基于人工智能和大数据分析的变电站巡检辅助方法和系统与流程

1.本技术涉及大数据、智能电网技术领域，具体涉及一种基于人工智能和分析的变电站巡检辅助方法和系统。


背景技术：

2.发电站输送的电力需要经过变电站的升压或降压后由变电站对电力进行分配。对于大型变电站，其设备众多、电力系统复杂、供电规模大，变电站设备可能存在各种故障和安全问题。而且随着电网设配规模化、智能化的发展，电力运维、检修作业正逐步呈现出作业环境复杂，作业技术难度高，工作面广的形态，但为了降低变电站的风险和及时发现故障和排除故障，需要人为和智能机器人对变电站设备进行定时巡检并记录其数据。
3.但现有技术中巡检时的巡检轨迹合理性低，忽略电网的整体运行状态和历史故障数据，导致巡检时没有侧重点，没有优先对容易出现异常的变电站设备进行巡检，从而降低了工作效率，也不利于电网的安全检测和故障排查。


技术实现要素：

4.针对上述问题，本发明提出了一种基于人工智能和大数据分析的变电站巡检辅助方法，所采用的技术方案如下：本次巡检的电网潮流方向为目标潮流方向，根据目标潮流方向的历史巡检数据中变电站设备状态与电网状态的关联关系得到设备与目标潮流方向的关联系数；根据设备与目标潮流方向的关联系数和设备的危险程度得到设备的巡检注意力；从目标潮流方向的历史巡检数据中，获取多次巡检设备的异常状态向量的协方差矩阵；根据协方差矩阵的元素之和确定设备的二次巡检力度；将变电站的历史巡检轨迹叠加得到巡检热度图；根据变电站设备的位置以及巡检注意力度生成巡检注意力热度图；根据变电站设备的位置以及二次巡检力度生成二次巡检力度热度图；将巡检热度图、巡检注意力热度图、二次巡检力度热度图输入神经网络，得到辅助巡检轨迹。
5.优选地，将巡检热度图、巡检注意力热度图、二次巡检力度热度图输入神经网络，得到辅助巡检轨迹包括：将巡检热度图与巡检注意力热度图融合得到第一关联特征图；将二次巡检力度热度图与巡检热度图融合得到第二关联特征图；将第一关联特征图、第二关联特征图输入神经网络，生成辅助巡检轨迹。
6.优选地，变电站设备状态与电网状态的关联关系根据设备与潮流方向的相关性系数获得；设备与潮流方向的相关性系数获取包括：将历史巡检中相同潮流方向的电网状态向量聚合得到各潮流方向的电网状态矩阵；将相同潮流方向、同一变电站设备的多次巡检异常状态向量聚合得到各潮流方向的设备异常状态矩阵；对相同潮流方向的电网状态矩阵与设备异常状态矩阵进行相关性分析得到设备异常状态与潮流方向的相关性系数。
7.优选地，变电站设备与目标潮流方向的关联系数包括：获取设备与目标潮流方向
的相关性系数和设备与其他潮流方向的相关性系数比值；根据设备与目标潮流方向的相关性系数和设备与各潮流方向的相关性系数得到归一化系数；根据相关性系数比值和归一化系数获得设备与目标潮流方向的关联系数。
8.优选地，电网的状态包括电网的电压相量和电流相量组成；设备的异常状态向量包括设备声音的异常程度、设备温度的异常程度以及设备油量的异常程度。
9.本技术还提供了一种基于人工智能和大数据分析的变电站巡检辅助系统，该系统主要包括：巡检注意力获取模块，用于本次巡检的电网潮流方向为目标潮流方向，根据目标潮流方向的历史巡检数据中变电站设备状态与电网状态的关联关系得到设备与目标潮流方向的关联系数；根据设备与目标潮流方向的关联系数和设备的危险程度得到设备的巡检注意力；二次巡检力度获取模块，用于从目标潮流方向的历史巡检数据中，获取多次巡检设备的异常状态向量的协方差矩阵；根据协方差矩阵的元素之和确定设备的二次巡检力度；辅助巡检轨迹获取模块，用于将变电站的历史巡检轨迹叠加得到巡检热度图；根据变电站设备的位置以及巡检注意力度生成巡检注意力热度图；根据变电站设备的位置以及二次巡检力度生成二次巡检力度热度图；将巡检热度图、巡检注意力热度图、二次巡检力度热度图输入神经网络，得到辅助巡检轨迹。
10.本发明技术方案有如下有益效果：利用历史巡检中的变电站设备的历史状态数据和电网的潮流方向获取设备与电网潮流的关联系数和设备的危险程度，由此获得设备的巡检注意力度和二次巡检力度，从而对变电站设备巡检时优先对巡检注意力度大和二次巡检力度大的设备进行巡检以及重复巡检，保证巡检时能够及时发现设备的异常，从而快速排查出变电站设备异常原因进行维修，使变电站能够安全稳定的运行。
