人工智能分析在電網設備狀態檢修平臺中的應用

徐慶

【摘 要】隨著計算機技術、信息處理技術等的發展和向各領域的滲透，使在線監測技術逐步走向實用化階段。本文介紹VCS5000狀態檢修監測平臺，實現了各監測系統的信息互通，避免了傳統監測系統“信息孤島”的弊端，通過人工智能分析實現了電氣設備的狀態預測、故障預警和診斷功能，提高設備狀態檢修管理水平及電網運行的可靠性和穩定性，為檢修人員提供分析和判斷設備故障的必要依據。

【關鍵詞】狀態檢修 信息孤島 人工智能 可靠性

隨著計算機技術、信息處理技術等的發展和向各領域的滲透，使在線監測技術逐步走向實用化階段。但是現有系統也存在一些問題：出現了一種監控“孤島”現象，主控室里有各種服務器監測各種設備的運行，這些系統各自獨立運行，不僅浪費了空間資源和計算機資源，同時也增加了值班人員的工作量。VCS5000狀態檢修在線監測系統采用一體化的思路，對這些系統的大小、功能范圍等進行統一的界定標準，進行統一的狀態檢修監測平臺的開發和實施。

1VCS5000系統總體結構

VCS5000系統采用分層分布式結構，配置傳感器和現場采集單元。現場采集單元按監測功能要求配置，為了避免給站控層網絡設備帶來過重的負擔、甚至影響整個站控系統的安全穩定運行，全站設置一套獨立的綜合狀態監測系統。

各類傳感器實時采集各電力設備狀態信息，點對點傳輸至現場采集單元，通過RS485或以太網以IEC101、IEC103規約接入狀態監測系統子站。監測中心控制和管理各個監測單元，并負責采集、存儲狀態監測數據，對站內各變電設備的運行狀況進行診斷和分析，并對相關數據進行融合，建立運行與檢修管理數據庫，向運行人員提供變電設備狀態信息和對可能的故障進行預警。

2 VCS5000系統功能

2.1 電氣設備智能在線監測

（1）變壓器油色譜氣體在線監測：需要對日常的監測數據進行分析處理，把故障氣體各組份和總烴的含量抽取出來對變壓器故障進行綜合分析診斷，并結合相關技術規程、導則、技術監督和檢修人員的實踐經驗，對抽取數據的展現形式、關聯數據、生命周期、歷史保留深度等屬性進行標準化管理，從而及時捕捉到變壓器故障信息，科學的指導設備運行檢修。（2）容性設備絕緣在線監測：通過監測110kV 及以下變電站內電氣一次設備（如電流互感器、電壓互感器、變壓器鐵芯等高壓設備）的末屏泄漏電流，經分析計算后得到設備運行狀態下的等值電容及其變化率、介質損耗。系統分兩個部分，即由傳感器和監測終端構成數據采集、測量和計算單元。（3）SF6 氣體密度及微水在線監測：對各氣室SF6氣體的實時濕度、實時壓力、相對濕度、密度等數據進行檢測，并可以通過其變化趨勢及時發現設備的隱蔽性缺陷，相應提高了電氣設備的狀態監測水平。當相應的指標達到報警狀態時，系統自動報警或啟動報警裝置；當相應的指標超標達到緊急報警級別時，自動報警或啟動閉鎖裝置，來保障電力設備和供電系統的安全。（4）斷路器動作特性在線監測：采用專用的霍爾電流互感器，采集斷路器的分、合閘線圈、儲能電機等運行過程中的波形和數據以及綜合電流互感器二次傳感采集的電流波形、數據，通過RS485總線遠傳進入后臺狀態監測軟件，用戶可以查勘監測的分、合閘線圈的動作波形、儲能電機的工作狀態以及評估和分析結果。主要監測內容包括儲能電機工作工況監測、開斷故障電流和開斷負荷電流監測及斷路器動作時間、速度監測。

2.2電氣設備狀態信息預測

現有設備狀態監測系統的故障自動診斷功能是基于實時監測和分析數據結果的基礎上的，也就是說，當診斷出故障時，故障有可能實際已經發生了，因此無法實現故障的預警功能，也就無法實現真正的狀態檢修。

Box-Jenkins預測方法把時間序列看作隨機過程來研究和描述，其基本思想是：首先假設所分析的時間序列是由某個隨機過程產生的，然后利用時間序列的原始數據建立一個描述該過程的模型，并進行參數估計，此后運用所建立的模型，在已知時間序列在過去和現在的觀測值的情況下，求得時間序列未來的預測值。對于平穩性時間序列，Box-Jenkins預測方法的模型分為三種：自回歸模型（AR）、移動平均模型（MA）、自回歸—移動平均模型（ARMA）；對于非平穩性時間序列，則可應用累積式自回歸—移動平均模型（ARIMA）。VCS5000系統監測模塊根據數據時間判據，選擇上述模型分析，從設備狀態特征信息歷史數據出發，考慮運行、環境等相關因素，采用人工智能分析進行設備狀態特征信息的提取，給出各在線監測系統對應設備未來的預測值，并作為系統對設備故障分析、診斷的信息源。

2.3 電氣設備故障智能分析診斷

故障診斷技術是保障電氣設備安全運行的基本措施之一，它能夠根據各種預測方法得出的初步結論，結合具體電氣設備的結構特點，綜合考慮電氣設備的運行歷史和各種環境因素的影響，對電氣設備發生的故障進行分析，確定故障的性質、程度以及部位，推測引起故障的原因。

人工智能算法的出現為實現故障的智能診斷提供可能。BP神經網絡是一種多層前饋神經網絡，名字源于網絡權值的調整規則，采用的是后向傳播學習算法即BP學習算法。典型的BP網絡是三層前饋階層網絡，即：輸入層、隱含層（中間層）和輸出層，各層之間實行全連接。VCS5000系統故障智能分析診斷模塊將預測模塊輸出的電氣量預測值送入BP神經網絡輸入層，經過隱含層的推導，最終給出系統可能的故障類型，從而實現以在線監測為依據的狀態監測與維修逐步取代以預防性試驗為依據的預測維修，為電網實現基于狀態監測的設備全壽命周期綜合優化管理提供基礎數據支持。

2.4 顯示統計信息

能實時顯示設備狀態監測參數，可以查詢任一臺設備的歷史記錄、動作波形和當前狀態。當設備的狀態發生異常或者故障時，在操作界面上給出明確的警示信息。

2.5 數據共享

本地計算機上的設備狀態監測數據可以下載到遠程終端上或其他計算機上，便于監測數據的共享。

3結語

VCS5000一體化的監測系統解決了在線監測“信息孤島”的弊端，為所有在線監測系統提供了一個智能化的監測平臺，有助于及時、全面掌握設備的運行狀態、健康狀況及其所處環境等要素對于變電站乃至整個電網的安全穩定運行至關重要。

參考文獻：

[1]鄭麗娜.電氣工程自動化中人工智能應用研究[J].中國科技博覽，2014（34）：328.