蔡徐平 方略

【摘 ?要】近年來(lái)，物聯(lián)網(wǎng)技術(shù)在采集電力運(yùn)行數(shù)據(jù)、感知配電網(wǎng)運(yùn)行狀態(tài)等領(lǐng)域發(fā)揮顯著功能，無(wú)線傳感網(wǎng)絡(luò)是物聯(lián)網(wǎng)技術(shù)的核心，因此本文結(jié)合傳統(tǒng)電纜故障定位和隔離先進(jìn)技術(shù)，將無(wú)線傳感網(wǎng)絡(luò)應(yīng)用于電力電纜故障地理位置定位，精準(zhǔn)檢測(cè)電纜故障并為電纜維修提供詳細(xì)準(zhǔn)確的故障線路及地理位置信息，具體思路如下：構(gòu)建電力電纜無(wú)線傳感網(wǎng)絡(luò)監(jiān)控系統(tǒng)感知電纜運(yùn)行狀態(tài)信息;以電纜狀態(tài)監(jiān)測(cè)信息作為樣本數(shù)據(jù)進(jìn)行聚類分析，獲取異常傳感節(jié)點(diǎn)實(shí)現(xiàn)電纜故障定位，節(jié)點(diǎn)通過(guò)Web GIS電纜地理定位模塊即可發(fā)送詳細(xì)的地理位置信息。下面對(duì)本文創(chuàng)新方法作詳細(xì)介紹，而現(xiàn)有較為成熟的電纜故障定位及隔離技術(shù)原理不再贅述。

【關(guān)鍵詞】物聯(lián)網(wǎng);電力電纜;故障定位

1 基于聯(lián)網(wǎng)技術(shù)的電力電纜故障地理位置自動(dòng)定位方法研究

1.1 基于無(wú)線傳感網(wǎng)絡(luò)的電力電纜故障監(jiān)控系統(tǒng)

1.1.1 總體架構(gòu)

基于ZigBee無(wú)線傳感網(wǎng)絡(luò)的電纜故障監(jiān)控系統(tǒng)架構(gòu)主要由無(wú)線傳感節(jié)點(diǎn)、中心節(jié)點(diǎn)、WebGIS地理定位模塊、監(jiān)控終端構(gòu)成。其中，無(wú)線傳感節(jié)點(diǎn)以合理的距離部署于各個(gè)電纜監(jiān)控區(qū)域，電纜中間接頭、戶內(nèi)戶外終端頭等關(guān)鍵節(jié)點(diǎn)處加強(qiáng)布置，采集電纜運(yùn)行的電流、電壓、溫濕度運(yùn)行狀態(tài)數(shù)據(jù)，同時(shí)負(fù)責(zé)去除數(shù)據(jù)的無(wú)用信息與噪聲，以無(wú)線信號(hào)為介質(zhì)將預(yù)處理完成的數(shù)據(jù)傳輸至中心節(jié)點(diǎn);中心節(jié)點(diǎn)主要任務(wù)是接收無(wú)線傳感節(jié)點(diǎn)采集的電纜監(jiān)控?cái)?shù)據(jù)，以基站為中介將統(tǒng)一打包的數(shù)據(jù)傳輸至監(jiān)測(cè)終端;WebGIS地理定位模塊掌握了無(wú)線傳感網(wǎng)絡(luò)節(jié)點(diǎn)所在的位置信息，一旦出現(xiàn)電纜故障，該模塊依據(jù)自身地圖資源存儲(chǔ)信息在監(jiān)控終端成電纜故障地圖，提供故障維修的地理位置信息;監(jiān)控終端負(fù)責(zé)對(duì)無(wú)線傳感數(shù)據(jù)進(jìn)行解包、分析、存儲(chǔ)，監(jiān)控人員通過(guò)PC客戶端、移動(dòng)客戶端皆可查閱電纜狀態(tài)監(jiān)控信息，接收電纜故障預(yù)警信號(hào)和電纜故障的地理位置信息。

1.1.2 WebGIS電纜地理定位模塊

WebGIS地理定位模塊的核心是WebGIS技術(shù)，可準(zhǔn)確定位電纜故障所在地理位置，便于維修人員實(shí)施檢修。WebGIS電纜地理定位模塊使用TCP/IP協(xié)議、Internet/Intranet標(biāo)準(zhǔn)運(yùn)行，基于HTTP協(xié)議生成數(shù)據(jù)傳輸?shù)母袷?。WebGIS電纜地理定位模塊使用分布式服務(wù)體系結(jié)構(gòu)，以增強(qiáng)處理無(wú)線傳感網(wǎng)絡(luò)產(chǎn)生的大規(guī)模數(shù)據(jù)，監(jiān)控終端與服務(wù)器的負(fù)載得以平衡，進(jìn)一步提升電纜監(jiān)控?cái)?shù)據(jù)處理的性能。

