基于巡检机器人的变电站设备运行状态监测技术

2022-10-14王艳阳刘庆国

机械与电子 2022年9期

王艳阳，熊威，谭娟，刘庆国，龚康

(国网宜昌供电公司，湖北宜昌 443000)

0 引言

在电力系统变电站中，各项设备功能都非常复杂，组成零件数量较多且集中，即使设备管理已经走向数字化，完善了分布式控制管理，但对于设备运行状态的监测及统计仍然存在一定的难度。传统的人工巡检方式靠个人经验手动记录监测数据，并且需要24小时不间断检查，人工巡检时间跨度比较长，实际的工作效率也不理想，还可能会出现错误操作以及数据记录错误等情况，无法保证巡检结果的精度。随着现代信息管理的普及和发展，工业机器人应运而生，其能够在很多岗位上代替人工来完成重复性工作。变电站巡检机器人可在恶劣环境下，对高压电器进行全天候监测，数字化记录已存在的故障或问题并生成设备监测报告，但其无法预测和排查隐藏的故障隐患。

为此，余刃等[1]提出安装无线传感器，结合电力设备的电路结构及工作原理，通过预处理后采集信号来监测设备性能及运行装填操作是否出现故障，但该方法需要额外考虑传感器安装问题，适用性不强；甄超等[2]凭借非侵入式监测法采集电力设备电压偏差等数据，实时分析设备的运行状态，但该方法没有补偿电压谐波变化值，长期使用的话，监测结果误报率会越来越高。

因此，本文在巡检机器人的基础上，研究了一种针对变电站设备运行状态的监测方法。首先通过巡检机器人上安装的红外摄影仪，对采集图像进行设备热力参数分析，将巡检机器人收集到的信息数据进行历史数据储存，最终利用故障树模型[3]，针对性分析设备异常运行状态下故障原因，不仅做到了设备运行状态的监测，同时做到了异常状态的预测和排查。

1 基于巡检机器人的变电站设备图像采集流程

本文使用的巡检机器人安装了红外摄像仪，在各重要节点位置进行详细检查，对重要设备仔细拍摄，通过无线传感器将采集到的设备运行时的温度信息[4]传输给信息基站，信息基站利用大数据分析技术挖掘各设备隐藏信息，确定变电站设备的具体运行状态以及仪表指针读数，实现对变电站设备故障与异常运行状态的诊断和预警。巡检机器人故障信息诊断流程如图1所示。

图1 巡检机器人故障信息诊断流程

a.首先建立图数据库，对变电站内所有设备进行序列标记和记录，人工模拟巡检机器人监测各设备时的拍照角度，明确全天候各时段可见光下设备状态。将变电站内所有需监测的设备节点设置为机器人的必须停靠点，收集各个角度的可见光图像[5]，建立系统设备状态图数据库。

b.巡检机器人在执行任务时，对照拍摄图片与图数据库中图片的位置信息，完成图像内位置和设备编号的识别，确认设备具体位置信息。巡检机器人在不同位置不同角度所拍摄的红外热成像图，在图数据库内有相应的全时段可见光图像与其匹配。

c.针对设备运行状态下所产生的温度，设置阈值上限，若当前温度超过设定阈值，电力系统会收到温度超高警报，判定该设备存在故障。

d.巡检机器人在巡检过程中，也拍摄仪表盘可见光图像，即可通过图像识别明确当前时刻下仪表读数。若数值不符合设备正常值，处于偏离过大、过小，系统也发出警报，提醒日常运营维护人员的注意。并根据设备的序列编号存储对应的仪表信息，完成历史数据的收集，以便后续进行查询分析工作[6]。

2 数据预处理

通过巡检机器人采集到的数据信息，具体分析设备运行时的热力参数[7]，可以判断出设备当前状态，明确指标性能。影响设备红外图像的主要因素包括电压、电流和电力负荷。当变电设备处于稳定运行状态时，电压升高与电流持续输出所产生的热效应，均会对设备产生一定负面影响，但并不会在短时间内显现，而是经过长时间积累，才能造成变电设备的损伤和老化。

针对变电站内设备的监测，利用不同的监测单元对其进行区域分割，明确不同巡检机器人监测范围，利用可拓展标记语言编辑设备序列、服务器名称及位置信息，完善设备参数信息，形成图数据模型。

