变电站自动化监测技术的应用分析

0引言

随着工业化和城市化进程的不断发展,人们对供电稳定性和安全性的需求日益强烈,变电站作为供电系统的核心,其运行稳定性直接决定了供电系统的运行状态,因此,传统的人工监测模式已难以满足现代电网实时性、精准性的需求。统计数据显示,2022年我国35 kV及以上变电站数量突破4.8万座,设备运维工作量同比增长37%,迫切需要通过自动化监测技术实现电力设备状态的全景感知和智能诊断,提升变电站的运行安全性。

结合变电站的智能化建设需求,海南电网设计公司规划了对变电站巡检平台进行智能化升级,首次引入了视觉巡检、音频故障识别技术,从视频监测、故障音频信号识别两个方面实现了对变电站运行情况的全面监测,消除了人工和传统巡检机器人监测存在的死角大、音频故障信号识别难等问题。该变电站巡检监测系统已经在某变电站稳定运行1.5年,实现了“无人化”运行监测。

1 变电站概况

某35/10kV变电站内安装有YK1-40.5/200型35kV开关站、YK1-12/600型开关站、室外主变压器组、箱式消弧线圈补充设备等,还设置有两套3600 kvar无功补偿装置和一个高度为42 m的避雷针。为了提高巡查效率,2019年引入了巡检机器人进行巡检,但由于技术水平限制,前期巡检模式仅应用了视频监控功能,可以初步满足对可见异常的识别需求。但在实际使用中发现,变压器油枕、高压套管顶端伞裙等位置存在视频监测死角,而且变电站运行时的振动异常、故障特征声纹均无法监测,实际上并没有起到完全取消巡检人员的作用。

2 变电站巡检体系架构

变电站巡检系统改造的核心是要实现对故障的“看得见、听得着”,消除现有巡检系统存在的监测盲区及非可视化故障难以识别的问题。改造后变电站巡检体系的整体架构如图1所示[1]。

1)可视化算法优化。主要是针对现有巡检体系智能化不足的问题,提出在变电站场景下的设备缺陷匹配及缺陷分析方法,提高了对可视化缺陷的判断精确性。

2)可闻声系统优化。主要是对常见故障的音频类型和特征进行收集,建立不同类型音频特征参数库和音频类型判别系统,实现通过音频特性判断故障类型,提高了对变电站故障监测的准确性。

3)智慧平台开发。主要是加入了AI系统判别逻辑,实现对变电站运行状态参数的准确判断,提高了系统监测的准确性和可靠性。

3 可视化算法体系

可视化算法体系,主要是通过对视频监测图片的分析,利用人工智能和深度学习的方法,从多维度对监测对象进行异常判断及缺陷识别。其核心难点包括两个方面,一是要能保证视频监测的准确性和全面性,二是要有足够多的样本能够对算法进行优化。

为了提高变电站视觉监测的可靠性,在进行技术升级时,对变电站的巡检机器人进行了优化,对传感器模块进行了升级,在现有视觉摄像头的基础上,增加了红外热成像、声音分贝监测、温度计、湿度计等辅助判别传感器。同时,将数据传输系统升级为5G高速数据传输体系,提升了视频信号传输的效率,减少了干扰[2]。

针对样本量问题,对70多座变电站的视频监测图像和故障类型进行了汇总,共计获得了1.6万个样本图片,这些图片包括了硅胶变形、设备锈蚀、设备漏油等异常,总结归纳了14大类、27小类的设备部件和缺陷识别模型。

在获取足够的样本量后,需要选择合适的判别逻辑,保证对视频监测图像识别的精确性。目前常用的算法模型主要包括SSD—NARI模型、Ma5K R—CNN—NARI模型及YOLO—NARI模型[3],不同模型的识别特点存在一定的差异性,因此需要根据实际应用情况,对其识别量进行分析。在对1.2万个显著特征进行分析后,确定了各个算法的实际测试数据,其实际应用效果汇总如表1所示。

