基于巡检机器人的变电站设备运行状态监测技术

基于巡检机器人的变电站设备运行状态监测技术

赵燕亭

乌兰察布供电公司  内蒙古自治区乌兰察布市集宁区 012000

摘要：巡检机器人作为一种能在变电站中使用的特种机器人，能在很大程度上取代人工巡检员，检测变电站中电力设备故障，记录变电设备仪表数据，从而降低了人力工作强度，对变电站设备的稳定运行起到了积极作用。

关键词：巡检机器人；变电站设备；运行状态监测

随着现代信息管理的普及和发展，工业机器人应运而生，其能取代许多岗位人工完成重复性工作。变电站巡检机器人能在恶劣环境下对高压电器进行全天候监测，对存在的故障或问题进行数字化记录，并生成设备监测报告，但不能预测及排查隐藏故障隐患。

一、巡检机器人概述

变电站巡检机器人投入使用后，通过机器人的自主与云台运动，利用摄像机的焦点及红外温度计采集可见光与相关数据，对变电站运行设备进行日常检查，完成红外测温、时钟读数、设备油位、状态检测等工作。通过分析历史背景曲线及数据，能提高设备的可预测性，为状态维护及其评估提供有效的数据支持。

二、基于巡检机器人的变电站设备图像采集流程

所用巡检机器人配备了红外摄像仪，在重要节点处详细检查，仔细拍摄重要设备，并通过无线传感器将设备运行过中采集到的温度信息传输到信息基站，信息基站利用大数据分析技术挖掘各设备隐藏信息，确定变电站设备运行状态和仪表指针读数，实现变电站设备故障和异常运行状态的诊断与预警。巡检机器人故障信息诊断流程为：

1、建立图数据库，对变电站内设备进行序列标记与记录，人工模拟巡检机器人监测设备时拍照角度，并明确各时段可见光下设备状态。将变电站内需监测设备节点设为机器人必须停靠点，收集各角度可见光图像，建立系统设备状态图数据库。

2、执行任务时，巡检机器人对照拍摄图片与图数据库中图片位置信息，完成图像中位置与设备编号的识别，并确认设备具体位置信息。巡检机器人在不同位置和角度拍摄的红外热成像图与图数据库中相应全时段可见光图像相匹配。

3、为设备在运行中产生的温度设置阈值上限，若当前温度超过设定阈值，电力系统将收到温度超过警报，判定设备有故障。

4、巡检时，巡检机器人还拍摄仪表盘可见光图像，可通过图像识别明确当前仪表读数。若数值与设备正常值不匹配，偏差过大或过小，系统会发出警报，提醒运维人员注意。并根据设备序列号存储相应仪表信息，完成历史数据的收集，供后续查询分析使用。

三、数据预处理

根据巡检机器人采集的数据，分析设备运行中热力参数，能确定设备当前状态，并明确指标指标。影响设备红外图像因素有电压、电流、电力负载。当变电设备处于稳定运行时，电压升高和持续电流输出产生的热效应会对设备产生一定负面影响，但不会在短时间内出现，只会在长期积累后造成变电设备损伤及老化。

对于变电站设备的监测，使用不同监测单元来划分区域，明确不同巡检机器人监测范围，使用可扩展标记语言编辑设备序列、服务器名称、位置信息，改进设备参数信息，并形成图数据模型。

经分析历史数据，可掌握变电站设备实际损耗情况。系统中存储的历史数据集合是根据设备类型、序列、不同位置与角度等编列，因此属于有序广义集合。历史数据集合能帮助机器人匹配与交换设备信息，通过压缩变量能提高信息传输效率。

通过分析定义历史数据集合系统，能明确变电站设备中存在的绝缘介质和设备间存在的相关逻辑节点，其表明了设备的重要缓冲部位易发生故障。将故障易发位置信息组建成预警数据集合，并标记各节点状态信号，为设备数据测量提供更全面识别信息，以便在监测中发现故障时，能快速有效完成预警触发与传输。对于节点数据的属性和类型，明确采集获取信息的重要性，使用扩展标记语言描述设备节点信息参数，建立参数信息库，规范输入和输出文件结构，以便管理维护。

