基于移动通信网络的舰船电力设备线损检测研究

SHIP SCIENCE AND TECHNOLOGYVol. 41, No. 2AFeb. , 2019

基于移动通信网络的舰船电力设备线损检测研究

崔振辉1，赵剑慧1，于    洋1，王丹丹2

(1. 国网天津市电力公司，天津 300010；2. 天津三源电力信息技术股份有限公司，天津 300000)

摘 要: 传统的电力设备线损检测方法存在着检测精准度低的缺陷，为此提出基于移动通信网络的舰船电力

设备线损检测方法研究。建立电力设备线损模拟装置对其线损故障数据进行采集，对采集的数据进行计算得到特征量。将得到的特征量进行统一化处理形成相应的训练集，采用遗传算法将训练集中的数据与正常工作数据进行逐一对比，将得到的线损数据转换成数字信号进行输出，实现了舰船电力设备线损的检测。通过实验得到，提出的电力设备线损检测方法的检测精准度平均值比传统方法高出25.5%，说明提出的电力设备线损检测方法具备极高的有效性。

关键词：移动通信网络；舰船；电力设备；线损；检测；数据中图分类号：F272          文献标识码：A

文章编号： 1672 – 7649(2019)2A – 0103 – 03         doi：10.3404/j.issn.1672 – 7649.2019.2A.035

Research on line loss detection of ship power equipment based on

mobile communication network

CUI Zhen-hui1, ZHAO Jian-hui1, YU Yang1, WANG Dan-dan2

(1. State Grid Tianjin Electric Power Company, Tianjin 300010, China; 2. Tianjin Sanyuan Electric Information

Technology Co., Ltd., Tianjin 300000, China)Abstract: The traditional line loss detection methods of power equipment have the defect of low detection accuracy.Therefore, a new method based on mobile communication network for line loss detection of naval power equipment is pro-posed. A power equipment line loss simulator is established to collect the data of line loss faults, and the characteristic val-ues are obtained by calculating the collected data. The trained data are compared with the normal data one by one by usinggenetic algorithm, and the line loss data are converted into digital signals for output, thus realizing the detection of line lossof naval power equipment. The experimental results show that the average detection accuracy of the proposed method is25.5% higher than that of the traditional method, which shows that the proposed method is highly effective.

Key words: mobile communication network；warship；power equipment；line loss；detection；data

0     引　言

随着经济的不断发展，船舶运输行业也在不断的前进。舰船的电力设备主要是基于移动通信网络运行的[1]。移动通信网络指的是实现移动用户与固定点用户或者是移动用户之间通信的通信介质，具有极高的专业性。移动通信网络是通信网的重要组成部分，其自身具有自由性、移动性的特点，并且可以突破时间与地点的限制，因此，受到了社会各界的广泛关注与应用。现今，移动通信网络已经被应用于各行各业，在舰船的航行过程中，需要各种系统的合作运行，随

着技术的不断升级，很多系统都实现了自动化控制，这就需要电力系统给予可靠的支持，由此可见，舰船电力系统是至关重要的。但是由于电力设备长期处于高压运行状态，其内部零件与线路比较容易发生损坏，若是损坏程度比较大，还会导致安全生产事故的发生，产生比较大的损失以及后果。因此，对舰船电力设备线损检测方法进行研究非常有必要[2]。传统的舰船电力设备线损检测方法存在着检测精准度低的缺陷，无法满足现今日益增长的需求，为此，提出基于移动通信网络的舰船电力设备线损检测方法研究。

收稿日期: 2018 – 12 – 25

基金项目: 国家自然科学基金资助项目(61505067)

作者简介: 崔振辉(1982 – )，男，博士，高级工程师，研究方向为运营监测及企业管理。

· 104 ·

舰    船    科    学    技    术

第 41 卷

1     电力设备线路数据采集与处理

1.1 电力设备线路数据采集

该文的主要目的是检测电力设备线损，这就需要知道线损与正常作业时的线路数据有何不同，通过比较两者的差异来进行检测。因此，数据采集时需要采集2种状态下的数据。

电力设备线损状态下的数据采集主要是通过建立模拟装置来实现的。模拟装置主要由电源、线损发生器、负载、信号采集装置。模拟实验示意图如图1所示。

图 1   电力设备线损模拟装置示意图Fig. 1    Schematic diagram of line loss simulator for

power equipment

其中，电源主要负责提供稳定的电流，支持整个系统的正常运行。负载指的是各种电力设备零件。线损发生装置主要是模拟线损，进而对线路数据进行采集[3]。数据采集装置可以对正常工作与线损2种状态下的线路数据进行采集，同时数据采集装置内设有数据存储模块，并且可以抵抗线损故障发生时产生的电磁干扰。

如图1所示，将开关S1与S2同时关闭，这时电力设备属于正常工作的状态，数据采集装置采集的是正常线路数据，同时将采集的数据进行保存；将S1断开，S2关闭，这时电力设备处于线损故障状态，数据采集装置采集的是线损数据，同时对其进行保存。

1.2 电力设备线路数据处理

通过上述数据采集得到了电力设备正常作业与线

损状态下的数据，为分析电力设备线损数据特征量提供数据的支撑。

对电力设备线路数据进行处理主要是对数据特征量进行提取。在电力设备正常作业时，线路电流值比较稳定，波动幅度很小；若是发生线损故障，则电流波形会发生剧烈的浮动并且幅度很大。上述采集数据的频率为1 MHz，时间窗口为1 ms，采集了2 000个数据，正常线路与线损线路数据分别为1 000个。

