工业控制计算机 《 》2013 年第 卷第 期 8 26 119 基于 PHM 的供配电系统故障预测关键技术研究* Fault Prediction in Power Supply and Distribution System Based on PHM 郑小倩 （贵州师范大学机械与电气工程学院，贵州 贵阳 550059） 摘 要 PHM（故障预测与健康管理 ）技术是比传统的故障诊断技术更高级的故障诊断 、预测和健康管理技术 ，如何将该项技 术在供配电系统中有效推广及应用已成为当前迫切研究的课题 。 在供配电系统中应用 PHM 需要解决的关键技术是状态 监测与健康管理、故障诊断、故障预测、数据融合和人工智能技术 ，重点分析了状态监测与健康管理 、故障诊断和预测技术 及其实现方法。 关键词：PHM，供配电系统，故障诊断，故障预测 Abstract The application of PHM in power supply and distribution system of key technologies that need to be solved:the status monitoring and health management,fault diagnosis,fault prediction, information fusion and artificial intelligence technology etc． This paper focuses on the analysis of the status monitoring and health management,fault diagnosis and forecast technology and their implementation method． Keywords:PHM,power supply and distribution system,fault diagnosis,fault prediction 故 障 预 测 与 PHM（Prognostic and Health Management， ， ， ） 使得系统在尚未发生故障之前 隔离和预测 及 健 康 管 理 技 术 而是了解和预测故障何时 ， 何 、 就能 从而实现自助式维护 降低使用和维护费用的目标 代表的是一种方法的 即从传统的基于传感器的故障诊断转向基于智能系统的 健康管理 是一种全面故障检测 、 它的引入不仅仅是为了消除故障 处可能发生以及故障类型 依据系统的当前健康状况决定何时维修 系统 转变 故障预测 1 供配电系统的 PHM 关键技术 。 PHM ， ， ， ， 。 采 用 开 放 系 统 结 构 PHM 借助各种算法和智能模型来预测 ， ， 成 健康状况 ［1］。 要由数据采集 故障预测技术 成 通常要求 。 测试能力 、 、 PHM 体系结构如图 状态监测与健康管理 、 其 核 心 是 利 用 先 进 传 感器 的 集 监控和管理供配电系统的 主 所示 1 故障诊断技术 、 人工智能技术和通讯接口等组 传感器对数据的采集能力 ； 精 。 PHM ：① 、 供配电系统的 数据处理 信息融合技术 、 、 具有以下能力 PHM ② ， 确地检测和隔离系统设备或子系统的故 障 或 失 效 状 态 的 能 力 借助系统模型确认相关信息和信息融合技术 ；③ 预测故障的发生 ④ 、 系统状态管理的能力 。 故障的类型和估计设备剩余寿命的能力 ； ；⑤ 图 1 供配电系统的 体系结构图 PHM 状态监测与健康管理技术 利用先进的传感器获得尽可能精确的供配电系统运行状态 通过设计先进的数据分析技术获得对供配电系统健康状 1．1 信息 ， *贵州省科技基金项目（黔科合 J 字 LKS[2011]5 号） 。 ， 。 直接根据此变化很难估计供配电系统的健康状况 况的精确估计 供配电系统设备的早期故障会导致电压特征的 微弱变化 而 且仅用一次的状态观测值来估计供配电系统的健康状况是不准 确的 故选择处理后的 利用正 。 