变电站中设备实际损耗情况，通过分析历史数据就能够具体掌握。系统内存储的历史数据集合是按照设备类型、序列以及不同位置、不同角度等属性进行编列的，因此其属于有序的广义集合[8]。历史数据集合可以帮助机器人完成设备信息的相互匹配和信息交换，通过对变量的压缩，可以加快信息传输效率。

通过对历史数据集合系统分析和定义，明确变电设备中存在的绝缘介质以及设备间存在的相关逻辑节点，这些位置和节点表明了设备的重要缓冲部位也是容易发生故障的位置。将易发生故障位置信息组建成预警数据集合，标记各节点状态信号，这样可以为设备的数据测量提供更加完善的标识信息，以便监测过程中发现故障时，能够快速有效的完成预警触发和预警传输[9]。针对节点数据的属性和种类，明确采集获得信息的重要程度，利用拓展标记语言描述设备节点信息参数，建立参数信息库，将输入与输出的文件结构进行归一化处理[10]，以便管理和维护。

将红外图像内目标信息与变电设备仪表指针读数、热力参数进行系统分析，通过预处理手段降低环境、传输故障等外界干扰，使巡检描述参数及向量变化清晰，提高监测结果的精准度。预处理阶段根据输入与输出数据间存在的相关性，对信息完成加权变量处理，具体公式为

(1)

an为第n台变电设备的红外输入数据；A为输入数据集合；b为输出数据；Z(anb)为an、b之间存在的协方差；m为外界干扰因子；i为参数变换常数。输入分量因子使数据归一化后的计算表达式为

(2)

对输入数据进行加权变量处理，可得到其最终的表达式为

a=(Q1(a1b)a1,Q2(a2b)a2,…,Qn(anb)an)T

(3)

Q为加权因子；T为加权处理次数。通过上述过程获得巡检机器人采集到的变电站设备运行状态特征集合。

3 基于巡检机器人及故障树算法的变电站设备运行状态监测

利用故障树原理预测和排查设备风险状态，变电站内的各项设备之间互相串联且存在一定的相关性，利用相关系数来衡量2个设备间的互相关程度[11]，具体过程如下所述。

a.巡检机器人预处理后的各设备数据集为

D={a1,a2,…,an}

(4)

ai=(x,y,…)为监测数据的度量值。用函数表示任意2个度量值间的互相关性，即：

(5)

(6)

(7)

b.将得出的互相关性度量值进行信息重组，得出相关图谱A[i][j]，具体表示为

(8)

i≤n,j≤n，an为巡检机器人传输数据的实际数量。针对任意度量值i的权重，利用函数计算可得

(9)

w为数组。针对其最大值的计算可表示为

IF(w[a]=-1)

(10)

当相关性系数为0时，表示二者之间不存在相关性，而当系数为1时，则表明评判对象间成正相关性。

经过设备相关性分析后，对变电设备间的关联有了基础判断，而电力系统中各设备间存在的联系，会使故障发生连锁反应。因此，可以用故障树模型来进行模拟变电设备间产生故障的因果联系，根据关系描述进行逐一排查，找到变电站设备中可能存在的故障源，这对较为复杂的变电设备监测同样有效。在各种环境下设备运行状态进行决策分析，故障树模型能够综合清晰的描述出各种类型故障间的逻辑关系[12]。

利用故障树模型分析故障时，首先研究造成故障的直接原因，并认为这个原因只是故障形成的其中一种中间事件，根据这一级中间事件继续拆解和探究，最终可获得引起故障的底层事件，也就是源事件。各层中间事件与底层事件间存在基础逻辑关系，互相联接形成故障树模型。故障树逻辑关系如图2所示。

图2 故障树逻辑关系

故障树模型建立的具体步骤如下：

a.确定当前时刻下变电设备类型，分析运行状态故障。

b.逐一排查引发故障事件的具体原因，通过原因分析明确各项原因与故障之间存在的联系及逻辑。

c.将引起故障的每种原因进一步分解，找出具体诱因及源故障。

d.将所有故障中间事件的诱因逐一分析递进，最终得到引发故障的最底层因素，形成故障树模型。

基于巡检机器人的变电站设备运行状态监测，将故障树模型与粗糙集理论相结合，能够有效减少人工及机器人的数据监测量，同时可以更加深入挖掘故障因素，故障树模型如下所述。

假设底层事件为Bi(i=1,2,…,n)，在t时刻底层事件的具体状态表示为xi(t)，这时存在2种情况，即

(11)

