(yīng)的數(shù)據(jù)和信息，以便于后期更為直觀展示和判斷電力設(shè)備的運(yùn)行狀態(tài)［8］。但需要注意的是，故障特征并不是固定的，可結(jié)合實(shí)際的測(cè)定定位需求進(jìn)行挑選，避免引入冗余或無(wú)關(guān)的特征，擴(kuò)大實(shí)際的覆蓋定位范圍，以提高后續(xù)神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練的效率和準(zhǔn)確性。

1.2 構(gòu)建BP神經(jīng)網(wǎng)絡(luò)測(cè)算電力設(shè)備故障定位模型

在完成故障特征數(shù)據(jù)處理后，該研究基于BP神經(jīng)網(wǎng)絡(luò)算法的輔助，設(shè)計(jì)電力設(shè)備故障定位模型。首先，基于BP神經(jīng)網(wǎng)絡(luò)針對(duì)電力設(shè)備獲取的故障特征進(jìn)行模型基礎(chǔ)執(zhí)行原理設(shè)計(jì)，具體如圖1所示。

其輸入層設(shè)定接收來自物聯(lián)網(wǎng)傳感器的數(shù)據(jù)，隱藏層負(fù)責(zé)提取實(shí)時(shí)性的特征，而輸出層則輸出最終的故障定位結(jié)果。將部署節(jié)點(diǎn)采集的數(shù)據(jù)導(dǎo)入模型后，先對(duì)故障位置進(jìn)行模糊標(biāo)定，結(jié)合激活函數(shù)建立非線性的故障變化關(guān)系，縮小故障位置。然后，通過損失函數(shù)：判斷模型預(yù)測(cè)輸出與實(shí)際輸出之間的差。損失函數(shù)表達(dá)式如下：

H=ρ-DR（2）

式（2）中：H代表?yè)p失函數(shù)，ρ代表覆蓋定位區(qū)域，D代表故障位置，R代表線性變化點(diǎn)。結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法構(gòu)建模型，輸出最終定位結(jié)果，具體如下式所示：

Y=γ2-（1-τ）×ε（3）

式（3）中：Y代表模型輸出值，代表預(yù)測(cè)范圍，γ代表估算定位結(jié)果，τ代表重復(fù)定位結(jié)果，ε代表定位頻次。依據(jù)上述，對(duì)模型輸出結(jié)果進(jìn)行對(duì)比分析，實(shí)現(xiàn)對(duì)物聯(lián)網(wǎng)電力設(shè)備基礎(chǔ)故障的定位。

2 方法測(cè)試

為驗(yàn)證所提方法的先進(jìn)性，文章結(jié)合BP神經(jīng)網(wǎng)絡(luò)算法，對(duì)物聯(lián)網(wǎng)電力設(shè)備故障定位方法實(shí)際應(yīng)用效果進(jìn)行分析與研究?？紤]到最終測(cè)試結(jié)果的真實(shí)與穩(wěn)定，采用對(duì)比形式呈現(xiàn)。文章選定K電站的物聯(lián)網(wǎng)電力設(shè)備作為測(cè)試的目標(biāo)對(duì)象，對(duì)比方法選用傳統(tǒng)低壓脈沖電力設(shè)備故障定位方法、傳統(tǒng)GRU電力設(shè)備故障定位方法。結(jié)合實(shí)際測(cè)定需求，進(jìn)行基礎(chǔ)應(yīng)用數(shù)據(jù)采集，匯總分類后，以待后續(xù)使用。

2.1 測(cè)試準(zhǔn)備

為驗(yàn)證基于BP神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)電力設(shè)備故障定位方法的應(yīng)用效果，先搭建測(cè)試環(huán)境。K電站是一個(gè)典型的智能變電站，以220 kV雙母線接線的線路間隔作為支撐。文章先采用“直采直跳”模式，通過母線保護(hù)與線路保護(hù)增加實(shí)時(shí)運(yùn)行的穩(wěn)定及安全，然后隨機(jī)標(biāo)定出物聯(lián)網(wǎng)接入的電力設(shè)備，在當(dāng)前的測(cè)試環(huán)境中部署一定數(shù)量的監(jiān)測(cè)節(jié)點(diǎn)，將節(jié)點(diǎn)之間互相搭接，形成循環(huán)式的監(jiān)測(cè)結(jié)構(gòu)。預(yù)設(shè)多組初始的故障情況作為測(cè)試輔助對(duì)象，具體如表1所示。

