基于雾计算和随机森林的变压器温度监测及故障预测 | 雾计算的实现

【基于雾计算和随机森林的变压器温度监测及故障预测 | 雾计算的实现】lot物联网小编为你整理了的相关内容，希望能为你解答。

电力变压器是电力系统重要的一次设备，对其进行运行状态实时监测及安全状态评估一直是重要的课题。随着“大、云、物、移、智”等新技术的不断发展、新产品的成熟应用，国内外出现越来越多的信息化技术手段。常规的方法包含不限于：通过变压器油色谱气体浓度诊断是否存变压器内部故障；通过电气试验采集直流电阻不平衡系数、吸收比、绕组介损、局部放电量等等特征参量进行状态分析[1]；通过油化试验采集油介损、酸值、击穿电压等特征参量进行状态评估。常规方法通常采用定期人工巡检、事后排查检修来进行，难以满足对变压器这类重要设备实时性监测及安全状态评估的要求。

变压器故障一般有过热故障、设备缺陷故障和电性故障，且较多故障都伴有过热性现象，过热故障总占比达到60%以上。为满足变压器实时监测和安全状态评估要求，基于变压器工作温度的监控是一种较好实时监测方法。能及时发现变压器故障异常时的过热故障。

近年来也开展了一些相应研究，比较典型的有：通过红外热像仪实现变压器过热故障在线监测；在变压器套管上加装无线测温装置实现了对安装点位处温度的实时监测。红外热成像装置是一种非接触式的测温方式，具备测温及生成“热像”功能，具有测温范围广、测试面积大、与高压高温设备非接触安全系数高等优点，但由于受安装距离远近、外部环境温度、光照强度、风速等影响，导致对设备本身运行时温度采集的精度带来一定影响。无线温度装置存在实时性强、精确度高等优点，但需要在每个测温点都加装一个装置，存在测试范围小、数据无线传输容易受强磁干扰等不足。

针对上述现状，提出以下改进提升：一是在测温数据采集方面，整合了上述当前较为流行的两种测温手段优势，提出了红外热成像和无线测温装置进行组合，并在变压器工作现场加装环境监测装置、太阳辐射测量仪将采集到的环境温度、风力数据和日射强度作为数据补偿，该项研究对变压器温度数据采集提出了较为先进且全面的方法手段。二是在数据处理方面，采用了数据级融合实现对同源数据的处理、以及基于随机森林算法实现了特征级融合及变压器故障隐患的评估预测。三是在系统架构方面，通过布设边缘物理装置支撑了端-边-云的典型物联网架构，并实现了变压器实时温度数据在线采集、以及部署数据融合算法和故障预测模型以雾计算模式实现了数据本地计算和分析，减少了网络流量开销和对后端计算的依赖,从而提高了现场处理的实效性，提高了安全生产管控能力。

本究课方向属于物联网范畴，提出基于边缘物联装置与随机森林算法构建了物联网数据融合框架设计，本框架不仅可用于变压器的关键数据感知采集及专家系统应用，还可以扩展用于其他相关设备或类似领域，具备较好的扩展性。

物联网是一个通过互联网连接多个物体的环境，通过万物互联产生大量数据以支撑业务应用及专家系统的智能决策。传感器在物联网中发挥着重要作用，它为物理世界中的大多数应用提供了解决方案。部署在各种环境中的传感器收集数据，并通过网关发送，以便进一步分析。产生大量数据的设备包括智能电表、自主系统、智能机器、智能城市、智能制造、智能可穿戴设备等，根据一项调查。

到2025年底，从不同物联网设备收集的数据量可能会增长到79.4ZB。从各种异质传感器收集的数据被积累起来，以便从数据中获得有用的见解。这些数据对各种敏感应用的有效决策也很有帮助。多传感器数据融合是指对不同传感器的数据进行汇总。根据融合发生的地点，多传感器数据融合被分为两种类型：1.集中式 和 2.分散式数据融合。在集中式融合方法中，来自不同传感器的数据转发给云端系统进行集中计算及决策。而在分散融合中，每个传感器可以采取其局部并将其转发给边缘代理作为融合节点进行融合计算。融合传感器数据时会出现各种挑战，包括数据缺陷、数据异常值、数据关联、和数据相关性，因此需要研究优秀的模型算法以保证准确率及其性能先进性。

典型物联网架构如图1 所示，传感层由不同的异质传感器组成，通过传感器集线器连接。集线器是将从多个传感器收集的数据重定向到相应处理单元的地方。网络层提供各种通信协议，如Zigbee、Lora、蓝牙，允许数据在网络内流动。数据处理层起着至关重要的作用，它收集来自传感层的数据并利用这些数据做出有用的决定。应用层，它将数据处理层的结果移交给终端用户，以满足用户的业务功能及应用。

图1.物联网架构设计图

边缘物联代理作为物联网环境中的雾计算节点，降低了处理数据计算和生成的复杂性。雾计算通过将服务带到终端用户，从而提高网络效率，使终端用户受益。通过这种类型的计算，物联网设备的运行成本降低，对网络传输和后端计算依赖更小。

