基于物聯網技術的變電站蓄電池設備數據采集系統研究

陳和洋，周金平，何春慶，陳 歡，王林發

（國網龍巖供電公司，福建 龍巖 364000）

0 引言

變電站直流系統為控制、信號、保護、自動裝置、事故照明及倒閘操作等提供可靠的直流電源，對變電站的安全、穩定運行起著十分重要的作用［1］。直流系統一般由充電裝置和蓄電池構成，因此蓄電池的健康狀態直接影響到直流系統的安全穩定運行。在《國家電網公司變電運維管理規定》及《國家電網公司變電運維通用管理規定（第24分冊站用直流電源系統運維細則）》中對蓄電池組全核對性放電試驗、單個蓄電池電壓、蓄電池內阻等試驗和維護項目進行了規定。

目前蓄電池檢測工作一般需要先打印紙質作業卡，現場測試完成后，記錄下測試數據，然后再手工錄入設備（資產）運維精益管理系統（Equipments（assets）Operation and Maintenance Precision Management System，PMS）［2］。該方式效率低下，同時記錄和錄入過程可能存在遺漏或錯誤，數據準確度較差。隨著移動作業技術的在電力系統中的大力普及，越來越多的移動作業終端被應用到變電領域，利用移動作業終端可以實現對變電設備信息、檢測數據、設備維護和退役等全流程的精益化管理，大大提高了變電運維工作的效率［3］。文獻［4］介紹了一種蓄電池試驗遠程操控系統，實現在云端監測蓄電池各項測試數據，但采集的各項測試數據未能與PMS2.0 系統貫通，并在PMS 系統生成相應的測試數據和記錄。蓄電池在線監測技術能夠利用現場布置的傳感器對蓄電池內阻、電壓、溫度、剩余容量等數據進行監測，實現對蓄電池健康狀態跟蹤。文獻［5］介紹了一種基于物聯網技術的變電站蓄電池監測系統，通過電壓、溫度、內阻等采集模塊采集數據，經過網絡層將監測數據傳輸至主站，但布置該系統可能會產生較高的成本，其中包括數據的采集、傳輸和存儲，如文獻［6］介紹的云管理系統每天對蓄電池進行數次測試，高頻、長期的測試將產生海量測試數據，用于存儲數據的服務器也是不小的費用。此外采用持續的在線監測還可能因采集線、保險等出現誤報警、數據通信斷連等系統穩定性問題。但從長遠角度來看，對蓄電池部署在線監測系統是未來發展的趨勢，系統需要將監測數據與PMS 系統打通，形成相應的檢測記錄數據報告以及完善的信號斷連告警機制，并逐漸由人工現場檢測轉變為遠程控制檢測，運行人員僅定期對現場設備進行巡視即可，從而減輕運維人員的工作量，提高設備運維管理水平。

設計一種基于物聯網技術的變電站蓄電池設備數據采集系統，利用移動作業終端掃描設備二維碼對蓄電池各項數據進行標準化抄錄，配合在線語音識別技術提高了數據抄錄的效率。同時，利用無線專網和安全接入平臺與內網系統實現數據同步，并在后臺生成相關檢測記錄，避免運維人員重復錄入數據，浪費時間。移動作業終端可以對采集的蓄電池內阻、電壓等數據進行分析后得到蓄電池健康狀態，對存在缺陷和異常的蓄電池提供告警，便于運檢人員及時開展設備維護工作。

1 系統架構

基于物聯網技術的變電站蓄電池設備數據采集系統如圖1所示，其由PMS2.0平臺層、業務平臺層和業務應用層3 部分構成。其中，PMS2.0 為設備（資產）運維精益管理系統，系統覆蓋輸電、變電、配電三大專業，在變電專業方面，系統以設備臺賬管理為核心，涵蓋設備管理、運行工作管理、缺陷管理、檢修試驗管理、標準化作業管理、計劃任務管理、狀態檢修管理、生產報表管理各種專項管理、各種統計查詢等生產業務［7-8］。

