基于RBF神经网络的故障诊断-副本(完整资料)

基于RBF神经网络的故障诊断-副本(完整资料）(可以直接使用，可编辑优秀版资料，欢迎下载）

基于RBF神经网络的故障诊断基于RBF神经网络的故障诊断-副本(完整资料）(可以直接使用，可编辑优秀版资料，欢迎下载）摘要：RBF神经网络即径向基函数神经网络（RaｄiｃalBasisFｕnctｉｏｎ)。径向基函数神经网络是一种高效的前馈式神经网络，它具有其他前向网络所不具有的最佳逼近性能和全局最优特性,并且结构简单，训练速度快。同时，它也是一种可以广泛应用于模式识别、非线性函数逼近等领域的神经网络模型.利用Matlab神经网络工具箱对变速箱齿轮进行故障诊断仿真，并创建RBF神经网络与ＢＰ神经网络来进行故障诊断。通过对比诊断结果,证明RBF网络在诊断精度，诊断速度上均优于BP网络，说明RBF网络应用于齿轮的故障诊断准确、可靠，在机械故障诊断方面具有广泛的应用前景.关键词:神经网络；故障诊断；Matｌab神经网络工具箱；RBＦ网络；引言由于汽车的特殊运行条件和运行环境，以及汽车行驶过程中经常性换档，使得变速箱常发生故障．具体有:１.(１）异响的原因：①齿轮间隙过大；②轴承磨损松旷,③挂挡齿轮滑键槽与滑键轴磨损松旷;④轴承漏油或壳体漏油以致滑油减少，或变速箱底部放油堵脱落,以致滑油全部漏完，⑤金属小铁件混入变速箱体内;⑥滑油粘度不适当或品质不佳,⑦齿轮与轴的间隙过大以致松旷,⑧变速器与飞轮壳连接螺栓松动;⑨发动机与飞轮壳连接螺栓松动。2．①挂挡齿轮与被挂齿轮、套牙同套齿都在齿长方向磨成锥形或短缺;②闸叉锁止螺钉松脱，闸叉变形,叉部磨损;③闸轨凹槽磨损，定位钢球磨损，弹簧弹力减弱或折断，④轴承磨损松旷，⑤齿轮间隙过大。３.①滑油不够或不适

当，致使齿轮磨损,②变速箱内混有泥砂污物,致使齿轮磨

损，③中间轴变形；④中间轴轴承松旷，致使啮合各齿发生拢击，⑥第二轴常啮合齿轮滚针轴承碎裂或定位圈卡簧破

碎，甚至被轧入两啮合齿轮之间.据统计由齿轮失效引起的汽车变速箱故障占全部原因的10％。在这里齿轮失效的主要形式有齿根裂痕和弯曲疲劳引起的断齿等,因而随着汽车技术的发展，对变速箱实施故障诊断、特别是对齿轮的诊断变得尤为重要。齿轮是汽车行业主要的基础传动元件，通常每辆汽车中有1８~30个齿部，齿轮的质量直接影响汽车的噪声、平稳性及使用寿命.齿轮加工机床是一种复杂的机床系统，是汽车行业的关键设备,世界上各汽车制造强国如美国、德国和日本等也是齿轮加工机床制造强国。据统计，我国8０％以上的汽车齿轮由国产制齿装备加工完成。同时,汽车工业消费了6０%以上的齿轮加工机床，汽车工业将一直是机床消费的主体。通过对常见故障的诊断和分析,可以及早发现故障和预防故障的进一步恶化。经过多年的发展,故障诊断技术的发展已进入到智能化阶段。目前，对汽车变速器齿轮故障诊断的实施方法有很多种，如磨损残余物分析诊断法、振动监测技术诊断法、声发射技术诊断法、光纤传感技术诊断法、人工神经网络技术诊断法等.

人工神经网络系统是由大量的、同时也是很简单的处理单元(或称神经元）广泛地互相连接而形成的复杂网络系统，因此,在智能化故障诊断技术领域里,人工神经网络技术的应用研究主要用于以下两个方面,一是从模式识别角度,应用具有感知器结构的神经网络模型或各种联想记忆模型实现征兆集到故障集之间的非线性特征映射关系；二是从专家系统的角度,建立基于神经网络的故障诊断专家系统.本文探索了神经网络技术在故障诊断中的应用,特别是对实践中难以建立数学模型的复杂系统，训练过的神经网络能存储有关过程的知识，能直接从历史故障信息中学习,滤除噪声的能力使神经网络适合在线监测和诊断，具有分辨故障原因及类型的能力。近几年，RBF神经网络大量应用于机械故障诊断，如汽车发动机、压缩机、水轮机、内燃机等.在故障诊断的应用中，ＲBF神经网络的应用能准确、快速地判断故障类型和原因,对及早发现和排除故障发挥了很好的作用。在实际运行中,引起故障的原因很多,不同故障表现出的征兆有时具有相似性。针对故障原因与故障征兆之间的非线性关系，应用RBF神经网络进行故障诊断能准确、快速判断故障类型和原因,对于提高安全经济性具有重要的意义。本文提出了RBF网络应用于变速箱齿轮故障诊断的基本方法，利用Matlab神经网络工具箱对变速箱齿轮进行故障诊断仿真,并创建RBＦ神经网络来进行故障诊断.1神经网络故障诊断原理神经网络是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型.在工程与学术界也常直接简称为神经网络或类神经网络.神经网络是一种运算模型，由大量的节点(或称神经元）和之间相互联接构成.每个节点代表一种特定的输出函数,称为激励函数(acｔivatｉonfunｃtｉon）.每两个节点间的连接都代表一个对于通过该连接信号的加权值，称之为权重,这相当于人工神经网络的记忆.网络的输出则依网络的连接方式，权重值和激励函数的不同而不同.而网络自身通常都是对自然界某种算法或者函数的逼近，也可能是对一种逻辑策略的表达。图1—1神经元模型结构如图所示a１～an为输入向量的各个分量w1~wn为神经元各个突触的权值ｂ为偏置f为传递函数，通常为非线性函数.以下默认为hａrdｌiｍ（）t为神经元输出数学表示t=f(WA’+ｂ）W为权向量Ａ为输入向量，A'为A向量的转置ｂ为偏置f为传递函数可见,一个神经元的功能是求得输入向量与权向量的内积后，经一个非线性传递函数得到一个标量结果。单个神经元的作用:把一个n维向量空间用一个超平面分割成两部分(称之为判断边界），给定一个输入向量,神经元可以判断出这个向量位于超平面的哪一边。该超平面的方程:Wｐ+b=0Ｗ权向量ｂ偏置p超平面上的向量人工神经网络是由大量处理单元互联组成的非线性、自适应信息处理系统。它是在现代神经科学研究成果的基础上提出的，试图通过模拟大脑神经网络处理、记忆信息的方式进行信息处理。人工神经网络具有四个基本特征：(1)非线性非线性关系是自然界的普遍特性.大脑的智慧就是一种非线性现象。人工神经元处于激活或抑制二种不同的状态，这种行为在数学上表现为一种非线性.具有阈值的神经元构成的网络具有更好的性能,可以提高容错性和存储容量。(２)非局限性一个神经网络通常由多个神经元广泛连接而成。一个系统的整体行为不仅取决于单个神经元的特征，而且可能主要由单元之间的相互作用、相互连接所决定。通过单元之间的大量连接模拟大脑的非局限性。联想记忆是非局限性的典型例子。（3）非常定性人工神经网络具有自适应、自组织、自学习能力.神经网络不但处理的信息可以有各种变化，而且在处理信息的同时，非线性动力系统本身也在不断变化。经常采用迭代过程描写动力系统的演化过程.（４）非凸性一个系统的演化方向,在一定条件下将取决于某个特定的状态函数。例如能量函数,它的极值相应于系统比较稳定的状态。非凸性是指这种函数有多个极值,故系统具有多个较稳定的平衡态，这将导致系统演化的多样性。人工神经网络中,神经元处理单元可表示不同的对象,例如特征、字母、概念，或者一些有意义的抽象模式。网络中处理单元的类型分为三类：输入单元、输出单元和隐单元。输入单元接受外部世界的信号与数据；输出单元实现系统处理结果的输出；隐单元是处在输入和输出单元之间，不能由系统外部观察的单元。神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。人工神经网络是一种非程序化、适应性、大脑风格的信息处理,其本质是通过网络的变换和动力学行为得到一种并行分布式的信息处理功能，并在不同程度和层次上模仿人脑神经系统的信息处理功能.它是涉及神经科学、思维科学、人工智能、计算机科学等多个领域的交叉学科。人工神经网络是并行分布式系统，采用了与传统人工智能和信息处理技术完全不同的机理，克服了传统的基于逻辑符号的人工智能在处理直觉、非结构化信息方面的缺陷，具有自适应、自组织和实时学习的特点.