隐马尔可 常状态的特征来训练 夫模型 ）［2］并利用该模型对供配电系统未知状态进行健康估计 ， 将计算出的 以此判断系统偏离正常状态 的程度 个特征向量构成一组观测序列 HMM（Hidden Markov Model， 距离与阈值比较 KL L ， ， ， ； ， 。 ， ， 采 用 不同的供配电系统 从而获得有效的低维特征 其状态特征会体现出不同的特点 LDA（Linear Discriminant Analysis， 按照 针对不同测 由于其具有高维性 线 为 选择各测试频率所对应的电压特征 ， ）［3］降维 HMM 将微弱变化的早期故障过程转变为明显变化的 ， 各主要设备的信号特点设计不同的特征提取算法 试信号 和 冗 余 性 的 特 点 性判别分析 状态监测器 距离 依据 散 监测性能对比 好的状态监测效果 特征提取方法 KL 并设计离 的状态 结合也同样获得较 这说明针对具体的信号只要采取了合适的 能够具备良好的状态监测能力 距离可方便估计供配电系统健康状况 进行连续与离散两类 采用小波能量特征与 的改进训练算法 并选择 HMM HMM HMM KL ， ， ， ， ， ， 。 。 随着 ， KL KL 康状况逐渐恶化 统的状态监测与健康管理 要求越高则阈值就越小 KL 若 ， 大于预定阈值则系统故障 阈值依实际情况选取 ， 所示 整个流程如图 图 。 2、 3 。 ， KL 若 的增大表明系统的健 从而实现对系 若对系统性能 ： ， 的状态监测与健康管理过程如下 将供配电系统 并保留其中的降维 选择其中正常状态的降维特征构造成观测序列来 采样正工作在相同输入情况下的 得 输入已训练的 p（O 正常｜λ）。 映射后 映射 LDA ： ， ，HMM 采用 HMM WLDA， 工作在各种状态下的历史数据经 映射矩阵 训练 同类系统的当前状态特征经 到对应的 距离 p（O 未 知｜λ）， 并获得 HMM 由 ， 很小说明系统状态是正常状态 HMM 就可计算出 根据其值大小就可估计当前系统偏离正常状态的程度 ［p（O 正 常｜λ），p（O 未 知｜λ）］ WLDA ， 

120 1．2 图 2 HMM 训练过程 状态监测与健康管理过程 3 图 故障诊断技术 对系统维修时 。 ， ， ； ， 。 、 故障征兆幅值一般都很小 准确定位故障设备是非常重要的 因此采用贝叶斯网络 参数学习来实现故障定位 ， 故障关联性强以及测点信息不完备的特点 由于供配 系 通过结 针 易混杂在系 为了确保对微小的故障信息有足够的分辨灵敏度 ， 同时与 作为分类器 系统的单类故障包含故障 因 此 提 出 基 进 行 改 进 对不同类型的特征进行 通过实验验证该融合方法可以 电系统的复杂性 统故障树或多信号模型很难建立 构学习来实现对系统的故障建模 对早期故障特征不明显 统的噪声中 提出利用 相结合 信息单一且不完 备 的 特 点 ， 的特征级融合方法 于 有机降维融合 并与 有效提高故障识别率 对电压特征进行降维 实现对早期故障设备的识别 需 要 对 采用 。 结合 HMM HMM LDA LDA LDA LDA 。 ， ， ， ， ， 。 ， ， ， 。 1．3 它和故障检测与诊断的区别在于 ： 找出故障原因和故障设备 故障预测技术 故障预测是指根据系统过去和现在的状态预测系统将来是 故障诊断是根 而故障预测 采用预测推理的方法对可能发生的故障做 故障预测是针对不确定事件预测系统在未来时间段出 找出故障原因和发生故障设备 ， 降 否会发生故障 据已经出现的故障现象 是利用已有的知识 出判断 现故障的时间和发生故障种类 实现从过去的计划维修体制过渡到更先 进 的 预 测 维 修 体 制 低维修成本 提高企业的竞争力 ， ， ， 。 ， ， 。 参数模型法和非参数模型法 。 ： 预测技术主要分为两大类 难以检测出来 ， 根据系统过去和现在的状态 数模型预测法首先对观测的历史数据模型做一定的假设 过模型参数的估计得到相应的预测值 幅值很小 因此 大 时刻的状态 合 色模型等方法 用的是基于神经网络 参 然后经 虽然当前这种故障特征的 它的幅值会越来越 采用预测技术估计出将来 常用的参数模型有多项式曲线拟 灰 常 随机型时间序列 、 非参数模型法不需要系统的精确的数学模型 再进行故障检测 回归预测 粗糙集理论和组合预测等方法 ）； 卡尔曼滤波器 但随着时间的推移 主观概率预测 、 ， 、 、 、 。 ， 。 ， （ ， ， ， ， ， 、 。 ， ， 。 ， ， 对于供配电系统而言 ， 由于供配电系统日趋复杂 实现对系统未来的运行状态和发展趋势做出估计 状态监测与早期故障诊断是基于监 很难了解系 实际中还需利用供配电系统的历史信息和动态 防止灾 从而迫切需要有效的预测模型来监督供配电 采用灰色模型将供配电系统看成是一个 利用存在的已知信息去推知含有故障模式的不可知 状态和发展趋势 并对未来故障的发展做出预测和 供配电系统设备的老 而灰色模型在反映系统的确定 因此用灰色模型预测系统的状态是 测点瞬时数据来完成的 统的行为特征 信息 难性故障的发生 系统劣化的变化趋势 灰色系统 ， 信息的特征 决策 化和损坏一般都是单调的过程 性趋势方面具有较大优势 可行的 其过程是一个灰色过程的白化过程 ， ， 。 、 ， 。 ， ， 。 基于 PHM 的供配电系统故障预测关键技术研究 。 1．4 信息融合技术 信息融合是针对一个系统中使用多种传感器而展开的一种 多传感器 信息处理的新的研究方向 信息融合是指对由两个或两个以上传感 器 组 成 的 具 有 协 同 的 互补的和竞争性的传感器阵列进行智能处理 量高效率的诊断方法将各自的信息综合起来 的确定获得更为准确的结论 、 其目的就是以尽 以便对系统状态 因此又称为多传感器融合 ， 。 ， ， 。 利用计算机技术将来自多传感 器 或 多 源 的 信 息 和 数 据 在 综合完成所需要的决策而进行的信 在多传感器系统 模 糊 或 确 定 的 ， ， 、 以便得出更为准确可信的结论 。 各种传感器提供的信息可能有不同的特征 一定准则下加以自动分析 息处理过程 中 可靠或非可靠的 来自多传感器或多源的数据或信息进行综合处理 为可信的结论 互补或相互矛盾的 ， ： ， ， ， ， 多传感器信息融合就是将 从而得出更 。 ， ； ， 、 ： 付出的处理代价高 信息融合从数据抽象的角度出发常分为三个层次 数据级融 数据级融合是对来自等量级的传 。 是在各种传感器的原始测试数据未 其优点 是最低层次的融合 ， 但该层次融合说要处理的现 ， 特征级融合属于中间层次 它 然后对特征信息 其优点在于实现了 并且由于所提取的特征直接与决策分析有关 ， 决 它充分利用特征级融合所提取的测 融合结果 具 其优点在于灵活性高 但是决策级融合要对原传感器信息进行预处 特征级融合和决策级融合 合 感器原始数据直接进行融合 经预处理之前就进行的综合与分析 在于能够保持尽可能多的现场数据 场数据量太大 先对来自各类传感器的原始信息进行特征提取 进行综合分析和处理 可观的信息压缩 因而融合结果能最大限度地给出决策分析所需要的特征信息 策级融合是最高层次的融合 试对象的各种特征信息 直接影响决策水平 备较强的容错特性 理以获得各自的判定结果 采用适当的融合技术来实现 以便做出正确的决策 所以前期处理代价高 对传感器的依赖小 ， ， ， ； ， 。 ， ， ， ； ， ， ， ， 。 信息融合技术应用到故障诊断领域是近十年的事情 单传感器反应的设备信息具有不确定性 必然会导致故障诊断率的降低 。 在供 由于系统本身的复杂性和运行环境 这些不确 甚至出现漏诊或误 根据 其包含的故障信息比任 因此信息融合技术在故障诊断领域有 ， ， 。 ， ， ， ， 配电系统故障诊断过程中 的不稳定性 定性的存在 诊 不同类型的信息融合起来的综合信息 何一个单类型信息量大 着广泛的应用前景 人工智能技术 。 ， 。 