一种气体绝缘金属封闭开关设备状态监测远程诊断系统的设计与开发
参会注册
长按识别左侧二维码,登录报名网站(先注册网站会员,然后提交报名信息)
会议微信号
西安西电开关电气有限公司、中国长江电力股份有限公司的研究人员张永强、贾敬礼、张豪俊、耿超鹏,在2019年第7期《电气技术》杂志上撰文指出,气体绝缘金属封闭开关设备是电力系统中的重要设备之一,它是保护电力系统运行安全和控制电力系统电路的重要设备,因此气体绝缘金属封闭开关设备的运行状态关系到整个电力系统的安全。
目前对气体绝缘金属封闭开关设备的运行状态的监测主要以变电站为单位,数据存在设备就地、数据的再利用困难等问题。本文提出了一种气体绝缘金属封闭开关设备状态监测远程诊断系统,实现对气体绝缘金属封闭开关设备的远程诊断,以及监测数据的长期积累和二次利用。
随着大数据云计算和无人值守变电站管理模式的发展和推广以及气体绝缘金属开关设备(gas insulated switchgear, GIS)设备在线技术的应用,使以网络技术和大数据云计算技术实现对GIS设备的远程诊断和数据分析成为了可能。
该技术的推广不仅可以实现远程监测GIS设备的运行参数,判断GIS设备的运行状态,为设备检修提供参考;而且可以积累GIS设备的监测数据,为GIS设备故障的大数据分析提供基础数据。
1 系统架构
GIS设备状态监测远程诊断系统由3个部分组成,系统架构如图1所示。
第一部分为变电站设备就地,该部分除了常规的数据采集设备外,增加了数据分析系统、报警系统以及就地数据库,该部分的主要功能为获取GIS设备的监测数据,并对监测信息进行分析,形成初级分析结果并把数据通过专有网络送入设备制造厂家;
第二部分为设备制造厂家部分,该部分包括数据同步系统、数据分析系统、数据报警系统、数据库和智能维修系统,该部分的主要功能为远程监测数据的同步,数据高级分析和数据远程报警,并提供智能维修建议;
第三部分为报警客户端,主要功能为通过多途径向用户和设备制造厂家提供报警信息。
图1 系统架构图
1.1 变电站设备就地
变电站设备就地部分有3个功能:①变电站基础数据的获取,目前可获取的监测数据包括机械特性监测数据、SF6监测数据、避雷器监测数据、局部放电监测数据、触头位置监测数据等;②变电数据存储于分析,对监测数据进行简单分析并提供分析结果;③数据的远程上传。变电站就地结构图如图2所示。
图2 变电站就地结构图
1.2 设备制造厂部分
设备制造厂部分为远程数据的数据同步和数据处理部分,是整个系统的核心,该部分有3个功能:①通过专有网络远程数据获取变电站监测数据,并对数据进行存储,数据存储采用数据库进行分类存储;②数据分析部分,根据数据的种类对各种监测数据进行分析,并存储分析结果和向用户推送告警信息;③报警客户端被安装在报警服务器上,报警服务器采用多途径与用户进行沟通。设备制造厂部分系统架构如图3所示。
图3 设备制造厂部分系统架构图
1.3 报警客户端
数据报警客户端与远程数据服务器连接,并根据需求把报警信息推送给相关的用户。报警客户端结构如图4所示。
图4 报警客户端结构图
2 关键技术研究
2.1 远程数据同步技术
远程数据同步采用了基于Web Service接口技术的数据同步技术,使用Web Service实现对数据库的隔离和数据访问。Web Service是一个基于Web的应用程序,可用于开发分布式应用的数据接口,能够使不同机器上的不同应用实现数据交互,它是自描述和自包含的网络模块。
系统使用Web Service接口对数据库进行访问,这样做可以实现对数据库的隔离,防止对数据库的直接访问,提高了数据库的安全性。图5为使用Web Service进行数据通信的结构图。进行数据同步,就是通过使用同步日志,确定两个数据库的关系,最后通过Web Service接口把业务数据同步到远程数据库中。数据同步采用基于同步日志的远程数据同步方法,使用该方法可有效预防冗余数据的产生,保证上传数据的惟一性。详细的数据同步业务流程如图6所示。
图5 Web Service结构图
图6 数据同步业务流程图
2.2 基于神经网络的故障诊断技术
1)选用的神经网络类型
人工神经在数据分析方面展现了它的优势,本系统采用了BP神经网络(back propagation)实现了GIS机械状态的诊断和预测。所使用的人工神经网络模型如图7所示。
所使用的BP神经网络的公式为net=newrb(P,T,Goa1, SPREAD) (1)
式中:P为网络输入向量;T为输出向量;Goal为误差目标值,设定为0.01;SPREAD为BP神经网络的分布密度,它的大小直接影响网络的诊断精度,将其设定为0.6。
图7 人工神经网络模型
2)分析参量的选择
使用BP神经网络主要为了实现对机械特性的故障诊断,因此需从机械特性的动作曲线入手,提取敏感可用的计算参量。机械特性合闸参量提取如图8所示。机械特性分闸参量提取如图9所示。
图8 机械特性合闸参量提取
图9 机械特性分闸参量提取
3)训练和预测
(1)BP神经网络计算
神经计算中应充分考虑到断路器的工况,在不同工况下采集多组断路器的特性曲线。其中包括操作弹簧压力低、操作弹簧压力高、操作线圈卡滞、操作电压过高、操作电压过低等工况,并根据分析参量的提取方法,对分析参量进行提取,用于BP神经网络的训练,将训练后的结果保存起来。
(2)故障诊断结果的计算
故障诊断结果的计算依托于计算出的已知BP神经网络,详细的计算方法和故障诊断过程如图10所示。
图10 故障诊断过程
2.3 数据库的构建
根据远程诊断系统的功能,对远程诊断系统的数据库进行设计,数据库采用关系数据库,在数据库设计过程中应考虑表1中所叙述的内容。
表1 数据库设计
3 系统设计
3.1 开发环境选择
系统开发采用基于.NET的C#开发环境,C#开发环境具有很大的优势。它取消了内存的操作,提高了安全性;支持现有的网络编程新标准,包括HTML、XML、SOAP等;具有强扩展性,可以轻松实现对其他开发环境程序包的调用。
3.2 系统设计
1)数据同步服务设计
数据同步采用Windows服务开发方式,在系统运行时自动加载,实现对监测数据的实时获取和数据的同步。数据同步服务功能结构如图11所示。
图11 数据同步服务功能结构图
2)远程诊断系统设计
远程诊断系统设计了数据获取模块、用户管理模块、数据显示模块、数据分析模块和数据报警模块等。远程诊断系统功能如图12所示。
图12 远程诊断系统功能图
3)软件界面设计
在软件界面设计中,主要设计了用户登录界面、变电站列表界面、SF6监测界面、避雷器监测界面、触头位置监测界面、机械特性监测界面、局部放电监测界面等。图13—图16展示了部分的监测界面。
图13 SF6监测界面
图14 机械特性监测界面
图15 局部放电监测界面
图16 触头位置监测界面
本文描述了GIS设备状态监测远程诊断系统的的结构,介绍了系统的架构,所使用的关键技术及软件的功能和界面设计。通过该系统,可实现对GIS设备运行状态的实时监测和诊断,并实现监测数据的长期积累,为GIS设备状态监测提供了参考方法。