２RBF神经网络径向基函数(radｉalbasisfunｃtion，RBF）神经网络在模式识别中得到了成功的应用，这主要得益于径向基函数本身所具有的特性.将RBF神经网络应用在变速箱齿轮进行故障诊断，取得了令人满意的效果。实验结果显示：ＲBF神经网络具有运算速度快、识别率高、算法简单等特点。在训练样本减少的情况下，该学习机的分类性能没有明显退化。不同于以往的一些论文，现着重从理论上对径向基函数本身进行分析,并将RＢＦ网络与反向传播（baｃk—proｐaｇａtion,BP）网络和支持向量机进行对比，以突出该方法的优势所在，为在实际应用中选择合适的学习机提供一定的参考.RＢＦ网络由三层组成,输入层、隐含层和输出层，如图1所示。假定输入向量在这里将隐含层ＲＢF网络是一种三层前向网络,由输入到输出的映射是非线性的，而隐含层空间到输出空间的映射是线性的，前者是一个非线性优化的问题，求解方法较复杂,目前可选用的学习方式较多，主要有随机选取RBF中心(直接计算法）、无监督学习选取RBF中心（K—均值聚类法)、有监督学习选取中心（梯度下降法）和正交最小二乘法（OLS）等。本文主要采用第一种方法。ＲＢＦ网络结构如下图所示,图2—２RBＦ网络结构当网络输入训练样本Ｘk时，网络第j个输出神经元的实际输出为:公式2—1一般“基函数”选为格林函数,当格林函数为高斯函数时：公式２-２RBF网络训练过程为:由实验样本确定训练隐含层与输出层间的权值ｗ的最终权值.在ＲBF网络训练中,隐含层神经元数量的确定是关键,一般选取与输入向量的元素相等。然而,在输入矢量很多时，过多的隐含层单元数使网络结构复杂化,影响训练时间。为此提出了改进方法：从0个神经元开始训练,通过检查输出误差使网络自动增加神经元。每次循环使用，使网络产生的最大误差所对应的输入向量作为权值向量ｗ,产生一个新的隐含层神经元，然后检查新网络的误差，重复此过程直至达到误差要求或最大隐含层神经元数为止。3MATLＡB神经网络工具箱神经网络工具箱（NeuｒalＮetｗorkＴooｌｂox)是在MATLAB环境下开发的工具箱之一，它以神经网络理论为基础,利用MATLＡB脚本语言构造出典型神经网络的激活函数，使对所选定网络输出的计算转变为对激活函数的调用.它还提供了多种学习算法以及１70余种相关的工具箱函数，依此可直观、方便地进行神经网络的应用设计、分析、计算等。MATLAＢ神经网络工具箱的出现，更加拓宽了神经网络的应用空间.神经网络工具箱为构建网络提供了丰富的工具函数，根据需要可以构建不同类型的神经网络，并可应用不同的传递函数和算法对设计进行改进及优化，利用训练样本可进行网络的学习与训练,利用诊断样本可对所得网络进行验证，还可以根据需要调用工具箱中有关神经网络的设计与训练程序。４实验分析4．１ＲBＦ神经网络训练过程表1为某汽车变速箱的齿轮啮合频率样本数据，都是经过归一化处理后的样本数据，共有9个实际样本，3种故障模式,每个样本有l5个特征参数，应用ＭAＴLＡB提供的神经网络工具箱构建ＲＢＦ网络，并用表1学习样本进行训练。因此,可按照如下的方式设计网络，网络的输入层神经元个数为ｌ5个，输出层的个数为３个,隐含层的个数并不是固定的，需要经过实际训练的检验来不断调整。由于齿轮包括3种故障模式，因此可以用如下形式表示输出：无故障（1，0,0)；齿根裂纹（０，l，０)；断齿(0，0，1）。表1齿轮箱样本数据序号各种特征样本齿轮状态1０.2286，0.1292，0。0７20，0.1５92,0。133５,0。0733，０．1１59,0.0940,0。０5２2,0。13４5,0。0０9０，0.１260,0.3６19，０。0６９0,0.1８2８无故障20．2０9０，0.0947，0．1３93,0。1387，0。2５58,0.0900，０．0771,0．08８2,0.０3９3,０．14３０，0。0１2６,0.167０，0．２450,0。０５08，０．1３28无故障30。０4４2,0。08８０,0．１147，0.05６3,0.33４7，0。1１50，0。14５3，0．０4２9，0.１81８，0.0378,0。0０92，0。2251,0.15１６，0.0858，０．0670无故障４0.2603，0。171５，0．070２,0。2711，０。１49１，0。13３０,0.０968,0.1911，０．２545，0。08７1，０．0０60,0。1793，０.10０2，0。０789，0.０9０9齿根裂纹5０.3６90，0．2222,０。０５6２，０.５157,0.187２，0.1614,0。１425,0。1506,０.1310，0．0500，0。0０78，0。0３４8，0。0４51,0.０707,0。0８80齿根裂纹60.0３5９，0。114９，0．１230,0.5460，0。19７7,0。1248,0.０624，0.０83２,０.１６４0,０.1002，０.005９,0．15０3，０.1８37，0．1２95,0.0700齿根裂纹70．１75９,0.2３４7,０.1829,0。181１，0.２922,0。0655，0.07７4，０。227３，０.20５６，0。0９2５,0．0078，０.1852,0。35０1,0.16８0,0。2668断齿80。0７24,0．１９0９，0．134０，0。2409,0。2８42,0.0450，0。0824，0．1064,0。1909,0．158６，0。011６,0。１698,0。364４,0。２７18,0.2494断齿９0．2634，0．２258，0.116５，0.1154，0。1074,0．0657,0.0610,0.2623，0。２588，0。１155，0。００50，0．０978，０．1５11，0.2273,0.3２２0断齿利用函数ｎeｗrb创建一个精确的神经网络，该函数在创建RBF神经网络时，自动选择隐含层的节点数目,使得误差为０。代码为：ｎet=nｅｗrｂ（ｘ,ｙ）；其中，x为输入向量,ｙ为目标向量,它们可以从表1中得到。由于网络的建立过程就是训练过程，因此得到的网络已经是训练好了的。接下来验证网络的预测性能。代码为：ty=sim（nｅｔ，tx)其tx为网络的测试样本。表２齿轮箱测试数据序号各种特征样本齿轮状态10.２１0１，0。０9５0，０．1298，０.１３59，0。2６０１,0。1001，0.075３，0．０8９0，0。0389，0。１4５1，０。0１2８,0.1５90，０。２４５2,0。051２，0.131９无故障20.2５９3,０.180０，0.０71１，0.２801，0.150１,0．12９8,0．1001，0.1８91,0。2531,０.087５,0．０058，0.18０3，0.0９９2，０．0８02,０.100２齿根裂纹3０.2５9９,0。2235，0.12０1，0.1171,0．１10２，0。06８3，0．062１，０。２5９7,０.26０2,0.1１６7，０．004８，０.1002,0。１５21，０．2２81，0．３205断齿4.２故障诊断推理三层RBF神经网络进行故障诊断，采用数据驱动的正向推理策略,从初始状态出发，向前推理，到达目标状态为止。其故障诊断结果如下：抽取表２所示的3组新数据作为输入数据，对已经训练好的网络进行测试。其测试结果为:ty=1.0054-0。0４31—０.01270。00０31.02490。01６4—0．０0５7０.018２0．9９６3也就是说，将第一组测试数据（无故障）输入网络时，网络输出有ty1=（1。0054,0.00０３，—0。0０5７),所以网络诊断的结果为无故障；将第二组测试数据（齿根裂纹）输入网络时，网络的输出有ｔｙ2=（－0.0431，1。02４９,0．01８2）,所以网络诊断的结果为齿根裂纹；同样,将第三组测试数据（断齿）输入网络时网络的输出有ｔy3=（-0。0127,0.0164,0．