这时底层事件被触发的数学概率为

pi(t)=E[xi(t)]=p[xi(t)=1]

(12)

假设在故障树模型中设备发生的故障属于顶层事件，用M表示故障触发，若在t时刻该故障的状态为M[X(t)]，这时同样存在2种情况，即

(13)

这时M事件在t时刻被触发的数学概率为

pi=E{M[X(t)]}=P[{M[X(t)]=1}]

(14)

为了便于计算，利用结构函数将故障树模型进行结构变换，顶层事件属于状态监测的表象，底层事件属于里象，二者间可使用“AND”与“OR”连接，一同描述故障内逻辑图关系，树中“AND”门和3个“OR”门时刻描述为U1U2U3U4，即：

U4=C5+C6

(15)

U3=C3+C4

(16)

U2=C1+C2

(17)

U1=U2U3U4

(18)

量化故障事件是否发生的可能性，表达式为：

(19)

(20)

对巡检机器人采集到的红外图像拆解和分析，判断该设备在当前时刻下是否存在故障，如果不存在故障，机器人巡检下一个设备；如果存在则将预警信息发送至工作人员，以便及时处理降低危险程度。同时通过结构函数与故障树模型深度挖掘故障的里象底层事件，明确故障发生原因，量化历史数据得出隐藏故障发生的概率，根据诊断结果将对大概率的故障底层事件优先实时评测，发出检修申请等指令。

基于此，为避免漏掉故障风险较高但底层概率较小的事件，本文在监测技术内设置一个故障风险系数作为评估标准，即

Fi(u)=IiPi

(21)

4 仿真实验

为验证变电设备运行状态监测过程中，机器人的行走路线是否重复而形成不必要的重复监测，影响监测数据，因此首先对机器人的路径有效性进行仿真实验，进行本文方法下机器人巡检路径仿真实验，巡检机器人路径选择结果如图3所示，黑色矩形为变电设备的分布情况。

图3 本文方法下巡检机器人路径

从图3中可以看出，本文方法的巡检机器人行走路径，在保证对变电设备全面监测的同时，没有重复冗余的路径，不存在同一变电设备出发重复监测的情况，节约了监测成本和时间。

变电设备运行状态的监测结果越精准，表明方法越好，因此在本文方法、非侵入式监测法和传感器监测法下，对同一变电设备发生不同故障进行监测。为保证数据的准确性，将仿真实验次数定为20次，3种方法比较结果如图4所示。

图4 不同方法下设备运行状态监测准确度

从图4中可以看出，非侵入式监测法对变电设备监测的准确度均在64%～82%间波动，传感器监测法的监测准确度在50%～73%之间，而本文方法的监测准确度则均在80%以上，整体的准确度相较于其他2种方法更高，准确程度更好。

为了避免变电设备在正常运行状态下，系统出现错误判断，认为其是异常状态或者是故障状态的情况出现，浪费人力检查资源。因此对不同监测方法的误报率进行仿真实验，结果如图5所示。

图5 不同方法下设备运行状态监测误报率

从图5中可以看出，非侵入式监测法的误报率在36%～48%之间，整体的误报率是比较高的，不仅影响系统监测效率，同时还会影响运维人员的日常判断及维护；传感器监测法的误报率在17%～33%之间，相较于非侵入式监测法来说更低，但误报率并不稳定，在20次的仿真实验中出现几次较大的波动，可以预知当监测任务增加时，传感器监测法的误报率也未必是稳定的；本文方法的误报率在9%～18%间，相较于其他2种方法，本文方法的误报率更低，且不会高频率出现波动，监测稳定性较好。

统计不同方法下对故障的监测时间，绘制成曲线图，如图6所示。

图6 不同方法下设备运行状态监测时间

从图6中可以看出，非侵入式监测法下监测设备运行状态所需时间在2.5～3.5 s之间，随着监测任务的增加，所需的平均时间也会随之增加；传感器监测法下设备监测时间在2.0～3.2 s之间，所需监测时间也会随着任务增加而增加，且用时相对更长；本文方法监测设备状态所需时间在1.3～1.7 s之间，且整体的监测时间相对更加平稳，没有出现很大的起伏，说明本文方法在监测时间上更加有优势，能够更快速地判断变电设备运行状态，从而使机器人能够迅速做出相应的反应，节省监测时间。