基于Intel 5G MEC架構和OpenVINOTM的電力設備綜合故障診斷系統

國網北京電力經濟技術研究院 舒彬

國網白城供電公司 樸哲勇

寧夏大唐國際青銅峽風電有限責任公司 侯寶立

英特爾亞太研發有限公司 孟祥宇 竺樹銘 王海濤 高紀明 史毅磊 張海亮 王愛喜

1.引言

紅外熱成像是以設備的熱狀態分布為依據，對設備運行狀態良好與否進行診斷，由于設備的熱像圖是設備運行狀態下熱狀態及其溫度分布的真實描寫，而電力設備在運行狀態下的熱分布正常與否，是判斷設備狀態良好與否的一個重要特征。因此，采用紅外成像技術可以通過對設備熱像圖的分析，診斷設備狀態以及是否帶有隱患。

目前的方案多數是手持紅外檢測設備以及特定時間點的紅外成像設備，造成電站維護人員的工作強度大，且數據分析效率低下，難以發揮紅外技術的優勢。因此，進一步研究紅外視頻測溫技術在電力系統設備故障檢測中的應用，具有重大意義。

本文提出了一種基于Intel 5G MEC 架構和OpenVINOTM的電力設備故障診斷系統，并將其應用在電力系統設備故障檢測當中，大幅度提升了故障診斷分析效率。

2.基于Intel 5G MEC 架構和OpenVINOTM 的電力設備故障診斷系統

2.1電力設備紅外視頻診斷故障類型

在電力系統運行過程中，載流導體會因為電流效應產生電阻損耗，在理想情況下，輸電回路中的各種連接件、接頭或觸頭接觸電阻低于相連導體部分的電阻，然而一旦某些連接件、接頭或觸頭因連接不良，造成接觸電阻增大，該部位就會有更多的電阻損耗和更高的溫升，從而造成局部過熱。此類通常屬外部故障。外部故障局部溫升高，易通過紅外熱成像發現，如不能及時處理，情況惡化快，易形成事故，造成損失。外部故障占故障比例較大。

高電壓電氣設備的內部故障，主要是指封閉在固體絕緣以及設備殼體內部的電氣回路故障和絕緣介質劣化引起的各種故障。由于這類故障出現在電氣設備的內部，因此反映在設備外表的溫升很小。檢測這種故障對檢測設備的靈敏度要求較高。內部故障比例小，溫升小，危害大，對檢測設備要求更高。

2.2 Intel OpenVINOTM

OpenVINOTM工具套件是英特爾推出的一款加速深度學習的推理及部署的軟件工具套件，用以加快高性能計算機視覺處理和應用。該工具允許異構執行，支持Windows與Linux系統，以及Python/C++語言，能夠有效推進計算機視覺技術在從智能攝像頭、視頻監控、機器人，到能源電力物聯網、智能交通、智能醫療等領域的深入應用。

OpenVINOTM工具套件強化了計算機視覺解決方案的作用，并縮短了開發時間，簡化了從英特爾提供的豐富硬件選項中獲得效益的途徑，而這些選項可以提高性能、降低功耗，并最大化硬件利用率，可讓用戶以低資源獲得高收益，且為新的產品設計提供個性化空間。

2.3 基于Intel 5G MEC架構的故障診斷系統

如圖1所示，該系統整體由前端視頻監控系統、視頻數據傳輸通道、數據中心三大部分組成。前端視頻監控探頭負責紅外視頻拍攝，中間傳輸通道將所測信息以數字的方式通過網絡傳輸至Intel 5G MEC 邊緣云；基于Intel 軟硬件的5G MEC邊緣云，可以利用強大的計算能力和來自各視頻采集點的豐富數據，根據實際電力監控運行場景需要進行集中化的模型搭建。基于Intel 的OpenVINOTM數據分析模塊部署在5G MEC邊緣云，主要包括推理服務器、模型管理器以及模型倉庫等組件，用于較重模型的推理，并將推理結果推送至電力設備故障檢測系統中。