附图说明
11.图1为本发明的方法流程图。
具体实施方式
12.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于人工智能的视频通讯数据高效压缩方法和系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
13.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
14.实施例1：本实施例提供了一种基于人工智能和大数据分析的变电站巡检辅助方法，方法流程图如图1所示。
15.本实施例所针对的具体场景为：变电站设备的巡检轨迹。本实施例的巡检可以是人为巡检也可以是智能机器人巡检，在设备的巡检中巡检人员或巡检智能机器人能够准确
记录每个设备的数据，每次巡检完成后都会对故障设备进行维修保证其正常运行。
16.首先，本次巡检的电网潮流方向为目标潮流方向，根据目标潮流方向的历史巡检数据中变电站设备状态与电网状态的关联关系得到设备与目标潮流方向的关联系数；根据设备与目标潮流方向的关联系数和设备的危险程度得到设备的巡检注意力。
17.变电站历史数据的采集和特征提取：在历史中每次巡检时，根据变电站的设备的状态数据获取每个设备在对应潮流方向下的异常向量和电网的状态向量。
18.获取变电站的网架结构，包括变电站网架上的设备：变压器、隔离开关、母线、断路器、电流互感器等。变电站具有变压和配电和负荷转移、稳态调整等作用，不同巡检时刻变电站电网中电力潮流方向可能不同，所述的电力潮流方向用于表征电力被消耗时流经哪一路输电线或电力设备；不同电力潮流方向下，每个设备的工作状态不同，电网的负荷不同，并且每个设备所处的电力环境不同，出现故障的原因和发生的安全事故也不同，例如有的设备在某个电力潮流下噪声小，而同样的设备可能在其他电力潮流下噪声就很大，则说明该设备在不同电力潮流下工作状态不同。
19.根据网架结构获取各设备之间的连接关系。获取历史的巡检数据，获取第n次巡检时的变电站潮流方向，每个潮流方向对应一个电力调度路径，用于表示电力从变电站分派到用电区域时，电力所流经的路径或输电线；获取电力调度路径上的设备，获取设备的状态数据，这些状态数据就是巡检数据，例如声音、温度等状态数据，状态数据的可由传感器获取，所述的传感器包括声音传感器、温度传感器等。由于设备不同，每次巡检时每个设备获取的状态数据也不同，例如变压器需要获取的状态数据包括声音的异常程度、温度大小、油量等状态数据；其中声音的异常程度的获取方法是将声音序列输入tcn网络中获取声音的异常程度，声音异常程度分为10个级别：0.1，0.2，
……
,1.0,声音异常程度越大说明与正常声音相比越异常，tcn网络属于现有技术；变压器的油量由液位计获取，变压器的温度由温度传感器获取。同理，可以获得隔离开关、母线、互感器等设备的温度大小、声音异常程度等状态数据。
20.至此可以根据巡检数据获得每个设备的一些状态数据，这些状态数据视为每个设备的异常状态向量；同时获得电网所有母线节点的电压相量（相量是指电压的幅值与相位角）和电流相量，这些相量能够描述电网的状态，这些相量构成的向量称为电网的状态向量。
21.变电站设备状态与电网状态的关联关系根据设备与潮流方向的相关性系数获得；设备与潮流方向的相关性系数获取包括：将历史巡检中相同潮流方向的电网状态向量聚合得到各潮流方向的电网状态矩阵；将相同潮流方向、同一变电站设备的多次巡检异常状态向量聚合得到各潮流方向的设备异常状态矩阵；对相同潮流方向的电网状态矩阵与设备异常状态矩阵进行相关性分析得到设备与潮流方向的相关性系数。具体地，获取历史巡检过程中多次巡检时的电网潮流方向和巡检数据（由于电网的潮流可能不是一成不变的，一个潮流方向对应电网的一种状态，因此每一次巡检时，都要记录一下当时的电网潮流方向和巡检数据，因此多次巡检后会获得多个电网的潮流方向）；将具有相同潮流方向的电网状态合并为一类，那么可以获得多类潮流方向，一类潮流方向对应一个电网状态。设第i类潮流方向包含p次的巡检数据，p次巡检中每个设备的异常状态向量聚合一个异常状态矩阵，p次巡检中电网的状态向量聚合成电网状态矩阵。对相同潮流方向的设备异常状态矩阵和电网
