變電站交互式智能運檢系統研究與應用

廣東電網有限責任公司中山供電局 范德和 李新海 劉文平 羅其鋒 周 恒 侯 偉

變電站主要負責對電力分配和傳輸的任務，站內設備的安全穩定運行至關重要。而隨著電網規模的不斷擴大，變電設備巡視、檢修、缺陷消除工作量也隨之增長。如果不能及時消除設備缺陷，可能會造成設備損壞、爆炸，甚至引發大面積停電事件。目前，變電設備出現缺陷時，通常先由變電站運行人員進行現場檢查，然后向遠程應急指揮人員進行匯報。遠程應急指揮人員根據了解到的缺陷情況，組織檢修專業班組制定缺陷處理工作方案，安排檢修人員到站缺陷處理。遠程應急指揮人員、遠程專家與現場運行人員、檢修人員主要通過電話、微信、網絡視頻等方式進行溝通。現場運維檢修人員由于經驗不足以及準備資料不夠全面，上報的缺陷信息可能失真而造成誤判，可能導致制定不準確的缺陷處理方案，進而影響相應備品備件、工器具的準備工作，降低變電設備缺陷處理效率。同時，檢修人員缺陷處理時一邊翻看廠家說明書、圖紙資料、作業指導書等資料一邊操作，方法繁瑣且不方便，降低了作業效率。在上述問題下，如何提升變電站設備缺陷處理工作效率，是一個迫切需要解決的問題。

近年來，增強現實(Augmented Reality,AR)和智能語音技術的智能終端在變電站設備運檢中的應用，為該問題提供了解決方法。電力系統中利用AR 技術是在現實世界中疊加一定時間和空間范圍內難以體驗的實體信息，并將該信息應用于現實世界，不僅可以展示現實世界信息，而且可以將虛擬世界的信息進行顯示，獲得超越現實的交互體驗，為變電站運維檢修工作提供技術支持[1]。智能語音通過將智能語音識別技術與電網業務的融合，使用語音命令進行操作，減輕工作量，提高工作效率[2]。但變電站交互式智能運檢系統等相關技術研究尚未系統開展。如何結合智能語音和AR 技術提高變電運行、檢修工作效率，成為新的研究目標。

本文提出了一種變電站交互式智能運檢系統，作業人員可以通過語音控制智能終端，實時觀看到AR目鏡所展現的后臺傳輸廠家資料、圖紙、歷史缺陷信息、作業指導書等作業指導資料，指導現場作業人員巡視、維護、缺陷處理等工作，作業過程中可以拍攝照片視頻方便歸檔，實時畫面可以同步視頻會診，后臺專家針對現場實況作業指導，提高了變電設備運檢效率，確保電網、設備安全可靠運行。

1 變電站交互式智能運檢系統結構與功能設計

1.1 系統結構設計

變電站交互式智能運檢系統主要由智能終端、后臺管理系統、云/本地服務器三個部分構成，如圖1所示。

圖1 變電站交互式智能運檢系統整體架構

1.1.1 云/本地服務器

云服務器是一種簡單高效、安全可靠、處理能力可彈性伸縮的計算服務。其管理方式比物理服務器更簡單高效。云服務器可以快速構建更穩定、安全的應用，降低開發運維的難度和整體成本。云服務器存儲的數據包括作業現場圖片錄像、運檢數據庫（廠家資料，圖紙，缺陷信息）、智能終端定位信息、云數據識別庫等內容。

1.1.2 后臺系統

變電站交互式智能運檢系統監控后臺采用Linux 系統開發，包括電腦終端、攝像頭、音響、移動設備等。電腦終端通過網絡與移動終端、智能終端進行數據交互，并對數據進行儲存和處理，最后將處理結果輸出到智能終端供作業人員查看。用戶可以通過監控后臺查看作業人員定位信息和作業現場的實時畫面，并與作業人員交流互動，具有良好的人機交互效果，實現遠程移動視頻監控和指揮調度，極大方面了運檢人員的工作。

1.1.3 智能終端

智能終端是一款帶智能眼鏡攝像頭及帶網絡的智能安全帽。有錄像、本地存儲及夜間照明的功能。智能終端包括：主控模塊、攝像模塊、通信模塊、近電告警模塊、定位模塊、電源模塊、智能語音識別模塊、拾音器模塊和AR 成像模塊。如圖2所示；其中通信模塊包括4G/5G 通信單元、藍牙通信單元；主控模塊用以接收/輸出數據；電源模塊連接并為整個變電站交互式智能運檢系統提供運行用電。可見，在作業過程中，無需工作人員雙手手動介入，通過智能語音交互與穿透式AR 影像展示，即可實現攝制、遠程會診交流、影像展示、后臺專家的同步視頻會診及危險警告等功能，從而作業人員可專注于工作，降低操作難度，進而提高作業安全性。

