基于大数据技术的电气设备运输状态监测及智能预警系统

郑立中，韩建伟，郑逸非，张李明，周翔宇

（国网安徽省电力有限公司建设分公司，安徽合肥 230022）

在电力系统中，电力变压器、GIS（Gas Isolated Switchgear）开关等设备的体积与重量较大，生产合格后，在运抵安装使用现场前均需要经过长途运输[1]。为了避免设备在运输途中发生损坏，对运输途中车辆的速度、加速度等指标有着严格的控制[2]。但在传统的电气设备运输中，难以实时了解运输过程中的行驶速度、三轴加速度、当前路况及地理位置等重要信息[3]。

文中研究并开发了一种功能可靠、安装使用简便的车载终端产品，结合GPS（Global Positioning System）与物联网技术，实时采集监控存储三维加速度、碰撞强度与次数、温湿度、压力、姿态角度以及车辆的经度、纬度、速率、时间信息等数据[4-5]；同时挖掘采集数据，针对电气设备可能存在损坏的问题，建立了基于自编码器网络算法的预警模型，集成软件产品、配套Web 端、APP 端，以提升用户产品体验感。

1 系统设计

智能电气设备运输状态监测系统分为前端车载监控系统、通讯线路、智能车载监控后台3 个部分。整体系统架构设计如图1 所示。

图1 电气设备运输状态监测系统架构图

1）前端车载监控系统：包括车载存储机、监控摄像机、抓拍摄像头、语音记录仪、报警按钮、多功能调度屏、语音对讲设备、北斗定位等。

2）通讯线路：包含前端移动传输4G 与后台指挥中心以太网网络。

3）智能车载监控后台：基于无线网络实时存储分析视频、音频数据，远程对车辆进行集中管理、实时调度、高度监控。以集中化、分布式网络管理为架构，高品质、高效率地实现实时监视、地理定位、车辆历史行驶轨迹回放及报警预警等功能。

2 车载监控终端

2.1 需求设计

车载监控终端的功能包括实时采集三维加速度、碰撞强度与次数、温湿度、压力、姿态角度、直线速度、旋转速度等参数，并结合集成软件、配套软件进行可视化展示。配套软件有WEB 端、APP 端，能够自动生成运输过程的监测报告，具备引导验收人员填写验收结论的界面。配套软件数据中心能够在网络正常情况下快速远程调用所有数据、分析结果、研究结论，为运输状态监控、运输路线设计等提供支持；同时具备多元化的数据输出形式，便于后期拓展与开发。

车载监控终端外形美观、体积小，方便安装在设备上或车厢内部，无损化的安装过程中不会对设备或车辆造成影响；产品本身具备防水、防沙尘、防雷击、防漏电、抗颠簸能力，保证电路及网络安全、可靠运行。设备电源具备保证产品远程呼唤、数据调用及常规运行600 h 以上的电量。

2.2 硬件设计

车载监控终端硬件总体框图如图2 所示，采用主流低功耗ARM 微处理器[6]，其具有体积小、低功耗、低成本、高性能等优点，还可以根据嵌入式对象的不同特点灵活调整其可实现的功能，在嵌入式微处理器的应用方面具有重要地位[7]。ARM 体系结构完整，因其使用了大量的寄存器，所以处理速度十分迅速。由于ARM 的寻址方式大多在寄存器内即可操作完成，因此灵活便捷、效率执行高，且指令长度固定。

GPS[8]全球定位基于GPRS 与INTERNET 通讯网络的监控调度系统，包括伪距单点定位、载波相位定位与实时差分定位。GPS 是目前全球最为成功的卫星定位系统，其具备的特点包括：1）导航定位能力连续不间断；2）能够实现实时导航，且精度高、观测快；3）提供的三维地心坐标在全球范围内具有统一标准；4）仪器操作简便；5）抗干扰能力强、保密性优；6）功能多、应用广泛。

图2 车载监控终端硬件总体框架图

数据采集模块包括三维冲撞数据[9]采集模块、温湿度数据[10]采集模块、音视频数据[11]采集模块及压力数据[12]采集模块。采集的数据均带有时间戳，为典型的时间序列。

无线传输[13]模块采用公网无线传输，通过GSM/GPRS 网络作为传输媒介，为现场设备输出的数据或各种物理量提供高稳定、高可靠、低成本的远程传输。利用GSM 移动通信网络的短信息与GPRS 业务，为设备运输搭建一个超远距离的数据传输平台。

