智能变电站视频监控系统运维态势智能感知方法

谢肇轩

（广东电网有限责任公司东莞供电局，广东 东莞 523000）

0 引 言

自21世纪起，人工智能技术得到了飞速的发展，推动了人们日常生活的现代化发展进程。现代电力企业作为影响国民经济发展的重要基础产业，关系到全世界人们的生活与办公，自然而言地成为智能化技术应用的主战场[1,2]。在国家大力推广智能电网发展的时代背景下，变电站是衡量一个区域电力建设水平的重要指标。变电站是集合高新技术、运行监测设备的智能电网节点，以数字化、网络化通信平台作为基础，是一种新型高级变电站。如今，在变电站的建设过程中使用传统变电站作为基础，同时使用先进的自动化技术，对传统变电站进行智能化升级[3]。为了实现对此类变电站的科学监测，大量的专家学者构建了变电站视频监控系统，以此推动变电站监测技术的发展。

由于变电站视频监控系统多应用于远程控制工作中，如此系统出现故障时，不宜及时对其展开维修。在以往的研究中也提出过一些解决方案，如文献[4]中提出的使用增强现实技术对变电站相关系统设备进行仿真的监测方法。此方法仅能通过数据预测对视频监控系统的运行状态进行模拟，而无法获取真实可靠的数据对系统的运维态势进行分析。另外，文献[5]中提出了一种使用人工智能代理实现配电系统相关设备负荷态势感知的方法，此方法具有较高的负荷预测能力，但使用其对视频监控系统展开运维态势感知时，存在运维态势智能感知相似度较低的问题。为此，在本次研究中提出了一种变电站视频监控系统运维态势智能感知方法，希望通过系统运行数据采集与分析的形式，获取真实有效的系统运行数据，提高监控系统的维护能力与效率。

1 变电站视频监控系统运维态势智能感知方法设计

1.1 变电站视频监控系统运行数据采集与分析

在对大量的案例进行分析后可以确定，当前大部分视频监控系统运维态势感知问题源于数据采集与处理技术的落后，为此在本次研究中将主要对这两部分展开优化[6]。

本次研究中将使用传感器与计算机对视频监控系统的运行数据进行采集，由于视频监控系统的运行数据种类较多，为保证数据采集结果可应用到后续的研究中，在此环节中将完成数据的预处理工作。由于采集到的数据类别较多且结构较为复杂，因此需要先完成数据清洗工作。将采集到的数据设定为C={s1,…,sn}，其隶属于数据集Di，根据窗口滑动原理对数据进行标记，滑动过程如图1所示。

图1 窗口滑动原理

根据图1内容完成数据处理过程后，设定R(s)表示数据项中可标记的数据，f(s)表示标记R在R(s)出现的次数，则s与s'的文本内容相似度可表示为：

式中，s为采集到的文本数据；s'为标记后的文本数据。根据式（1）确定采集数据中的相似部分，并对其进行剔除，而后在数据剔除部分进行补位，保证本次处理过程中拥有充足的数据量。

使用FP-T多层关联规则完成此部分处理过程[7,8]。将采集到数据汇总为数据库的形式，并将数据分割为选项集，构建FP-T关联分析模型。首先，计算各数据预选集合的支持数，并按照递减的顺序排列，则有：

式中，G表示数据组序号；n表示排列过程中的递减顺序。而后，根据此顺序，对数据进行二次扫描。将第一类系统运维数据设定为E1={G1,Gi,…,Gm}，按照式（2）的排列数据，将其体现为{G1,Gi,…,Gm}，则此数据组别具有的第一层级可表示为：

根据式（3）与式（2）可得到运维数据的聚类分析树，通过此树状结果确定数据的种类与归属，并以此作为后续感知过程的数据基础。

1.2 视频监控系统运维数据融合处理

使用上文中处理后的数据结合数据融合技术，实现运维数据的多元融合与分析。在对当前态势感知方法的使用效果进行分析后发现，由于数据不能进行一致滤波造成了数据异常情况频发[9]。因此，在本次研究中将主要构建一致滤波器，实现数据的统一处理。