单类特征包含的故障信息显然存在着局限性和片面性 中 广 泛 采 用 人 工智 能 技 术 包 括 专 家 系 统 基 于 模 型 模 糊 逻 通过它们的智能推理获得对系统状态的准确 ( 神 经 网 络 基 于 规 则 的 推 理 )、 、 、 ， 、 基 于 案 例 的 推 理 的推理 辑和遗传算法等 监控和故障诊断 2 建立供配电系统的故障预测模型 ， 。 以南方电网公司贵阳分公司的供配电系统为例 1．5 PHM ， 通过详细 研究基于灰色理论的故障预测技 设计粒子群算法选择最佳预测 从而建立其符合 并通过实验验证该模型 ， ， 设计新陈代谢法使该模型参数在线改变 ， ， 通过分析该预测模型的不足 分析其关键测试信号的特点 术 。 维数 供配电系统信号特点的灰色预测模型 具有良好的状态预测精度 3 结束语 PHM 。 ， 设备在使用过程中发生重大恶性事故 ， 配电系统维护维修制度也具有重要作用 在供配电系统故障预测中的应用 ， 不仅可减少或避免 同时对于改革现行的供 对于促进产业结构调 ， （下转第 122 页） 

122 带电压报警功能的低功耗有源 标签设计 RFID 表 1 5 种工作模式下的 工作电流 这样则能在功率消耗较少的情况下 又能有 ， 。 ， 。 ， －II 有较短 需要额外的 待机模式 电 流 消 耗 比 待 机 模 式 器在电流消耗比较小的情况下 的启动时间 时 钟 缓 冲 器 多一些 流最大的状态 低到最小 下 耗 模 式 接收或者发射模式 较快的启动时间 －I 接收和发射模式是芯片消耗电 为了使得标签的功耗降 在保证信号接收距离的前提 低 功 通 过 设 置 定 时 器 使 其进 入 尽 量 使 标 签 工 作 在 掉 电 模 式 。 而不至于反应过于迟钝 下 。 ， ， ， （ ） ， 。 初始化之后 掉 电 状 态 （ 定时唤醒 图 。 包括设置寄存器的值 5 标签启动之后 是标签低功耗的软 件 设 计 流 进 入 初 始 化 配 中 断 程 序 设 标签即进入低功耗 等 待 唤 醒 ， ， 。 ， 程图 置 ， 定等 模 式 （ 。 RTC2 或 收 到 外 部 命 令 ） ， 唤醒后按照之前的设 发 送 数 据 或 继 续 则 进 行 另 外 操 除 去 执 标签几 乎 都 处 于 低 功 从而达到能量 消 耗 最 少 的 目 RTC2 置进行相应的操作 休 眠 ）， 的操作 作结束立即进入低功耗 模 式 行命令的时间 耗模式 的 修改信息或发 送 数 据 等 延长电池的使用寿命 ）， ， 。 ， ， （ ， 。 唤醒一次 发 ， 接收 可算得 4ms， 因此 ， 定时器设置为每 2s 射模式下最长时间不超过 模式时间最长为 该标签的平均工作电流约为 一天工作时间为 170μs。 的 3V 950mAh 该电子标签约可以工作 4 结束语 图 5 低功耗模式软件流程 24 小时 ， 纽扣电池 ， 0．024mA， 则消耗电量为 标签报警电压为 0．58mAh。 2．1V， 选择容量为 通过计算可知 ， 天 ， 491 基本能够满足使用要求 。 本设计的创新点 利用标签的掉电模式 ：① ， 功耗工作状态 功能 性 。 领域 延长了电池工作时间 使得标签能够及时更换电池 ， 该款标签可以广泛应用于物流 有着巨大实用价值 、 ， 。 ；② ， 设计了标签的低 设计了标签低电压报警 系统的可靠 煤矿井下定位等各个 RFID 提高了 ， 交通 、 参考文献 无线射频识别技术 （RFID） 理论与应用 ［M］． 北京 电 ： ． 超低功耗单片无线系统应用入门 北京航空航天 ［M］． ［1］ ［2］ ， 李苏剑 游战清 子工业出版社 黄智伟 杨案江 大学出版社 ， ． ，2011 ，2004：285 ［3］nRF24LE1 data sheet［K］． Nordic Semiconductor ［4］λ ／ 4 printed monopole antenna for 2．45GHz ［K］． Nordic Semi- conductor, 6 ［收稿日期：2013．