3 基于自编码器网络的预警模型

根据国家标准GB/T 6451-2008 中的规定，压力、三轴加速度、倾斜角度及车辆行驶速度是影响电力设备在远程运输过程中性能降低或损坏的主要因素[14]。传统的状态监控方式是对主要影响因素施加最小值与最大值限制，若当前值在限制范围内，则电气设备是安全的；若当前值超出范围，则电气设备可能具有损坏的风险并发送警报。但是该种施加硬编码警报限制的过程通常会发送大量错误警报及缺失警报，同时也存在损坏风险但未发送警报的情况。第一种情况不仅耗费了时间与精力，且还消耗了电气设备的可用性；而第二种情况则更为重要，因为其会导致真正的电气设备损坏。这两个问题均是由同一个原因引起的，根据对单个影响因素的分析，不能准确地判断复杂设备的健康状况，必须考虑各种影响因素的组合，并使用自编码器（Auto Encoder，AE）网络建立预警模型。

3.1 自编码器网络算法

自编码器是一类在半监督学习与非监督学习中使用的人工神经网络，其功能是通过将输入信息作为学习目标，并对输入信息进行表征学习[15]。

如图3 所示，自编码器包含编码器与解码器两部分，按学习范式的不同，自编码器分为收缩自编码器、正则自编码器与变分自编码器，其中前两者是判别模型，后者是生成模型。按构筑类型，自编码器可以是前馈结构或递归结构的神经网络。自编码器具有一般意义上表征学习算法的功能，被应用于降维和异常值检测[16]。

图3 自动编码器网络

给定输入空间X∈χ与特征空间h∈F，自编码器求解两者的映射f、g，使输入特征的重建误差达到最小，如下式：

求解完成后，编码器输出的隐含层特征即“编码特征”可视为输入数据的表征。按自编码器的不同，其编码特征可以是输入数据的压缩（收缩自编码器）、稀疏化（稀疏自编码器）或隐变量模型（变分自编码器）等。

在电气设备运输状态监控与异常预警的背景下，自编码器网络的基本思想是将电气设备处于“正常”状态下的数据压缩降维表示，并捕获各特征因素之间的相关性和相互作用，然后将其进行重构。当电气设备的性能发生变化后，网络重构输入变量的错误将会增加，通过监视重建错误，可以获得电气设备的“健康”指示。

3.2 建立预警模型

1）数据准备

如表1 所示，选取在运输途中受到损坏的电气设备在损坏前8～12 min 的数据作为训练集，剩余数据作为测试集，评估自编码器网络是否能在设备损坏前检测到，时间颗粒度均为s。

表1 数据准备表

2）训练模型

使用自编码器网络对训练集进行建模，通过增加的网络重建损失来识别电气设备的异常值。训练集的重建损失指标采用MAE（平均绝对误差）分布，如图4 所示。可以看出，当MAE 值大于0.27 时，设备可以定义为异常，因此，将0.27 设置为参考阈值，计算测试集中的所有数据点的重建损失，并与参考阈值进行比较，验证模型的正确性。

图4 设备正常状态下的重建分布图

3）测试集的模型评估

将测试集的数据带入模型进行重建损失分布，如图5 所示。图中，折线代表重建损失，虚线表示定义的阈值。该变压器是在03:10:10 发生损坏，而该模型在03:08:03 的重建损失参数即开始超过阈值，检测到设备可能会损坏，验证了模型的可靠性。因此可以将模型应用于实际运输中，当重建损失超过阈值时进行预警。

4 系统集成功能测试

将车载监控终端部署在运输车上，运输变压器容量等级为180 MVA/220 kV、运输重量为118 t、运输周期30 天。文中实时采集了运输过程中的三维加速度、碰撞强度与次数、温湿度、压力、姿态角度、直线速度、旋转速度等参数，以及车辆实时地理位置定位等信息并配套软件进行使用。

图5 测试集的重建分布图

当变压器的重建损失值大于设定阈值0.27 时，智能监测系统通过GPRS 服务将报警数据发送至相关人员的手机及电脑终端，从而可以有效地对运输进行监管，确保变压器运输过程中的安全性。此次运输共接收报警30 次，如表2 所示。接收报警数据手机截图如图6 所示。

表2 报警时间表

图6 手机接收报警数据图

5 结束语

随着5G、物联网技术的高速发展，数据获取成本逐渐降低，数据质量不断完善，通过机器学习进行数据挖掘的价值空间巨大。文中通过设计开发电气设备远程状态监测系统，填补了目前设备制造从出厂到施工现场验收之间的监管空白。基于自编码器网络建立电气设备运输异常检测预警模型，提升了电气设备在运输中的安全保证，降低了现有设备验收环节的风险。后期将挖掘系统其他数据，结合机器学习算法开展路面情况识别、车辆智慧管理等研究。