石木林
摘 要 随着巡检机器人技术的不断深入应用，电网公司已经实现“人巡+机巡”的工作模式，巡检效率得到极大提升，但目前仍为单站使用模式，难以适应新技术带来的效率提升和管理要求。电网公司积极探索变电站智能巡检模式，研发变电站智能巡检集控平台，提升巡检工作效率和精益化管理水平。
关键词 无人值守;变电站;巡检
中图分类号： TM63文献标识码： A
DOI：10.19694/j.cnki.issn2095-2457.2020.02.035
0 引言
当前变电站巡检主要采用传统的人工巡检方式，这种方式很大程度上依赖于巡检人员的经验水平，受其责任心和技术水平的制约，容易出现设备漏检的情况，存在安全隐患，同时也耗费大量人力成本。迫切需要借助信息化、自动化的技术手段，提供智能巡检工作方式，实时自动巡检运行设备，减少人力成本，提高巡检的工作效率。
随着人工智能和物联网技术的发展，电网公司开始在无人值守智能变电站中逐步推广和应用智能巡检机器人，特别是变电站“机巡+人巡”模式在近几年开始被有关电网公司推行，但变电站巡检机器人目前使用方式大部分为单站型使用模式，存在不能够共享机器人采集的数据信息、巡检任务调度不够灵活、变电站范围有限等问题，且未贯通集控系统与资产管理系统维护检修管理模块，无法真正达到“机器代替人”的效果。本文针对无人巡检集控平台相关技术开展研究探索。
1 一体化智能巡检集控平台设计与实现
为了提升巡检机器人等变电站监控设备的集中管理水平，实现不同厂家、不同型号机器人及相关设备的统一接入管理，需设计一体化智能巡检集控平台，利用物联网技术实现“信息流”与“数据流”的“双流”融合，通过“信息流”的融合实现机器人巡检流程与人工巡检流程和状态检修流程的融合，有效降低一线班组的工作量，提升巡检工作效率;通过“数据流”的融合搭建基于机器人及站内视频监控设备等多源数据融合处理机制，充分挖掘巡视数据资源，实现多源异构系统的融合和巡检数据高级应用分析，实现机器人智能巡检、设备运行状态实时监测、设备健康趋势智能分析，大大提高机器人的分析能力和巡视作业效率以及设备故障预警及时率。主要功能有：全景展示、变电站巡检、机器人状态、资源调配、设备告警、任务管理、数据分析、拓展配置、系统管理。平台架构如图1所示。
2 关键技术研究
2.1 多源异构数据融合
2.1.1 多源异构数据融合整体架构
要对无人值守变电站的设备状态进行准确评估，需对变电站内机器人巡检数据、视频监控数据、主輔系统在线监测数据、安消防监控等数据，按照大数据统一架构规范进行融合，存储在一体化智能巡检集控平台中。
多源异构技术的实现需要将来自不同格式、不同时间的巡检计划、机器人上报的海量图像、视频、表计读数、设备温度及固定摄像头、传感装置等终端采集的结构化或非结构化数据进行共享与交换，这就需要一套对应的架构体系使得这些多源异构数据进行融合，实现数据间的互联互通，支撑一体化智能巡检集控平台对变电设备状态信息和运行数据进行深度分析和研判，进而实现缺陷预警和故障预判，提高无人值守变电站的运维管理效率和安全可靠性。
多源异构数据融合架构采用主流SOA技术，SOA是一种标准化架构体系，通过设计统一的标准化接口实现不同对象及不同服务之间的调用。数据共享与交换采用XML格式标准，接口通信通过WebService实现，WebService是一种开放的标准化编程体系，可作为多源异构平台间信息交换标准，实现变电站内跨平台数据交互与共享。整体架构如图2。
2.1.2 基于多源异构的变电站大数据融合系统
一体化智能巡检集控平台融入大数据技术，融合Hadoop大数据平台进行海量数据存储及运算，利用Storm框架技术实现多源异构数据的实时计算，通过kafka消息队列进行各个系统数据同步及上报。通过大数据平台模块能够统一查看和调用变电站相关数据，对数据进行应用与管理。通过变电站多源异构大数据的有效融合，提供一个安全可靠的大数据运行管理环境，有效提高巡检数据分析效率及巡检机器人的巡检效率。
基于多源异构的大数据融合系统数据处理流程如图3所示，主要包括3部分，即数据发布、数据请求和数据代理，他们之间相互联系，相互作用。其内容是数据拥有机构在数据代理部分发布数据，数据代理将不同来源、不同结构的数据编制成索引以便搜索，数据请求部分根据自己的要求去检索数据代理部分的索引目录，找出调用所需数据的方法，根据方法去调用数据拥有者数据。
多源异构大数据融合架构应用WebService来构建通信端口接口，定义数据格式统一标准。详细来说是采用WSDL来展现数据发布部分的数据，采用UDDI来进行数据的发布和检索，采用SOAP进行数据调用，采用WSFL构造系统整体框架，将分散的不同主体实现跨平台连接，构建一体化数据分析平台。
