陈和洋,周金平,何春庆,陈 欢,王林发
(国网龙岩供电公司,福建 龙岩 364000)
变电站直流系统为控制、信号、保护、自动装置、事故照明及倒闸操作等提供可靠的直流电源,对变电站的安全、稳定运行起着十分重要的作用[1]。直流系统一般由充电装置和蓄电池构成,因此蓄电池的健康状态直接影响到直流系统的安全稳定运行。在《国家电网公司变电运维管理规定》及《国家电网公司变电运维通用管理规定(第24分册站用直流电源系统运维细则)》中对蓄电池组全核对性放电试验、单个蓄电池电压、蓄电池内阻等试验和维护项目进行了规定。
目前蓄电池检测工作一般需要先打印纸质作业卡,现场测试完成后,记录下测试数据,然后再手工录入设备(资产)运维精益管理系统(Equipments(assets)Operation and Maintenance Precision Management System,PMS)[2]。该方式效率低下,同时记录和录入过程可能存在遗漏或错误,数据准确度较差。随着移动作业技术的在电力系统中的大力普及,越来越多的移动作业终端被应用到变电领域,利用移动作业终端可以实现对变电设备信息、检测数据、设备维护和退役等全流程的精益化管理,大大提高了变电运维工作的效率[3]。文献[4]介绍了一种蓄电池试验远程操控系统,实现在云端监测蓄电池各项测试数据,但采集的各项测试数据未能与PMS2.0 系统贯通,并在PMS 系统生成相应的测试数据和记录。蓄电池在线监测技术能够利用现场布置的传感器对蓄电池内阻、电压、温度、剩余容量等数据进行监测,实现对蓄电池健康状态跟踪。文献[5]介绍了一种基于物联网技术的变电站蓄电池监测系统,通过电压、温度、内阻等采集模块采集数据,经过网络层将监测数据传输至主站,但布置该系统可能会产生较高的成本,其中包括数据的采集、传输和存储,如文献[6]介绍的云管理系统每天对蓄电池进行数次测试,高频、长期的测试将产生海量测试数据,用于存储数据的服务器也是不小的费用。此外采用持续的在线监测还可能因采集线、保险等出现误报警、数据通信断连等系统稳定性问题。但从长远角度来看,对蓄电池部署在线监测系统是未来发展的趋势,系统需要将监测数据与PMS 系统打通,形成相应的检测记录数据报告以及完善的信号断连告警机制,并逐渐由人工现场检测转变为远程控制检测,运行人员仅定期对现场设备进行巡视即可,从而减轻运维人员的工作量,提高设备运维管理水平。
设计一种基于物联网技术的变电站蓄电池设备数据采集系统,利用移动作业终端扫描设备二维码对蓄电池各项数据进行标准化抄录,配合在线语音识别技术提高了数据抄录的效率。同时,利用无线专网和安全接入平台与内网系统实现数据同步,并在后台生成相关检测记录,避免运维人员重复录入数据,浪费时间。移动作业终端可以对采集的蓄电池内阻、电压等数据进行分析后得到蓄电池健康状态,对存在缺陷和异常的蓄电池提供告警,便于运检人员及时开展设备维护工作。
基于物联网技术的变电站蓄电池设备数据采集系统如图1所示,其由PMS2.0平台层、业务平台层和业务应用层3 部分构成。其中,PMS2.0 为设备(资产)运维精益管理系统,系统覆盖输电、变电、配电三大专业,在变电专业方面,系统以设备台账管理为核心,涵盖设备管理、运行工作管理、缺陷管理、检修试验管理、标准化作业管理、计划任务管理、状态检修管理、生产报表管理各种专项管理、各种统计查询等生产业务[7-8]。
图1 系统架构
业务平台层实现数据的接入、业务分析以及PMS2.0进行数据交互。基于PMS2.0定义了统一的通信规约与统一数据规约,管理所有与PMS2.0 的数据交互。在此基础上,对数据进行加工,构建业务分析模型,实现二维码识别引擎、报表分析引擎、语音识别引擎以及预警分析服务,构建统一的接入服务,用于与移动终端进行数据交互,为业务应用提供支撑服务。
业务应用层在业务平台建设成果的基础上,提供移动终端业务管理,利用蓄电池二维码标签技术,对蓄电池各项数据进行高效采集,根据采集的数据进行质量分析,当系统发现异常时进行主动告警,实现对蓄电池健康状况进行跟踪和监测。
利用安全交互平台内嵌的通道服务,实现移动作业终端与PMS2.0系统进行交互,如图2所示。
图2 网络构架
采用无线专网和安全接入平台接入到内网,实现移动终端与移动应用主站的数据交互。内网移动应用通过电力无线虚拟专网接入安全接入平台,由安全接入平台进行接入监管、数据过滤后再连接到移动应用主站业务服务接口,实现同业务系统的数据交互。采用电力无线虚拟专网和安全接入平台,能够有效杜绝非法接入和违规外连,保障了内网数据的安全。
