电力采集系统故障时刻精度的提高对策分析

电力采集系统故障时刻精度的提高对策分析

徐造林

国网安徽省电力有限公司怀宁县供电公司 安徽 怀宁 246129

摘要：电力行业的发展导致了电力设备在数量、容量上的增加。电力设备的巡检、维护、监控需要投入大量的人力成本，随着计算机、人工智能行业的发展，使用智能化的信号处理算法，通过采集电力设备周围空间内的热、电、声等多个维度信息，便可判别设备的运行状态，从而实现设备的实时监控。电力设备故障信号的采集与处理是一个“硬件+软件”的综合系统。为了有效实现该目的，既需要及时的采集各类维度的信息，还需要快速的信号处理算法，挖掘出多维数据中的潜在信息。因此，在硬件电路设计上，要保证采集到的信号质量，确保信号的功率满足信息处理模块的功率动态范围要求，滤除信号中的干扰噪声；在软件算法上，要保证信号处理算法有足够低的时间复杂度，从而满足实时监控需求。基于以上分析，本文基于大规模可编程逻辑器件（FPGA）设计了一套电力设备故障信号的采集与处理系统。本系统可以实现电力设备周围空间内热、声音和电信号的采集。系统在FPGA内集成了神经网络算法，用于设备故障判别。

关键词：联合检测；设备监控；FPGA；神经网络；信号采集

引言：随着电力设备数量的增加，为了保证电力设备的平稳运行以及故障的及时发现，本文设计了一套故障信号的采集与处理系统。文中基于FPGA，设计了红外、超声波和TEV信号的采集电路。在信号处理算法的设计上，使用了BR-DBN神经网络。经测试，文中设计的系统在电气设备故障率的识别精度上可达到96.4%以上，具有较强的实际应用价值。

1.系统设计

1.1硬件模块设计

电力事业的发展导致了发电、输电设备容量的提升，对于电力设备平稳运行也提出较高的要求。在输变电进程中，需要在电力设备带电运行的过程中，随时可以获取其运行状态，及时发现设备的异常与故障。相关文献指出，当电力设备发生故障时，机房中的温度、设备暂态电压等信息均会发生变化，及时采集这些外部信号，经过信号的处理和分析，即可判别出设备的运行状态，实现故障的发现与报警。经过上述分析，本文设计了一套电力故障的热声电联合检测装置。该装置由信号采集电路、信号处理FPGA、CPU与外设、电源模块组成，其硬件架构如图1所示。

图1.系统功能模块硬件架构：

从图1可以看出，本系统的采集模块共包含3个子模块，分别是红外信号、超声波和暂态电压（TEV）的采集。其中，红外信号的采集可以用于成像和机房温度的监测；系统的信号处理模块共包含5子模块分别是配置、状态与中断模块，信号打包模块和3个采集信息的处理模块。其中，配置、状态与中断模块和信号采集模块互联，可以对采集模块、中央处理器ARM模块工作的状态进行控制，保证FPGA的正常有序工作；信号处理打包模块综合多个维度的采集信息，通过FPGA中写入的信号处理算法对设备的运行状态进行判别。ARM模块负责系统外设的连接，如显示屏、报警器、EMMC、存储器等。而电源模块，则负责每个模块的供电。下面，对每个信号采集模块进行进一步的介绍^[1]。

1.2红外信号采集

图2给出了红外信号采集子模块的结构图，可以看到，红外信号采集前需要经过非均匀性校正、盲元检测与补偿两个步骤。对于非均匀性校正，当前最普遍的方法是基于参考辐射源非均匀性校正技术，也是最成熟、最稳定的技术。盲元是由于红外焦平面阵列探测器的单个或多个探测元存在工艺缺陷，这些探测元对红外辐射的响应率过高或过低，将会导致图像上某些像素的信号值大于平均噪声。根据盲元的特性，本方案采用5×5邻域像素响应率检测法，通过中心点的灰度均值及均方差，来确定该点是否为盲元。当中心点均方差值超出设定阈值时，则判断为盲元，记录并保存盲元坐标列表，用于后续盲元补偿使用^[2]。

图2.红外信号采集模块：

1.3超声波信号采集

超声波是指频率在2kHz以上的声波，在电力设备故障监测中，超声波可以有效的表征其运行状态。由于超声波的振幅较弱，还需要经过多级滤波和放大器进行信号的放大，同时过滤掉其中的干扰信号^[3]。最后经过A/D采样器，将模拟的超声信号转化为数字信号，供FPGA处理。电力设备的暂态电压（TEV）主要由电气设备的表面放电、高压放电、尖端放电产生，其频率在1kHz~100MHz之间。捕捉后的信号经过带通滤波器进入到检波模块，经信号转换器送入A/D转换器，A/D转换器将模拟的TEV信号转换为数字信号后送入FPGA进行处理。

2.系统实现

2.1硬件架构

系统硬件主要由FPGA和CPU构成，FPGA负责各类信号的采集和处理。CPU接收FPGA发送来的信号并进行处理，对信号处理的结果进行展示；FPGA外接各类信号采集模块、Flash和DDR；CPU外接LCD显示屏、EMMC、RTC、DDR。整个硬件体系统一采用12V电压供电。

2.2电路仿真

如上文所述，由于超声波信号较小，需要被放大达到一定功率后，才能满足A/D采样电路的动态范围。为了增大整个放大器的输入阻抗，提升电路的耦合度，放大器输入端接入一个阻值为715Ω的耦合电阻；为了提升放大器的稳定性，采用LC回路作为反馈支路。当频率达到40kHz时，放大器的放大倍数可达20dB；对于频率在20kHz以上的超声波信号，该放大器均可以实现有效的正增益和良好的频率响应。对于TEV信号的采集，该信号除了功率较小，还掺杂了其他频率的干扰信号。因此，需要针对性的设计滤波电路，滤除干扰信号。根据TEV信号的工作频率，设置滤波器的下限截止频率为4.2MHz，上限截止频率为105MHz。

2.3信号处理

信号处理模块集成在FPGA内，需要设计合理的算法，对采集的热、声、电多维信号表述的设备信息进行挖掘。本文使用神经网络算法进行设备故障的识别，文中使用的神经网络为BR-DBN（贝叶斯正则化）网络。在BR-DBN网络中，中间层每层之间的神经元相互独立，不同层间的神经元通过传递函数相连接，最上层是输出层。在本文中以变压电气设备为例，总结了常见的几种设备故障类型：中低温过热、高温过热、高能放电、低能放电和局部放电。

结论：

简而言之，针对电力行业中电力设备运行状态实时监控的需求，文中设计了一套故障信号采集与处理系统。该系统基于FPGA设计开发，可以对红外热分布、超声波、暂态地电压进行联合检测，识别设备运行状态，有效提高运维人员巡检工作效率与缺陷检出率。文中分别对红外信号的非均匀校正、盲元检测与补偿、测温标定与补偿等算法；超声波信号的小信号放大、滤波去噪、计量算法；暂态地电压信号的小信号放大、滤波去噪、计量算法进行了研究，设计出相应的信号采集电路，并基于神经网络算法设计出多维信号下的设备故障判别算法。测试结果表明，系统对于设备故障的判别准确率可以达到96.4%，具有较强的应用价值。

参考文献：

[1]张昊.浅析电力采集系统故障时刻精度的改进[J].科技风，2018(15)：69-69.

[2]张磊.电力采集系统故障时刻精度的提高方法[J].中国电子商务，2019(10)：76.

[3]陈宗伟.试析提高电力采集系统故障时刻精度的方法[J].中国新通信，2018(23)：2-3.