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。

为准确监测智能配电变压器是否存在重过载问题,提出基于ZigBee的智能配电变压器重过载监测方法。构建基于ZigBee网络的智能配电变压器负荷监测模型,模型中使用ZigBee网络作为通信网络,获取负荷信号,实现重过载持续监测,并通过混合路由算法实现ZigBee网络能耗均衡;针对所获取的负荷信号,通过经验模态分解方法,挖掘负荷信号的数据特征,将此特征作为基于BP神经网络的配电变压器重过载识别方法的识别样本,实现智能配电变压器重过载监测。实验结果表明,该方法可以准确监测智能配电变压器是否存在重过载问题,且ZigBee网络的寿命较长。