表1主要是對(duì)初始故障輔助測(cè)試情況的設(shè)定?；贐P神經(jīng)網(wǎng)絡(luò)算法，進(jìn)行初始故障定位環(huán)境的設(shè)定。在當(dāng)前的程序中接入傳感裝置，與上述部署的節(jié)點(diǎn)之間建立關(guān)聯(lián)，便于進(jìn)行實(shí)時(shí)數(shù)據(jù)的傳輸共享。在此基礎(chǔ)上，根據(jù)上述預(yù)設(shè)的輔助測(cè)試故障類型及實(shí)時(shí)應(yīng)用數(shù)據(jù)，計(jì)算出故障重疊定位比，具體如公式（5）所示。

T=λ2-∑B=1B+ρ（1+γ）（5）

式（5）中：T代表初始故障重疊定位比，λ代表故障識(shí)別范圍，代表基礎(chǔ)故障定位單元區(qū)域，B代表實(shí)時(shí)頻率，ρ代表重疊面積，γ代表感應(yīng)點(diǎn)。根據(jù)當(dāng)前測(cè)定，將計(jì)算得出的故障重疊定位比設(shè)定為約束條件，完成對(duì)基礎(chǔ)測(cè)試環(huán)境的設(shè)定及細(xì)化搭建。

2.2 測(cè)試過程及結(jié)果分析

基于上述搭建的測(cè)試環(huán)境，將故障的內(nèi)容轉(zhuǎn)換為指令導(dǎo)入當(dāng)前的測(cè)試程序，按照順序進(jìn)行執(zhí)行測(cè)試。設(shè)置閾值為0.6，初始學(xué)習(xí)率，迭代總次數(shù)預(yù)設(shè)為120次，損失函數(shù)為交叉熵。在重疊范圍之內(nèi)，測(cè)定出此時(shí)故障的告警響應(yīng)時(shí)間，具體如公式（6）所示。

U=∫I+υE（6）

式（6）中：U代表故障告警響應(yīng)時(shí)間，I代表初始故障定位區(qū)域，υ代表實(shí)際故障位置，E代表故障點(diǎn)。通過計(jì)算得出的告警響應(yīng)時(shí)間與交叉熵，先判定當(dāng)前的故障定位速度，如果符合初始預(yù)設(shè)的標(biāo)準(zhǔn)，再基于故障特征向量，根據(jù)采集的數(shù)據(jù)進(jìn)行故障信號(hào)位置標(biāo)定，具體如圖2所示。

在此基礎(chǔ)上，基于BP神經(jīng)網(wǎng)絡(luò)算法，對(duì)此時(shí)檢測(cè)到異常信號(hào)進(jìn)行分解處理，同時(shí)結(jié)合信息反映，進(jìn)行故障實(shí)時(shí)定位，最終計(jì)算出故障定位誤判率，具體如公式（7）所示。

V=（M+N）2-πXN（7）

在式（7）中，V代表故障定位誤判率，M和N分別代表物聯(lián)網(wǎng)覆蓋識(shí)別區(qū)域和實(shí)際覆蓋區(qū)域，π代表故障異常點(diǎn)，X代表定位差。根據(jù)當(dāng)前測(cè)定，隨機(jī)選定5個(gè)故障定位區(qū)域，對(duì)測(cè)試結(jié)果進(jìn)行分析，具體如表2所示。