９963），所以网络诊断的结果为断齿。５结论仿真试验表明，RＢF神经网络是一种性能良好的非线性逼近网络,对故障类型的识别十分准确。网络训练过程中,在采用相同的输入节点、输出节点的情况下，且在相同期望误差平方和的条件下,RBF网络的收敛速度明显高于优化的BP网络，不仅减少了样本的学习时间和复杂度，而且不容易出现局部极小值。通过对比可知,采用RＢF网络对变速箱的齿轮进行故障诊断是可行的,并且RBF网络比BP网络诊断速度快且准确，更适用于进行故障诊断.这种故障诊断方法不仅可用于变速箱齿轮故障诊断，也完全可用于柴油机、大型旋转机组等的故障诊断，因而具有广泛的应用前景。附录：MATLＡＢ源程序clc；ｃｌｏsｅall;％9组样本数据：a＝[０．２２８6，0．129２，０.07２0，0.1592，0.1３３5,0。0７33,0.1159,0．0940,０。052２，０.1３4５，０．0090,０．１２６0，0．36１９,0。０６9０,０．1８2８0.2090，0。0947,0.1３93，0．１387,0.２5５8，0．0900,0。0771，0．0882,0.0３9３，0。1430，0．0126，0。1670，0。245０，0。0508，０。1３280．0４4２，０。0880，0.1147，0．0５63,0。３３47，０．1１50,0。1453，0。042９，0.181８，0.0378,0．0092，0．２２5１，0．１516,0。0８58,０．06700。26０3，0．171５,0.0702,0。２711，0.１49１，0．１3３0，0.0968，0。１９11，0．2545,0.0８71，0.00６０，０．１79３,０.１00２，0.０78９,0．09090．369０,0.2222，0．0５62,０．5１５7，0.1872，０.1614,０。142５,０．1５06,0。1310，0。0５00,0．0０７8，0.0３４8,０。0451,0。070７,0。08800.03５９，0．1１４９,０．１230,0。５4６0，0。197７,０.1248,0。062４,0．0８３2，0.1６4０，0.100２,0.0059，0.1５0３，0.１837，0．1２９5，0。070０0。175９，0．２3４7,0。1８２9，0。１811，0.2９2２,０.0655，0。0７74，0。2273，0.2056，0.09２5,０。0078,0。185２，０．350１，0。16８0，0。２6６８0.072４,0.１909，0.1340，0。２40９，0.2８４２，0。０４50,０。0824,0.１0６4,0.１909,0.1586,0.011６，0。169８,0。36４4，0。２718，0.24940。263４，0.2２５８，0.1165，0.１154,0。1074，０。0657,0。０６１０,0.262３，0.2588，0.1155,0。０05０，0.０978,０。１5１1，0.2２73,0．3220］;ｂ=［1，0，０;1，0,0；１，0，0；0，1，0；0，1，0；0，1，０;0,0，１；０,0,１；０,0，1］;x=a＇%RBF网络的１5个输入向量y=b’％ＲＢF网络的3个输出向量ｎet=newｒb(x,y，0.001，0。9,1５，1）;％neｔ=nｅwrb(P，T，GOＡL,SＰREＡD，MN，DF）％P为输入向量,T为目标向量，ＧＯＡＬ为圴方误差，默认为０，SPREAD为径向基函数的分布密度，默认为1，ＭN为神经元的最大数目,DF为两次显示之间所添加的神经元神经元数目。Ａ=sｉm（nｅt，ｘ）；E=y－A；MSE=mｓｅ（E）％3组测试数据ｔa＝［0。２10１，０．0950,0。129８，０．1３59，0.26０１,０．10０1，0.0753,0.089０，0.０389，０。１451,0．0１2８,0.1590，０。2452，0。0512，０。１３１9０。25９3，0.1800,0.07１1，0.2801，0．150１，０.１2９８，0．１001，0．１891,０.２5３1,0。０8７5，0．0０５8，0.１80３，0.0992,0。０８0２,0。１0020．2599，0.２2３5,0.１2０1,０.117１，０．1102，0.06８３,０.0６21，0．２5９7，０.2602,0.116７,0．0０4８，0．1０02，0．1521，0．2281，0。3205］;tx＝tａ’ty=sim（ｎｅt,tx)％仿真输出ty=1．０0７3－０．032４—０.0０8９－0.004７0.9９３8０.0047－０。０02６０.03８61。０04２ＮEWRB,nｅuronｓ=0，SSE＝3．６17４５NＥＷRB，neurons=2，SSE=2.7５572NEWRＢ，neuronｓ=3，SSE=1。２2３８7NＥWRB，neurｏns=4，SSE=0。５37735NＥWＲＢ,ｎeurｏnｓ=５,SSE=０。１7991３NEWＲＢ，neurｏｎs＝6，ＳSＥ＝0。092184５NEWRＢ，ｎeｕｒｏns=7,ＳSＥ＝０.0３59042NEＷRＢ，neurons=8,SＳE＝３.１5５４4e—029ＭＳE=１。16８7ｅ-030ＢＰ程序ｃlc；clear;closｅall;%9组样本数据：ａ＝［0.22８6，０.1292，0．072０,0.1592，０.1３35，0。0７33，0.1１５9，０．０94０，０。0522,0．1３45,0.0０9０,0.1２60,０.３６１9,0。0690,０。1８280。２09０，0．09４7，０。139３,0.1387，0．2558,0．0９00，0.077１,0.0882，０.0393，0。１430,0。0126,0．1670,0.245０，0．0508,0。１3280.04４2,0。08８0，0．1１４7，0.０563，0.３347，0。1150，0。１4５3,0。0429，０。18１８,0.03７8,0.0092，0。2251,0。151６,0。０8５8,0.06７０0。２603,0。１715，0.0702,0。2７１1，0。1491，0。1330,0.０968，０.1911,0.2545，0．0871,0。0０60，0．１7９3，0．1０02，0。０789,0.0９090.3690,0。2２２2,0.0562，0.5１5７,0。1872，０.１614，0.１４25，0.15０６，0．１３10，0。0５00，０。０07８，0.0348,0．０451，0.0707,0。088０0。0359，0.1149，0.１230，0。5４6０，0．19７7，0。1248,0．０６24,0。０8３２，0．1640,0.1002,0。0059,0.1503，0．１83７,0.１295,0。07000.1759,0。２３4７，0.1829，0.１811,0.2922,０.０６5５,0.077４，0。2273，0.２0５６，０。09２5,0.0078，0.18５2,０。3501，0.１68０，0.26680.0７24,０．1909，０.１340，0。24０９,0．2842，０．０4５0，０。０824,０。１064，0。1９０9，０.1586，0.0116，0.16９8，０．３64４，０.271８，0．24９40。2634，0.22５8,0.1165,0．11５4，０.107４，0。0657,0.０６10，０。２623，0.258８,0．1155，0。０050,0.09７８,0.１511,０。2273,0．３2２0］；b=[１，0,０;１，0，0；1,０,0;0，１，０;０，1,0；0，１，0;０，0,1；0,０,１；０,0，１］；p=ａ’％RBＦ网络的1５个输入向量t=b’％RBＦ网络的３个输出向量sｉze(p）sｉze（ｔ)ｎet_1＝nｅｗff（miｎmａx（p)，［10，3]，｛'ｔansig＇,＇purelin’}，’ｔraｉnｇｄm'）inputWeiｇhts=net_１．