基于人工智能的变电站监控信息事件化研究

薛少华， 丁晓辉， 程鹏， 金萍， 杨霄

(国网银川供电公司， 宁夏， 银川 750011)

0 引言

随着我国在各个领域的快速发展，人均生活用电量也在快速增加，为了满足人们的电力需求，国家电网也在不断发展，近些年来对智能化变电站的开发力度逐渐增大[1]。由于单一的变电站监控不仅需要大量的监控人员，而且非规范化的信息也给工作人员的调控运检带来了很大的监控压力[2]，国内外已有许多学者开发了相关的技术方案。

文献[3]采用监控信息的状态进行对象化，事件化的建模方法，对各种信息进行特征提取，分类建模，组合筛选以及属性固化，但该技术只是进行了初步的框架设计，对实际处理方法没有进行深入研究。文献[4]使用了petri网进行事件化处理，可以很好地将监控信息由复杂状态归纳至规范事件，最后得到的报警信息对监控人员来说具有较很好的指导效果，能够为监控故障的维修提供支撑，但该方法在多站点变电站的复杂系统下就会变得十分复杂。

因此，本文提出一种新型的信息事件化处理方法，下文将对方法进行详细叙述。

1 人工智能监控信息事件化架构设计

针对现存变电站监控信息处理存在的不足，本研究设计出一种可以将变电站监控信息接收高效化的平台[5]。

首先对变电站信息进行事件化定义，对设备状态进行分类归纳，在监控信息接入部分采用基于L-M快速学习法改进的PB神经网络算法，克服了传统PB算法计算收敛进度较慢，易于出现局部最优的缺点[6]，通过神经网络模型的建立，实现了变电站信息的事件化。采用人工智能扫描监控的方法，将监控显示屏中得到的事件化信息进再次识别处理，对重要事件进行筛查，提取出急需处理的异常情况及事故事件，帮助监控验收人员及时对事件作出相关指令[7]。基于人工智能的变电站监控信息框架如图1所示。

图1 人工智能监控信息事件化框架

如图1所示，人工智能变电站监控信息事件化框架可分为4大模块[8]。

(1) 过程模块

主要反映变电站的一次设备运行情况，一次设备与电网直接连接且可以实时反映电能状况的基础装置，一次设备主要包括母线、断路器、变压器和保护电路等装置[9]，这些装置的工作状态通过数据收集接口传输至间隔层之中进行分析处理。

(2) 间隔模块

间隔模块主要是反映二次设备的运维情况，从一次设备检测得到的信息进行监控，对根据系统预设对其进行反馈和控制，各二次设备通过总线相互连接[10]，二次设备主要包括智能化仪表、综合保护装置、变压器、温控器、紧急电力供给和直流屏等装置，将过程模块中采集到的信息进行传输处理[11]。

(3) 通信模块

通过信息交互接口传输至通信层，便于通信控制的实现，对通信协议进行转化，从而得到各设备信息运行情况类型[12]，为监控通信系统的兼容性提供保障，通信模块设备主要包括通信控制器和协议转换器。

(4) 站控模块

该模块是人工智能监控信息化处理平台的核心模块，为变电站系统提供实时监控功能[13]，通过事件化模型将各级传输的设备运行信息进行处理，以规范的方式将信息进行事件化显示，并将事件化内容进行人工智能扫描处理，筛选出需要人员作出快速处理的故障。

2 人工智能监控信息事件化实现

2.1 基于L-M优化BP算法的信息事件化

首先需要对变电站的电网设备业务信息进行定义，使监控信息模型更加事件化，故障类型更加具体化。

变电站设备常见的运行状态变化按照事件类型可分为设备、厂站、网架层级三大类，还可以进一步划分为事故、异常、疑似、单一类事件四小类，事件分类如图2所示。

图2 变电站状态信息事件化分类

BP算法可以有效地将所有复杂的故障状态进行诊断分析并将信息事件化，该算法在故障数据诊断方面具有突出的技术效果，但是由于其存在一些的技术弊端，本研究通过L-M进行数据优化。除此之外，该算法的复杂度比较容易控制，一般通过设置隐层节点可以实现多种数据的计算与处理。

BP神经网络算法框架如图3所示。

图3 BP神经网络算法结构

假设神经网络的输入层及隐含层分别存在神经元m个和n个，各神经元既要接收来自前一层神经元的输入又要对后一层神经元进行输出，则t时刻第i个神经元的输入ri(t)和输出ci(t)可表示为

(1)

ci(t)=f[ri(t)]

(2)

其中，wij(t-1)为t-1时刻位于输入层与隐含层神经元之间传输权重值，函数f为激励函数。

(3)

设t时刻位于输出层神经元a的输出为ya(t)，可表示为

(4)

wai(t-1)为t-1时刻位于隐含层与输出层神经元之间的传输权重值。

若期望输出为va(t)，可得反馈误差为

双优山葡萄品种在松原地区的物候期与原主产区比，表现出了新梢发育进程快、早发性好，浆果转色期早，落叶期晚等特点。这对浆果品质提升和后期树体营养积累是有利的。在松原地区施用本然和化肥对今年的双优山葡萄生育期影响不大，但成熟期比往年晚一周，落叶比往年早了一周，具体物候期见表3。

ea(t)=va(t)-ya(t)

(5)

迭代误差为

(6)

本研究采用L-M法使BP算法数值最优化，L-M法可使算法更加高效，与拟牛顿法类似，该方法只需要将黑塞矩阵和梯度近似为

H=JTJ

(7)

g=JTe

(8)

