基于Intel 5G MEC架构和OpenVINOTM的电力设备综合故障诊断系统

国网北京电力经济技术研究院 舒彬

国网白城供电公司 朴哲勇

宁夏大唐国际青铜峡风电有限责任公司 侯宝立

英特尔亚太研发有限公司 孟祥宇 竺树铭 王海涛 高纪明 史毅磊 张海亮 王爱喜

1.引言

红外热成像是以设备的热状态分布为依据，对设备运行状态良好与否进行诊断，由于设备的热像图是设备运行状态下热状态及其温度分布的真实描写，而电力设备在运行状态下的热分布正常与否，是判断设备状态良好与否的一个重要特征。因此，采用红外成像技术可以通过对设备热像图的分析，诊断设备状态以及是否带有隐患。

目前的方案多数是手持红外检测设备以及特定时间点的红外成像设备，造成电站维护人员的工作强度大，且数据分析效率低下，难以发挥红外技术的优势。因此，进一步研究红外视频测温技术在电力系统设备故障检测中的应用，具有重大意义。

本文提出了一种基于Intel 5G MEC 架构和OpenVINOTM的电力设备故障诊断系统，并将其应用在电力系统设备故障检测当中，大幅度提升了故障诊断分析效率。

2.基于Intel 5G MEC 架构和OpenVINOTM 的电力设备故障诊断系统

2.1电力设备红外视频诊断故障类型

在电力系统运行过程中，载流导体会因为电流效应产生电阻损耗，在理想情况下，输电回路中的各种连接件、接头或触头接触电阻低于相连导体部分的电阻，然而一旦某些连接件、接头或触头因连接不良，造成接触电阻增大，该部位就会有更多的电阻损耗和更高的温升，从而造成局部过热。此类通常属外部故障。外部故障局部温升高，易通过红外热成像发现，如不能及时处理，情况恶化快，易形成事故，造成损失。外部故障占故障比例较大。

高电压电气设备的内部故障，主要是指封闭在固体绝缘以及设备壳体内部的电气回路故障和绝缘介质劣化引起的各种故障。由于这类故障出现在电气设备的内部，因此反映在设备外表的温升很小。检测这种故障对检测设备的灵敏度要求较高。内部故障比例小，温升小，危害大，对检测设备要求更高。

2.2 Intel OpenVINOTM

OpenVINOTM工具套件是英特尔推出的一款加速深度学习的推理及部署的软件工具套件，用以加快高性能计算机视觉处理和应用。该工具允许异构执行，支持Windows与Linux系统，以及Python/C++语言，能够有效推进计算机视觉技术在从智能摄像头、视频监控、机器人，到能源电力物联网、智能交通、智能医疗等领域的深入应用。

OpenVINOTM工具套件强化了计算机视觉解决方案的作用，并缩短了开发时间，简化了从英特尔提供的丰富硬件选项中获得效益的途径，而这些选项可以提高性能、降低功耗，并最大化硬件利用率，可让用户以低资源获得高收益，且为新的产品设计提供个性化空间。

2.3 基于Intel 5G MEC架构的故障诊断系统

如图1所示，该系统整体由前端视频监控系统、视频数据传输通道、数据中心三大部分组成。前端视频监控探头负责红外视频拍摄，中间传输通道将所测信息以数字的方式通过网络传输至Intel 5G MEC 边缘云；基于Intel 软硬件的5G MEC边缘云，可以利用强大的计算能力和来自各视频采集点的丰富数据，根据实际电力监控运行场景需要进行集中化的模型搭建。基于Intel 的OpenVINOTM数据分析模块部署在5G MEC边缘云，主要包括推理服务器、模型管理器以及模型仓库等组件，用于较重模型的推理，并将推理结果推送至电力设备故障检测系统中。