由表1可知,Ma5K R—CNN—NARI模型的识别准确率达到了91.2%,识别周期为96.7m5;YOLO—NARI模型的识别准确率为94.6%,识别速度为106.4 m5。虽然YOLO—NARI模型识别周期较长,但实际工作过程中在200 m5内完成识别和预警即可满足所有需求。因此,最终选择YOLO—NARI模型作为视觉判别逻辑。

4 闻声识别技术

当电网发生故障后,会导致电磁场的变化,进而影响到各个组件的声纹特性。根据这个特性即可通过对声纹特性的分析,确定变电站的故障类型和故障位置。笔者对变压器在不同故障类型下的声纹特征进行了采集,建立了变压器故障类型和声纹特征匹配数据库,共收录114条声纹特性。部分故障特性和声纹数据库如表2所示。

为了对变压器运行时的声纹特征进行采集,在可能出现运行故障的设备附近布置了声纹采集装置,在布置时,声纹采集设备和设备之间的距离不大于2 m,而且在每个设备周围要设置2个以上的监测点,从而保证对声纹采集的准确性。变压器声纹监测装置布置如图2所示。

采用B120—A2型声纹采集设备[4],其具备双角色分离阵列麦克风,能快速、精确地捕捉到各类低频噪声信号,并对声频特性进行降噪,提高数据信号的识别度。然后再综合运用频率压缩方法、频率特征提取等方式对声纹状态进行识别,快速判断出异常声纹类型,再利用智能识别分析的方法确定变压器故障类别并进行预警。

5 变电站智慧平台

变电站智慧平台的建设,主要是在现有控制中心的基础上对软硬件进行更新,采用NRJD—AEH—2100主机作为控制中心[5],实现对变电站单元运行情况的实时监测。然后将整个监测和分析数据传输给总巡检中心,实现对不同区域变电站运行状态的精确监测。变电站智慧平台结构如图3所示。

6 改造前后效果分析

目前,该自动化监测技术已在多个变电站投入应用,取得了较好的实际效果。改造前后对比情况如下:

1)改造前,每个变电站每班需要安排2人进行数据分析和电站运行状态判断、预警,每天需要6人。改造后,只需要在总控制中心安排1人/班(每天3班)值班即可,直接减员3人。按每人每年8万元计算,每年可减少人工费用24万元。

2)改造前,巡检发现系统故障后,为保证运行安全性,基本上都是采用局部断电的方式进行临时处理,待安排人员现场确认后才会恢复供电,其频率达到了0.2次/天。改造后,巡检平台对故障的判断精度极高,因此只有在危险故障下才进行停电,其频率约为0.011次/天,比优化前降低了94.5%,极大地提升了变电站的运行稳定性和安全性。

7结论

海南电网设计公司对变电站监测系统进行升级改造,通过优化视频监控系统及算法体系,实现了对可视化故障的精确判断,通过建立“闻声识别”系统,实现了对非可视化故障的精确识别。实际应用表明:

1)YOLO—NARI模型对可视化故障的识别准确率达到了94.6%,识别速度为106.4 ms,能够快速精确地对故障进行判断;

2)以B120—A2型声纹采集设备为核心,建立了变电站声纹识别监测系统,能根据声纹情况对变压器的运行情况进行判断;

3)新的变电站监测系统基本实现了变电站的无人化值守,极大地提高了变电站监测的准确性和安全性。

[参考文献]

[1]王刘旺,周自强,林龙,等.人工智能在变电站运维管理中的应用综述[J].高电压技术,2020,46(1):1-13.

[2]杨可军,张可,黄文礼,等.基于数字孪生的变电设备运维系统及其构建[J].计算机与现代化,2022(2):58-64.

[3]李留文,曾俞平,李华.基于机器视觉的二次设备运行状态巡检方法研究 [J]. 自动化与仪器仪表,2020 (2):159—162.

[4]程祥.基于改进迁移学习的智能变电站设备巡检平台[J].电气技术与经济,2023(9):352—354.

[5] 陈睿妍,卢璐,沈明威,等.基于线性SVM的变电站故障声纹检测算法[J].中国 电子科学研究院学报,2023,18(11):989—995.

《机电信息》2025年第17期第13篇