以一致性算法作为基础，采用分节点的形式对视频监控系统数据展开处理[10,11]。设定处理后的数据初始状态为αi(0)，则经过滤波器的k次迭代后，输出数据αi(k)可表示为：

式中，uii为加权系数；αi为原始数据值参数；uij为权重系数；αj为数据输出参数。根据式（4）可得到αi(k)的输出曲线，使用此曲线可对滤波结果的类别划分进行判定，具体图像如图2所示。

图2 αi(k)输出曲线

其约束条件可设定为：

本次研究中，使用Maximum-degree算法计算一致加权系数取值结果[12]。相应的公式为：

式中，n为自重权数；hi为数据处理程度属性；s为加重权数。假设uij=0，根据式（6）可得到多维数据的融合处理结果，则有：

式中，U为非结构化数据数量；α为特征向量数据。将不同类别数据代入式（7）中完成加权迭代处理。当数据输出形式为αn(k)时，数据逐渐趋于一致，则有：

此时，数据一致性滤波处理结束，将经过滤波处理的数据根据当前方法中的数据融合技术完成融合处理，得到态势感知基础数据库。

1.3 视频监控系统运维态势智能感知

使用态势感知基础数据库，对视频监控系统运维态势展开感知处理。在本次研究中，运维态势感知过程通过趋势提取方法完成，将视频监控系统的运维态势设定为时间距离函数，记作Y(t)，对Y(t)进行多项式拟合，其趋势可使用多项式参数进行验证与识别[13,14]。假设Y(t)函数可分割为多个二阶多项式并进行二次计算，在t时刻下，第i个数据片段Yi(t)可表示为：

式中，χ= [χ0,χ1,χ2]表示此拟合多项式的参数。使用累积分割算法对Yi(t)展开分段提取[15]。如果在t1时刻对应的拟合函数为Yi(t1)，数据采集时间间隔为Δt，则第q个采集时间间隔后，由式（9）计算得到的拟合值可表示为则此时拟合值与真实数据之间的误差可表示为：

则从t1起，误差绝对值的累积和可以表示为：

使用此公式可得到态势感知类别划分阈值，将此阈值带入层次分析法中，运维态势划分过程如图3所示。

图3 运维态势划分过程

根据图3中预设的3个层级，确定主观因素与客观因素对运维态势的影响，同时确定当前的运维态势等级。可对视频监控系统的运维态势趋势展开分析，并针对分析结果确定当前视频监控系统运维态势，完成态势感知工作。对上文中设定的数据处理环节进行整合，将其融合到当前使用的感知方法中，至此实现变电站视频监控系统运维态势智能感知。

2 实验分析

为了验证变电站视频监控系统运维态势智能感知方法的有效性，在MATLAB仿真软件中，分别采用所提方法、文献[4]方法以及文献[5]方法进行仿真对比实验。

2.1 实验对象设定

利用实验室设备模拟变电站环境，将变电站视频监控系统作为研究对象。为保证实验的真实性，将变电站视频监控装置中央控制端与实验平台控制端有序连接。实验平台控制器如图4所示。

图4 实验平台控制器

本次实验中将模块化实验系统作为实验平台控制器，其具有数据计算处理、模拟通信信号以及通信信号输出的功能。利用此控制器结合MATLAB集成开发环境，设计出视频监控系统的控制方法，在离线仿真完成后，利用实验平台设备接口代替仿真控制程序中的逻辑关系，采用实验平台的实时接口生成编程语言，通过数据通信的方式，对视频监控系统进行实时控制。

2.2 实验方案设计

将实验过程设定为变电站视频监控系统运维数据采集、运维数据预处理、隶属函数的确定以及实验结果输出4部分，主要实验流程设定如下。

首先，监控系统运维数据采集。利用与实验平台相连接的传感器对监控系统进行数据采集，主要采集信息包括运行电压、运行电流以及视频图像采集结果，并将此部分数据存储在实验数据库中。其次，监控系统运维数据清洗。利用预先设定的数据预处理以及清洗方法，对采集到的异常数据进行处理，然后应用相应的技术对数据进行补全并展开数据融合处理，得到可供实验使用的数据源。再次，利用既往数据构建历史数据库，为监控系统运维态势感知提供基础。选取以往的历史数据，构建历史数据库，对此部分数据进行聚类处理，得到运维态势模板数据库，并以此作为运维态势感知结果的判断标准。最后，使用实验中采集到的数据进行视频监控运维态势感知与识别，根据隶属度计算公式确定监控系统运维状态，并输出结果。