1.2 電力電纜故障節(jié)點(diǎn)判斷與定位

1.2.1 基于聚類分析的電纜故障定位模型

電纜運(yùn)行出現(xiàn)故障時(shí)則會(huì)向無(wú)線傳感網(wǎng)絡(luò)發(fā)送零序電壓突變信號(hào)，電力電纜故障監(jiān)控系統(tǒng)后臺(tái)由此啟動(dòng)電纜故障識(shí)別程序，監(jiān)控端接收電纜狀態(tài)監(jiān)控?cái)?shù)據(jù)，以此作為數(shù)據(jù)樣本采用K-means聚類算法進(jìn)行電纜故障數(shù)據(jù)聚類分析，根據(jù)聚類結(jié)果獲取異常數(shù)據(jù)識(shí)別出電纜故障。為此構(gòu)建基于K-means聚類分析的電纜故障節(jié)點(diǎn)定位模型明確電纜故障定位思路，模型結(jié)構(gòu)為：電流、電壓、溫濕度傳感節(jié)點(diǎn)-電纜監(jiān)控?cái)?shù)據(jù)處理與傳輸-電纜監(jiān)控指標(biāo)提取-K-means聚類分析-故障決策分析，輸出電纜故障定位結(jié)果。由此可知電纜故障節(jié)點(diǎn)定位分為兩部分，一是電纜監(jiān)控指標(biāo)提取，二是K-means聚類算法分析。電纜監(jiān)控指標(biāo)提取即為電纜的電壓、電流、溫濕度狀態(tài)監(jiān)測(cè)變量的提取;K-means聚類算法在電纜故障判斷中的應(yīng)用如下詳述。

1.2.2 K-means聚類算法

K-means聚類算法在數(shù)據(jù)聚類分析領(lǐng)域的應(yīng)用頻率較高，K-means聚類算法的聚類中心為多個(gè)聚類子集全部數(shù)據(jù)樣本均值。K-means聚類算法運(yùn)行思路為：經(jīng)過(guò)迭代實(shí)現(xiàn)數(shù)據(jù)集類別劃分，當(dāng)評(píng)估聚集性能的測(cè)度函數(shù)為最優(yōu)時(shí)，證明生成的聚類緊湊且聚類間獨(dú)立存在。那么基于K-means聚類算法實(shí)現(xiàn)電纜故障監(jiān)控的步驟為：基于K-means聚類算法對(duì)無(wú)線傳感器節(jié)點(diǎn)數(shù)據(jù)進(jìn)行分簇獲取聚類中心;對(duì)比數(shù)據(jù)點(diǎn)和質(zhì)心間的距離判斷數(shù)據(jù)點(diǎn)是否處于異常狀態(tài)。K-means聚類算法使用歐幾里得距離作為數(shù)據(jù)點(diǎn)距離判斷量。歐幾里得距離屬于距離定義范疇，在相似度判定中使用頻繁。

1.2.3 基于歐幾里得距離的電纜故障判斷

基于K-means聚類算法獲取電纜狀態(tài)監(jiān)測(cè)數(shù)據(jù)點(diǎn)的分簇結(jié)果，以此為前提求取海量數(shù)據(jù)點(diǎn)和簇心之間的歐幾里得距離，根據(jù)歐幾里得距離判斷數(shù)據(jù)是否異常的依據(jù)為：若歐幾里得距離在當(dāng)前距離均值以上，證明此數(shù)據(jù)點(diǎn)屬于異常數(shù)據(jù)點(diǎn)集，反之則屬于正常數(shù)據(jù)點(diǎn)集。需對(duì)異常數(shù)據(jù)點(diǎn)集數(shù)據(jù)展開進(jìn)一步檢測(cè)，方法如下：構(gòu)建兩個(gè)對(duì)比數(shù)據(jù)，一是疑似異常點(diǎn)到質(zhì)心距離和距離均值的差，二是疑似異常點(diǎn)聚類中所有數(shù)據(jù)點(diǎn)到質(zhì)心距離的1.67倍，對(duì)比兩種數(shù)據(jù)，當(dāng)前者數(shù)據(jù)超過(guò)后者數(shù)據(jù)時(shí)，則證明該電纜狀態(tài)監(jiān)測(cè)數(shù)據(jù)異常，輸出異常數(shù)據(jù)坐標(biāo)即可獲取無(wú)線傳感網(wǎng)絡(luò)中的異常節(jié)點(diǎn)，即電纜故障節(jié)點(diǎn)。發(fā)生電纜故障的無(wú)線傳感網(wǎng)絡(luò)節(jié)點(diǎn)通過(guò)WebGIS電纜地理定位模塊即可生成地圖，為檢修人員提供精準(zhǔn)的電纜故障維修地理位置信息。

