22、智能设备识别在工业中的潜在应用

智能设备识别在工业中的潜在应用

1. 家庭能源管理

1.1 家庭能源管理系统概述

家庭能源管理系统（HEMS）是一种基于智能电网的智能网络控制系统，它将家庭中的所有电力和电气设备集成在一起，是智能电网在家庭用电侧的应用，能够实现对家庭用电的控制和管理。该系统可以促进居民积极参与用电管理，提高供电安全性和能源效率，在节能减排和减少环境污染方面发挥关键作用。基于非侵入式技术的智能设备识别有助于家庭能源管理，主要包括家用电器识别和电气设备故障检测两方面。

1.2 电气设备识别

1.2.1 对居民用户的作用

居民用户通过安装智能设备识别装置，可以实时查询每个家用电器的耗电量和运行状态。节能意识强的用户可以根据这些信息优化用电成本，通过优化电器运行参数和调整运行状态，提高家庭用电的经济效益。结合电力公司推送的改进策略和动态电价等个性化节能调节措施，在满足用电需求和确保用户舒适度的条件下，节能率有望达到近 20%。

1.2.2 常见负载类型

家庭用户的常见负载根据其特性可分为三种类型：
|负载类型|示例|特性|
| ---- | ---- | ---- |
|电阻性负载|电水壶、电加热器、电饭煲等|谐波含量少，瞬态过程通常较为平缓|
|电容性负载|笔记本电脑、液晶电视等|一般有启停电源，谐波含量高，开关和切断时冲击电流明显|
|感性负载|空调、吹风机、洗衣机、电风扇、荧光灯等|配备线圈或电机，关闭时通常有冲击电流，可能有高谐波含量|

这些负载通常通过配电电路供电，可以通过安装在住宅配电电路进线处的检测设备进行数据采集。

1.2.3 非侵入式负载识别算法

非侵入式负载识别算法是当前设备识别应用中最有效的方法。它基于用户的用电信息来识别和分解用户详细的家庭用电情况。具体操作步骤如下：
1. 测量各种常见家用电器的特征参数，建立家庭常用家用电器的特征参数模型。
2. 将计算得到的特征参数与家用电器特征参数模型进行比较，以识别家庭负载。
家庭负载的特征参数包括稳态和瞬态参数：
- 稳态特征参数：负载稳态电流、谐波功率和负载电压。
- 瞬态特征参数：负载开关的电压和电流瞬态变化。

基于稳态负载值的非侵入式负载识别算法使用稳态特征参数完成负载识别计算；基于负载瞬态特征参数的非侵入式负载识别监测方法通过测量瞬态特征参数来识别负载。典型居民电器的非侵入式监测和识别技术应用框架如下：

graph LR
    A[读取总进线电压和电流信号] --> B[非侵入式技术处理]
    B --> C[输出电器类型、持续时间和数量等信息]

1.2.4 对电力系统的作用

智能设备识别有助于电力公司了解不同负载类别、电力设备的工作状态、用电规则和当前用电量。有助于更科学地确定动态电价，鼓励用户与电网公司友好互动，实现负荷移峰填谷，提高负荷系数，最终提高电力系统运行的经济性和可靠性，如节能降耗、延长电力设备使用寿命、降低电力设备投资和维护成本等。

1.3 电气设备故障检测

建筑物中的各种电气设备是室内能耗的重要组成部分。在实际使用中，电气设备可能因使用寿命或其他客观原因出现故障，导致电能无用消耗，甚至损坏家庭电路。因此，实时监测设备工作状态并及时检测异常情况对节能和用电安全至关重要。

NILM 算法可以通过测量电气设备的功率实现对电气设备的状态监测和能耗识别。但设备性能可能会随时间下降，在 NILM 监测环境中，设备性能下降通常表现为异常能耗和异常运行。随着技术的不断进步，智能电表已开始用于家庭层面的电气设备异常检测。

为提高具有异常检测功能的智能设备识别系统的能力，需要提取设备异常时的特征线。由于故障不频繁，只能通过实验手段进行模拟。在短时间内将故障注入电气设备，提取故障电路的电流和电压等特征，以捕捉电气设备的异常行为。为推广应用，还对工作能效低且接近使用寿命的电器进行异常行为特征提取实验。通过创建这样一个 NILM 异常行为数据库，智能设备识别有望在建筑物电气设备异常检测中得到更多更好的应用。

2. 用户电力线路故障判别

2.1 短路故障概述

在电力系统中，“短路”是指电力系统正常运行以外的相之间或相与地（或中性线）之间的连接。当相之间或相与地之间发生异常连接（短路）时，会有非常大的电流流动，电流值远高于额定电流，且取决于短路点与电源之间的电气距离。短路是不同电位导电部分之间的低电阻短连接，相当于电源直接通过导线连接成闭合电路而不经过负载。在日常生活中，电路短路事故经常发生，这是一种应尽量避免的严重电路故障，会因电流过大导致电路烧毁并引发火灾。因此，判别用户电力线路故障非常重要，非侵入式智能设备识别技术将发挥重要作用。

