基于BIM一体化平台的变电站智能运行状态检测方法研究

摘 要：针对现有检测方法在检测变电站运行状态的过程中检测结果与实际相差较大并且准确率过低的问题，本文引入BIM一体化平台，研究变电站智能运行状态检测方法。应用BIM一体化平台，对变电站进行智能漫游巡视。构建物理链路模型，完成虚拟回路融合。结合变电站设备运行周期性特点校核IED巡检码。划分运行状态等级，检测并评估运行状态。试验结果表明，本文方法可以更准确地检测变电站的运行状态，为变电站设备运维提供支持。

关键词：BIM一体化平台；运行状态；智能变电站

中图分类号：TH 39 " " " " 文献标志码：A

自2010年起，随着信息技术、物联网以及大数据技术的发展，变电站的智能化水平明显提升，智能变电站的概念应运而生。智能变电站融合了先进的传感器、智能设备以及数据分析技术，旨在对变电站的运行状态进行实时、精准的监测与高效管理。鉴于变电站内设备复杂多样，运行数据庞大，且对安全性和可靠性有着极高的要求，因此，对变电站智能运行状态的检测需求也愈发精准和高效。

廖海等[1]提出了一种基于深度迁移学习的智能变电站电力设备部件状态检测方法。该方法通过深度迁移学习技术来预训练模型参数，提高了变电站设备状态检测的精度和效率，但是在适应特定环境和识别复杂故障方面仍然有提升空间。李远松等[2]提出基于智能感知与深度学习的智能变电站设备状态检测方法，结合智能感知与深度学习全面感知设备状态并进行智能分析，但是在整合多源数据、提高算法鲁棒性和降低计算复杂度方面存在不足。因此，为了克服上述方法的局限性，本文提出了一种基于建筑信息模型（Building Information Modeling，BIM）一体化平台的变电站智能运行状态检测方法。该方法旨在通过BIM一体化平台的有效整合与利用，实现变电站运行状态的全面、精准监测与高效管理。

1 基于BIM一体化平台的变电站智能漫游巡视

在变电站智能运维领域，现有的检测技术受限于物理空间和观察视角，不能全面、直观地掌握电力系统的运行细节[3]。为解决这个问题，本文依托BIM技术，构建了变电站的精细化全景模型。该模型不仅涵盖了变电站的物理结构信息，还融合了电力设备的运行参数与状态数据，为后续的智能分析奠定了基础。此外，在BIM一体化平台中，本文设计了三维可视化模块，并规划了智能漫游路径与交互界面，使运维人员能够身临其境，以第一人称视角全方位地在虚拟变电站中漫游，实现全方位的观察与分析[4]。BIM一体化平台架构如图1所示。

运维人员能够利用这个虚拟仿真环境，模拟行走并探索变电站的各个区域，细致地检查电力设备的运行状态及其周边环境，有效避免了在物理巡视过程中可能存在观察盲区的情况[5]。在构建基于变电站的虚拟仿真漫游环境的过程中，本文整合了来自变电站SCADA系统的实时数据流，这些数据涵盖了状态量、模拟量和脉冲量等核心运行参数。具体来说，系统实时监测断路器与隔离开关的开合状态、保护系统的动作反馈、主变压器及其相关监控装置的信号状态，以及事故总信号、保护装置与监控装置的自检情况，还有变电站内辅助设施的运行状态[6]。为了提高运维效率，笔者将这些实时数据映射至三维虚拟仿真场景中，利用动态模拟的方式直观呈现变电站的实时运行状态。

2 虚拟回路融合

在BIM一体化平台的应用实践中，笔者引入了虚拟回路融合技术。该技术利用数字化手段，在三维虚拟环境中精确地复现了在变电站过程层中典型间隔的物理链路拓扑结构，其简化模型如图2所示。