圖2 智能安全帽硬件架構

1.2 系統功能設計

1.2.1 智能識別

智能語音以作業人員語音和設備運行聲音為研究對象，通過語音信號處理和模式識別，使機器自動識別人聲和設備運行的聲音。運行人員在巡視過程中，通過識別指令信息展示巡視路線圖、作業表單、作業指導書、缺陷跟蹤情況、派工信息等內容并自動記錄需要的信息；通過識別運行設備聲響并與缺陷庫對比，確認設備運行狀態；發現缺陷時，通過識別運行人員指令信息搜索備品備件庫。檢修人員在缺陷處理過程中，通過識別指令信息顯示需要的廠家說明書、圖紙、作業指導書、歷史缺陷信息等內容。圖像識別是通過識別變電站設備圖片信息，在數據庫搜索作業人員需要的信息。

1.2.2 AR 影像展示

作業人員在使用穿透式AR 目鏡時，會診數據中的會診影像以AR 影像的形式顯示于穿透式AR目鏡的顯示屏上，作業人員近眼查看會診影像中所包含的施工圖紙、設計資料，專家指導等，可查閱并對照進行缺陷處理，有效解放了工作人員的雙手，使其可專注于缺陷處理作業，提高了作業效率。

1.2.3 遠程視頻會診平臺

會診平臺與現場作業前端進行實時交互、數據儲存、功能設置、人員定位、場景展示和數據收集，檢修人員在缺陷處理時通過遠程視頻會診平臺與專家交流互動，為現場缺陷處理工作提供遠程技術支持。

1.2.4 近電告警

當作業人員戴智能安全帽誤入帶電區和誤攀帶電桿時，近電報警器能及時發出連續的音響報警信號，提醒作業人員注意危險，防止由于錯覺和失誤造成的觸電傷亡事故。

1.2.5 人員定位

定位模塊是對巡視和檢修工作進行實時引導的基礎，系統提供實時準確的定位，通過在智能終端里面安裝定位模塊達到定位目的。

2 變電站交互式智能運檢系統關鍵技術

2.1 智能語音控制技術

智能語音控制技術通過4G、5G、WIFI 和藍牙等傳輸途徑，實現AR 自由曲面目鏡/穿透式顯示設備實現遠程攝像及視頻會診、錄制視頻同步上傳數據到后臺、高清攝像頭還原現場故障，即時傳至后臺，實時進行GPRS、北斗等全球定位，精準定位作業人員位置。

語音識別是以語音為研究對象，通過語音信號處理和模式識別，使機器自動識別人類口述的語音。高斯模型（Gaussian Mixture Model,GMM）和隱馬爾可夫模型(Hidden Markov Model,HMM)在語音識別領域廣泛使用[3]。隨著計算機人工智能領域廣泛發展，深度神經網絡(Deep Neural Network,DNN)被應用于機器學習，可結合HMM與DNN 融合搭建DNN-HMM 混合系統，可以提高語音的識別率。

語音識別系統框圖包括聲音輸入、語音數據、聲學模型、語音模塊、詞組數據、語言模型、語言模塊、結果輸出等模塊，如圖3所示。聲音輸入到語音模塊，然后將麥克風變化的聲音轉變為電信號，通過消除噪聲和信道失真增強語音信號，將時域信號轉化為頻域信號，并為聲學模型提取有代表性的特征向量，語音模塊數據到語言模塊進行組合和識別，最后輸出識別結果；語音數據輸出到聲學模型提取特征向量，輸出到語音模塊進行語音識別；詞組數據輸出到語言模型提取特征向量，輸出到語言模塊進行語言識別。

圖3 語音識別系統框圖

語音識別系統遵循貝葉斯模型，其表達式為式(1)、式(2)。

式中：L 表示文字序列概率；A 表示語音輸入。式(1)表示語音識別需要在給定的語音輸入情況下，找到最有可能的文字序列。根據貝葉斯規則變換，可得式(2)。其中，P(A/L)表示給定一個字節序列出現該條音頻的概率，即語音識別中的聲學模型；P(L)表示出現該文字序列的概率，即語音識別中的語言模型?；贕MM-HMM 算法屬于雙重隨機過程，該算法試圖找到顯性語音輸入與隱性文字輸出之間的概率。

人工智能領域的重要分支深度神經網絡的發展，混合DNN-HMM 聲學模型[4]具有很強的學習能力和序列化建模能力，在大規模復雜的連續語音識別任務中，DNN-HMM 聲學模型比傳統的GMMHMM 模型有大幅度的性能提升。DNN-HMM 混合型系統如圖4所示，HMM 用來描述語音信號的動態變化，其模型由不同狀態和狀態轉移概率組成。DNN 在估計觀測概率時考慮了語音特征，使概率分布更加合理有效。可以通過給定的特征向量和詞序列，計算出聲學模型分數和語言模型分數，計算總分最高的詞序作為識別結果。

圖4 DNN-HMM 混合型結構

變電站語音識別是通過求解輸出字符串與電力詞匯的相似程度，然后按照一定規則提取數字化、判決等方法，提高語音識別準確率。

當變電站語音識別模塊有特定語音偵輸入后，系統開始啟動，開始語音識別。語音識別處理程序將不斷輪訓輸出，確認是否有識別輸出。如有輸出，則對該識別結果進行特征提取。否則超過一定時間后，系統進入休眠狀態。