2.2 非侵入式电力用户故障判别技术简介

非侵入式电力用户故障判别技术的基础是收集设备采集的电流和电压信号，通过相应算法处理这些信号，提取信号中的特征参数，并通过识别算法判断线路中的故障和故障类型。目前主要的信号提取算法包括加载在线分解处理算法、非参数累积和（CUSUM）变点监测算法、滑动窗口双边 CUSUM 变点检测算法和加权 CUSUM 双边变点监测算法。

低电压配电网一般采用径向和树干式拓扑结构：
- 径向拓扑结构：电源点通过专用线路与下级母线或设备连接，线路上无其他负载，适用于设备容量大、负荷等级高的场所。
- 树干式拓扑结构：每个出线由高压电源母线引出，线路与其他负载连接，优点是节省开关设备和线路使用，但如果干线故障，影响范围较大。实际应用中，一般采用径向和树干式的混合拓扑结构。

低电压配电网有许多保护和控制设备，如断路器、熔断器、浪涌保护器、隔离开关等，家庭用户最常用的是断路器。短路发生后，如果断路器不动作，短路事故通常会产生周期性电流分量和瞬态非周期性电流分量。严重情况下，短路电流峰值将接近两者之和，会影响电网。用户侧电网一般配备限流断路器，其作用是在短路发生时限制和切断短路电流，减少短路影响。短路发生后，限流断路器首先启动适当动作，约需 3ms，电弧电阻迅速增大以限制或切断短路电流，一般小于 10ms。经过限流模式断路器后，短路电流幅值一般小于周期性分量。最后，根据设定的短路发生准则检测短路。

2.3 非侵入式短路事故定位方法

2.3.1 配电层级初始定位方法

短路电流的大小与短路发生的电网层级有关，短路发生的配电层级越高，短路电流幅值越大，因为配电线路阻抗越小。具体操作如下：
- 高层配电层级短路准则：计算所有高层配电位置（如总配电柜、楼层配电柜、中央空调配电柜、动力配电柜等）的短路电流值，取最小值作为高层配电层级的短路准则。当短路突变电流大于该值时，认为发生了高层配电层级短路。
- 房间末端短路准则：计算所有房间的短路电流，取最大值作为房间末端的短路准则。当短路突变电流小于该值时，认为房间末端可能发生短路。

2.3.2 基于功率下降的回路初始定位方法

通过对重要电路的运行功率进行建模，根据短路发生后的功率下降来定位短路。具体如下：
- 重要功率回路定位方法：建立要监测的重要功率电路列表，包括电路基本信息和运行功率。短路发生后，计算功率下降并遍历列表。如果找到与功率下降匹配的电路，则该电路可能发生短路事故。但缺点是可能有多个运行功率相似的功率电路，仅靠此方法难以区分。
- 功率下降小于 5kW 的情况：
- 短路发生在房间末端，移除的电器功率很小，大多为单相功率下降，此时短路电流突变不大，可结合判断房间末端短路。
- 短路位置发生在较高配电层级，但负载较小，表现为小功率下降，但此时短路电流突变量大，可结合两者判断高层配电层级短路。

2.3.3 复用分项电表精确定位方法

大多数智能建筑实现了分项计量，采用智能电表收集重要电路的用电信息并汇总到建筑中央控制系统的主站。复用多分项计量电表可形成短路事故的精确定位结构，具体步骤如下：
1. 在主电源处安装非侵入式短路事故监测终端，实时监测主进线电流。一旦确定短路，立即将短路信息发送到主站，主要包括突变电流和直流分量。
2. 主站收到终端的短路事故报警信息后，启动精确故障定位功能模块，与安装在各配电线路上的智能电表进行通信（先读取终端粗定位指示分支上的电表信息）。如果主站与智能电表通信失败，主站将直接显示终端给出的粗故障定位结果，并列为可疑故障位置。
3. 主站确定短路位置后，统计短路事故信息并推送给管理人员进行现场确认。

2.4 非侵入式电路故障识别装置方案设计

非侵入式用户内部电路故障判别装置的总体方案设计包括电源模块、电流变送器模块、数据采集模块（DAQ）、工业 PC 主板和无线通信模块。各模块功能如下：
|模块名称|功能|
| ---- | ---- |
|电源模块|为监测设备的其他模块供电，工业 PC 主板直接连接工频 220V 交流电，无线通信模块和电流变送器模块选择 12V 直流电压供电，最终电源模块选择 220V 转 ±12V 开关电源|
|电流变送器模块|将大电流信号转换为小电压信号，便于检测。高电流的导线穿过电流变送器的孔，在其输出端测量电容量|
|数据采集模块（DAQ）|采集电流变送器的输出电压信号|
|工业 PC 主板|接收数据采集模块的电压信号，使用相应的故障检测算法处理数据，是该装置的核心模块，可完成用户内部电路故障信号监测、故障类型确定和故障波形记录等功能|
|无线通信模块|与工业 PC 主板通信，将故障信息传输到用户侧主站。主站汇总和分析用电能效和安全数据，分析故障类型、位置和原因，最终给出当前故障动作保护的分析报告|