圖1 系統架構

業務平臺層實現數據的接入、業務分析以及PMS2.0進行數據交互。基于PMS2.0定義了統一的通信規約與統一數據規約，管理所有與PMS2.0 的數據交互。在此基礎上，對數據進行加工，構建業務分析模型，實現二維碼識別引擎、報表分析引擎、語音識別引擎以及預警分析服務，構建統一的接入服務，用于與移動終端進行數據交互，為業務應用提供支撐服務。

業務應用層在業務平臺建設成果的基礎上，提供移動終端業務管理，利用蓄電池二維碼標簽技術，對蓄電池各項數據進行高效采集，根據采集的數據進行質量分析，當系統發現異常時進行主動告警，實現對蓄電池健康狀況進行跟蹤和監測。

2 網絡架構

利用安全交互平臺內嵌的通道服務，實現移動作業終端與PMS2.0系統進行交互，如圖2所示。

圖2 網絡構架

采用無線專網和安全接入平臺接入到內網，實現移動終端與移動應用主站的數據交互。內網移動應用通過電力無線虛擬專網接入安全接入平臺，由安全接入平臺進行接入監管、數據過濾后再連接到移動應用主站業務服務接口，實現同業務系統的數據交互。采用電力無線虛擬專網和安全接入平臺，能夠有效杜絕非法接入和違規外連，保障了內網數據的安全。

3 系統功能

3.1 二維碼標簽

二維碼技術是一種新型條形碼技術，是在一維條形碼的基礎上發展起來的一門集信息編碼、信息傳遞、圖像處理等技術于一體的綜合性技術［9］。二維碼種類有：便攜數據文件二維碼（Portable Data File 417，PDF417）、快速反應二維碼（Quick Response Code，QR Code）、49 條形碼（Code 49）、16K 條形碼（Code 16K）等［10］，其中QR 碼是最常見的二維碼。二維碼具有便于識別、信息容量大、抗干擾和容錯能力強等特點［11］，變電站內通常將其打印于抗老化塑殼或不銹鋼板等材質上形成二維碼標簽，用3M 背膠、抱箍、膨脹螺絲等進行固定安裝。

3.1.1 二維碼標簽編碼與識別技術

1）二維碼的編碼與識別原理。

一個二維碼由空白區、位置探測圖形、位置探測圖形分隔符、定位圖形、校正圖形、格式信息、版本信息、數據和糾錯碼字構成，基本結構如圖3所示。

圖3 二維碼基本結構

識別過程主要分為：圖像預處理、定位位置探測圖形、定位校正圖形、透視變換、譯碼和糾錯。

圖像預處理將圖像進行灰度化、去噪、畸變矯正和二值化，便于識別［12］。

通過位置探測圖形、位置探測圖形分隔符和定位圖形進行定位。

校正圖形用于對二維碼的形狀進行校正，根據位置探測圖形估計校正圖形，并進行校正。

利用定位圖形和校正圖形的中心點，通過透視變換獲取標準正方形圖形［13-14］。

譯碼過程對二維碼版本信息、格式信息、數據和糾錯碼進行解碼和比對，將數據區轉化為0和1的比特流，并用糾錯算法對比特流進行校驗和糾錯。根據編碼格式后譯碼就得到了二維碼中包含的信息。

其中格式信息用于存儲容錯級別和數據掩碼以及額外的自身容錯碼，存儲容錯級別分為L、M、Q、H這4 個等級，分別為7%、15%、25%、30%的字碼可被糾正［15］。版本信息用于存儲二維碼的規格，共有40種規格的矩陣，從21×21 像素（版本1）到177×177 像素（版本40），每一版本符號比前一版本每邊增加4個模塊［16］。數據和糾錯碼字用于存儲二維碼的信息和修正二維碼損壞帶來的錯誤。