二维码技术是一种新型条形码技术,是在一维条形码的基础上发展起来的一门集信息编码、信息传递、图像处理等技术于一体的综合性技术[9]。二维码种类有:便携数据文件二维码(Portable Data File 417,PDF417)、快速反应二维码(Quick Response Code,QR Code)、49 条形码(Code 49)、16K 条形码(Code 16K)等[10],其中QR 码是最常见的二维码。二维码具有便于识别、信息容量大、抗干扰和容错能力强等特点[11],变电站内通常将其打印于抗老化塑壳或不锈钢板等材质上形成二维码标签,用3M 背胶、抱箍、膨胀螺丝等进行固定安装。
3.1.1 二维码标签编码与识别技术
1)二维码的编码与识别原理。
一个二维码由空白区、位置探测图形、位置探测图形分隔符、定位图形、校正图形、格式信息、版本信息、数据和纠错码字构成,基本结构如图3所示。
图3 二维码基本结构
识别过程主要分为:图像预处理、定位位置探测图形、定位校正图形、透视变换、译码和纠错。
图像预处理将图像进行灰度化、去噪、畸变矫正和二值化,便于识别[12]。
通过位置探测图形、位置探测图形分隔符和定位图形进行定位。
校正图形用于对二维码的形状进行校正,根据位置探测图形估计校正图形,并进行校正。
利用定位图形和校正图形的中心点,通过透视变换获取标准正方形图形[13-14]。
译码过程对二维码版本信息、格式信息、数据和纠错码进行解码和比对,将数据区转化为0和1的比特流,并用纠错算法对比特流进行校验和纠错。根据编码格式后译码就得到了二维码中包含的信息。
其中格式信息用于存储容错级别和数据掩码以及额外的自身容错码,存储容错级别分为L、M、Q、H这4 个等级,分别为7%、15%、25%、30%的字码可被纠正[15]。版本信息用于存储二维码的规格,共有40种规格的矩阵,从21×21 像素(版本1)到177×177 像素(版本40),每一版本符号比前一版本每边增加4个模块[16]。数据和纠错码字用于存储二维码的信息和修正二维码损坏带来的错误。
2)二维码标签的技术要求。
二维码应采用QR 码,二维码内含有实物“ID”编码及蓄电池的各项信息。对于不可以近距离扫码的设备,应具备一定的纠错等级,通常为L 级(7%的字码可被纠正)。对于使用年限较长,并且又可以近距离扫码的设备,宜采用H 级(30%的字码可被纠正)[17]。识别二位码的终端应具备800 万以上像素,具备自动对焦以及装有智能操作系统。
3.1.2 二维码标签管理
数据采集系统需要构建变电蓄电池二维码识别体系,利用二维码技术,按照规则批量生成变电蓄电池组、电池单体数字化的唯一标识资产ID 和二维码,利用集成移动智能终端打印机,打印生成蓄电池二维码标签,用于蓄电池现场识别与数据采集,建立变电站蓄电池二维码动态管控。
基于移动互联网技术、二维码扫描识别技术,现场移动作业终端一键扫描识别,有效辅助现场人员数据采集[18]。
通过扫描变电蓄电池二维码、语音等智能识别技术,提高变电蓄电池数据采集效率。对蓄电池设备检测数据标准规范进行梳理和拓展,形成变电蓄电池采集数据标准化模版,对蓄电池数据进行标准化采集,如图4 所示,可实现移动端蓄电池单体、电池组等各类检测数据采入功能,支撑检测数据可靠、快速采集。
图4 蓄电池检测数据标准化采集界面
3.2.1 语音录入
移动作业终端的显示界面通常较小,键盘弹窗也较小,手动输入容易造成误触,影响录入效率。语音识别服务能够将语音实时音频文件转写成文本,是进行智能人机交互的基础[19]。为了提升数据采集效率,采集系统还接入了智能语音识别输入功能,如图5 所示,对接收到的语音进行特征提取,提取到的特征与经过样本库训练得到的声学模型和语言模型进行比对后,形成文本输出。对用户的实时音频流识别结果进行自动断句,标记每句话的开始和结束时间,实现智能识别,优化输入,提升数据采集效率。
图5 语音识别模型
1)声音模型。
声音建模是实现语言识别的核心,需要选择合适的声学基元来建模,可以是音素、音节、词等多个层次[20]。隐形马尔科夫模型(Hidden Markov Model,HMM)符合人类的语言过程,人类产生语音时,语法语音、大脑思考过程等内部隐含状态是不可见的,所生成的音素参数流的特征参数却是可观测的[21]。
在选取声学基元时,考虑到汉语独特的声韵母结构及语音语调,选取声韵母模型能够获得更好的识别性能。
采用基于深度神经网络隐形马尔科夫模型(Deep Neural Networks-Hidden Markov Model,DNNHMM)构建声学模型,如图6所示,其中HMM 对语音时序信号建模,DNN 为输入样本的后验概率分布建模[22]。