其中，J为雅克比矩阵，即误差对权值进行一阶偏导的矩阵，e为神经网络的误差向量。

则L-M法将权重调整为

(9)

其中，I为单位矩阵，λ为自适应调整系数，当λ趋近于无穷时，L-M法变为最速下降法，当λ趋近于0时，使用近似的黑塞矩阵。

使用基于L-M法的BP神经网络算法可以加快收敛效率，改进传统BP算法精度，避免出现局部最小的问题。

通过L-M法改进的BP神经网络模型可以有效的对变电站监控信息进行事件化处理，将琐碎的故障状态转化为系统化的事件，便于对复杂情况进行分析处理。

2.2 人工智能视觉监控的实现

人工智能扫描系统主要可分为3个部分：扫描部分、图像处理部分和系统告警部分。人工智能视觉监控构架如图4所示。

图4 人工智能视觉监控构架

视觉监控需要对监控摄像得到的图像进行多次处理，包括变电站显示屏事件图像的获取、图像校正、图像去噪、边缘信息提取、字符识别提取、故障类别编码及故障信息匹配，人工智能视觉监控处理流程如图5所示。

图5 人工智能视觉监控流程

首先对监控图像进行坐标计算，获得原始图像的坐标，再采用逆映射进行校正，使用线性插值对非整数坐标进行推算，若已知两整数点坐标分别为(x1,y1)和(x2,y2)，在两点间非整数坐标点(x,y)的灰度模型为

y=y1+μ(y2-y1)

(10)

其中，μ为灰度模型的插值系数

(11)

(2) 监控图像去噪

采用均值滤波来降低图像传输过程中的噪声影响，图像经去噪处理后的灰度g(x,y)的公式如下

(12)

其中，m为监控图像中像素的总个数，g0(x,y)为处理前像素灰度。

(3) 监控图像边缘提取

为识别监控事件信息，采用Sobel算子进行边缘提取，边缘提取的梯度大小T和梯度方向α分别为

(13)

其中，Tx为图像横向边缘，Ty为图像纵向边缘。

(4) 关键信息识别

对监控信息的字符进行特征提取分类，对数字和字母进行识别，根据密度特征进行分类，提取模型如下

L(i)=l(i)-l_border

(14)

R(i)=r(i)-r_border

(15)

其中，l(i)为字符第i行左边界点位置，r(i)为字符第i行右边界点位置，l_border和r_border为字符左右边界。由此可以得到数字字母的字符特征。

再使用欧式距离法对字符特征进行匹配，两点间距离d(x,y)可表示为

(16)

最终，对提取到的信息与事件数据库信息进行匹配，将事件按照严重程度进行排列，传输至上位机，以便工作人员进行处理。

3 实验与分析

3.1 实验环境

本实验的硬件环境是配置8核16 G CPU的计算机，硬盘容量为320 G，操作系统为Windows 10。

3.2 实验内容与结果分析

针对该人工智能监控信息事件化系统运行效果进行验证，从部分变电站收集了一个月的监控信息记录，时间范围为2021年2月1日至2020年2月28日，对事故事件、异常事件、疑似事件和单一事件进行流程化处理。

为检验监控信息事件化智能分析的准确性，使用MATLAB2014进行信息结果分析，将传统BP算法运行与基于L-M法的BP神经网络算法数据结果进行对比，分析不同算法下迭代次数与训练误差的关系，其对比结果如图6示。

图6 2种算法下的结果对比图

由此可以看出在相同迭代次数下，传统BP神经网络算法的曲线收敛程度较慢，而基于L-M法的改进BP神经网络算法能够快速收敛，训练误差较小，对变电站监控信息时间化处理效果较好，既能准确把控事件状态，又可以辅助工作人员快速处理。变电站运行设备信息处理时间如表1所示。

表1 变电站运行设备信息处理时间

对不同的监控信息事件化指标进行分析可知，通过人工智能信息事件化处理平台的平均处理效率相交于人工处理显著提高，经过统计可得，对单一类，意思类，异常类，事故类事件的平均处理时间分别控制在0.054,0.015,0.023和0.126左右，对每种事件的处理结果平均提高了2.968 s，该信息化平台对变电站监控信息处理效率起积极作用，对监控人员的验收工作具有一定的参考意义。

最后以变电站监控信息事件化结果为基础，对人工智能事件扫描平台进行实验，使用高清摄像机对变电站监控中心显示屏的信息处理结果进行实时拍摄，经图像扫描后对事故类事件的时间和内容进行识别，基于人工智能的变电站监控信息事件化研究示例如表2所示。

表2 人工智能事件扫描平台识别示例

由表2可知，人工智能扫描平台可以对监控信息事件的事件类型进行识别，按照事件发生时间，地点，线路，设备类型，故障源等信息显示在人工智能平台界面，管理人员可以快速获取事故类事件信息，方便工作人员及时下达指令。

4 总结

本研究设计出了一种基于人工智能的新型的变电站监控信息事件化处理系统，分别介绍了信息事件化处理算法以及人工智能视觉监控的实现，在信息事件化处理过程中使用基于L-M法的改进BP遗传算法对变电站的复杂设备运行信息进行分析，对实际变电站现场运行状况进行验收，可知该信息事件化平台既可以降低处理失误率，本研究能够对变电站运行状况进行筛选，对事件类型类型进行有效输出，规范监控平台，提高运维效率，但本平台仍旧存在诸多不足，未来可以在信息决策方面做进一步的研究。