2.4 Intel裝備軟硬件架構整體優勢

國家電網有限公司旗下的國網信通產業集團（簡稱國網信通）為積極響應國家“新基建”戰略，應對自動化、智能化設備所需的大量信息傳輸和數據處理需求，正基于5G MEC（Multi-access Edge Computing）解決方案支持5G 電力應用，將數據從公網轉移到內網進行傳輸與處理，以保障數據安全，并充分結合5G 網絡高帶寬、低延時、大連接的特性，在邊緣就近實施業務卸載和高速處理，進而實現出色的云邊協同能力，以提升業務效率。

圖1 基于Intel的故障診斷系統架構

為高效地推進這一方案的構建與部署，國網信通攜手英特爾等合作伙伴，通過引入第二代英特爾?至強?可擴展處理器、英特爾?FlexRAN 參考架構，以及開放式網絡邊緣服務軟件（Open Network Edge Services Software，OpenNESS）等一系列先進產品與技術，在5G 白盒一體化小站設計、統一邊緣應用管理，以及高性能計算處理等方面為新方案提供助力。

作為通信與信息領域的創新引領者之一，英特爾一直致力于以先進軟硬件產品與技術驅動5G 和MEC 技術的發展。如圖2所示，在國網信通5G MEC方案的構建上，英特爾也在5G 白盒一體化小站設計、統一邊緣應用管理，以及高性能計算等方面提供了一系列助力。

圖2 英特爾產品與技術助力5G MEC方案構建

在5G場景下，智能終端設備具有便攜、移動等特性，使得未來網絡接入環境逐漸走向無線接入。為了讓5G MEC方案更方便地結合豐富的云（云計算）網（5G網絡）應用能力，將業務下沉到邊緣，英特爾為方案提供了英特爾?FlexRAN參考架構。這一架構以第二代英特爾?至強?可擴展處理器、英特爾?現場可編程門陣列（Field Programmable Gate Array，FPGA）等作為計算處理核心，并通過數據平面開發套件（Data Plane Development Kit，DPDK）等技術的加入，對無線接入網的全面虛擬化提供能力，且對網絡切片技術有著良好支持。基于這一靈活、開放的參考架構，5G MEC 方案可以在通用x86 架構服務器平臺中實現傳統無線接入網BBU 的性能，為電力企業在不同應用場景中提供高吞吐、低延時的5G無線連接。

其次，5G MEC 電力解決方案通過將計算資源與業務應用下沉到邊緣平臺從而獲得高效能，而邊緣與核心的架構差異導致應用軟件無法直接遷移，由此帶來的開發與部署工作十分繁重。為幫助5G MEC 方案在公網、專網的異構網絡環境下獲得統一的應用開發、托管環境，從而讓電力企業更方便地將智能應用遷移、部署至邊緣。英特爾為之提供了開源的OpenNESS（Smart Edge Open）軟件平臺，該平臺能與Kubernetes 相互協同，支持邊緣平臺服務編排，并通過為邊緣平臺預配資源，實現應用性能加速；同時該平臺也通過提供便捷接入方式獲取應用終端數據，并支持身份驗證。通過OpenNESS 平臺，電力企業能夠有效規避不同網絡底層架構差異帶來的影響，直接開發和部署邊緣智能應用，大幅降低方案推廣門檻。

而在關鍵的基礎硬件設施構建上，來自英特爾的第二代英特爾?至強?可擴展處理器、英特爾?以太網服務器適配器XL710 系列以及英特爾?FPGA等，都為方案提供了強有力的硬件性能。尤其在計算力的選擇上，方案采用了更適于邊緣環境使用的英特爾?至強?金牌6252N 處理器，其具備的英特爾?SST-BF 技術可在不增加整體功耗的情況下，提升處理器某一核心的主頻。這一特性能有效應對5G MEC 場景中的大規模用戶面數據轉發需求，當處理器某個核心用于高速用戶面數據轉發時，英特爾?SST-BF 技術可以提升該核心的工作主頻，從而帶來更大處理能力。這種靈活的調節能力，不僅能有效提升方案中關鍵工作負載的處理效率，也可降低整體能耗水平。

2.5 電力設備綜合故障診斷系統的AI模型訓練與推理

2.5.1 YoloV3模型。

在電力設備視頻測溫與故障檢測系統中，YoloV3是被廣泛使用的AI 算法模型之一。該模型可用于完成實時目標識別，能有效地幫助監測設備，在電力場景中，能精準地定位出現故障的電力設備。