基于多源异构的变电站大数据融合系统的总体架构如图4所示，主要包括数据采集、数据传输、信息集成、分析优化和业务应用5个组成部分。数据采集层包括变电站监测控制系统、管理信息系统、物联网传感器涉及的生产管理数据、生产实时数据、现场采集数据;数据传输层包括采用无线专网、有线专网等进行数据传输;信息集成层包括数据安全交互、数据集中平台，其中，数据安全交互实现各类变电业务数据的内网安全接入、外网安全接入，数据集中平台实现生产管理数据、生产实时数据、现场采集数据的收集、转换、存储与管理，为智慧变电业务应用提供数据服务，为公司未来数据深化应用奠定基础;分析优化层包括分析应用平台、移动互联平台，其中分析应用平台提供数据可视化、数据分析、数据挖掘等智慧变电应用支撑服务，移动互联平台变电站各类内网移动作业类、外网移动协作类、互联网公共服务类移动应用业务开展;业务应用层实现智慧调度、智慧运检、智慧安控等智慧变电站业务应用。
通过基于多源异构的大数据融合系统将来自机器人巡检、视频监控、在线监测等不同系统的数据转换成统一格式，再通过数据交换模块交换和共享，增加或删减某一部分时，只要数据接口一致，就能实现相互间的连接，拓展性佳，兼容性良好。
2.2 巡检图像智能识别技术研究
采用卷積神经网络、贝叶斯深度学习等人工智能技术，搭建面向变电设备的图像识别样本训练集，将典型的数学方法运用到图像处理中有效地解决了图像处理中的分类识别问题。通过指针、数字式仪表、设备液位的智能识别，实现站内相关设备的自主巡视，满足机器人巡检、无人值守变电站的管理要求。具体流程如图5所示。
针对变电站内相关设备的典型故障，基于Faster-RCNN、Yolov3、FPN等目标检测算法，构建变电设备缺陷检测算法库，完成设备渗漏油、硅胶变色、金属锈蚀等5类缺陷的智能化检测模型，同时结合高精度红外成像采集装置，实现变电站设备精准测温、缺陷故障的智能化实时检测，进一步提升变电站无人巡检效率和智能化管理水平，促进变电站无人巡检技术的应用和发展。
2.3 基于大数据的设备健康趋势研究
依据设备特性、实时巡检信息、历史巡检信息和历史检修信息，为不同类型的原始数据分配初始权重，应用大数据技术构建设备健康度评估模型，实现状态监控可视化。将当前设备运行状态与历史数据进行大数据比对，预测故障类型和剩余寿命，健康趋势变化、供应商评价等。
（1）运用SOM聚类，结合专家经验库，将变电设备运行状态分为健康、亚健康、疾病、重病四类，实现变电设备运行质量初步诊断。
（2）运用决策树算法实现变电设备运行规则的发现，丰富、完善专家经验库。
（3）运用随机森林算法实现变电设备故障的精准定位。随机森林模型估计误差如图8所示，随着决策树棵数的增加随机森林模型估计的误差不断减小。
（4）运用灰度关联、层次分析法、熵权法等实现对变电设备供应商的综合评价。
（5）运用威布尔及神经网络算法，计算不同变电站设备的可靠度和平均寿命，为不同变电站的设备选型提供技术支持。
（6）将大数据平台及分析完成的结果通过Tableau可视化工具展示并生成健康变化趋势图，监控运行设备的总体健康情况。
（7）以百分制对变电设备状态进行综合评价：100分为最佳状态，0分为最差状态。运行状态评分G=BTMF;B：基础评分，T：检测评分，M：监测评分，F：家族缺陷评分。
3 结束语
通过本课题的研究，实现一体化智能巡检集控平台在变电站无人巡检中的应用，通过多源异构数据处理技术，实现变电站各个监控系统及相关巡检机器人数据的接入，通过研究应用计算机视觉影像技术，攻克机器人在巡检目标识别与设备缺陷识别中技术瓶颈;研究大数据分析技术，做到“早发现、早处理”，提高运行人员对设备缺陷的识别能力和预见性。
基于大数据和人工智能的变电站无人巡检技术，可实现机巡代替人巡的目标，有效降低变电站人工巡检工作量，实现偏远地区无人值守变电站的安全稳定运行，有效提升变电站运行和管理的智能化水平。
参考文献
[1]张启雁，王西超.影响无人值班变电站安全运行管理因素分析[J].科技资讯，2014（35）.
[2]胡冬良，丁敬，黄继荣，艾飞，王一博.智能巡检机器人在变电运维工作中的改进及应用[J].浙江电力，2017，36（08）：29-34.
[3]胡继军，李帅.变电站智能巡检机器人的相关研究[J].数字化用户，2017，23（38）.
[4]童峰，姚沛，肖玥.智能巡检机器人在变电站带电检测中的应用[J].中国科技投资，2017（28）.