2）二維碼標簽的技術要求。

二維碼應采用QR 碼，二維碼內含有實物“ID”編碼及蓄電池的各項信息。對于不可以近距離掃碼的設備，應具備一定的糾錯等級，通常為L 級（7%的字碼可被糾正）。對于使用年限較長，并且又可以近距離掃碼的設備，宜采用H 級（30%的字碼可被糾正）［17］。識別二位碼的終端應具備800 萬以上像素，具備自動對焦以及裝有智能操作系統。

3.1.2 二維碼標簽管理

數據采集系統需要構建變電蓄電池二維碼識別體系，利用二維碼技術，按照規則批量生成變電蓄電池組、電池單體數字化的唯一標識資產ID 和二維碼，利用集成移動智能終端打印機，打印生成蓄電池二維碼標簽，用于蓄電池現場識別與數據采集，建立變電站蓄電池二維碼動態管控。

基于移動互聯網技術、二維碼掃描識別技術，現場移動作業終端一鍵掃描識別，有效輔助現場人員數據采集［18］。

3.2 數據采集

通過掃描變電蓄電池二維碼、語音等智能識別技術，提高變電蓄電池數據采集效率。對蓄電池設備檢測數據標準規范進行梳理和拓展，形成變電蓄電池采集數據標準化模版，對蓄電池數據進行標準化采集，如圖4 所示，可實現移動端蓄電池單體、電池組等各類檢測數據采入功能，支撐檢測數據可靠、快速采集。

圖4 蓄電池檢測數據標準化采集界面

3.2.1 語音錄入

移動作業終端的顯示界面通常較小，鍵盤彈窗也較小，手動輸入容易造成誤觸，影響錄入效率。語音識別服務能夠將語音實時音頻文件轉寫成文本，是進行智能人機交互的基礎［19］。為了提升數據采集效率，采集系統還接入了智能語音識別輸入功能，如圖5 所示，對接收到的語音進行特征提取，提取到的特征與經過樣本庫訓練得到的聲學模型和語言模型進行比對后，形成文本輸出。對用戶的實時音頻流識別結果進行自動斷句，標記每句話的開始和結束時間，實現智能識別，優化輸入，提升數據采集效率。

圖5 語音識別模型

1）聲音模型。

聲音建模是實現語言識別的核心，需要選擇合適的聲學基元來建模，可以是音素、音節、詞等多個層次［20］。隱形馬爾科夫模型（Hidden Markov Model，HMM）符合人類的語言過程，人類產生語音時，語法語音、大腦思考過程等內部隱含狀態是不可見的，所生成的音素參數流的特征參數卻是可觀測的［21］。

在選取聲學基元時，考慮到漢語獨特的聲韻母結構及語音語調，選取聲韻母模型能夠獲得更好的識別性能。

采用基于深度神經網絡隱形馬爾科夫模型（Deep Neural Networks-Hidden Markov Model，DNNHMM）構建聲學模型，如圖6所示，其中HMM 對語音時序信號建模，DNN 為輸入樣本的后驗概率分布建模［22］。

圖6 DNN-HMM聲學模型

圖中S1，S2，...，Sk-1，Sk為HMM 中的各個隱藏狀態，從而組成一個隱藏序列。觀測序列為一段語音數據，經過加窗、分幀后將頻譜特征進行提取，獲得觀測矢量v作為DNN 的輸入。DNN 會進行拼接幀操作以獲得更多信息的輸入向量，相比傳統的高斯混合模型（Gaussian Mixed Model，GMM），DNN 具有更好的性能［23-24］。

需要將DNN 得到的后驗概率和先驗概率相結合，轉化得到狀態的觀察概率。例如：輸入樣本為x、輸出狀態為s，P（s|x）表示DNN 的后驗概率輸出，根據貝葉斯公式有

式中：P（s）為建模單元的先驗概率；P（x）為觀測樣本的先驗概率，通常采用平均分布進行替代。

通過式（1）得到觀察概率后就可以結合HMM 以及語言模型進行解碼。

2）語言模型。

語言模型是對一段文本X=（w1，w2，...，wn）的概率進行估計，即計算P（X）的概率。語言模型分為統計語言模型（Statistical Language Model，SLM）和神經網絡語言模型（Neural Network Language Model，NNLM）［25］。

