摘要：传统电气设备的普遍存在电磁抗干扰能力差的问题，这就导致了电气设备的在线检测和故障诊断系统经常会受到电磁干扰，导致诊断结果较差。本文通过对神经网络算法进行优化，提升电气设备在线监测与故障诊断的准确度。
关键词：电气设备；在线监测；故障诊断
引言
电气设备自身的故障问题也是导致停电事故的主要原因，并且此种原因产生的事故现象比例也在逐渐增加，需要引起一定的重视，电气设备状态的在线检测以及诊断技术的主要目的便是对电网运行状态进行检测，并且判断其使用寿命，为电网的运行以及设备的维修提供理论基础，使电网的安全性得到提升的同时，降低维修成本。因此，为有效防止电网大面积停电的产生，需要建立完善的电气设备状态在线检测工作。电气设备的诊断技术，是通过科学的方式，以电气的状态作为主要的依据，对电气设备故障程度以及原因等因素进行分析，确定故障类型，判断仪器的使用寿命以及维修方案。
从目前情况来看，电气设备的在线检测以及故障诊断技术仍然存在很多的问题，但是在新技术的不断更新以及应用的前提条件下，可以不断对其完善，为电气设备的安全运行带来新的动力，为电力设备的维修以及安全性提供保证，最终提升电网的安全水平。
1 电气设备在线监测与故障诊断原理
1.1 工作原理分析
对电气设备进行在线监测与故障诊断，能够保证电气设备运行的安全，避免经济损失，因此电气设备的在线监测与故障诊断方法具有重要的应用价值。电气设备在线监测与故障诊断的相关方法具体如下所述。
设置电气设备的故障残差信号能够用进行描述，其计算公式为：
图1 传统电气设备的在线监测与故障诊断系统结构
由于任何电气设备在运行过程中，都会产生电磁波，这些电磁波将会对附近区域的其它电气设备产生一定的干扰，因此，传统电气设备的在线监测与故障诊断系统为了降低各个元器件收到电磁干扰，同时由于电磁干扰会导致电气设备颤振，从而影响系统的在线检测与故障诊断的准确性。如果传统电气设备在线监测与故障诊断系统要降低电磁干扰，则需要不断的调整阈值，这中方式需要实现无疑难度非常大。
2 电气设备在线监测与故障诊断优化
由于传统电气设备在线监测与故障诊断技术很难消除电磁波对结果的影响，导致系统的在线检测与故障诊断的结果不准确。本文为了解决上述问题，建立了一种基于优化神经网络算法的系统。
2.1 基于优化算法的设备运行信号提取
在对电气设备故障诊断的过程中，首先需要对电气设备的运行信号进行小波包分解，实现对电气设备故障信号的特征提取。具体方法如下所述。
利用下述公式能够描述小波包对电气设备运行信号的分解过程：
图2 电气设备在线监测与故障诊断过程
采用上述的小波包对电气设备运行信号提取后，系统将会对提取的信号进行处理分析，从而对电气设备的运行状态进行识别，最终获得设备的故障诊断结果。
电气设备在线监测与故障诊断功能的实现过程为：
（1）首先系统对于电气设备运行信号进行采集，从而得到原始的电气设备运行信号；对运行中电气设备的信号进行采样，获得原始信号数据；
（2）根据式（5）采用小波包对采集的电气设备运行信号进行分解；
（3）根据式（6）提取电气设备的故障特征；
（4）根据式（8）对提取的故障特征进行归一化；
（5）将归一化后的故障特征传输至神经网络中进行运行状态识别和分析，通过神经网络自身的学习训练功能，最终对不同电气设备运行信号能量进行识别；
（6）根据上一步识别结果，对电气故障进行诊断。
3 实验结果及分析
3.1 实验参数设置
为了对建立的优化算法在电气设备在线监测与故障诊断进行验证，笔者采用Matlab软件进行了模拟仿真。
其中优化算法采用的神经网络包括输入层、隐含层和输出层，输入层、隐含层、输出层拥有的神经元分别为8、6、7，此外，此神经网络初始学习效率为0.1。
在模拟仿真时，电气设备的应用环境为城市供电系统中，因此，此环境下的电气设备故障一般为过流、过压等。本次模拟仿真实验时，样本数据总共有1000个，其中有800组是经过神经网络学习训练，剩下200组样本进行故障诊断。
3.2 实验结果比较
图3为传统的在线监测与故障诊断算法和本文建立的优化神经网络算法模拟仿真得到的准确率。
根据上表数据可以发现，电气设备在线监测与故障诊断系统经过本文建立的神经网络算法优化后，不仅故障诊断正确率有了大幅度提升，而且诊断时间也有明显下降，这充分证明优化的神经网络算法在在线监测与故障诊断系统中应用优势。
结束语
由于电气设备在运行过程中，都会产生电磁波，这会对周边的其它电气设备造成一定干扰，而传统的在线监测与故障诊断算法抗电磁干扰能力较差，这导致系统故障诊断准确率下降。为了提升电气设备在线监测与故障诊断系统的抗电磁干扰能力，提升故障诊断准确率，建立了一种优化神经网络算法，同时通过模拟仿真验证显示，建立的优化神经网络算法不仅可以提升故障诊断准确率，而且还能够减少故障诊断时间，提升效率。
参考文献
[1] 刘训非. 基于改进遗传算法的刨煤机故障诊断研究[J]. 煤矿机械，2013，34（12）：259-261.
[2] 朱晓明. 引入可溯源机制的火电汽轮机高频故障自动检测系统设计[J]. 科技通报，2013，29（11）：153-156.
[3] 谢平，杨玉昕，江国乾，等. 基于局部均值分解的滚动轴承故障诊断新方法[J]. 计量学报，2014，35（1）：73-77.
[4] 张曙光. 矿山机电设备的故障诊断技术与管理[J]. 硅谷，2013，（21）：15-116.
论文作者:覃耀澜
论文发表刊物:《建筑学研究前沿》2018年第29期
论文发表时间:2018/12/20
标签：在线论文; 电气设备论文; 故障诊断论文; 神经网络论文; 算法论文; 信号论文; 故障论文; 《建筑学研究前沿》2018年第29期论文;