状态矩阵进行典型关联分析，获取每个设备与潮流方向的相关性系数(即通过第i类潮流数据，一个设备对应一个异常状态矩阵，该异常状态矩阵和电网状态矩阵计算一个相关性系数，有多少个设备就能获得多少个相关性系数)。此外，还可分别分析设备每种状态数据与电网每种状态数据的相关性系数，所有相关性系数的均值即为本发明所需的设备与潮流方向的相关性系数。设第n个设备与第i类潮流方向的相关系数为。当时令。相关性系数大于0并且越大说明设备的异常状态和电网状态具有一致的变化规律，例如电网负荷增大时变电站设备异常也随之增大；当相关性系数趋近于0，说明设备异常状态和电网状态无关，即设备的异常程度不受具体电网状态的影响。
22.变电站设备与目标潮流方向的关联系数包括：获取设备与目标潮流方向的相关性系数和设备与其他潮流方向的相关性系数比值；根据设备与目标潮流方向的相关性系数和设备与各潮流方向的相关性系数得到归一化系数；根据相关性系数比值和归一化系数获得设备与目标潮流方向的关联系数。
23.具体地，计算第n个设备与第i类潮流方向的关联性系数a表示共有a类潮流方向。其中表示第n个设备与第i类潮流方向的相关性与第n个设备与除第i类潮流之外的其他类潮流方向的相关性的比值，该值越大说明第n个设备与第i个潮流方向相关性远大于第n个设备与除第i个潮流方向以外其他潮流方向相关性，同时与其他潮流方向相关性小。是归一化系数。
24.关联性系数表示设备的异常是否与电网潮流方向有关。例如，当电网以某种潮流方向进行供电时，由于电网负担功率过大或者电网扰动越大时变压器会出现异常噪音，或者母线异常发热过大；当切换到其他潮流方向时电网的功率过大或者电网扰动大也不会引起设备的异常，说明该设备的异常与上述某一种潮流方向有关。
25.设备的危险程度根据历史巡检中设备的异常状态向量得到：获取设备的异常状态向量中任两个异常状态向量，得到两个异常状态向量的余弦相似度；对异常状态向量利用遗忘系数进行叠加得到的第一叠加结果；根据任两个异常状态向量、任两个异常状态向量余弦相似度以及第一叠加结果得到各变电站设备的危险程度。
26.具体地，危险程度是根据历史巡检数据统计获得的，该值越大说明设备的越容易发生危险。本实施例中设备危险程度具体计算方法为：假设历史记录中共n次巡检，在第n次巡检后获得的每个设备的异常向量为,那么第n个设备的危险程度为：因为共n次巡检，那么第n个设备对应n个异常向量，其中为这n个异常向量利用遗忘系数的叠加的结果（遗忘系数叠加方法公知，具体为，其中
，，越大表示连续产生较大的异常，最终的危险程度就越大）。为n个异常向量中第x和第y个向量的关联程度，具体计算方法为：获取任意两个异常向量、的余弦相似度，相似度越大说明出现的异常状态一致，当相似大的异常状态经常出现时那么这些异常状态就主要反应设备的危险程度，异常向量、的余弦相似度为。表示一个向量，表示向量与向量的哈达玛积运算，该结果仍是向量。表示向量的模长，是一个标量。最终根据历史巡检数据获得越大表示第n的设备的危险程度越高，巡检时越需要关注它。
27.获取当前开始巡检时的电网潮流方向，假设当前潮流方向与历史中第i类潮流方向一样，那么第n个设备的在当前巡检时的巡检注意力度为。巡检注意力度越大说明越有必要对其进行优先巡检和重点巡检。需要说明的是，为了提高巡检注意力力度的表征能力，应进行归一化处理。
28.然后，从目标潮流方向的历史巡检数据中，获取多次巡检设备的异常状态向量的协方差矩阵；根据协方差矩阵的元素之和确定设备的二次巡检力度。
29.获得二次巡检力度包括：获取历史记录中第i类潮流方向，该类潮流方向包含多次的巡检数据，第n个设备在这多次巡检时对应多个异常向量，计算这些异常向量的协方差矩阵，并获取该矩阵的l1范数的值，该值越大说明第n个设备的状态数据的变化幅度就越强，该设备的状态越不好确定，本发明将该值称为当前巡检时第n个设备的二次巡检力度。将二次巡检力度小于某一阈值时置为0。该值越大说明越有必要对该设备进行重复巡检，用于确定该设备在以此巡检过程中不同时间的设备状态，有助于变电站故障的排查。获得所有设备的位置和对应的巡检注意力度、二次巡检力度。