该物理链路模型能够清晰描绘变电站内智能设备之间，通过面向通用对象的变电站事件（Generic Object Oriented Substation Event，GOOSE）和采样值（Sampled Value，SV）进行信息交换所形成的光纤传输网络。在这个模型中，光纤数据接口是信息交换的门户，连接变电站中的各个智能设备[7]。光纤线路构成了信息传输的物理基础。箭头符号直观地指示各接口间的信息流动方向，即信息的输入与输出关系。模型的两端分别用方块表示GOOSE和SV的地址空间，它们是信息交换的起始点和目的地。

为了更准确地描述变电站过程层的物理链路拓扑结构，可以将其表示为一个无向图，如公式（1）所示。

G=（V，E） " " " "（1）

式中：G为无向图；V为无向图中的顶点集，表示变电站内的所有智能设备及其光纤数据接口；E为边集，表示实际连接的光纤线路。

对于每个顶点v∈V，可以为其附加属性，以描述其类型（例如GOOSE源、SV源和接口等）和状态（例如活跃、空闲等）。每条边e∈E在2个顶点之间建立连接，表示一个直接的信息传输通道。为了深入理解拓扑结构中的信息流动情况，本文定义了一个函数flow（e），该函数能够提供关于每条边e信息流动的详细信息，包括流动的方向以及其他可能的特性。由于光纤支持双向通信，信息在物理链路中的流动通常是双向的，因此flow（e）的结构更复杂，例如采用集合或元组的形式来包含正向和反向的流量信息。

3 IED巡检码校核

在导入SCD文件的过程中，须参考变电站内设备的详细配置文档，深入分析IED的关键监测代码。这个过程需要准确利用变电量信号的覆盖率参数并且进行精密计算，生成对应的检测指令[8]。将这些指令与IED的源代码进行比较，验证SCD文件是否充分满足状态检测的功能性需求。由于变电站中电气设备的运行周期ΔT可能会受多种电网环境因素的影响而产生波动，因此在构建IED状态检测码的过程中须采取谨慎策略，避免直接采用过高的固定数值作为参数。基于上述逻辑，IED状态检测码的计算过程如公式（2）所示。

（2）

式中：K为IED状态检测码；T为时间常数；S为变电量信号覆盖系数；f为变电信号解析数；b为校核度量；Hn为变电量状态检测实际参数；H0为初始阶段变电量状态检测标准参数；n为检测指令的发送频率；为变电信号传输平均数。

数据处理流程在运算过程中具有全面、高效的优点。本文深度整合了IED与SCD文件，并且优化了变电站二次设备状态检测系统的性能，不仅提高了其运行效率，还提升了系统的稳定性。这项改进为变电站的高效、可靠运行奠定了基础。

4 运行状态检测与评估

变电站设备的历史记录涵盖了从安装规划、日常运行监测到环境适应性评估等环节。当评估设备运行状态时，必须重点关注几类核心参数，这些参数对最终检测结果的准确性至关重要[9]。设备的性能评估不仅考虑了其准确性指标，还综合了差流电抗器的采样数据以及设备在历史外部故障事件中的响应数据等，以全面反映保护设备的历史表现和可靠性。对于测控装置，评估则侧重于其检测精度，这些参数与测控装置在实时数据采集和设备控制过程中具有统计学意义。智能终端的在线监控信息见表1。

为了保证评估结果的一致性和规范性，鉴于各类状态信息表达方式的不同，技术人员须应用一套标准化处理流程，将各种检测值统一映射至[0，1]。根据设备当前状态信息的特性，可以将其主要分为3类，即效益型信息、成本型信息和梯形指标信息。针对这些信息类型，本文分别采用以下标准化处理公式进行转换。

对于效益型信息（例如遥测正确率、故障恢复时间等），其特点是指标值越高，代表设备性能越好。为了将这类原始数据转换为可以统一比较和评估的相对值，本文采用评估函数g（x）进行标准化处理，如公式（3）所示。

