基于人工智能的變電站監控信息事件化研究

薛少華， 丁曉輝， 程鵬， 金萍， 楊霄

(國網銀川供電公司， 寧夏， 銀川 750011)

0 引言

隨著我國在各個領域的快速發展，人均生活用電量也在快速增加，為了滿足人們的電力需求，國家電網也在不斷發展，近些年來對智能化變電站的開發力度逐漸增大[1]。由于單一的變電站監控不僅需要大量的監控人員，而且非規范化的信息也給工作人員的調控運檢帶來了很大的監控壓力[2]，國內外已有許多學者開發了相關的技術方案。

文獻[3]采用監控信息的狀態進行對象化，事件化的建模方法，對各種信息進行特征提取，分類建模，組合篩選以及屬性固化，但該技術只是進行了初步的框架設計，對實際處理方法沒有進行深入研究。文獻[4]使用了petri網進行事件化處理，可以很好地將監控信息由復雜狀態歸納至規范事件，最后得到的報警信息對監控人員來說具有較很好的指導效果，能夠為監控故障的維修提供支撐，但該方法在多站點變電站的復雜系統下就會變得十分復雜。

因此，本文提出一種新型的信息事件化處理方法，下文將對方法進行詳細敘述。

1 人工智能監控信息事件化架構設計

針對現存變電站監控信息處理存在的不足，本研究設計出一種可以將變電站監控信息接收高效化的平臺[5]。

首先對變電站信息進行事件化定義，對設備狀態進行分類歸納，在監控信息接入部分采用基于L-M快速學習法改進的PB神經網絡算法，克服了傳統PB算法計算收斂進度較慢，易于出現局部最優的缺點[6]，通過神經網絡模型的建立，實現了變電站信息的事件化。采用人工智能掃描監控的方法，將監控顯示屏中得到的事件化信息進再次識別處理，對重要事件進行篩查，提取出急需處理的異常情況及事故事件，幫助監控驗收人員及時對事件作出相關指令[7]。基于人工智能的變電站監控信息框架如圖1所示。

圖1 人工智能監控信息事件化框架

如圖1所示，人工智能變電站監控信息事件化框架可分為4大模塊[8]。

(1) 過程模塊

主要反映變電站的一次設備運行情況，一次設備與電網直接連接且可以實時反映電能狀況的基礎裝置，一次設備主要包括母線、斷路器、變壓器和保護電路等裝置[9]，這些裝置的工作狀態通過數據收集接口傳輸至間隔層之中進行分析處理。

(2) 間隔模塊

間隔模塊主要是反映二次設備的運維情況，從一次設備檢測得到的信息進行監控，對根據系統預設對其進行反饋和控制，各二次設備通過總線相互連接[10]，二次設備主要包括智能化儀表、綜合保護裝置、變壓器、溫控器、緊急電力供給和直流屏等裝置，將過程模塊中采集到的信息進行傳輸處理[11]。

(3) 通信模塊

通過信息交互接口傳輸至通信層，便于通信控制的實現，對通信協議進行轉化，從而得到各設備信息運行情況類型[12]，為監控通信系統的兼容性提供保障，通信模塊設備主要包括通信控制器和協議轉換器。

(4) 站控模塊

該模塊是人工智能監控信息化處理平臺的核心模塊，為變電站系統提供實時監控功能[13]，通過事件化模型將各級傳輸的設備運行信息進行處理，以規范的方式將信息進行事件化顯示，并將事件化內容進行人工智能掃描處理，篩選出需要人員作出快速處理的故障。

2 人工智能監控信息事件化實現

2.1 基于L-M優化BP算法的信息事件化

首先需要對變電站的電網設備業務信息進行定義，使監控信息模型更加事件化，故障類型更加具體化。

變電站設備常見的運行狀態變化按照事件類型可分為設備、廠站、網架層級三大類，還可以進一步劃分為事故、異常、疑似、單一類事件四小類，事件分類如圖2所示。

圖2 變電站狀態信息事件化分類

BP算法可以有效地將所有復雜的故障狀態進行診斷分析并將信息事件化，該算法在故障數據診斷方面具有突出的技術效果，但是由于其存在一些的技術弊端，本研究通過L-M進行數據優化。除此之外，該算法的復雜度比較容易控制，一般通過設置隱層節點可以實現多種數據的計算與處理。

BP神經網絡算法框架如圖3所示。

圖3 BP神經網絡算法結構

假設神經網絡的輸入層及隱含層分別存在神經元m個和n個，各神經元既要接收來自前一層神經元的輸入又要對后一層神經元進行輸出，則t時刻第i個神經元的輸入ri(t)和輸出ci(t)可表示為

(1)

ci(t)=f[ri(t)]

(2)

其中，wij(t-1)為t-1時刻位于輸入層與隱含層神經元之間傳輸權重值，函數f為激勵函數。

(3)

設t時刻位于輸出層神經元a的輸出為ya(t)，可表示為

(4)

wai(t-1)為t-1時刻位于隱含層與輸出層神經元之間的傳輸權重值。

若期望輸出為va(t)，可得反饋誤差為

雙優山葡萄品種在松原地區的物候期與原主產區比，表現出了新梢發育進程快、早發性好，漿果轉色期早，落葉期晚等特點。這對漿果品質提升和后期樹體營養積累是有利的。在松原地區施用本然和化肥對今年的雙優山葡萄生育期影響不大，但成熟期比往年晚一周，落葉比往年早了一周，具體物候期見表3。

ea(t)=va(t)-ya(t)

(5)

迭代誤差為

(6)

本研究采用L-M法使BP算法數值最優化，L-M法可使算法更加高效，與擬牛頓法類似，該方法只需要將黑塞矩陣和梯度近似為

H=JTJ

(7)

g=JTe

(8)