电力设备线损故障特征量主要由电流波动特性、有效值和波形因子组成。其中，电流波动特性指的是在一个时间窗口内电流最大值与最小值的差值，该数值可以直接的表示电流在设备发生线损故障时的波动情况，从而得到所有窗口的电流波形图。电流波动计算公式为

F1=Imax−Imin。

(1)

其中：F1为峰峰值；Imax为窗口内电流最大值；Imin为

窗口内电流最小值。

电流有效值指的是在一个时间窗口内电流的方根值。通常情况下，对电流值进行计算时不会计算其平均值，平均值会由于电流波形畸变而导致计算不准确，为此，将电流有效值作为特征量进行计算，计算公式为

n

F=1∑22

nfi。

(2)

i=1

其中：F2为电流有效值；n为窗口内电流数据个数，n=1 000；fi为第i个数据点的电流值。

波形因子指的是在一个时间窗口内电流均方根与平均值的比值。随着波性因子的增大，波形越尖锐，电流波动更大。波形因子计算公式为

1∑n

f=ni2Fi=1

31∑n，

(3)

n

i=1|fi|其中，F3表示的是波形因子。

通过数据处理得到了电流波动特性、电流有效值与波性因子3个特征量，为电力设备线损检测提供了有利的依据。

2     电力设备线损检测的实现

以上述得到的特征量为基础，基于移动通信网络对电力设备线损进行检测。舰船电力设备线损检测流程如图2所示。

首先将上述得到的特征量进行统一化处理。由于特征量大小不同，量纲不同，若是直接将其输入到检

图 2   舰船电力设备线损检测流程图

Fig. 2    Flow chart of line loss detection for naval power equipment

第 41 卷崔振辉，等：基于移动通信网络的舰船电力设备线损检测研究

· 105 ·

测流程中，会出现大数据掩盖小数据的情况，从而导致检测的精准度下降。因此，为了提升检测的精准度，需要将特征量进行统一化处理。统一化计算公式为

p:F→f

f=F−Fmin

F−F，

(4)

maxmin

其中，p表示的是[0，1]区间；F表示的是特征量

F1,F2,F3组合而成的特征向量。

经过统一化处理后将特征量进行组合形成相应的特征向量，并形成训练集，为电力设备线损检测做准备。

其次采用遗传算法对电力设备线损进行检测。遗传算法是一种优化算法，应用范围比较广泛。通过数据采集可知电力设备正常工作时数据为Q，将训练集中数据与Q进行逐一比较，若是fQ，则表明电力设备出现线损故障[4]。

最后，将线损故障转换成数字信号，采用移动通信网络对其进行输出。转换公式为

f(x)=sign(f)。

(5)

其中：f(x)表示的是输出的数字信号；sign()表示的是转换函数。

通过上述步骤的完成，实现了对舰船电力设备线损的检测，为舰船电力设备的安全提供了保障，也为电力设备修复提供了数据支撑，节省了电力设备检修的时间。

3     实验结果与分析

为了保证本文提出的电力设备线损检测方法的有效性，设计实验对其进行验证。在实验过程中，将舰船的电力设备线路作为实验对象，主要是对其线损故障进行检测。为了保证实验过程与结果的准确性，使用提出的电力设备线损检测方法与传统的电力设备线损检测方法进行比较，观察实验对比结果。在实验过程中，将传统的电力设备线损检测方法称为对照组，提出的电力设备线损检测方法称为实验组。

3.1 数据准备

为了尽可能的保障实验结果的准确性，对实验过程中的参数进行相应的设置，本文采用不同的方法对舰船电力设备线损故障进行检测，由于采用的方法不同，因此，在实验过程中必须保证外部环境参数的一致。本文实验参数设置结果如表1所示。

3.2 实验对比结果与分析

在实验过程中，由于采用的检测方法不同，因此，引用SPSS统计软件对实验数据进行记录与分析。主要通过检测精准度来验证提出的电力设备线损检测方法的有效性。电力设备线损检测精准度实验对比结果如表2所示。

表 1 实验参数设置结果

Tab. 1    Result of experiment parameter setting

参数名称参数设置采集数据频率

1 MHz时间窗口1 ms数据采集个数2 000个特征量类别3统一化区间[0, 1]实验次数

100次

 表 2 电力设备线损检测精准度实验对比结果

Tab. 2    Comparison of experimental results of line loss detection

accuracy of power equipment

实验次数对照组检测精准度/%

实验组检测精准度/%

107070205585306090405060503075604580705080804565906070100

30

75

由表2可知，实验组电力设备线损检测精准度明显的高于对照组电力设备线损检测精准度，实验组电力设备线损检测精准度最大值为90%，平均值为75%。而对照组电力设备线损检测精准度最大值为70%，平均值为49.5%。实验组电力设备线损检测精准度平均值比对照组电力设备线损检测精准度平均值高出25.5%。说明提出的电力设备线损检测方法具备极高的有效性。

4     结　语

传统电力设备线损检测方法存在检测精准度低的缺点，因此，提出电力设备线损检测方法，该方法极大程度的提升了检测的精准度，但是仍然具有上升的空间，需要对其进行进一步的研究。

参考文献：

[1]夏翔, 董大伟, 方建亮, 等. 基于PCA-ELM的日同期线损检测

系统的研发[J]. 电子测量技术, 2018, 12(7): 12–13.

[2]李怀. 电力设备远程监测管理系统在反窃电及降低线损方面

的运用[J]. 科学家, 2017, 56(17): 191–192.

[3]林娟, 印章芹, 张娇杨. 基于电网智能化的中低压线损管理研

究[J]. 环球市场, 2017, 45(11): 141–141.

[4]毕兰兰. 基于S变换的交流电网幅值检测系统计算机仿真研

究[J]. 电子制作, 2017, 26(7): 72–72.