2.4 Intel装备软硬件架构整体优势

国家电网有限公司旗下的国网信通产业集团（简称国网信通）为积极响应国家“新基建”战略，应对自动化、智能化设备所需的大量信息传输和数据处理需求，正基于5G MEC（Multi-access Edge Computing）解决方案支持5G 电力应用，将数据从公网转移到内网进行传输与处理，以保障数据安全，并充分结合5G 网络高带宽、低延时、大连接的特性，在边缘就近实施业务卸载和高速处理，进而实现出色的云边协同能力，以提升业务效率。

图1 基于Intel的故障诊断系统架构

为高效地推进这一方案的构建与部署，国网信通携手英特尔等合作伙伴，通过引入第二代英特尔®至强®可扩展处理器、英特尔®FlexRAN 参考架构，以及开放式网络边缘服务软件（Open Network Edge Services Software，OpenNESS）等一系列先进产品与技术，在5G 白盒一体化小站设计、统一边缘应用管理，以及高性能计算处理等方面为新方案提供助力。

作为通信与信息领域的创新引领者之一，英特尔一直致力于以先进软硬件产品与技术驱动5G 和MEC 技术的发展。如图2所示，在国网信通5G MEC方案的构建上，英特尔也在5G 白盒一体化小站设计、统一边缘应用管理，以及高性能计算等方面提供了一系列助力。

图2 英特尔产品与技术助力5G MEC方案构建

在5G场景下，智能终端设备具有便携、移动等特性，使得未来网络接入环境逐渐走向无线接入。为了让5G MEC方案更方便地结合丰富的云（云计算）网（5G网络）应用能力，将业务下沉到边缘，英特尔为方案提供了英特尔®FlexRAN参考架构。这一架构以第二代英特尔®至强®可扩展处理器、英特尔®现场可编程门阵列（Field Programmable Gate Array，FPGA）等作为计算处理核心，并通过数据平面开发套件（Data Plane Development Kit，DPDK）等技术的加入，对无线接入网的全面虚拟化提供能力，且对网络切片技术有着良好支持。基于这一灵活、开放的参考架构，5G MEC 方案可以在通用x86 架构服务器平台中实现传统无线接入网BBU 的性能，为电力企业在不同应用场景中提供高吞吐、低延时的5G无线连接。

其次，5G MEC 电力解决方案通过将计算资源与业务应用下沉到边缘平台从而获得高效能，而边缘与核心的架构差异导致应用软件无法直接迁移，由此带来的开发与部署工作十分繁重。为帮助5G MEC 方案在公网、专网的异构网络环境下获得统一的应用开发、托管环境，从而让电力企业更方便地将智能应用迁移、部署至边缘。英特尔为之提供了开源的OpenNESS（Smart Edge Open）软件平台，该平台能与Kubernetes 相互协同，支持边缘平台服务编排，并通过为边缘平台预配资源，实现应用性能加速；同时该平台也通过提供便捷接入方式获取应用终端数据，并支持身份验证。通过OpenNESS 平台，电力企业能够有效规避不同网络底层架构差异带来的影响，直接开发和部署边缘智能应用，大幅降低方案推广门槛。

而在关键的基础硬件设施构建上，来自英特尔的第二代英特尔®至强®可扩展处理器、英特尔®以太网服务器适配器XL710 系列以及英特尔®FPGA等，都为方案提供了强有力的硬件性能。尤其在计算力的选择上，方案采用了更适于边缘环境使用的英特尔®至强®金牌6252N 处理器，其具备的英特尔®SST-BF 技术可在不增加整体功耗的情况下，提升处理器某一核心的主频。这一特性能有效应对5G MEC 场景中的大规模用户面数据转发需求，当处理器某个核心用于高速用户面数据转发时，英特尔®SST-BF 技术可以提升该核心的工作主频，从而带来更大处理能力。这种灵活的调节能力，不仅能有效提升方案中关键工作负载的处理效率，也可降低整体能耗水平。