3．29］ 波长单极微带天线作为标签的天线 图 3 高增益等 射频模块电路 理论和实践都证明 ， 、 ， 、 低成本 本文选择 全向性 。 无线电波长的四分之一时候 此 依赖于地面参考面的单端天线 参考面的位置 铺满 线的各种性能指标 板作为有源 。 标签的底板 波长 1 ／ 4 1 ／ 4 ， RFID 已知天线的谐振频率为 综合考虑该标签的 、 。 ， 天线的发射和接收效率最高 ［5］。 当天线的长度为 因 它是一种 从地面参考面到天线端部必须 ， 大小和封装材料等都将会影响天 基 基 板 厚 度 可 则理想天线的 直线 沿着天线的面信 其全 PCB 其电介质常数 天线宽度 2．4GHz， 1．5mm， εr＝4．4， 选取 布局 FR4 ， ， ， ， 基板上的天线传输波长为 天线的形状对信号的分布具有重要的影响 92mm， 其信号主要分布在垂直于天线的面 ， 弯曲型天线则兼顾垂直天线的面和沿着天线的面 ， 因此 本文采用弯曲型天线 ， 。 ，FR4 23mm。 1．6mm。 以计算出 长度为 型的天线 号很弱 ； 向性较好 3 软件设计 3．1 。 低电压报警部分 （POF） 可 以 给 寄存器的 通过对 ， 比较器的使能或禁止 POFCON MCU en- 使能 。 POF nRF24LE1 提供一个电源故障的早期预警 芯 片 中 的 电 源 失 效 比 较 器 able 时 作 ， 。 warn ， 位的设置 当上电时 当 电 源 电 压 低 于 可 编 程 的 阈 值 电 压 时 可以实现 系统在有效或待机模式下工 POF ， 位 被 置 ， 同 时 产 生 一 个 中 断 1， 设置 位来配置所需的阈值 考 虑 到 芯 片 最 低 工 作 电 压 为 prog （POFIRQ）。 电 压 4。 1．9V， VPOF， 这里设定的报警电压为 报警程序流程见图 直监控标签的电源电压 灯不点亮 所设定的阈值 出报警信号 标签电池 以达到低功耗目的 2．1V， ，LED 。 ， 。 标签低功耗程序模块 3．2 2．1V。 程序启动之后 一 ， 当电压正常时 ， ，LED 一旦电压低于 蜂鸣器发 提示更换 ， ， 立即进入中断 灯进入闪烁状态 芯片的工作模式可分为掉电模式 nRF24LE1 I、II）、 机模式 电模式时 且 SPI ， 接收和发射模式 种工作模式消耗电流见表 电流消耗最小 但所有的寄存器的 值 将 保 持 有 效 ，5 ， 可以工作 待机模式有两种 。 待机模式 ， －I 图 4 低电压报警 程序流程 （ 、 待机模式 待 掉 而 可以使射频收发 1。 ， 55555555555555555555555555555555555555555555555 （上接第 120 页） 整 其社会经济效益十分巨大 转变经济发展方式和增强国民经济竞争力都具有重要意义 ［2］He X．, Deng L．, Chou W．Disriminative Learning in Sequential Pattern Recognition－A Unifying Review for Optimization －Ori- ented Speech Recognition,to appear IEEE Signal Processing 、 ， 。 参考文献 彭喜元 ． ， 故障预测与健 康 管 理 技 术 综 述 电 子 测 量 ［J］． ［1］ 刘大同 彭宇 与仪器学报 ， ，2010，24（1）：1－9 Magazine,September 2008 ［3］Saxena A,Celaya J,Saha B,et a1．Metric for offline evaluation of prognostic performance [J]． International Journal of Prog- nostic and Health Management,2010 ［收稿日期：2013．4．14］