圖3 YoloV3目標溫度檢測結果

2.5.2 Darknet神經網絡框架。

在眾多實現YoloV3 算法模型的框架中，Darknet 是被使用最多的開源神經網絡框架，代碼輕量簡潔，安裝簡便，執行效率高，同時支持XPU的異構計算。

1）模型訓練。

當Darknet軟件安裝完成之后，我們便可以使用電網特定的數據集對Yolov3 算法模型進行訓練，例如輸入如下命令便可以使用電網變壓器數據集訓練Yolov3模型。

$./darknet detector train cfg/transformer.data cfg/yolov3-voc.cfg darknet53.conv.74

當訓練中斷時，可以使用如下命令，在中斷處繼續開始訓練。

$./darknet detector train cfg/transformer.data cfg/yolov3-voc.cfg backup/yolov3-voc.backup

圖4 變壓器紅外視頻故障檢測驗證結果圖

2）模型驗證與評估。

平均精度均值（簡稱mAP）是我們在信息檢索系統中最常用的性能指標。該指標也被用來評估目標識別算法，該值越大代表目標檢測效果越好，mAP值的表達式為：

式中，P為準確率，R為召回率。

在Darknet中我們可以直接使用內置的detector功能生成驗證數據集，并對mAP值進行計算。

使用內置detector功能生成數據驗證集：

$./darknet detector valid cfg/transformer.data cfg/yolov3-voc.cfg backup/yolov3-voc.backup

計算mAP值，利用computeMAP.py計算mAP值評估算法經過訓練之后的檢測性能：

python computeMP.py

通過訓練可以看到，Darknet-YoloV3 的AI模型能夠清晰地展現變壓器溫度區域分布，為變壓器故障診斷提供視覺依據，更適合于電網變壓器室外故障檢測場景。

3）綜合故障診斷系統的紅外視覺融合方案。

在傳統變電站設備故障診斷方案中，常使用TensorFlow RBF 與Adaptive Boost Framework 的解決方案來診斷電力設備故障。

但傳統模式已難以進一步提升識別率與效率來滿足日益增加的電網設備需求，因此基于TensorFlow RBF與Adaptive Boost Framework 傳統診斷模式融合基于Darknet-YoloV3 視覺診斷模式的新融合方案配合5G MEC 的大數據高速通信，正在互相補足提升日常電力設備診斷與巡檢的準確率和效率。

2.5.3 OpenVINO YoloV3模型轉換與推理。

OpenVINOTM工具套件也針對YoloV3 算法模型做了許多工作，包括算法硬件優化；FPGA，顯卡，Movidius 多硬件組件支持；推理例程代碼編寫，幫助開發者更加便捷地轉換Darknet-YoloV3算法模型，并開始AI推理應用。

1）算法模型轉換。

輸入算法模型轉換指令，OpenVINO便會將Darknet-YoloV3算法模型轉換為OpenVINO所需要的XML網絡模型文件以及Bin權重文件。

圖5 綜合故障診斷系統的紅外視覺融合方案

2）推理。

在OpenVINO 的眾多例程中，Intel 已經編寫了object_detection_demo_yolov3_ansync 推理程序，開發者可以直接使用該程序對采集到的數據和圖像進行推理，識別視頻或圖像中的物體特征。

3.運行效果

基于Intel 的電力設備故障診斷后臺分析系統在某變電站部署完成之后，對站內主變進行了重點觀測，圖6為某時刻該主變的紅外成像圖。在系統后臺可以方便直觀地觀察主變各個部位的溫度情況。相比傳統故障分析系統，該系統能夠在后臺進行特定點定時觀察并記錄溫度變化曲線（見圖7），并且，溫度分析過程很快，故障點判斷準確，大大提升了電力設備故障診斷效率。

4.結論

基于Intel OpenVINOTM的Darknet-YoloV3的AI模型能夠清晰地展現變壓器溫度區域分布，為變壓器故障診斷提供視覺依據。利用基于Intel 5G MEC架構和OpenVINOTM的電力設備綜合故障診斷系統，生產人員能準確方便地發現和測量電力設備溫度變化，對于消除電力設備的安全隱患，及時發現、處理、預防重大事故的發生起到關鍵作用。

圖6 變壓器局部某時刻紅外成像

圖7 變壓器選定點某時段溫度變化曲線