2.5 电力设备综合故障诊断系统的AI模型训练与推理

2.5.1 YoloV3模型。

在电力设备视频测温与故障检测系统中，YoloV3是被广泛使用的AI 算法模型之一。该模型可用于完成实时目标识别，能有效地帮助监测设备，在电力场景中，能精准地定位出现故障的电力设备。

图3 YoloV3目标温度检测结果

2.5.2 Darknet神经网络框架。

在众多实现YoloV3 算法模型的框架中，Darknet 是被使用最多的开源神经网络框架，代码轻量简洁，安装简便，执行效率高，同时支持XPU的异构计算。

1）模型训练。

当Darknet软件安装完成之后，我们便可以使用电网特定的数据集对Yolov3 算法模型进行训练，例如输入如下命令便可以使用电网变压器数据集训练Yolov3模型。

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

当训练中断时，可以使用如下命令，在中断处继续开始训练。

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

图4 变压器红外视频故障检测验证结果图

2）模型验证与评估。

平均精度均值（简称mAP）是我们在信息检索系统中最常用的性能指标。该指标也被用来评估目标识别算法，该值越大代表目标检测效果越好，mAP值的表达式为：

式中，P为准确率，R为召回率。

在Darknet中我们可以直接使用内置的detector功能生成验证数据集，并对mAP值进行计算。

使用内置detector功能生成数据验证集：

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

计算mAP值，利用computeMAP.py计算mAP值评估算法经过训练之后的检测性能：

python computeMP.py

通过训练可以看到，Darknet-YoloV3 的AI模型能够清晰地展现变压器温度区域分布，为变压器故障诊断提供视觉依据，更适合于电网变压器室外故障检测场景。

3）综合故障诊断系统的红外视觉融合方案。

在传统变电站设备故障诊断方案中，常使用TensorFlow RBF 与Adaptive Boost Framework 的解决方案来诊断电力设备故障。

但传统模式已难以进一步提升识别率与效率来满足日益增加的电网设备需求，因此基于TensorFlow RBF与Adaptive Boost Framework 传统诊断模式融合基于Darknet-YoloV3 视觉诊断模式的新融合方案配合5G MEC 的大数据高速通信，正在互相补足提升日常电力设备诊断与巡检的准确率和效率。

2.5.3 OpenVINO YoloV3模型转换与推理。

OpenVINOTM工具套件也针对YoloV3 算法模型做了许多工作，包括算法硬件优化；FPGA，显卡，Movidius 多硬件组件支持；推理例程代码编写，帮助开发者更加便捷地转换Darknet-YoloV3算法模型，并开始AI推理应用。

1）算法模型转换。

输入算法模型转换指令，OpenVINO便会将Darknet-YoloV3算法模型转换为OpenVINO所需要的XML网络模型文件以及Bin权重文件。

图5 综合故障诊断系统的红外视觉融合方案

2）推理。

在OpenVINO 的众多例程中，Intel 已经编写了object_detection_demo_yolov3_ansync 推理程序，开发者可以直接使用该程序对采集到的数据和图像进行推理，识别视频或图像中的物体特征。

3.运行效果

基于Intel 的电力设备故障诊断后台分析系统在某变电站部署完成之后，对站内主变进行了重点观测，图6为某时刻该主变的红外成像图。在系统后台可以方便直观地观察主变各个部位的温度情况。相比传统故障分析系统，该系统能够在后台进行特定点定时观察并记录温度变化曲线（见图7），并且，温度分析过程很快，故障点判断准确，大大提升了电力设备故障诊断效率。

4.结论

基于Intel OpenVINOTM的Darknet-YoloV3的AI模型能够清晰地展现变压器温度区域分布，为变压器故障诊断提供视觉依据。利用基于Intel 5G MEC架构和OpenVINOTM的电力设备综合故障诊断系统，生产人员能准确方便地发现和测量电力设备温度变化，对于消除电力设备的安全隐患，及时发现、处理、预防重大事故的发生起到关键作用。

图6 变压器局部某时刻红外成像

图7 变压器选定点某时段温度变化曲线