根据上述设定的4个环节对实验目标系统进行感知，并输出相应的感知结果，将此部分数据存储在对应的数据库中，为所提方法的有效性验证提供基础。

2.3 实验周期及相关参数设定

在本次实验中，将实验数据采集周期设定为1周，每天获取变电站视频监控系统的电压、电流、视频图像采集效果以及工作温度数据，并对采集到的单日数据进行汇总。实验数据采集结果如表1所示。

表1 实验数据采集结果（单位：条）

将上述数据作为本次实验的数据来源，与此同时，获取20 000条真实变电站视频监控系统运维数据，将此部分数据输入MATLAB软件中，使用K均值聚类算法对历史运维数据进行聚类处理并导出聚类结果，使用云计算技术将其快速生成4类不同的系统运维态势数据特征 (∂1,∂2,∂3,∂4)，具体取值结果如表 2 所示。

表2 系统运维态势数据特征

根据上述设定的视频监控系统运维态势数据特征，对实验周期内视频监控系统的运维态势进行判定，得到相应的态势感知结果如表3所示。

表3 视频监控系统运维态势判定结果

2.4 实验对比指标设定

在本次实验过程中，获取运维态势智能感知结果时，需要根据预设的数据库确定不同时刻系统运行状态与历史数据库类别划分之间的隶属度计算精度，具体计算公式为：

式中，xi为采集到的实验数据；A表示不同类型的系统运维态势数据特征；n表示计算次数。为确定判定结果与运维态势感知结果之间的差异，将相似度作为实验中的测定指标，具体计算公式为：

式中，ci表示实验中运维态势感知判定结果，call表示视频监控系统真实运维态势判定结果。

2.5 实验结果分析

为了确保获取准确的运维态势智能感知结果，根据式（12）得到不同方法的隶属度计算精度如图5所示。

图5 不同方法的运维态势感知隶属度计算精度

根据图5可知，在7次实验中3种方法的隶属度计算精度差异较大。文献[4]方法与文献[5]方法的平均隶属度计算结果精度分别为74%和68%，隶属度计算结果精度相对较差，根据此隶属度对态势感知数据进行划分会造成输出结果可靠性下降的问题。而所提方法在7次实验中，其平均隶属度计算精度可达到90%，根据此计算结果可以较好地完成态势感知过程。

将表3中数据作为本次实验结果验证的基础，根据视频监控系统真实运维态势判定结果与不同方法的运维态势感知结果进行对比，得到不同方法运维态势感知对比结果如图6所示。

图6 不同方法运维态势感知对比结果

根据图6中的实验结果可以看出，3种运维态势感知方法所得结果差异较大，为了更加清晰地确定不同方法的使用效果，根据式（13）计算不同方法判定结果与运维态势感知结果之间的相似度，具体计算结果如表4所示。

表4 不同方法的运维态势感知相似度计算结果（单位：（%））

根据表4中的数据可知，所提方法所得结果与真实结果较为相似，其平均感知相似度可达98.7%，可见此方法使用后所得结果较为准确，可为变电站视频监控系统的维护提供帮助。而文献[4]方法与文献[5]方法的平均感知相似度分别为85.5%和88.9%，在多次实验中均出现了与真实结果差异性较大的问题。因此，依照上述分析结果可知，所提方法可弥补当前方法的不足，为变电站监控系统的运行维护提供帮助，并推动电网智能化发展的进程。

3 结 论

在此技术不断革新的过程中，目前对使用视频监控对变电站进行监管，为保证变电站的运行安全，需要设计一种科学有效的视频监控系统运维态势智能感知方法。在本次研究中提出了一种新型的态势感知方法并取得了一定的应用效果，但由于技术上的限制，此方法还存在一些问题，在后续的研究中还需要对其进行完善与优化。