其中，J為雅克比矩陣，即誤差對權值進行一階偏導的矩陣，e為神經網絡的誤差向量。

則L-M法將權重調整為

(9)

其中，I為單位矩陣，λ為自適應調整系數，當λ趨近于無窮時，L-M法變為最速下降法，當λ趨近于0時，使用近似的黑塞矩陣。

使用基于L-M法的BP神經網絡算法可以加快收斂效率，改進傳統BP算法精度，避免出現局部最小的問題。

通過L-M法改進的BP神經網絡模型可以有效的對變電站監控信息進行事件化處理，將瑣碎的故障狀態轉化為系統化的事件，便于對復雜情況進行分析處理。

2.2 人工智能視覺監控的實現

人工智能掃描系統主要可分為3個部分：掃描部分、圖像處理部分和系統告警部分。人工智能視覺監控構架如圖4所示。

圖4 人工智能視覺監控構架

視覺監控需要對監控攝像得到的圖像進行多次處理，包括變電站顯示屏事件圖像的獲取、圖像校正、圖像去噪、邊緣信息提取、字符識別提取、故障類別編碼及故障信息匹配，人工智能視覺監控處理流程如圖5所示。

圖5 人工智能視覺監控流程

首先對監控圖像進行坐標計算，獲得原始圖像的坐標，再采用逆映射進行校正，使用線性插值對非整數坐標進行推算，若已知兩整數點坐標分別為(x1,y1)和(x2,y2)，在兩點間非整數坐標點(x,y)的灰度模型為

y=y1+μ(y2-y1)

(10)

其中，μ為灰度模型的插值系數

(11)

(2) 監控圖像去噪

采用均值濾波來降低圖像傳輸過程中的噪聲影響，圖像經去噪處理后的灰度g(x,y)的公式如下

(12)

其中，m為監控圖像中像素的總個數，g0(x,y)為處理前像素灰度。

(3) 監控圖像邊緣提取

為識別監控事件信息，采用Sobel算子進行邊緣提取，邊緣提取的梯度大小T和梯度方向α分別為

(13)

其中，Tx為圖像橫向邊緣，Ty為圖像縱向邊緣。

(4) 關鍵信息識別

對監控信息的字符進行特征提取分類，對數字和字母進行識別，根據密度特征進行分類，提取模型如下

L(i)=l(i)-l_border

(14)

R(i)=r(i)-r_border

(15)

其中，l(i)為字符第i行左邊界點位置，r(i)為字符第i行右邊界點位置，l_border和r_border為字符左右邊界。由此可以得到數字字母的字符特征。

再使用歐式距離法對字符特征進行匹配，兩點間距離d(x,y)可表示為

(16)

最終，對提取到的信息與事件數據庫信息進行匹配，將事件按照嚴重程度進行排列，傳輸至上位機，以便工作人員進行處理。

3 實驗與分析

3.1 實驗環境

本實驗的硬件環境是配置8核16 G CPU的計算機，硬盤容量為320 G，操作系統為Windows 10。

3.2 實驗內容與結果分析

針對該人工智能監控信息事件化系統運行效果進行驗證，從部分變電站收集了一個月的監控信息記錄，時間范圍為2021年2月1日至2020年2月28日，對事故事件、異常事件、疑似事件和單一事件進行流程化處理。

為檢驗監控信息事件化智能分析的準確性，使用MATLAB2014進行信息結果分析，將傳統BP算法運行與基于L-M法的BP神經網絡算法數據結果進行對比，分析不同算法下迭代次數與訓練誤差的關系，其對比結果如圖6示。

圖6 2種算法下的結果對比圖

由此可以看出在相同迭代次數下，傳統BP神經網絡算法的曲線收斂程度較慢，而基于L-M法的改進BP神經網絡算法能夠快速收斂，訓練誤差較小，對變電站監控信息時間化處理效果較好，既能準確把控事件狀態，又可以輔助工作人員快速處理。變電站運行設備信息處理時間如表1所示。

表1 變電站運行設備信息處理時間

對不同的監控信息事件化指標進行分析可知，通過人工智能信息事件化處理平臺的平均處理效率相交于人工處理顯著提高，經過統計可得，對單一類，意思類，異常類，事故類事件的平均處理時間分別控制在0.054,0.015,0.023和0.126左右，對每種事件的處理結果平均提高了2.968 s，該信息化平臺對變電站監控信息處理效率起積極作用，對監控人員的驗收工作具有一定的參考意義。

最后以變電站監控信息事件化結果為基礎，對人工智能事件掃描平臺進行實驗，使用高清攝像機對變電站監控中心顯示屏的信息處理結果進行實時拍攝，經圖像掃描后對事故類事件的時間和內容進行識別，基于人工智能的變電站監控信息事件化研究示例如表2所示。

表2 人工智能事件掃描平臺識別示例

由表2可知，人工智能掃描平臺可以對監控信息事件的事件類型進行識別，按照事件發生時間，地點，線路，設備類型，故障源等信息顯示在人工智能平臺界面，管理人員可以快速獲取事故類事件信息，方便工作人員及時下達指令。

4 總結

本研究設計出了一種基于人工智能的新型的變電站監控信息事件化處理系統，分別介紹了信息事件化處理算法以及人工智能視覺監控的實現，在信息事件化處理過程中使用基于L-M法的改進BP遺傳算法對變電站的復雜設備運行信息進行分析，對實際變電站現場運行狀況進行驗收，可知該信息事件化平臺既可以降低處理失誤率，本研究能夠對變電站運行狀況進行篩選，對事件類型類型進行有效輸出，規范監控平臺，提高運維效率，但本平臺仍舊存在諸多不足，未來可以在信息決策方面做進一步的研究。