2 實(shí)驗(yàn)研究

通過(guò)仿真實(shí)驗(yàn)形式驗(yàn)證本文方法處理電纜故障地理位置自動(dòng)定位的可行性與優(yōu)勢(shì)，仿真實(shí)驗(yàn)在Matlab 7中完成算法編程，通過(guò)Visual DSP++設(shè)計(jì)電力電纜故障監(jiān)控系統(tǒng)，實(shí)驗(yàn)樣本數(shù)據(jù)為某配電網(wǎng)運(yùn)行產(chǎn)生的數(shù)據(jù);定義1200m×1200m大小區(qū)域作為電力電纜監(jiān)控節(jié)點(diǎn)布局區(qū)域，電纜節(jié)點(diǎn)通信覆蓋范圍約為11.5m，監(jiān)控系統(tǒng)采集數(shù)據(jù)的時(shí)間間隔為8min。對(duì)編號(hào)為D06、D16、D24、D33、D42的電纜節(jié)點(diǎn)進(jìn)行故障定位，每個(gè)節(jié)點(diǎn)預(yù)期采集300個(gè)數(shù)據(jù)樣本并展開數(shù)據(jù)聚類分析，其預(yù)期采集數(shù)據(jù)樣本、實(shí)際采集數(shù)據(jù)樣本及數(shù)據(jù)丟失率分別為300/299/0.30，300/300/0，300/299/0.30，300/ 298/0.67，300/300/0。分析可知，基于ZigBee無(wú)線傳感網(wǎng)絡(luò)的電纜故障監(jiān)控系統(tǒng)采集數(shù)據(jù)丟失率較低，最高僅為0.67%，丟失的數(shù)據(jù)一般發(fā)生在節(jié)點(diǎn)與服務(wù)器傳輸期間;較低的數(shù)據(jù)丟失率得益于無(wú)線傳感網(wǎng)絡(luò)中ZigBee節(jié)點(diǎn)的使用，將CC2530處理器作為ZigBee節(jié)點(diǎn)的核心構(gòu)件有效增強(qiáng)電纜狀態(tài)數(shù)據(jù)采集的性能。

由此看來(lái)，本文方法采集的電纜狀態(tài)數(shù)據(jù)完整性較強(qiáng)，為聚類分析提供了相對(duì)全面的數(shù)據(jù)樣本基礎(chǔ)。采用本文方法獲取的D06、D16、D24、D33、D42數(shù)據(jù)聚類時(shí)間開銷（秒）、初次檢測(cè)異常數(shù)據(jù)量（個(gè)）、是否出現(xiàn)電纜故障、故障電纜地圖生成是否準(zhǔn)確分別為：8.89/7/否，0.91/11/是/是，0.89/4/否，0.94/6/否，0.92/4/否。以上結(jié)果顯示只有D16電纜節(jié)點(diǎn)出現(xiàn)故障，該情況與配電網(wǎng)中電纜運(yùn)行的實(shí)際情況一致，證明了本文方法進(jìn)行電纜故障檢測(cè)的有效性。

經(jīng)對(duì)比，本文方法生成的電纜故障地圖準(zhǔn)確無(wú)誤，地圖清晰顯示了故障位置與維修團(tuán)隊(duì)所在位置，方便維修人員快速到達(dá)維修地點(diǎn)，高效恢復(fù)電纜正常運(yùn)行，保障了社會(huì)生產(chǎn)與生活的安全性。

3 結(jié)語(yǔ)

本文方法獲取較優(yōu)的定位結(jié)果在于將物聯(lián)傳感網(wǎng)絡(luò)與K-means聚類算法有機(jī)融合，無(wú)線傳感網(wǎng)絡(luò)能采集廣域的電纜狀態(tài)數(shù)據(jù)，保障了數(shù)據(jù)樣本分析的全面性。同時(shí)無(wú)線傳感網(wǎng)絡(luò)數(shù)據(jù)具有規(guī)模大、數(shù)據(jù)密度大、分布范圍廣、異常數(shù)據(jù)占比較少的特點(diǎn)，造成較大的電纜狀態(tài)數(shù)據(jù)挖掘難題。K-means聚類算法用于數(shù)據(jù)聚類分析的頻率較高，面對(duì)數(shù)據(jù)簇密集、數(shù)據(jù)聚類差異大的情況更容易發(fā)揮較優(yōu)的聚類效果，K-means聚類算法這一特性與無(wú)線傳感網(wǎng)絡(luò)數(shù)據(jù)特征吻合，因此K-means聚類算法進(jìn)行電纜狀態(tài)數(shù)據(jù)聚類更易展現(xiàn)其優(yōu)勢(shì)。

參考文獻(xiàn)：

[1]劉海妹.基于物聯(lián)網(wǎng)的智能電網(wǎng)故障監(jiān)控系統(tǒng)研究[J].電源技術(shù)，2015，10.

（作者單位：國(guó)網(wǎng)上海市電力公司浦東供電公司）