智能變電缺陷運檢助理應用系統設計

黃智華 李雄梁 侯斌 馬孟勛

關鍵詞：變電缺陷；全景數據；智能輔助；缺陷分析

1引言

目前，變電缺陷管理的自動化和智能化水平不高，在數據的收集和處理、缺陷的分析和總結上主要依賴人工進行，對已有的缺陷數據、缺陷特征數據以及大量的缺陷分析報告等，缺乏信息化、數字化的手段將其有效轉為可用易用的知識，以致設備出現缺陷時還是依賴運檢人員現場勘察、技術人員現場分析的方式，無法為缺陷發現、缺陷定級、處理建議、施工方法、工器具準備提供流程化、標準化處置技術支持[1]。

通過設計智能變電缺陷運檢助理應用系統，構建變電缺陷知識庫，將人工經驗知識進行固化、共享及傳承，為缺陷發現、缺陷定級、處理建議、施工方法、工器具準備等變電缺陷全鏈條業務提供智能輔助支撐，可以實現規范化、標準化的業務處置策略，提升缺陷全過程處置的工作效率：實現缺陷全景數據的智能分析、自動生成缺陷統計報告與缺陷分析報告；實現智能化設備狀態及風險分析，提升數據整理及分析的工作效率：實現缺陷數據的深度挖掘及應用：構建變電缺陷智能運檢助理，打造高效信息交互通道，簡化現場作業流程，促進各專業高效協同工作，提升變電缺陷運檢智能化、精益化水平[2]。

2變電缺陷知識庫構建

整理變電設備的檔案信息及設備出現缺陷時的相關狀態、現象及其他異常數據，通過采集上述信息，可以構建變電缺陷結構化的信息庫和變電缺陷知識抽取模型，從而完善無監督學習的有效數據集。

采用自然語言處理和變電缺陷知識抽取技術，從非結構化的變電缺陷標準規范、電網缺陷管理規章制度、缺陷分析報告、消缺總結報告等文本文件中抽取變電設備的運檢知識信息，將抽取到的知識信息實體進行結構化，設計出對應的變電缺陷知識圖譜概念模型，通過采用知識圖譜相關技術，將結構化后的缺陷知識實體及相關信息，按變電缺陷知識圖譜概念模型傳輸到知識庫圖譜中；融合變電領域技術專家的豐富經驗及機器無監督學習算法模型的自流程技術，將變電站歷史運檢產生的結構化信息和文本等非結構化數據轉化為知識實體，通過圖譜的生成算法對變電缺陷知識信息不斷地進行自動篩查及驗證，并融合、優化抽取到的相關缺陷知識，從而實現知識庫中變電設備相關缺陷知識的自主更新。

3缺陷全景數據分析

基于電網資產管理系統的基礎數據，按照年、季、月的周期，對周期內缺陷數據用多種維度進行統計分析，從資產管理系統中獲取設備缺陷的缺陷表象、缺陷設備的類型、缺陷功能位置及部位、缺陷所屬等級、缺陷發生原因、缺陷來源、設備生產廠家、設備投運使用年限、缺陷產生日期、消缺日期、電壓等級等特征項，用于關聯規則挖掘。其中，部分缺陷與設備屬性相關，如缺陷設備的類型、缺陷功能位置及部位、設備生產廠家等；部分缺陷與缺陷屬性相關，如缺陷表象、缺陷發生原因、缺陷產生日期等；部分缺陷與消缺處理過程相關，如消缺時間、消缺方法等[3]。通過從特征項中挖掘設備的頻發缺陷及頻發缺陷的主要誘因，可以尋找它們之間的關聯關系。

針對家族性變電設備缺陷分析統計，可以應用高頻子圖挖掘技術，來分析設備生產廠家、設備所屬部件生產廠家同家族的設備或部件及設備出現的缺陷現象、現象產生原因等之間的相互關系。對于已經明確的故障或缺陷原因，只進行該類原因的概率計算，就可實現家族性變電設備缺陷概率的分布統計，方便運檢人員判斷相關生產廠家的相關同族設備是否存在潛在缺陷，從而為變電設備狀態評價提供重要的參考依據。

通過構建變電設備狀態評價及風險數據處理引擎，可以實現變電設備狀態信息的智能評價。變電設備狀態評價及風險數據處理引擎將依據設備狀態、評價規范要求，從缺陷全景數據中抽取評價相關數據，使用數據庫表配置項的方式，動態、靈活地開展設備狀態評價，實現設備狀態參量和評價計算路徑的動態定義。此外，數據處理引擎還能夠解析設備狀態評價模型，并根據模型控制設備狀態評價的計算過程，設備狀態評價模型則支持對各類設備狀態的評價進行靈活配置，如可按本體、部件、子設備、基礎單元等進行評價。