IW｛1，1}inpｕtｂias=net_1.b｛1}lａｙeｒWeighｔs=net_１。LW{2,1}lａyｅrbiaｓ=neｔ＿１。b｛２｝neｔ＿1．tｒaｉnＰaｒam.show=50；neｔ＿1．trainPaｒam.lｒ=０.０5；net_1。traｉnPａram。mc=0．9;ｎｅt＿1．trａinPａrａm．epocｈs=10000;ｎet＿1。tｒaｉnPａraｍ.gｏａl＝1e-３;［nｅt＿1,tｒ］=tｒain（nｅt_1,p,t);Ａ=sim(net_1，ｐ）；E＝t—Ａ;ＭSE=mse（Ｅ)％3组测试数据ta＝[０.21０1,０。0950，０。1298，0。1359，0.2601,０．1001,0.07５3，0.0８９0,0。038９,0.14５１，0．01２8，０.1590，0。2452，0.0512，0。1３19０.25９３，０.1８０0，0.０71１，0。２80１，0.1501，０.1298，0.100１,0．1891,0.25３1，0。08７5，0。005８，０.1803,0.0992,０．0802，０.10020．2５9９,0．2235，0.1201，0。１１71，0.11０２,0.０683,0。0６21,0。2597,0。2602，0.116７，0。０048，0.1002，0．1521，0．2２８1，0.３205］；tｘ=ｔa’ty=sim（ｎet_1，ｔx)％仿真输出ty=1。0２570.０0030．115１—０.０４170．92６3－0。０324-0。0２67-０。0９770.9５３５ＭSE=9.994４ｅ—0０4中国南方电网有限责任公司科技项目申请书及可行性研究报告项目名称:基于大数据与云计算的配电网设备状态监测与故障诊断关键技术研究申请单位：起止时间:２015.3——20１7.３项目负责人:联系电话:申请日期:填写说明一、请严格按照要求填写各项。二、专业类别根据项目所属专业种类中选择。三、项目摘要应简要说明项目研究内容和预期成果，字数要求５00字以内。四、项目申请单位指提出项目建议与申请的单位或部门,如总部各部门、直属机构、各分子公司及其所属基层单位等。五、项目分工应主要描述项目申请单位与协作单位的任务划分，项目计划进度安排应按时间段列出研究推进计划，并明确各阶段交付物及标志性里程。六、科技经费预算支出科目具体解释见附件2.七、科技成果的成熟度水平评判标准见附件３。项目简表项目名称基于大数据与云计算的配电网设备状态监测与故障诊断关键技术研究项目负责人姓名工作单位性别年龄项目分类［]基础性研究［]前瞻性研究［√］应用性研究[］发电技术[]输电技术［］变电技术［√]配电网技术［］用电技术［]电网运行技术［］信息技术［]通信技术[］物资管理技术［]电网建设［］继保自动化［]其它项目起止时间２０15年3月——201７年３月申请经费总额６００是否重点项目是对配电网设备进行在线监测和实施状态检修,可以提高供电可靠性，大幅度降低定期检修所耗费的巨大人力、物力成本。近年来，电网公司针对配电网设备在线监测问题已建成了配电网设备运维基层平台，运行单位逐步结合巡检开展了状态监测，对实施配电网设备在线监测和健康状态评估起到了积极作用.但仍然缺乏一个能够实时智能通讯的平台对配电网设备进行数据收集、实时监测和数据分析，对配电网运行状态评估模型、风险评估模型以及经济评估模型体系的研究也较少。并未真正实现配电网设备的在线监测与优化管理。因此，本项目拟应用云计算技术，以配电网设备振荡波局放检测、超声波与地电波检测、红外测温检测为基础，研究开发配电网设备状态监测与故障诊断“云计算"平台，最终实现对配电网设备的数据收集、实时监测、大数据分析、状态评估、故障诊断和一终端可移动检测等功能，为配电网设备的在线监测与优化管理提供技术支持。项目的实施，对提高电网公司配电网设备的供电可靠性和管理水平、保证电网安全、稳定、经济运行，具有重要的理论和实际意义。研究成果可推广应用于电网公司各地、市电网。预期成果成熟度水平8级（1-9级）项目负责人意见:（签字）年月日申请单位意见：（公章）年月日总部部门、直属机构、分子公司意见:(公章）年月日项目分工与计划进度安排１、项目相关单位及具体分工单位具体分工项目申请单位协作单位1协作单位2协作单位3计划进度安排任务名称开始时间完成时间主要内容及交付项配电网检测装置通讯方式研究2015。32015.6对局内目前使用的主要厂家的检测装置进行调研，制订配电网设备综合检测终端与检测装置间的数据通讯接口，接口方式拟采用WIFI或USB接口方式；针对多种检测方式，可考虑增加检测装置数据转换接口。对配电网检测装置通讯方式进行深入研究，最终提交配电网检测装置通讯设计报告。配电网检测装置数据分析算法研究2０１5。72０1５。8对相对成熟稳定的数据分析算法进行深入研究,并集成于智能检测终端应用中。配电网综合智能检测终端应用研发2０1５．９20１５.11对检测终端应用的数据结构、界面UＩ、功能架构进行设计,配电网综合智能检测终端将基于Wiｎdｏws平台进行研发,拟研发基本功能包括检测类型管理、检测基本参数管理、数据管理、诊断分析、规范标准查询.带电检测与停电试验数据接入的研究2015.122016．2对平台和检测设备之间的通讯方式、数据传输速度的优化等课题将要做专门研究。满足检测大数据量通信速率;自动化的处理信道冲突：实现通信系统封闭性，保证数据安全。数据模式识别的研究２016。3２01６。５选用支持向量机分类模型识别超声波局部放电，在前期采集的数据中选取合适的训练集和测试集,采用不同的核函数及参数结合训练集对支持向量机建模,并对已建好的模型利用测试集进行测试，比较各核函数的优劣,选择最佳的核函数：基于控薪函援术实现红外测温图形智能识别应用。基于统计分析算法的规范标准值研究2０16。6２016。７借助于正态分布、对数正态分布、威布尔分布及指数分布等统计分布曲线,拟合已有历史数据,并评估出设备的局放状态分界点和相关阀值等标准参数.开关柜局放放电超声波检测技术应用２016。８20１6．9利用语音处理技术对音频信号进行处理，提取表征局部放电的语音特征参数，选取最佳的特征参数组合，作为局部放电音频信号的特征向量，提高局部放电检测效率。基于支持向量机和数据库的局放识别算法应用２0１6.１0201６.11利用已有的数据，提取特征参数组成特征向量，建立合适的支持向量机分类模型，新晋检测数据加入到数据库中反哺支持向量机分类模型。在此基础上的局放识别系统，可以及时反映开关柜的局放情况并予以专家评估,便于电力试验工作人员综合分析开关柜的绝缘状况。基于大数据与云计算的配电网设备状态监测与故障诊断关键技术研究2０1６。12２０17。1通过无线网络实现带电检测数据，试验数据的采集、管理，建立诊断知识库、应用各类诊断算法,对相关数据进行分析应用,提供数据交互与共享功能,实现经验共享。平台包括数据中心模块、带电检测模块、综合诊断模块、知识库管理模块、统计分析模块等功能。编制结题报告２０17.2201７.3编制结题报告，准备结题材料.编写要求：列出分时间段计划研究内容;分时间段提供成果的内容和形式，要求具有可检查性。项目组成人员情况序号姓名年龄职称、职务工作单位任务分工张镱议3０博士广西大学系统总体设计韦化６0副校长广西大学理论分析祝云40博士广西大学系统分析李滨3８副教授广西大学建模及算法李佩杰32副教授广西大学算法分析陈碧云３8副教授广西大学算法分析阳育德４2副教授广西大学建模及算法张弛4１工程师广西大学数据接口白晓清45副教授广西大学数据结构黎静华32教授广西大学算法分析李如琦5５教授广西大学算法分析一、目的和意义1．与项目研究内容紧密相关的公司实际生产力水平和今后的发展方向长期以来,电力企业一直沿用低效的“到期必修"的预防性试验（即定期检修制度）对配电网网设备进行检修，造成了应修隐患设备漏检修，影响了其技术性能和使用寿命,严重的情况下会造成故障或事故,影响供电可靠性；更多的设备不该检修时安排停电检修，从而造成了人力、物力和财力的浪费。