在統計語言模型中利用極大似然估計來計算每個詞出現的條件概率，根據排列順序判斷一段文字是否為自然語言，即

當句子長度較長時，估計最后一個詞的概率將產生大量運算，利用馬爾可夫假設（Markov Assumption，MA），假設當前詞出現的概率只依賴于前n-1個詞［26］，則第i個詞出現的概率為

則P（X）變為

隨著n的增大，自由參數空間呈指數級增長，同時在測試集中會出現訓練集中未出現過的詞和某個子序列未在訓練集中出現，帶來數據稀疏問題，須進行平滑化處理。

與統計語言模型不同的是，神經網絡語言模型不通過計數的方法對n元條件概率進行估計，而是直接通過一個神經網絡對其建模求解，盡管神經網絡在一定程度上解決了數據稀疏的問題，但還是損失了一些信息。解決方法是采用循環神經網絡（Recurrent Neural Network，RNN），只需要把NNLM的隱藏層換成RNN 神經元，RNN 結構能利用文字的上下文序列關系，更好地對語句之間的關系進行建模。

3.2.2 歷史數據調閱

在移動作業終端對蓄電池單體、電池組等各類檢測數據采錄時，還可以調閱蓄電池歷史檢測數據進行分析，并結合預警規則庫，進行比對提醒，如圖7和圖8所示。

圖7 歷史檢測數據預警

圖8 數據錄入異常告警

3.2.3 同步PMS2.0

基于PMS2.0 的數據模型，定義了統一的通信規約與數據規約，管理所有與PMS2.0 的數據交互，實現移動終端采集的數據實時與PMS2.0 系統數據同步共享。傳統蓄電池檢測工作完成后運維人員還需要在PMS2.0 系統上將檢測數據錄入至系統，而移動作業終端的采集系統，通過標準化數據錄入能夠在PMS2.0 系統內生成相應的檢測報告，無須人工二次做記錄，避免進行重復性工作，提高了運維人員的工作效率。

3.3 告警與異常檢測

采集系統內設置蓄電池組電壓、單體蓄電池電壓、蓄電池內阻、溫度等上下限值，通過建立預警規則庫，并建立對應的響應觸發機制。對過充過放、溫度超限、容量過小、電壓過壓、電壓欠壓、內阻超限等多種電池故障或隱患進行建模、分析，建立數據驅動的主動預警機制。

在數據采集過程中，實時調取預警規則庫數據，對采集數據進行實時檢測分析，并結合歷史數據進行比對分析，發現符合預警條件時自動預警。

3.4 蓄電池質量分析

對蓄電池的內阻和電壓進行長期跟蹤，在內網端，構建可視化的監測平臺，如圖9 所示。利用可視化技術，對歷史數據進行分析統計，根據不同需求關注，以圖表等方式，提供易懂、直觀、高效、便捷的可視化展示平臺，全面掌握蓄電池的運行維護情況，為管理人員提供決策支撐。

圖9 蓄電池內阻檢測歷史曲線

4 結語

建立基于物聯網技術的變電站蓄電池設備數據采集系統，利用移動作業終端掃描二維碼標簽對變電站蓄電池檢測數據進行標準化錄入，檢測數據可實時同步至PMS2.0 系統，提高了蓄電池檢測工作的效率。采集系統對采集的蓄電池內阻、電壓等數據進行分析后可以得到蓄電池的健康狀態，并對存在缺陷和異常蓄電池提供告警，便于運檢人員及時開展設備維護工作。

隨著電網規模的不斷擴大，變電站數量與日俱增，而運維人員的數量并沒有隨之大規模增加，因此需要利用新的技術手段取代傳統低效、耗時、重復的檢測、維護工作。2016年電網公司啟動電網資產身份建設，以實物ID 為核心，實現資產信息全維度收集、全過程跟蹤、全方位共享。今后將會有越來越多的智能設備和技術被應用到變電領域，基于物聯網技術的數字化變電運維管理模式是未來的發展趨勢。