30.最后，将变电站的历史巡检轨迹叠加得到巡检热度图；根据变电站设备的位置以及巡检注意力度生成巡检注意力热度图；根据变电站设备的位置以及二次巡检力度生成二次巡检力度热度图；将巡检热度图与巡检注意力热度图融合得到第一关联特征图；将二次巡检力度热度图与巡检热度图融合得到第二关联特征图；将第一关联特征图、第二关联特征图输入神经网络，生成辅助巡检轨迹。
31.以每个设备的巡检注意力度和二次巡检力度为基础获得巡检人员或巡检智能机器人巡检的巡检轨迹包括：根据历史巡检轨迹获取巡检热度图i3：建立变电站的全景俯视图，全景俯视图的构建方法常规且公知，将历史数据每次巡检的路线映射到全景俯视图上，即巡检时经过的位置像素值为1，没经过的位置的像素值为0，形成一个运动轨迹，称为巡检轨迹图；历史数据中每次巡检都可以获得一个巡检轨迹图；将所有巡检时获得的巡检轨迹图求和，然后对求和后获得的图像归一化处理获得巡检热度图i3，像素值大的位置说明巡检时经常经过此处，像素值越小说明不经常经过此处，此处无法通行或者存在危险避免经常靠近。
32.根据巡检注意力度获得巡检注意力度热度图i1，根据二次巡检力度获得二次巡检
力度热度图i2，将i1、i2、i3输入神经网络即可获得辅助巡检轨迹。辅助巡检轨迹可以是一帧热力图，图中像素表征巡检轨迹，也可以是一组坐标序列，同样可以表征巡检轨迹。神经网络的训练集可通过历史巡检数据获得，每次巡检轨迹作为标签数据。此外，为了提高辅助巡检轨迹的生成精度，需要认为对巡检轨迹进行调整。为了提高网络的鲁棒性，可通过计算机模拟器生成大量训练数据，并生成相应的巡检轨迹标签数据。神经网络的损失函数采用交叉熵损失函数。
33.进一步地，本实施例还提供一种神经网络的实施方式，获得特征图和，以提高神经网络的收敛速度：将某个设备的位置映射在全景俯视图上，并且以该设备位置为中心生成一个半径为d的高斯热斑，构成该设备的热力图，将该热力图与设备对应的巡检注意力度相乘获得该设备的巡检注意力度热度图。获取所有设备的巡检注意力度热度图，将这些巡检注意力度热度图求和后归一化处理，获得所有设备的巡检注意力度热度图i1，同理获得所有设备的二次巡检力度热度图i2。分别将巡检注意力度热度图i1与巡检热度图i3加权求和结果为第一关联特征图，；将二次巡检力度热度图i2与巡检热度图i3加权求和结果为第二关联特征图，。
34.将第一关联特征图和第二关联特征图输入dnn网络中，该dnn网络为encoder
‑
decoder结构，网络输出一个轨迹二值图，用于表示巡检轨迹。该dnn网络的训练数据集获取方法为：由于该dnn网络的输入为两个热力图和，这两张图的特征信息不复杂，因此可以通过计算随机生成大量获取数据集。本发明人为的为数据集打标签。至此获得辅助巡检轨迹，巡检人员按巡检轨迹巡检。
35.实施例2：本实施例提供了一种系统实施例。一种基于人工智能和大数据分析的变电站巡检辅助系统，包括：巡检注意力获取模块，用于本次巡检的电网潮流方向为目标潮流方向，根据目标潮流方向的历史巡检数据中变电站设备状态与电网状态的关联关系得到设备与目标潮流方向的关联系数；根据设备与目标潮流方向的关联系数和设备的危险程度得到设备的巡检注意力；二次巡检力度获取模块，用于从目标潮流方向的历史巡检数据中，获取多次巡检设备的异常状态向量的协方差矩阵；根据协方差矩阵的元素之和确定设备的二次巡检力度；辅助巡检轨迹获取模块，用于将变电站的历史巡检轨迹叠加得到巡检热度图；根据变电站设备的位置以及巡检注意力度生成巡检注意力热度图；根据变电站设备的位置以及二次巡检力度生成二次巡检力度热度图；将巡检热度图、巡检注意力热度图、二次巡检力度热度图输入神经网络，得到辅助巡检轨迹。
36.以上所述仅为本发明的较佳实施例，并不用于限制本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。