传感器数据融合分为数据级融合、特征级融合、决策级融合三类策略，如图2所示为数据融合策略及技术架构：

图2.数据融合策略及技术架构

（1）数据级融合：主要采用集中处理方法，实现多个同源原始感知数据的融合，并通过适当的冗余以提高数据采集及处理的准确性、鲁棒性。由于原始数据被融合，可能会占用更大的空间，从而降低了最终决策的准确性。数据级融合不能识别有问题的传感器，这导致了不确定的结果。数据级融合的关键技术主要是去噪、特征提取、数据分类和数据压缩等。

（2）特征级融合：通过融合多个数据源提取的特征集创建一个新的多维特征向量，并可将机器学习和模式识别根据应用类型应用于该多维特征向量，从而形成联合特征向量，并从中进行分类。特征级融合常用的分类算法包括：K-Nearest Neighbor、支持向量机、决策树和人工神经网络等，通过分类算法可从数据中提取所需特征。

（3）决策级融合：决策级融合是从多个同构或异构传感器生成的局部决策中选择或获得唯一决策，又或从多个分类器中选择出最佳假设。主要是通过经数据融合或经初步处理的传感器数据或特征级处理后，并利用已经抽象到的一定级别的信息，从而得出更高层的决策。决策级融合能较大节省通信带宽和提高决策的准确性。主要采用了贝叶斯推理、Dempster Shafer推理、模糊逻辑方法等方法。

通常，如果一个系统包含多个记录同质数据的传感器，则可以直接进行数据级融合；如果存在异构数据，则需要进行特征级和决策级别的融合。文章研究变压器温度数据监测涉及的红外热成像和无线测温属于同质数据，可进行数据级融合；同时温度数据与环境监测数据、风力风速数据及太阳光辐射强度数据属于异构数据，可提炼出相应的特征变量进行特性级融合。因暂不涉及更高层次的决策级融合，故暂不考虑。

典型物联网框架采用了云-边-端的架构设计，参见图3所示，文章提出部署边缘代理装置作为数据融合及雾计算节点，一方面实现了数据的本地采集和汇集；另一方面，通过在边缘代理装置上部署融合算法，实现了数据融合和特征提取，进而实现安全状态的评估。

图3.基于雾计算的融合框架设计

为进行变压器温度及影响因素数据采集和状态评估，研究包含数据采集、数据预处理、数据融合、特征选择等主要环节。数据通过现场布设的传感器或物联装置进行实时感知采集后，通过现场布设边缘物联装置配置的LoraWifiZigbee等通讯模组构建无线传感器网络(Wireless Sensor Networks, WSN)实现物联感知数据本地采集，并将预处理后的数据输入特征分析故障预测模型后，即可得到变压器故障预测或安全状态评估结果，并将结果通过无线网络传输到后端业务或专家系统。

在文章的应用场景中，变压器通常工作在室外环境，为采集其温度及相关影响参数信息，如图4所示，在变压器工作现场部署物联感知监测设备，包括红外成像仪、环境监测装置、太阳能辐照计以及无线测温传感器。

图4. 变压器数据采集示意图

（1）红外成像仪可通过将接收到的红外辐射转换成电信号，从而得到温度的数字信号。变压器测温监测点一般包括：变压器箱体、油枕、套管等关键部位。

图5. 红外热成像测温示意图

（2）环境监测装置红外热成像仪采集变压器室外工作运行态温度时，会受到风力大小和环境自身气象温度的影响，比如风力较大时，设备监测部位热量会因风吹散，导致真实采集的温度下降，散热系数增大了，使温度下降。如风速为1.5m/s左右时，大约可使接触件的温升下降1倍左右，风速的影响甚大。而真实采集的设备工作温度会受到环境气象温度的叠加。如图X所示，采用超声波环境检测仪可同时采集现场实时风力和环境气象温度数据，可对红外热成像仪采集温度进行相应补偿。

图6. 超声波环境气象监测仪

（3）太阳辐射测量仪

因变压器多工作在室外，太阳光的辐射会对红外热成像仪的设定波长带来较大影响，且太阳光辐射会导致被监测变压器带来额外温升，影响到红外热成像仪采集的设备真实温度准确性，比如当日射强度为1.4Cal/cm2.min时，额外温升会达到12~13.8oC。因此，文章提出采集太阳光日射强度数据对实际监测温度进行补偿，从而得出真实实际的设备温度特征信息。

图7. 太阳能辐照计

（4）无线测温传感器变压器高压侧（110kV 及以上）一般使用电容套管，由于瓷质不良故而有沙眼或裂纹；电容芯子制造上有缺陷，内部有游离放电；套管密封不好，有漏油现象；套管积垢严重等，都可能发生闪络和爆炸。套管作为变压器内部与母线结构的连接部位，是变压器上极易发生缺陷的部位之一，也是电压致热型缺陷中的典型，，一般变压器套管允许的温度值为120°C，允许温升为90°C。为实现对套管温度的实时监测，无线测温装置通常安装在变压器高、中、低侧套管接线板的位置。与红外热成像仪相比，接触式测温因环境气温、风力、太阳光日射强度影响较小，准确率相对较高。测量所得的套管温度数据可以与红外热成像所测数据进行融合处理。未完待续，感兴趣的可以查看下一篇，感谢各位阅读！！！

以上内容为【基于雾计算和随机森林的变压器温度监测及故障预测 | 雾计算的实现】的相关内容，更多相关内容关注lot物联网。