系统分析红外图像内目标信息、变电设备仪表指针读数、热力参数，经预处理减少环境、传输故障等外部干扰，使巡检描述参数和向量变化清晰，提高监测结果准确性。在预处理阶段，基于输入输出数据间相关性对信息进行加权变量处理。

四、基于巡检机器人及故障树算法的变电站设备运行状态监测

利用故障树原理预测及排查设备风险状态，变电站内各种设备串联，并具有一定相关性。分析设备相关性后，对变电设备间相关性做出了基本判断，电力系统中各种设备间联系会引起故障连锁反应。所以能用故障树模型来模拟变电设备间故障因果关系，根据关系描述逐一排查，找出变电站设备中潜在故障源，这对复杂的变电设备监测也有效。对设备在各种环境下的运行状态进行决策分析，建立故障树模型，能全面清晰描述各种类型故障间逻辑关系。

在用故障树模型分析故障时，先研究故障直接原因，并认为该原因只是形成故障的中间事件之一。基于这一级中间事件进一步拆解及探索，最终获得导致故障的底层事件，即源事件。各层中间事件和底层事件间有基本逻辑关系，相互连接形成故障树模型。

建立故障树模型步骤为：a.确定当前时刻变电设备类型，分析运行状态故障。b.逐一排查故障事件原因，通过原因分析，明确各原因与故障间联系和逻辑。c.进一步分解故障原因，并找出具体原因和源故障。d.逐步分析故障中各中间事件原因，最终得到导致故障最底层因素，形成故障树模型。基于巡检机器人的变电部设备运行状态监测，结合故障树模型和粗糙集理论，能有效减少人工和机器人数据监测量，进一步挖掘故障因素。

为便于计算，使用结构函数将故障树模型进行结构变换。此外，对巡检机器人采集的红外图像拆解分析，以确定设备在当前是否存在故障，若无故障，机器人巡检下一个设备；若有则将预警信息发送给工作人员，以便及时处理并降低危险程度。同时，利用结构函数和故障树模型深入挖掘故障底层事件，识别故障原因，量化历史数据以确定隐藏故障发生的概率，并根据诊断结果，优先对大概率故障底层事件进行实时评测，发出检修申请等指令。

五、仿真实验

为验证在变电设备运行状态监测时，机器人行走路径是否重复，从而导致不必要的重复监测并影响监测数据，先对机器人路径有效性进行仿真实验。巡检机器人行走路径在确保变电设备全面监测的同时，无重复冗余路径和同一变电设备出发重复监测情况，节省了监测成本与时间。

变电设备运行状态监测结果越准确，则方法越好，所以在本文方法、非侵入式与传感器监测法下，对同一变电设备不同故障进行监测。为确保数据准确性，模拟实验次数设为20次，结果表明，非侵入式监测法对变电设备监测准确率在64～82%之间，而传感器监测法准确性在50～73%之间，本文方法监测准确率在80%以上，总体准确率高于其它方法。

为避免变电设备在正常运行时，系统出现错误判断，认为其处于异常或故障状态，浪费人力检查资源，对不同监测方法误报率进行了仿真实验，结果表明，无侵入式监测法误报率在36～48%之间，整体误报率高，影响了系统监测效率，以及运维人员日常判断和维护；传感器监测法误报率在17～33%之间，其误报率低，但并不稳定，在模拟实验中出现几次较大波动，可见，当监测任务增加时，传感器监测法误报率未必稳定；本文方法误报率在9～18%之间，其误报率更低，且无高频率波动，监测稳定性好。

统计不同方法下故障监测时间，非侵入式监测法下，监测设备运行状态所需时间在2.5～3.5s之间，随着监测任务的增加，所需平均时间也将相应增加；传感器监测法下，设备监测时间在2.0～3.2s之间，所需监测时间也会随任务增加而增加，且用时较长；本文方法监测设备状态所需时间在1.3～1.7s之间，总体监测时间较稳定，无显著波动，这表明该方法在监测时间上更有优势，能快速确定变电设备运行状态，使机器人能快速做出反应并节省监测时间。

参考文献：

[1]方国权.基于设备运行状态挖掘的非侵入式负荷分解方法[J].电力建设，2020，41(08):9-16.