近年来，随着配电网网规模的快速发展以及配电网设备质量要求的迅速提升，配电网设备的定期检修制度已不适应电网及设备的管理要求。针对不同设备的具体情况，充分利用配电网设备在线监测系统、巡检、各种试验、检修辅助决策系统等手段，开展科学的配电网网监测和故障诊断势在必行.针对配电网设备状态监测和故障诊断问题，近年来，电网公司已建成了配电网设备运维基层平台，运行单位逐步结合巡检开展了状态监测，分别覆盖设备管理从建设、运维、检修、监测与监控等各个环节的业务.虽然信息化建设开发的运维基层平台对配电网设备监测和故障诊断起到了积极作用，但也暴露出以下方面问题：（1）缺乏专门针对配电网设备健康状态移动检测与诊断技术相结合的数据平台，设备健康状态的总体诊断与评价不够。目前,运行单位逐步结合巡视开展了状态监测，从设备管理、建设、运维、检修、监测与监控等各个环节,已收集了大量的配电网设备相关数据。但针对配电网设备健康状态监测的数据研究的专业化不强,缺乏大数据整合分析、健康诊断、状态评价的平台,数据分类还很薄弱,缺乏从状态评价需要的高度进行专项开发，特别是对不同类别，不同单位设备共性、普遍性的东西考虑较少，缺乏整体研究和描述，更没有专家诊断方法的研究与应用。而且，缺乏一个能够实时智能通讯的“云计算平台"对配电网设备进行数据收集、实时监测、大数据分析、状态评估、故障诊断和一终端可移动检测（一个可移动终端可以实施多个设备的操作）.(2）配电网设备状态数据信息模型有待建设目前还没有建立基于配电网设备状态的数据信息模型,仍需要建立配电网运行状态评估模型、风险评估模型以及经济评估模型，提出配电网设备状态、风险、经济等多维度的科学评价方法。难以通过计算机系统实现各类设备数据的统计分析、状态评估、故障预测等高级应用功能.因此,有必要开发一套配电网设备状态监测与故障诊断“云计算”平台，并在电网公司进行应用,以提高电网公司配电网设备的管理水平以及经济效益。2。项目成果对现状和技术发展的作用基于大数据与云计算的配电网设备状态监测与故障诊断关键技术研究研究,主要分为两个课题。课题一，建立“云计算平台”研发智能终端应用，实现一个移动终端对多种检测装置进行数据采集，进行数据控制；课题二,搭建配电网设备状态监测与故障诊断“云计算”平台研究(以下简称平台)。平台系统基于4G网络传输技术,具备检测与试验数据采集，储存，分析,诊断，管理等功能.项目以配电网设备振动波局放检测、超声波与地电波检测、红外测温检测为基础，构建“云计算平台”最终实现对配电网设备进行数据收集、实时监测、大数据分析、状态评估、故障诊断和一终端可移动检测等功能。项目成果可以实现配电网设备数据收集、数据储存,在线监测,故障诊断,设备集成管理等功能，为配电网设备的状态检修工作提供技术支持，从而提升电力企业的经济效益。３.成果应用和推广的途径电网公司已建成了配电网设备运维基层平台，并已开展了配电网设备的状态监测，具有了一定的成果应用条件。因此,该项目的成果将首先应用于当地供电局，进而推广至电网公司的各个市县局，最后在南方电网公司内进行全面推广.4.成果推广后的直接和间接效益直接经济效益:美国电科院研究表明，实施配电网设备的状态监测、在线故障诊断、状态检修后，与传统的定期、巡视检修相比，可以提高配电网设备管理的经济效益20-30%。保守估计配电网设备在运行寿命内用于设备检修的费用约为配电网设备购置费用的2倍。那么电网公司实施配电网设备状态检测和状态检修后，可以得到保守估计的直接经济效益总量为:电网公司配电网设备的购置费2２0%.间接经济效益：（1)停电预试的经济损失按照10ｋV开关柜6年一次停电预试来平均预估配电网设备停电预试验的经济损失。当地供电局所有配电网设备2013年大约有20０0次停电。假设每次因停电转检修而少送的电量平均为6000千瓦时，以平均电价１．２元/千瓦时计算，２0１3年电费损失6０00×2000×1．2=144０万元。(2）配电网设备故障损失和费用若不能及时监测配电网设备状态导致配电网设备发生故障,也会发生停电损失和设备修复损失。按照发生故障后造成停电损失,以及查找故障点、更换设备、试验以及送电操作需要人力物力来估计。根据故障统计数据可知，１0kV配网故障停电时间占平均用户停电时间的６0％以上.若按此比例进行配电网设备故障损失估计,则可得当地供电局配电网设备故障停电导致的电费损失为96０（144０×６0％）万元.（３）停电导致的社会经济损失２０14年当地ＧDP属于GDＰ较高城市。根据经验可知，ＧＤＰ较高城市中，社会因停电产生的损失约为预试停电和故障停电导致的电费损失之和的1０倍。因此配电网设备停电所导致的社会经济损失约为2２000(2２０0×10）万元。（4)间接经济效益：科学有效的评估配电网设备的健康状态,采用新型的带电测试设备进行检测,能够减少故障和预试的停电时间，从而获得重大的经济效益.若保守估计采用本项目成果后，可减少５0％的社会经济损失。根据经验可知，GDP较高城市中,社会因停电产生的损失约为预试停电和故障停电导致的电费损失之和的1０倍,那么本项目成果在当地供电局进行全面应用后,一年的间接经济效益为１。1（2。2×50％)亿元。二、项目研究的背景1.国内外研究水平的现状和发展趋势国内电力企业一直沿用“到期必修"的预防性试验(即定期检修制度）对配电网网设备进行检修，造成了应修隐患设备漏检修，影响了其技术性能和使用寿命,严重的情况下会造成故障或事故，影响供电可靠性；更多的设备不该检修时安排停电检修,从而造成了人力、物力和财力的浪费.近年来，随着配电网网规模的快速发展以及配电网设备质量要求的迅速提升，配电网设备的定期检修制度已不适应电网及设备的管理要求。针对不同设备的具体情况，充分利用配电网设备在线监测系统、巡检、各种试验、检修辅助决策系统等手段，开展科学的配电网网监测和故障诊断势在必行.国内外不少研究机构对配电网设备的在线监测和故障诊断开始了积极的研究。1970年开始，美国的杜邦公司（Ｉ．D．Ouｉnn）就首先提出了配电网设备状态检修概念.八十年代开始,日本和许多欧洲国家都开始了对检修体制的改革，其发展趋势均为状态检修.例如IｎtegｒaｔedMａｉntenanｃeSystｅm软件系统,就应用了Ｉntranet、Ｉｎtｅrneｔ和GＩS（地理信息系统）等新型计算机技术,较为明显地改变和提高了配电网设备的监督管理水平.但是国外在局部放电在线监测和集成化管理、设备健康状态监测集成化平台化的研究较少。在国内，河北、山东、浙江、江苏、湖北等电力公司开展了配电网设备状态检修试点工作，支撑和推动了当地的配电网网设备状态检修工作。福建省内部分城市开展了一些配电网网设备状态检修的初步工作,但总体水平相对滞后，处于起步阶段。目前全国已全面启动了配网状态检修工作,已建立起较为完善的配网状态检修管理体系、技术体系和执行体系。2０11年，浙江金华公司、山东青岛公司、江苏无锡公司、河北邢台公司、湖北荆州公司成为了五个首批配网状态检修试点单位,目前已全部通过验收,为实现设备检修机制的根本转变奠定了较好的基础。配电网网状态检修大大改善了设备健康状况,提升了配网精益生产管理水平，未来几年将会有很大的发展前景。测试配电网设备的局部放电是当前对配电网设备进行状态监测和故障诊断的首选方法。配电网设备在长期运行中必然存在电的、热的、化学的及异常状况下形成的绝缘劣化，导致电气绝缘强度降低，甚至发生故障.近年来许多配电网网突发事故，多是由于配电网设备局部放电所致。因此研究测试配电网设备的局部放电特征是目前预防电气设备故障的一种最佳方法。目前，为获取配电网设备的绝缘信息,通常进行离线的周期性试验.由于检测是在停电状态下进行的,因而无法展现绝缘状态在电场、热场和机械应力作用下发生渐变而劣化的过程，因而不能对配电网设备的维护检修提供合理的建议，造成了大量的人力、物力和财力的浪费，甚至造成误判,形成大的停电事故。