分析表2可知，與傳統(tǒng)低壓脈沖電力設(shè)備故障定位方法、傳統(tǒng)GRU電力設(shè)備故障定位方法相比，設(shè)計(jì)的BP神經(jīng)網(wǎng)絡(luò)測(cè)算電力設(shè)備故障定位方法誤判率相對(duì)較低，這說明在BP神經(jīng)網(wǎng)絡(luò)算法的輔助下，設(shè)計(jì)的故障定位方法針對(duì)性與穩(wěn)定性較好，定位精準(zhǔn)度更高，具有實(shí)際應(yīng)用價(jià)值。

3 結(jié)語(yǔ)

為提高物聯(lián)網(wǎng)電力設(shè)備故障定位效果，文章開展基于BP神經(jīng)網(wǎng)絡(luò)的物聯(lián)網(wǎng)電力設(shè)備故障定位方法。該項(xiàng)目通過BP神經(jīng)網(wǎng)絡(luò)算法輔助，設(shè)計(jì)了一種靈活、多變的故障識(shí)別定位方法，提高故障捕捉的實(shí)施效率及精準(zhǔn)度。在不同背景下，該項(xiàng)目可結(jié)合故障自身特征，精準(zhǔn)分析并快速定位，在一定程度上可為電力系統(tǒng)的穩(wěn)定運(yùn)行提供重要支撐，為電力行業(yè)的技術(shù)進(jìn)步與發(fā)展做出更大貢獻(xiàn)。

參考文獻(xiàn)

［1］高洋，陳東升.基于低壓脈沖法的電纜故障定位設(shè)備的研制［J］.科技與創(chuàng)新，2024（11）：132-134.

［2］周展利，林丹.基于數(shù)字孿生技術(shù)的變電站設(shè)備故障定位預(yù)警［J］.電腦編程技巧與維護(hù)，2023（6）：173-176.

［3］曹海歐，吳迪，薛飛，等.基于改進(jìn)BA-PNN的智能變電站二次設(shè)備故障定位方法［J］.智慧電力，2024（4）：32-39.

［4］楊遠(yuǎn)朋，烏仁其其格.次設(shè)備的復(fù)雜故障定位與應(yīng)對(duì)策略分析［J］.集成電路應(yīng)用，2024（4）：357-359.

［5］張弛.基于混合故障字典的高速公路機(jī)電設(shè)備故障定位方法研究［J］.大連交通大學(xué)學(xué)報(bào)，2024（1）：101-105.

［6］曹天宇，王葉青.變電站一次設(shè)備中的故障定位措施分析［J］.電子技術(shù)，2023（10）：232-233.

［7］黃政宇.氣體絕緣開關(guān)設(shè)備局部放電故障定位技術(shù)分析［J］.電子元器件與信息技術(shù)，2023（10）：30-32，36.

［8］陳彥霖，孫明悅.基于安全判據(jù)的照明設(shè)備繼電保護(hù)故障定位研究［J］.光源與照明，2023（8）：147-149.

（編輯 王永超）

Fault location method of Internet of Things power equipment based on BP neural network algorithmZHANG Shun， CHENG Xiaotong， LI Qiong

（State Grid Xinjiang Electric Power Co.， Ltd.， Bazhou Power Supply Company， Bazhoukuerle 841000， China）

Abstract： The current IoT power equipment fault location models are mostly intelligent structures with relatively single positioning methods， resulting in uncontrollable deviations in the final positioning results. To address this issue， the article conducts research on fault location methods for IoT power equipment based on BP neural network algorithm. The article first performs data preprocessing and equipment fault feature extraction， then uses the BP neural network algorithm to improve the overall efficiency of power fault localization. Finally， a BP neural network is constructed to calculate the power equipment fault localization model， and an adaptive interval verification method is used to achieve fault localization processing. The test results show that compared with traditional low-voltage pulse power equipment fault positioning methods and traditional GRU power equipment fault positioning methods， the proposed power equipment fault positioning method has a lower misjudgment rate and higher positioning accuracy， which has certain application value.

Key words： BP neural network; Internet of Things; power equipment; fault identification; remote abnormal sensing