基于ZigBee网络和视频监控的电力设备故障监测与诊断

王 晟，陈新星，陈人楷

(国网福建省电力有限公司信息通信分公司，福建 福州 350000)

作者简介：王晟（1990—），男，工程师，硕士，主要研究方向为通信技术应用等， wangh078@sina.com.

摘要：基于ZigBee网络铺设成本低和传输效率高的优点，提出一种基于ZigBee网络和视频监控的电力设备故障监测与诊断方法。首先通过视频监控设备和传感器采集电力设备故障信号数据,识别过程中采用小波包3层分解和重构电力设备故障信号数据提取小波包能量特征；然后将其特征数据划分成训练样本和测试样本，在极限学习机的基础上引入正则化因子，提出了正则化极限学习机算法，用于进行故障分类、诊断和识别；最后将训练样本作为RELM模型的输入和输出，建立电力设备故障RELM识别模型进行故障识别。与ELM、SVM和BPNN相比，运用RELM进行电力设备故障诊断具有更高的诊断准确率和更低的误判率。

关键词：ZigBee网络；电力设备故障；故障诊断；正则化极限学习机；视频监控

中图分类号：X773   文献标识码：A   文章编号：2095-509X(2020)12-0046-04

随着电网建设规模不断扩大和电力设备覆盖率的提高，需要调控中心监控的电力设备数量激增，难以及时高效、准确地发现电力设备存在的安全隐患和故障^［1-2］，因此开展电力设备故障高精度远程监测与故障诊断，有针对性地根据实际需求进行可靠的运营和维护，对提高电力部门的管理能力和保障用户的用电安全具有重要的理论价值和实际意义。

与传统通信网络相比，ZigBee网络具有铺设成本低和传输效率高的优点。本文运用ZigBee无线网络传输电力设备视频监控信号和故障信号，给出了电力设备故障监测与诊断框架，运用正则化极限学习机（regularized extreme learning machine ，RELM）进行电力设备故障诊断，与极限学习机（extreme learning machine，ELM）、支持向量机（support vector machine，SVM）和前馈神经网络（backpropagation network，BPNN）相比，具有更高的诊断准确率和更低的误判率，提高了电力设备故障诊断的精度，为电力设备故障诊断研究和应用提供了新的方法。

1 电力设备故障监测系统结构 

为实现电力设备故障监测与诊断，基于ZigBee网络成本低和传输效率高的优点^［3］建立电力设备故障检测系统，运用ZigBee无线网络传输电力设备视频监控信号和故障信号。系统结构和ZigBee无线网络结构如图1所示。