为弥补周期性试验的缺陷,新近发展起来的在线监测方法已受到国内外研究人员和工程技术人员的重视.了解局部放电发射能量的方式能够为局部放电在线监测新方法提供技术支持.研究表明，局部放电采用下列方式发射能量：①电磁能量：无线电波、光、热;②声能：声音、超声波；③气体:臭氧、氮氧化物。因此，局部放电检测按检测的物理量性质分有电检测法和非电检测法。根据局部放电过程中所产生的各种放电现象，相应的出现了基于电磁波产生的瞬时接地电压检测法、超声波检测法、光测法、红外检测法、化学检测法、射频检测法等检测方法，并初步在电网中进行了应用。但是,由于局部放电检测技术受到现场噪音的影响比较大,难免出现误判的情况。因此有必要研究综合超声波,地电波,红外，振荡波，超高频等多种检测方式的局部放电故障诊断方法，在不停电的情况下监测到配电网设备的健康状况，及早发现带病运行的设备，实现配电网设备的在线监测和故障诊断。由上述分析可知，在现阶段进行配电网设备的局部放电测试需要检修人员同时利用多个设备进行操作,对检修人员的专业操作水平要求高，而且由于配电网设备众多,检修人员需要进行检修的工作量大,检修工作总行程公里数非常大。而且，目前对配电网设备健康状态进行监测没有建立统一的存储和分析平台，供电企业之间一般采用移动储存设备等方式进行所需计算数据的传送。该方法存在着数据占用空间大、传送效率低、不易进行数据管理、无法进行资源共享等诸多不足。同时，对上报的数据，需要花费大量人力进行手动校核、录入等工作，工作效率不高。随着电网的不断发展，迫切要求配电网设备状态监测和故障诊断由单人单设备多次工作模式向智能综合系统工作的模式转变。“云计算”(ＣloｕdComｐｕting）是一种高可靠、高性能且绿色经济的新型计算模式,是实现集中建设、集中管理、全局应用要求的创新道路。它可根据客户需要伸缩，通过网络进行访问和使用的计算资源的共享池（例如，网络，服务器，存储，应用程序服务）。它还用最少的管理付出以及与服务供应方在最少的交互,实现了将各种计算资源迅速动态的配置、部署、使用、释放等工作。在此基础上，云计算使建设与运行维护工作集中到数据中心端,并将软、硬件进行大量虚拟化操作,由此带来的创新建设和管理模式将极大减少相关人力资源的使用量与电力、场地、安保等方面的消耗，带来长远的经济效益。同时,云计算作为计算服务网络分发的新模式，改变了传统C/S模式带来难于维护、难以远程协作等弊端,也避免了Ｂ/S模式漏洞百出之不足，大大简化了基于云计算架构的大规模协同工作软件开发，提高了运行性能及用户体验。因此应用云计算技术，以配电网设备振动波局放检测、超声波与地电波检测、红外测温检测为基础，研究开发配电网设备状态监测与故障诊断“云计算"平台，最终实现对配电网设备进行数据收集、实时监测、大数据分析、状态评估、故障诊断和一终端可移动检测等功能，对于提高电网运行的经济性，实现节能降耗具有非常重要的意义。同时,该“云”平台低运行成本,低管理成本，高可靠性能和极佳的二次拓展性能使本项目具有极高的性价比。综上所述,创新性地进行配电网设备状态监测与故障诊断“云”平台的开发,可以为配电网设备的状态检修工作提供技术支持,从而极大地提高电力企业的经济效益。２.国外研究机构对本项目的研究情况国外不少研究机构对配电网设备的在线监测和故障诊断开始了积极的研究。1９70年开始,美国的杜邦公司（I．Ｄ。Ouinｎ）就首先提出了配电网设备状态检修概念。八十年代开始，日本和许多欧洲国家都开始了对检修体制的改革,其发展趋势均为状态检修.例如ＩｎtegrａtedＭａiｎtenanceSyｓtem软件系统，就应用了Iｎtranｅｔ、Ｉｎｔernet和GＩS（地理信息系统）等新型计算机技术，较为明显地改变和提高了配电网设备的监督管理水平。但是国外在局部放电在线监测和集成化管理、设备健康状态监测集成化平台化的研究较少.虽然美国和日本对“云计算”政府信息平台建设进行了大规模的投资，但尚未有基于大数据与云计算的配电网设备状态监测与故障诊断关键技术研究的研究见于报道。３。国内研究机构对本项目的研究情况在国内，河北、山东、浙江、江苏、湖北等电力公司开展了配电网设备状态检修试点工作，支撑和推动了当地的配电网网设备状态检修工作。福建省内部分城市开展了一些配电网网设备状态检修的初步工作，但总体水平相对滞后，处于起步阶段。目前还没有建立基于配电网设备状态的数据信息模型，需要建立一套关于配电网运行状态评估模型、风险评估模型以及经济评估模型体系，提出配电网设备安装状态、风险、经济等多维度的科学评价方法。在局部放电在线监测和集成化管理、设备健康状态监测集成化平台化方面的研究较少.尚未有基于大数据与云计算的配电网设备状态监测与故障诊断关键技术研究的研究见于报道。４.项目研究的技术关键与难点（1)与电网公司现有的检测设备数据通讯项目在多种装置通讯方式的解析上,面临着多种检测方式、检测装置、厂家、通讯协议，造成在多种检测通讯方式解析过程中较大的工作量,同时,由于各厂家协议开发程度不同，又给各通讯方式解析带来了一点困难。在项目实施过程中，本项目会与各检测装置厂家进行技术交流,保证各仪器检测通讯方式的统一，减低通讯方式解析风险。（２)各类检测数据算法的解析由于本身项目设计的算法的跨专业性与集成性,需要对各类检测算法进行深入分析，因此本项目的具体实施过程,需要和有一定研发能力、有配电网设备检测经验的厂家合作完成,保证各类检测算法的有效性，避免智能检测终端，仅完成数据采集,而无法进行数据高级分析的处境。(3)诊断技术模型的建立诊断技术模型的建立包括研建立配电网设备健康状态评估模型、风险评估模型以及经济评估模型，提出配电网设备按照状态、风险、经济等多维度进行评估的科学评价方法。1)配电网设备健康状态评估模型的建立针对配电网设备特点,建立基于配电网线路的数据模型，将地理信息、设备位置、设备台帐、健康状态检测数据等进行集中呈现,统一调度；并对设备的状态进行状态、风险评估.２）配电网设备健康状态多维度评估方法的研究配电网设备的运行可靠性有了很大提高,但随着社会生产的不断发展，负荷的不断增加，设备故障也时有发生。为了更好的保证配电网设备安全可靠的运行，结合各类分析模型与分析方法，对配电网设备在状态、风险、经济等多个角度进行评估。（４)“云平台”信息系统开发云系统开发涉及到通讯协同、虚拟桌面、数据存储、计算服务、系统维护、数据汇总、大数据分析、算法管理、权限管理、基本信息维护、软硬件协同开发、云计算平台监控等关键技术,涉及的技术面广、所需投资大、开发时间长、开发难度大。三、项目申请单位具备的研究基础和条件编写要求:项目负责人的情况介绍，专业、特长、工作量和在本项目中的作用；项目申请单位在相关研究领域曾开展的工作、曾取得的科研成果、曾获得的荣誉;项目申请单位在相关研究领域已有的软硬件平台、理论研究环境、实验室条件等.项目申请单位……项目协作单位——广西西大优能电气科技有限公司，成立于２０14年１0月，注册资本1０50万元，前身是具有3０余年历史的广西大学电力系统最优化研究所。公司主要从事电力系统最优运行及相关技术研发与工程应用，涉及:在线最优潮流、水火电力系统最优潮流、满足互联电网ＣPS新标准的最优AGC控制、电力系统最优稳定控制、电力系统运行极限、电压稳定、状态估计、无功优化、基于Inteｒneｔ的新一代县级电网调度自动化技术、配电网网自动化、智能电网与新能源开发、发电厂经济调度、并行与分布计算技术等。依托广西大学多学科综合优势，公司组建了一支由教授、博士以及年轻教师、工程师构成的专业化队伍。公司现有员工９7人，其中教授2名，副教授5名，博士15人,硕士78人。公司依托广西大学建立的研发中心拥有RTDS实时数字仿真器，电力云计算平台,电网调度自动化实时仿真与在线监控一体化平台,电力系统高级应用软件开发平台，以及BPA、ＰSASＰ、EMTDC等先进仿真分析软件，可为电力系统安全稳定和经济运行提供强有力的技术支持。