2.2 人機交互技術

人機交互技術是結合語音或肢體手勢等識別算法，將用戶的交互操作經過計算后顯示在設備上，實現虛擬事物與現實世界交互[5]。人機交互技術逐漸從鍵盤、鼠標、按鍵的交互方式發展為語音、手勢交互等交互方式。人機交互技術的發展，能夠使AR 設備的應用范圍更廣。目前AR 人機交互的方式主要包括：

（1）手勢交互，人手被當成了人機交互接口，通過設定的手勢動作和動作作為輸入，對設備進行移動、拖拽和操作等，運檢人員可以通過手勢動作實現翻看文件、聚焦拍照等功能，這種交互方式更加直觀、自然；

（2）語音交互，運檢人員可以通過語音進行菜單操作，包括搜索資料、拍照、錄像、云臺呼叫等功能。語音交互可以解放用戶的雙手；

（3）多通道交互：作業人員的手勢、姿態、語言動作、眼球動作都可作為AR 系統與作業人員的交互方式。眼球運動的跟蹤是通過模式識別、角膜反射點分析、眼球形狀分析和用眼模式分析等方法與AR 系統互動，運檢人員頭戴AR 智能設備凝視特定設備，識別設備的狀態變化。

本系統通過多通道交互方式，實現變電設備巡視維護、操作、缺陷處理等工作更加高效便捷，保證電網的安全穩定。

2.3 圖像識別技術

在變電站設備運檢工作過程中對設備的識別，包括設備本身的識別和設備銘牌識別。設備本身識別用于確定運檢的具體設備以及運檢任務信息等；設備銘牌識別則主要是獲取設備信息方便查找備品備件。具體的圖像識別包括一次設備、二次設備、設備銘牌等。

圖像識別技術廣泛采用哈希算法[6]，但這種算法只能用于靜態圖片的識別，不同的光照、拍攝角度等因素會影響圖像識別質量。采用一種性能更好的檢測算法尤為重要，A-KAZE 特征提取算法就比較適合。

2.3.1 圖像特征

圖像特征是指變電站設備識別時圖像唯一性，區別于其他圖像，具有可重復檢測性，在不同的角度，位置，姿態和環境亮度情況下，所提取的特征是相同的[7]。

2.3.2 A-KAZE 算法

A-KAZE 算法采用非線性方式擴散濾波法，將圖像亮度(L)在不同尺度上的變化視為流動函數的散度[8]，可以用以下非線性偏微分方程來表示：

式中，div 表示散度；?表示梯度；L 表示圖像的亮度；c 表示傳導擴散函數，其中t 表示尺度參數，其值越大表示圖像尺度越大，圖像就越簡單。

通過設置傳導函數c(x,y,t)，傳導函數設置公式如下：

由式(3)可知，圖像L(x,y,t)隨時間t 的推移而變化，由此構成非線性尺度空間。且事件證明非線性尺度空間無線性尺度空間模糊圖像。

通過圖像識別技術可在AR 眼鏡上展示設備的出廠信息、運維信息、竣工圖紙等。為變電運檢工作帶來便捷，提高現場作業的效率。

3 應用實例

本文研制的變電站交互式智能運檢系統已應用于某220kV 變電站，共設計有三套智能終端設備，供變電運行、檢修、繼保人員使用，實現了變電專業人員全覆蓋。智能終端安裝在安全帽上，方便檢修人員使用。通過高清攝像視頻實時連接，語音在線通話，后方遠程觀看實時指導作業，管理更加高效便捷，APP 端直播視頻，支持多人觀看管理同一設備。檢修人員通過該系統可以與后臺專家的同步視頻會診，提高了檢修人員缺陷處理效率。通過后臺監控系統與現場作業前端進行實時交互、數據儲存、功能設置、人員定位、場景展示和數據收集，通過大數據分析，為每位現場作業人員保駕護航，解除安全隱患、提高工作效率。

經試驗該變電站交互式智能運檢系統語音識別率大于95%，能夠準確執行檢修人員的命令，不受個體差異影響，智能語音識別穩定可靠。

該變電站在投入該系統后，有效節省了人員和時間成本，提高了變電站運檢工作效率和識別準確率，具體作業時間統計如表1所示，耗時為多次數據平均值。

4 結語

本文研制的變電站交互式智能運檢系統集成應用了智能語音控制技術、人機交互技術、圖像識別技術，通過智能語音識別即可獲取所需的文件資料，提高作業安全和作業效率。運檢人員通過AR 智能眼鏡查閱相關資料，指導現場作業人員巡視、維護、缺陷處理等工作；運檢人員通過該系統實現與專家遠程會診，為現場缺陷處理提供遠程技術支持，有效減輕了運檢人員的工作負擔，提升了變電部門缺陷處理工作質量和效率，確保電網、設備安全可靠運行。