基于电力信息系统PMS的输变电设备故障诊断系统设计研究

李宁

摘要：为了提升输变电设备的故障诊断能力，本文探索基于PMS技术的输变电设备故障诊断系统的设计方法。在介绍输变电设备运行特点的基础上，从系统结构设计、软硬件平台选择以及功能集成等方面阐述了系统设计过程。首先，建立系统的整体架构设计，运用便携式设备，对故障信息进行实时采集。利用传感器技术进行故障信息采集和热成像处理，进而建立输变电设备故障信息PMS特征提取模型，通过振动波形分析和红外图谱分析，实现对输变电设备故障特征的提取和诊断，最终构建输变电设备故障诊断的PMS数据信息融合模型，实现了输变电设备的多参量自诊断智能巡视方法的设。并运用高度集成的传感信息处理技术和实时在线检测方法，对输变电设备的健康状况进行评估，并预测其运行趋势，以实现对故障的实时诊断。通过建立输变电设备故障信息诊断系统平台，将所提方法应用于实际电网中，验证了所提方法的可行性与有效性。根据仿真结果，采用该方法进行输变电设备故障诊断的效率显著提升。

关键词：电力信息系统；PMS数据；输变电设备；故障诊断

引言：随着国家电网建设规模的不断扩大，输变电设备的运行工况稳定性已成为人们越来越关注的焦点。输变电设备作为电网中重要组成部分之一，其运行状况直接影响着整个电力系统的安全与可靠。为了提高输变电设备的运行稳定性，必须建立一种基于智能控制技术的输、变电运维专业巡视模式，并设计一套智能化的输变电设备故障诊断系统，以增强输变电设备的稳定运行管理和运维管理能力。本文提出了一种基于人工智能技术的输变电设备故障诊断方案，将数据挖掘中的分类算法应用到输变电设备故障诊断领域。然而，在输变电设备故障诊断方面，传统方法主要采用故障特征检测方法，提取输变电设备的工况信息，并运用红外检测仪、局放测试仪等手段和设备，实现运维人员的巡视管理。然而，在有效数据采集不连续和扰动性大的情况下，这些方法的故障检测性能较差，不利于输变电设备的故障诊断。

1系统设计的核心技术在于对数据进行深入分析和精准采样

1.1该系统的整体架构设计

为了进行输变电设备的故障诊断，必须首先进行系统的整体设计和架构建设。由于传统监测诊断方法在数据获取上存在局限性，导致无法有效地实现对电网运行中各类电力设备的实时监控与预警，从而影响了输变电设备的安全稳定运行。本文运用智能传感识别技术，建立了输变电设备故障诊断系统的信息采集模型库，并采用联合信息特征挖掘和状态评估的方法，构建了输变电设备故障诊断分析和参数量化评估模型。同时，采用高度集成的传感识别技术，获取输变电设备故障相关性特征量，并获取了OSI模型结构图，如图1所示

图 1 输变电设备故障信息采集模型结构图

根据图1所示的OSI模型结构图，运用红外热成像传感器和振动传感器，对红外热像、温湿度、振动波等参数进行采样，并通过工况特征分析方法进行故障诊断和识别。完成了一项多参量自诊断智能巡检终端的设计，该终端进行了多参量自诊断智能巡检和特征分析，并构建了一个多参量自诊断智能参数分析模型，最终得到了输变电设备故障诊断的总体结构，如图2所示。

图 2输变电设备故障诊断总体结构

在基于图2总体结构构架的前提下，还需要运用传感器技术来检测输变电设备的高端红外成像信息，并结合可见光图像和红外热像处理方法来实现故障的诊断和分析。

1.2 故障诊断信息采样

基于图2所构建的输变电设备故障诊断系统的总体结构模型，运用传感器技术进行故障信息的采集和热成像处理，随后使用一台便携式设备对输变电设备的故障信息进行了采集，并对采集到的故障信息进行了模糊度检测和融合识别，最终在数据库终端实现了信息存储[1]。

2 对输变电设备的故障诊断系统进行优化，以提高其效率和准确性

2.1提取输变电设备故障信息中的PMS特征，以获取相关信息

本文采用多参量自诊断智能巡视方法，构建了一种输变电设备故障诊断的PMS数据信息融合模型，通过采集输变电设备故障样本信息的时域波形，并结合传感红外成像跟踪方法，获得了输变电设备故障样本红外成像的像素值，并给出了如式（1）所示的计算公式:

                          （1）

对高压变压器进行信息融合跟踪识别，以获取输变电设备故障信息的局部检测特征输出，其中包括带电变压器和GIS等设备：

                               （2）

建立一种统计信息分布模型，用于挖掘输变电设备的故障情况，该模型的参数为，其中和均为不变的常数。在此基础上，利用粗糙集理论中属性约简算法对数据进行处理以提取关键特征并将其应用到输变电设备故障诊断当中。通过对输变电设备进行XRF光谱特征分析和频域波形检测。得出了其故障分布如式（3）的展宽情况。