广西大学电力系统最优化研究所有着多年的调度自动化项目开发和维护经验,所开发的新一代电网调度自动化系统采用最先进的Ｉntｅrnet中间件技术和中间件技术，面向县级调度及中小型地调，在统一的平台上集调度自动化、配网自动化、电网分析软件、调度管理及配网管理等功能于一体,是新一代电力企业自动化应用支撑平台。系统不仅完全具备国标《县级电网调度自动化功能规范》所规定的各项功能，满足电力系统调度运行的要求，还增加了用户管理、地理信息、系统对时、短信服务、移动办公等功能。该系统获得４项专利:201０。１2.０８ZL２0081００738６７。4实现电网调度自动化方法发明专利2009．07．29ZL２00８２113５０6.3电网调度自动化控制装置实用新型2０09．０7.2９ZＬ２０08２11３507．8网络单向通信控制装置实用新型2００9.08。05ZL200８2113４２９。１调度子站通信集成服务器实用新型2011.03.1６ZL201１00３8985.３实现电力系统暂态稳定域可视化的方法发明专利配网自动化是研究所专注的重要领域，所承担的智能配电网网系统关键技术研究项目,配合广西电网公司已有和拟建的配电网网信息、生产管理系统,对比各个系统的特点,研究整合配电网网智能化运行的生产管理系统关键技术,提出一套配电网网生产管理系统建设实施方案，开发一套智能配电网网生产管理系统数据测试分析软件.该项目成果已应用于广西电网钦州供电局的配网管理自动化系统。研究所对电力高级应用软件的开发也有着诸多经验,其中与清华大学卢强院士团队共同研发的上海电网AEMS系统首次实现了最优潮流的在线应用,并被美国著名的GE公司嵌入其EＭS系统中，走向世界。开发的7个优化应用软件还嵌入南瑞OＰＥＮ—３00０EMS系统，应用于苏丹国家电网调度中心,是中国电力行业首个出口软件,项目实施过程中接受了世界上著名的德国监理拉梅尔国际咨询公司（LahｍeｙeｒInｔerｎatｉonal）的监督、考核，并获得了SAT（现场测试）证书，通过了后期AVT（可靠性测试)。此外，研究所还围绕交直流水火电力系统安全、稳定、经济运行和新能源开发利用等广西电力工业急需解决的重大技术问题,在电力系统最优运行的新理论及相关技术、大规模复杂电力系统的可靠性和稳定控制、大规模新能源接入智能电网关键技术等方向进行了原创性的学术和应用研究，取得了一系列可喜的成果。四、项目研究内容、技术路线与实施方案１。项目研究内容的详细说明主要研究内容1。1配电网设备综合智能检测终端技术研究（1)配电网检测装置通讯方式的研究对局内目前使用的主要厂家的检测装置进行调研,制订配电网设备综合检测终端与检测装置间的数据通讯接口方式;针对多种检测方式，研究检测装置数据转换接口方式;对配电网检测装置通讯方式进行深入研究，并对配电网检测装置通讯方式进行设计研究。（2）配电网检测装置数据分析算法研究对相对成熟稳定的数据分析算法进行深入研究,研究开发智能设备集成检测终端。(3)配电网综合智能检测终端应用研发对不同的作业模式进行业务分析；对检测终端应用的数据结构、界面UI、功能架构进行研究和设计；研发基于Ｗindoｗs平台的配电网综合智能检测终端.研究检测类型管理（切换到相应的检测方式，应用将自动切换通讯方式)、检测基本参数管理、数据管理、诊断分析(包括各检测方式的单一诊断，针对同一设备的不同检测方式的综合诊断）、规程标准查询（提供国际、国家、行业、企业各种行业规范、试验流程查询）等基本功能在检测终端的实现。１.2配电网设备状态监测与故障诊断“云计算”平台研究带电检测与停电试验数据接入的研究研究如何通过4Ｇ网络技术实现远程数据采集，研究检测装置的接入标准；对平台和检测设备之间的通讯方式、数据传输速度的优化等进行专门研究.研究自动化的处理信道冲突，实现通信系统封闭性,保证数据安全的方法。考虑系统未来的扩展性,对智能检测装置、非智能检测装置的数据结构进行研究.专家诊断方法的研究数据模式识别的研究对信号特征参数的提取和数据模式识别进行研究；研究支持向量机分类模型识别超声波局部放电的方法；研究基于控制图技术的红外测温图形智能识别技术.基于统计分析算法的规范标准值研究在收集大量历史数据的基础上，利用统计分布曲线,拟合已有历史数据特性,研究配电网设备的局放状态分界点和相关阀值等标准参数。关柜局部放电超声波检测技术研究应用语音处理技术对音频信号进行处理，研究表征局部放电的语音特征参数提取方法,以提高局部放电检测效率。（４)基于支持向量机和数据库的局放识别算法研究研究相关数据库的构建方法；研究建立合适的支持向量机分类模型，使得新晋检测数据加入到数据库中反哺支持向量机分类模型。（5)配电网设备诊断知识库功能的研发研究检测数据库井动态更新方法;研究数据信息的归档和整理方法,以达到智能分析电力设备绝缘状态的目的。配电网设备状态监测与故障诊断“云计算”平台的研发研究通过无线网络实现对配电网设备的带电检测；研究建立诊断知识库、应用各类诊断算法,对相关数据进行分析处理，研究数据交互与共享能力实现的方法；研究平台的关键功能模块,包括数据中心模块、带电检测模块、集合诊断模块，知识库管理模块、统计分析模块等功能。2主要技术难点（1）与电网公司现有的检测设备数据通讯项目在多种装置通讯方式的解析上,面临着多种检测方式、检测装置、厂家、通讯协议,造成在多种检测通讯方式解析过程中较大的工作量,同时,由于各厂家协议开发程度不同，又给各通讯方式解析带来了一点困难.在项目实施过程中,本项目会与各检测装置厂家进行技术交流，保证各仪器检测通讯方式的统一,减低通讯方式解析风险。(２）各类检测数据算法的解析由于项目设计的算法具有跨专业性与集成性的特点,需要对各类检测算法进行深入分析，因此本项目的具体实施过程，需要和有一定研发能力、有配电网设备检测经验的厂家合作完成，保证各类检测算法的有效性，避免智能检测终端,仅完成数据采集，而无法进行数据高级分析的处境。(3）诊断技术模型的建立诊断技术模型的建立包括研建立配电网设备健康状态评估模型、风险评估模型以及经济评估模型，提出配电网设备按照状态、风险、经济等多维度进行评估的科学评价方法。(4）“云平台”信息系统开发云系统开发涉及到通讯协同、虚拟桌面、数据存储、计算服务、系统维护、数据汇总、大数据分析、算法管理、权限管理、基本信息维护、软硬件协同开发、云计算平台监控等关键技术，涉及的技术面广、所需投资大、开发时间长、开发难度大.2。项目研究拟采用的技术路线２.1总体架构系统总体采用平台化结构,基于IEC61９70标准和SOＡ架构，在基础平台上构建不同业务应用的系统框架,并实现平台和应用的匹配以及备应用的一体化建设，应用功能采用模块化方式开发,在统一接口标准的基础上，实现应用功能在支撑平台上的“即插即用"，同时能把应用包装成服务功能,为其他应用提供功能服务。图1配电网设备状态监测与故障诊断“云计算”平台部署架构平台系统基于4G网络传输技术，具备检测及试验数据采集、储存、分析、诊断、管理等功能,制定配电网设备检测统一接口标准,与检测装置直接通讯，获取现场检测数据;通过行波定位法、双端定位法、支持向量机分类识别、红外图像识别等算法为现场检测人员提供辅助分析的方法;同时,平台将搭建知识库模型，以实现通过多维度数据检测信息的综合诊断功能；平台将通过南网标准接口与配电网生产系统通讯,获取设备台账数据。平台通过信息化手段有效的管理带电检测数据、停电试验数据,进行检测专业化数据分析、诊断。主要包括设备数据中心、故障预警、专家诊断、专家诊断、决策模块、数据采集模块。其结构如图１所示。配电网设备状态监测与故障诊断“云计算”平台包括设备数据中心（包括震荡波局放检测数据、超声波局放检测数据、地电波局放检测数据、红外测温数据)、故障预警模块(包括设备故障识别、设备状态判断)、专家诊断模块（包括诊断结果、设备运维建议）、决策模块（包括专家级决策知识库、诊断分析）如图２所示图2配电网设备状态监测与故障诊断“云计算”平台功能架构2。