4變電缺陷全鏈條智能輔助

將專家共識的缺陷研判技術、知識搜索技術、數據回填技術和多維度數據統計分析技術等進行融合，可以實現變電缺陷發現及上報、消缺前準備、消缺中輔助、消缺后結果錄入的全鏈式反饋機制，并持續對缺陷進行跟蹤和總結分析。

變電運行側缺陷上報時，根據所填寫的設備基本信息、缺陷表象、缺陷描述和消缺前圖片，自動采用專家共識與圖像識別相結合的方式，輔助變電運行人員進行缺陷分類和缺陷定級，并給出缺陷確認建議和處理措施，以進一步提升缺陷上報的準確性。

針對變電檢修側，在進行消缺動身前，利用數據協同和知識搜索技術，可以生成更科學的消缺工作排程，并根據當前缺陷信息，最優匹配消缺所適合的專業班組、生成缺陷處理措施以及列出所需工器具、需關注的安全風險點、關聯的設備圖紙等。

在消缺的過程中，與AI移動助手進行交流，可隨時、隨地、隨意進行運檢輔助數據查詢，數據所問即所得：在消缺后，可通過數據自動化輸入的方式實現消缺結果數據的錄入和回填，并根據當前新增的處理措施，自動更新專家共識，實現知識的更新、融合。

利用數據分析技術、數據聚類技術，對缺陷持續進行跟蹤和總結分析，對變電設備缺陷的電壓等級、缺陷等級、站點、功能位置、設備名稱、部件名稱、設備類別、缺陷類型、專業類別、廠家、型號、投運日期等進行多維度統計分析，可以綜合展現缺陷的分布情況；通過對同一設備缺陷歷史數據的分析，可以實現該設備歷史缺陷基于時間維度的變化跟蹤：充分從廠家、型號、投運日期等維度，挖掘分析設備存在的批次缺陷，并對相應廠家及設備形成評價比對機制，可以為后續設備采購及更換提供參考，從源頭上杜絕缺陷的重復出現[5]。

5系統設計及實現

經過利用上述技術，最終開發并形成變電缺陷運檢助理應用系統，其技術架構如圖1所示。

本系統總體技術架構分為四個部分，即數據存儲、數據處理、分析引擎、應用分析。

數據存儲基于資產管理系統、變電運行平臺等變電設備缺陷數據，對這些系統數據自動進行采集和預處理，形成變電缺陷專業數據池。

數據處理包含自然語言處理和缺陷知識圖譜兩大部分，自然語言處理主要對缺陷的文本進行分詞、標注，并訓練可用于缺陷文本場景下的模型，以實現缺陷文本數據的實體提取、關系抽取和屬性抽取。缺陷知識圖譜主要對設備關系、缺陷關聯關系、圖譜關聯關系等進行存儲、更新、檢索。每次獲得的自然語言處理結果將用于知識庫（圖譜）的自主更新。

分析引擎主要包含智能輔助引擎、智能問答引擎、報告生成引擎。通過分析引擎，將數據處理細節抽象為應用，提供統一的基礎支撐。

應用分析包含缺陷智能輔助、缺陷智能問答、缺陷報告、數據可視化等。通過調用分析引擎，實現缺陷輔助、問答、報告等功能，并提供一個可視化的數據視角。

系統功能架構如圖2所示。

系統功能架構由支撐服務、核心功能、權限功能、系統應用功能四個功能模塊組成。它們之間采用分布式的軟總線進行相關信息數據的交互，通過采用基于Kafka技術的數據消息訂閱和發布方式進行功能模塊及相關進程間的信息交互，各功能模塊及進程訂閱自己所需信息和向外發布信息，各功能模塊完成特定的功能后把結果發布到總線上。

6結束語

為了設計本文所述系統，前后開展了NLP相關技術、變電缺陷圖譜及知識庫構建技術、智能數據分析技術的研究，將公司資產管理系統中缺陷相關的各類多模態數據資源進行融合，有效銜接了資產管理系統中缺陷管理業務流程，將線上、線下的缺陷管理進行數字化、智能化改造升級，進一步提升了變電設備缺陷管理工作與現代信息技術的深度融合，切實解決了變電設備缺陷巡檢一線人員工作中面臨的難點、痛點，并為公司降本增效、保障安全生產提供支持，從而提升了變電缺陷運檢數字化水平，助力公司數智化轉型。