3. 复杂机电系统应用

3.1 现代复杂机电系统特点

随着科技的进步，机电设备的功能需求日益复杂，高精度、高效率的设计是生产高性能复杂机电设备的基础。现代复杂机电系统由机械、动力、信息和控制等多个子系统组成，通过子系统之间的相互作用（即耦合）产生整体功能。然而，当系统处于某些使用环境时，可能会激发非设计目标的子系统之间的耦合，从而破坏系统的运行。

3.2 状态监测和故障诊断技术的重要性

为确保机械设备的安全、可靠和健康运行，开发状态监测和故障诊断技术具有重要意义。以下是该技术在复杂机电系统中的具体作用：
- 保障设备安全运行 ：通过实时监测设备状态，及时发现潜在故障，避免设备在故障状态下继续运行，从而减少安全事故的发生。
- 提高设备可靠性 ：提前预测设备故障，有计划地进行维护和维修，减少设备停机时间，提高设备的可靠性和可用性。
- 降低维护成本 ：避免不必要的预防性维护，根据设备实际状态进行维护，降低维护成本。

3.3 状态监测和故障诊断技术的应用流程

状态监测和故障诊断技术在复杂机电系统中的应用流程如下：

graph LR
    A[数据采集] --> B[特征提取]
    B --> C[故障诊断]
    C --> D[决策与维护]

• 数据采集 ：利用各种传感器收集设备的运行数据，如振动、温度、压力、电流等。这些数据是后续分析的基础。
• 特征提取 ：从采集到的大量数据中提取能够反映设备状态的特征参数。例如，通过对振动信号进行频谱分析，提取特定频率成分的幅值和相位等特征。
• 故障诊断 ：根据提取的特征参数，采用合适的诊断方法判断设备是否存在故障以及故障的类型和程度。常见的诊断方法包括基于模型的方法、基于信号处理的方法和基于人工智能的方法等。
• 决策与维护 ：根据故障诊断结果，制定相应的维护决策。如果设备存在轻微故障，可以采取预防性维护措施；如果故障严重，则需要进行紧急维修或更换设备。

3.4 状态监测和故障诊断技术的具体方法

3.4.1 基于模型的方法

基于模型的方法是通过建立设备的数学模型，将实际测量数据与模型预测结果进行比较，从而判断设备是否存在故障。具体步骤如下：
1. 建立设备的数学模型，描述设备的正常运行状态。
2. 采集设备的实际运行数据。
3. 将实际数据输入到模型中，计算模型预测结果。
4. 比较实际数据与模型预测结果，计算残差。
5. 根据残差的大小和变化趋势判断设备是否存在故障。

3.4.2 基于信号处理的方法

基于信号处理的方法是对采集到的设备运行信号进行处理和分析，提取故障特征。常见的信号处理方法包括时域分析、频域分析、时频分析等。例如，通过对振动信号进行时域分析，可以得到信号的均值、方差、峰值等统计特征；通过频域分析，可以将信号转换到频域，得到信号的频谱特征。

3.4.3 基于人工智能的方法

基于人工智能的方法是利用机器学习、深度学习等技术，对设备的运行数据进行学习和分析，实现故障诊断。常见的人工智能方法包括神经网络、支持向量机、决策树等。例如，使用神经网络可以对设备的故障模式进行分类和识别。

3.5 状态监测和故障诊断技术的发展趋势

随着科技的不断发展，状态监测和故障诊断技术也在不断进步。未来的发展趋势主要包括以下几个方面：
- 智能化 ：利用人工智能技术，实现故障诊断的自动化和智能化。例如，开发智能诊断系统，能够自动识别故障类型和原因，并给出相应的维修建议。
- 集成化 ：将状态监测、故障诊断和维护管理等功能集成在一起，形成一个完整的设备管理系统。通过集成化的系统，可以实现设备的全生命周期管理。
- 网络化 ：利用物联网技术，实现设备状态数据的远程传输和共享。通过网络化的监测系统，管理人员可以随时随地了解设备的运行状态，及时做出决策。
- 多传感器融合 ：综合利用多种传感器的数据，提高故障诊断的准确性和可靠性。例如，同时采集振动、温度、电流等多种信号，通过多传感器融合技术进行分析和处理。

综上所述，智能设备识别技术在工业中的应用涵盖了家庭能源管理、用户电力线路故障判别和复杂机电系统等多个领域。这些应用不仅有助于提高能源利用效率、保障用电安全，还能促进工业设备的智能化和高效化运行。随着技术的不断发展，智能设备识别技术将在工业中发挥更加重要的作用。