2研究技术路线主要的技术路线是研究两大部分:配电网设备综合智能检测终端技术研究和配电网设备状态监测与故障诊断“云计算”平台研究。２。2.１配电网设备综合智能检测终端技术研究方案基于Windows平台研发配电网设备综合检测终端应用,该终端应用于平板电脑,通过平板USB接口或ＷＩFI与现场检测设备进行通讯互联,兼容超声波、地电波、红外、振荡波、超高频等多种检测方式、诊断算法于一身；检测人员只需更换检测设备便可实现1终端对多类检测方式的操作。同时，平板电脑通过无线网络与检测相关后台进行数据通讯，保证数据管理有效性、共享性。（1)配电网检测装置通讯方式研究方案通过对配电网检测的整体调研,充分了解目前配电网检测的主要检测方式，包括振荡波、超声波、地电波、红外检测方法等，并理解其检测技术的原理；对局内目前使用的主要厂家的检测装置进行调研，制订配电网设备综合检测终端与检测装置间的数据通讯接口,接口方式拟采用WIFI或ＵSＢ接口方式;针对多种检测方式，可考虑增加检测装置数据转换接口。本项目对配电网检测装置通讯方式进行深入研究，最终提交配电网检测装置通讯设计报告.（2）配电网检测装置数据分析算法研究方案本项目将通过对主流检测方式的确定,对相对成熟稳定的数据分析算法进行深入研究,并集成于智能检测终端应用中，例如:振荡波行波定位、带通滤波算法、小波滤波算法、基于支持向量机的超声波模式识别、红外图像识别算法.（３）配电网综合智能检测终端应用研发方案配电网综合智能检测终端应用，将引入不同的作业模式，并对不同的作业模式进行业务分析。包括巡视过程、试验过程,同时，对检测终端应用的数据结构、界面UI、功能架构进行设计，配电网综合智能检测终端将基于Wiｎdows平台进行研发，拟研发基本功能包括检测类型管理（切换到相应的检测方式，应用将自动切换通讯方式）、检测基本参数管理、数据管理、诊断分析（包括各诊断方式的单一诊断、针对同一设备的应用不同检测方式的综合诊断)、规范标准查询（提供国际、国家、行业、企业各种行业规范、试验流程查询）。2.2.2配电网设备状态监测与故障诊断“云计算”平台研究方案研究多种配电网检测装置通讯方式(包括振荡波、超声波、地电被、红外测温等)，通过4G网络技术实现远程数据采集，并提出检测装置接入标准：课题结合检测业务、数据管理，融合行波点位算法,向量机算法识别、红外图像分析等多种检测算法，建立智能检测知识库,提出综合诊断方法；搭建配电网设备状态监测与故障诊断“云计算”平台，提供数据分析与诊断服务，减低现场检测对人员的专业化要求,提高检测效率.（1）带电检测与停电试验数据接入的研究方案基于配电网设备带电检测及试验数据集成，应用4G网络技术实现数据无线通讯,建立数据中心是本项目的工作重点。数据采集与数据管理功能可实现对众多智能前端检测单元的数据采集包括（荡波局放检测数据、超声波局放检测数据、地电波局放检测数据、红外测温数据）；对平台和检测设备之间的通讯方式、数据传输速度的优化等课题将要做专门研究。满足检测大数据量通信速率；自动化的处理信道冲突：实现通信系统封闭性,保证数据安全。项目考虑系统未来扩展性,对智能检测装置、非智能检测装置的数据结构进行研究,信息平台将提供对数据源文件的解析功能，支持离线数据本地导入功能；针对在线监测装置接入平台数据接口，为配电网设备检测工作提供良好的数据支持.（2)专家诊断方法的研究与应用方案１)数据模式识别的研究方案为了对数据进行模式识别,从而更为高效地采集数据和建立诊断知识库,提取信号特征参数，选用支持向量机分类模型识别超声波局部放电,在前期采集的数据中选取合适的训练集和测试集,采用不同的核函数及参数结合训练集对支持向量机建模，并对已建好的模型利用测试集进行测试,比较各核函数的优劣，选择最佳的核函数:实现红外测温图形智能识别应用。２）基于统计分析算法的规范标准值研究方案在收集大量历史数据的基础上，利用统计分析算法，借助于正态分布、对数正态分布、威布尔分布及指数分布等统计分布曲线，拟合已有历史数据，并评估出设备的局放状态分界点和相关阀值等标准参数。3）开关柜局部放电超声波检测技术应用方案本项目结合国内外的相关先进经验并在此基础上进行创新，利用语音处理技术对音频信号进行处理,提取表征局部放电的语音特征参数如短时平均幅度差（AＭDF)、高过零率比、均方根值（RＭS)、24维美尔倒谱系数（MFCＣ）、带宽、子带能量比等参数，选取最佳的特征参数组合,作为局部放电音频信号的特征向量，提高局部放电检测效率.4）基于支持向量机和数据库的局放识别算法应用方案本项目建立了数据库并结合支持向量机模型设计识别基因的算法.利用已有的数据,提取特征参数组成特征向量,建立合适的支持向量机分类模型,新晋检测数据加入到数据库中反哺支持向量机分类模型。在此基础上的局放识别系统,可以快速、准确、翔实地提供开关柜信息,及时反映开关柜的局放情况并予以专家评估，便于电力试验工作人员综合分析开关柜的绝缘状况，对生产实践有具体的指导作用，能够为电力系统安全经济运行提供有力保障。5)配电网设备诊断知识库功能的研发与应用方案积累已有检测经验，构建检测数据库并动态更新，将检测到的故障特征数据及时添加到数据库中,更新后的数据库可作为下次检测的训练样本集，提高支持向量机的识别准确度。为后续的深入研究奠定坚实的基础。其中,每一条特征数据，包括故障类别标识，故障特征数据和其他有关配电网设备的附加信息,便于信息的归档和整理，以达到智能分析电力设备绝缘状态的目的。知识库是承载带电检测信息系统各类诊断经验与知识.通过样例的搭建、模型的训练、人工算法的提炼,为振荡波、超声波、地电波、红外检测诊断提供经验与方法,并对形成的经验与方法、典型图谱进行记录。通过知识库的训练模型,应用人工智能算法进行故障的的诊断分析。同时,针对正确诊断结果，会被作为知识库经验,记录在知识库中。构建科学、规范的知识库，对诊断经验与知识进行有效管理，避免知识流失，提高工作效率。3.理论研究和试验内容与项目总目标的因果关系根据电网公司当前管理现状，以配电网设备振荡被局放检测、超声波及地电波检测、红外测温为基础,进行两方面课题研究，课题一，研发智能终端应用．实现通过一个终端对多种检测装置进行数据采集、数据控制；课题二，搭建配电网设备状态监测与故障诊断“云计算”平台(以下简称平台)平台系统基于4G网络传输技术，具备检测及试验数据采集、储存、分析、诊断、管理等功能。平台制定配电网设备捡测统一接口标准，与检测装置直接通讯，获取现场检测数据;通过行波定位法、双端定位法、支持向量机分类识别、红外图像识别等算法为现场检测人员提供辅助分析方法；同时，平台将构建知识库模型。以实现通过多维度数据检测信息的综合诊断功能;平台将通过南网标准接口与配电网生产系统通讯,获取设备台账数据。平台通过信息化手段有效的管理带电检测数据、停电试验数据,进行检测专业化数据分析、诊断，使之成为运行检修单位检测及分析工作的专业工具，最终可以为配电网设备的状态检修工作提供技术支持，提高电力企业的经济效益.4.外委工作情况项目实施的承担单位为当地供电局和广西大学自动化研究所，双方以技术咨询的方式组织合作。其中，当地供电局在项目中负责项目的整体规划；广西大学自动化研究所协助完成项目规划，具体负责理论分析及技术开发工作。双方具体分工及职责如表1.项目统一由当地供电局组织协调开展,知识产权及成果由当地供电局和广西大学自动化研究所共同拥有。表１项目承担单位及其职责单位当地供电局广西大学自动化研究所分工项目规划，提出需求，资料收集,组织验收平台调研、平台开发，试验测试、技术培训职责1、联系相关部门提供平台开发所需数据。2、负责项目执行过程中的管理工作。3、按时拨付项目研究、开发经费4、接受研究成果，组