图6 DNN-HMM声学模型
图中S1,S2,...,Sk-1,Sk为HMM 中的各个隐藏状态,从而组成一个隐藏序列。观测序列为一段语音数据,经过加窗、分帧后将频谱特征进行提取,获得观测矢量v作为DNN 的输入。DNN 会进行拼接帧操作以获得更多信息的输入向量,相比传统的高斯混合模型(Gaussian Mixed Model,GMM),DNN 具有更好的性能[23-24]。
需要将DNN 得到的后验概率和先验概率相结合,转化得到状态的观察概率。例如:输入样本为x、输出状态为s,P(s|x)表示DNN 的后验概率输出,根据贝叶斯公式有
式中:P(s)为建模单元的先验概率;P(x)为观测样本的先验概率,通常采用平均分布进行替代。
通过式(1)得到观察概率后就可以结合HMM 以及语言模型进行解码。
2)语言模型。
语言模型是对一段文本X=(w1,w2,...,wn)的概率进行估计,即计算P(X)的概率。语言模型分为统计语言模型(Statistical Language Model,SLM)和神经网络语言模型(Neural Network Language Model,NNLM)[25]。
在统计语言模型中利用极大似然估计来计算每个词出现的条件概率,根据排列顺序判断一段文字是否为自然语言,即
当句子长度较长时,估计最后一个词的概率将产生大量运算,利用马尔可夫假设(Markov Assumption,MA),假设当前词出现的概率只依赖于前n-1个词[26],则第i个词出现的概率为
则P(X)变为
随着n的增大,自由参数空间呈指数级增长,同时在测试集中会出现训练集中未出现过的词和某个子序列未在训练集中出现,带来数据稀疏问题,须进行平滑化处理。
与统计语言模型不同的是,神经网络语言模型不通过计数的方法对n元条件概率进行估计,而是直接通过一个神经网络对其建模求解,尽管神经网络在一定程度上解决了数据稀疏的问题,但还是损失了一些信息。解决方法是采用循环神经网络(Recurrent Neural Network,RNN),只需要把NNLM的隐藏层换成RNN 神经元,RNN 结构能利用文字的上下文序列关系,更好地对语句之间的关系进行建模。
3.2.2 历史数据调阅
在移动作业终端对蓄电池单体、电池组等各类检测数据采录时,还可以调阅蓄电池历史检测数据进行分析,并结合预警规则库,进行比对提醒,如图7和图8所示。
图7 历史检测数据预警
图8 数据录入异常告警
3.2.3 同步PMS2.0
基于PMS2.0 的数据模型,定义了统一的通信规约与数据规约,管理所有与PMS2.0 的数据交互,实现移动终端采集的数据实时与PMS2.0 系统数据同步共享。传统蓄电池检测工作完成后运维人员还需要在PMS2.0 系统上将检测数据录入至系统,而移动作业终端的采集系统,通过标准化数据录入能够在PMS2.0 系统内生成相应的检测报告,无须人工二次做记录,避免进行重复性工作,提高了运维人员的工作效率。
采集系统内设置蓄电池组电压、单体蓄电池电压、蓄电池内阻、温度等上下限值,通过建立预警规则库,并建立对应的响应触发机制。对过充过放、温度超限、容量过小、电压过压、电压欠压、内阻超限等多种电池故障或隐患进行建模、分析,建立数据驱动的主动预警机制。
在数据采集过程中,实时调取预警规则库数据,对采集数据进行实时检测分析,并结合历史数据进行比对分析,发现符合预警条件时自动预警。
对蓄电池的内阻和电压进行长期跟踪,在内网端,构建可视化的监测平台,如图9 所示。利用可视化技术,对历史数据进行分析统计,根据不同需求关注,以图表等方式,提供易懂、直观、高效、便捷的可视化展示平台,全面掌握蓄电池的运行维护情况,为管理人员提供决策支撑。
图9 蓄电池内阻检测历史曲线
建立基于物联网技术的变电站蓄电池设备数据采集系统,利用移动作业终端扫描二维码标签对变电站蓄电池检测数据进行标准化录入,检测数据可实时同步至PMS2.0 系统,提高了蓄电池检测工作的效率。采集系统对采集的蓄电池内阻、电压等数据进行分析后可以得到蓄电池的健康状态,并对存在缺陷和异常蓄电池提供告警,便于运检人员及时开展设备维护工作。
随着电网规模的不断扩大,变电站数量与日俱增,而运维人员的数量并没有随之大规模增加,因此需要利用新的技术手段取代传统低效、耗时、重复的检测、维护工作。2016年电网公司启动电网资产身份建设,以实物ID 为核心,实现资产信息全维度收集、全过程跟踪、全方位共享。今后将会有越来越多的智能设备和技术被应用到变电领域,基于物联网技术的数字化变电运维管理模式是未来的发展趋势。