                               （3）

利用PMS系统，实时上传输变电设备红外光谱成像的检测统计特征量t，以获取输变电设备红外成像的输出光谱密度特征量：

                                 （4）

从联合分布区间中，可以获取到与电网智慧运营管理相关的谱信息，其中包括视频、红外和局放特征：

                             （5）

通过运用PMS参数J对输变电设备故障信息进行分析，本文成功构建了一种趋势预测模型，用于输变电设备故障的诊断：

                             （6）

根据上述分析，建立输变电设备故障信息的PMS特征提取模型，运用振动波形分析和红外图谱分析技术，实现了对故障特征的提取和诊断。

2.2输出故障的诊断结果

本文建立一种PMS数据信息融合模型如式（7），用于输变电设备故障诊断，且设计了一种多参量自诊断智能巡视方法，并利用高度集成的传感信息处理和实时在线检测方法，获得了输变电设备故障诊断的光谱离散特征分量[2]。

                             （7）

利用PMS国网信息融合技术，将图像数据、红外测温数据、超声波数据等多种参数进行智能化处理如式（8），从而实现对现有电力设备故障的智能输出。

                                （8）

利用联合检测技术，包括局放检测、振动检测、温湿度检测等，捕捉输变电设备运行中的异常特征量，并将其与超分辨融合模型相结合式（9），从而实现输变电设备故障的诊断：

                                （9）

通过运用多元参数自我诊断的智能巡视技术，实现了故障检测，并获得了故障检测的特征分布集：式（10）

                            （10）

最后利用后验概率分布式估计方法（11），对输变电设备的故障样本进行先验统计特征量m和n的处理，从而获得故障的多参量自诊断输出结果。

                    （11）

利用模糊信息融合变量（11）对输变电设备进行故障诊断检测，并借助物联网大数据分析模型，为故障诊断和在线检测各种数据建模提供可靠的数据支撑。

3 系统测试分析

为了验证本文所提出的方法的可行性，本文进行了一系列仿真实验以进行验证。通过搭建输变电设备状态监测系统，将基于红外技术的输变电设备故障诊断应用于实际电网之中，验证了该方法能够有效地提高变电运维人员对电力设备的诊断能力。在实验中，本文使用56个传感器节点对输变电设备进行信息采集，并使用150*240,成像像素的12,个采样频率带宽为24dB，故障特征分辨频率为14.8kHz。根据输变电设备的相关参数设定，本文成功地实现了输变电设备的故障检测，并获得了输变电设备故障检测的红外预警图像。在此基础上，本文与传统的两种方法进行了对比，并设置了置信度阈值从0.1~0.8，以进行故障诊断[3]。最终，得到了故障检测输出准确率如表1所示的结果。

表1故障诊断检测输出准确率

置信度闽值	传统方法1准确率（%）	传统方法2准确率（%）	本文方法准确率（%）
0.1	32	42	69
0.2	41	36	78
0.3	37	41	80
0.4	30	39	82
0.5	35	37	83
0.6	40	38	86
0.7	42	43	85
0.8	39	44	80

根据表1的分析结果，相较于其他两种方法，本文所提出的方法在故障检测方面表现出了卓越的性能，其输出准确率高达86%。为了更全面地评估本文所提出的方法，本文在分析故障检测输出准确率的基础上，对不同方法的故障检测输出时间进行了比较，从而得出了各方法的故障检测输出时间，具体数据见表2。

表2故障诊断检测输出时间

置信度闽值	传统方法1检测时间（s）	传统方法2检测时间（s）	本文方法1检测时间（s）
0.1	6.1	7.0	2.5
0.2	6.2	7.1	2.4
0.3	6.4	7.3	2.5
0.4	6.6	7.4	2.3
0.5	6.4	7.4	2.2
0.6	6.3	7.3	2.6
0.7	6.2	7.2	2.7
0.8	6.8	7.5	2.1

结论：

综上所述，本文首先构建了一个系统的总体设计架构，并采用便携式设备对故障信息进行了采集。在上述基础上搭建了基于分布式人工智能的输变电设备故障诊断系统，通过试验验证该方法的有效性和可靠性。根据仿真实验测试结果，本文所提出的方法在输变电设备故障诊断方面表现出了卓越的效率和卓越的性能。

参考文献：

[1]金海勇,卢贵有,王庆利,李秀广.电力系统中输变电设备智能化网络运维管理方法[J].微型电脑应用,2022,38(3):197-200.

[2]赵书航,董冰.输变电设备在线状态分析与智能诊断系统的研究[J].山东工业技术,2017(15):127-127.

[3]孙晓翔.基于粗糙集的电力设备故障诊断[J].电脑编程技巧与维护,2012(22):111-112.