（3）

式中：x为效益型指标信息；xmax为效益型指标信息最大值；xmin为效益型指标信息最小值。

为了统一进行评估，采用标准化处理公式，将原始数据转换为[0，1]的相对值，其计算过程如公式（4）所示。

（4）

式中：g（x'）为成本型信息经过标准化处理后的相对值；x'为成本型指标信息；x'min为成本型指标信息最小值；x'max为成本型指标信息最大值。

最后，当处理具有特定区间范围的信息（例如设备内部温度、接收功率等）时，采用特定的评估函数g（x''）进行处理，如公式（5）所示。

（5）

式中：x''为区间型指标信息；x''max为区间型指标信息最大值；x''min为区间型指标信息最小值；xn为区间最大值；xm为区间最小值。根据公式（3）～公式（5），本文将对这3种类型指标进行标准化处理。然后，利用这些处理结果，对变电站的智能运行状态进行全面的检测与评估。

在检测过程中，可以根据设备的健康状况、性能表现以及潜在风险等因素对变电站智能运行状态进行等级划分（见表2）。根据表2内容，结合对应分值，确定变电站运行状态的具体等级，检测其状态。

5 对比试验

为进一步验证本文所提方法的可行性，将基于深度迁移学习的检测方法设置为对照A组，将基于智能感知与深度学习的检测方法设置为对照B组，将本文基于BIM一体化平台的检测方法设置为试验组。将3种检测方法应用于相同的试验环境中，检测同一个变电站的运行状态。获取该变电站的运行数据，并根据得到的数据对变电站运行状态进行分类，结果见表3。

根据表3中的分类标准，对3种检测方法得到的检测结果进行分类，并与表3中内容进行比较，经过简单运算得到3种检测方法的检测分类准确率，见表4。

分析表4中记录的数据可以发现，试验组检测方法在变电站运行状态各类别的分类准确率上均在95.00%以上，高于对照A组和对照B组。这表明，与另外2种对照方法相比，试验组的检测方法不仅具有更高的检测准确率，而且其检测结果与实际情况更吻合。因此，上述试验结果证明了本文提出的基于BIM一体化平台的检测方法在检测准确性方面具有明显优势。

6 结语

本文研究了一种基于BIM一体化平台的变电站智能运行状态检测方法，该方法突破了传统检测技术的局限性，充分利用了BIM平台在数据集成、可视化以及协同管理方面的优势，提高了变电站运维的智能化水平。试验结果表明，该方法能够实现对变电站运行状态全面、精确地实时监测，为保障变电站的安全运行和提高运维效率奠定了基础。

随着智能电网与BIM技术的不断融合，本文所提出的方法展现出广阔的应用前景。未来，笔者将持续优化检测算法，旨在进一步提升检测的精确度、实时响应速度以及跨平台的数据交互能力。推动智能变电站与智能电网的深度融合，使智能电网更加安全、可靠和高效。

参考文献

[1]廖海，陈俊，郑磊，等.基于深度迁移学习的智能变电站电力设备部件状态检测方法[J].电气技术与经济，2024（4）：368-370，382.

[2]李远松，丁津津，徐晨，等.基于智能感知与深度学习的智能变电站设备状态检测方法[J].电气工程学报，2022，17（2）：208-214.

[3]李能俊，杨海成，许显科，等.基于DT-CWT和SVD的变电站直流系统接地故障检测技术研究[J].电气传动，2024， 54（5）：80-85.

[4]周晶晶，张伟，李春辉.多手段联合精确定位在电缆GIS终端局放检测中的应用[J].电力与能源，2024，45（2）：177-181.

[5]郑磊，王楠，陈俊，等.基于无线通信网络的无人值守变电站远程监控方法[J].电气技术与经济，2024（4）： 193-195.

[6]王莹，于波涛，张岩.基于状态跟踪的变电站主机运行漏洞检测方法[J].电子设计工程，2023，31（24）：168-171，176.

[7]薛晨.基于状态信息关联性的变电站继电保护实时检测方法研究[J].电气传动自动化，2022，44（5）：44-47.

[8]谭兴华，杨东，陈瑞斌.X射线无损探伤技术在变电站运行状态GIS检测中的应用[J].分析仪器，2022（1）：83-88.

[9]汪洋，黎恒烜，鄂士平，等.基于深度学习的变电站硬压板状态检测与识别算法[J].沈阳工业大学学报，2020，42（6）：676-680.