基于機器學習的500kV超高壓變電站變電狀態機器人巡檢系統設計

張 文，許明政，李仲強，劉嘉豪

（國網安徽省電力有限公司超高壓分公司，合肥 230000）

為了滿足電力系統運行過程中的電壓變換、電能調控要求，需要建設越來越多的變電站[1]。變電狀態的不同直接導致了供電品質的差異[2]。尤其對于500 kV 超高壓變電站來說，變電站變電狀態的巡檢，是保證電力系統輸電安全和供電可靠性的重要環節。常規的人工巡檢模式，難以適應不斷擴增的變電站規模，眾多機器人巡檢系統開始出現。文獻[3]從軟件、硬件兩方面進行巡檢機器人系統的設計，其中，系統硬件設計包括處理器、紅外熱成像測溫器等多方面內容。而系統軟件設計則是依托于自動化交互理論，設計圖像采集、特征提取、巡檢路線規劃等多個流程，獲取變電站巡檢結果。但是，該系統應用拓展性較差；文獻[4]基于傳統的智能巡檢系統結構，結合實際巡檢環境，設計包含實時通訊功能的智能巡檢系統。但是，巡檢系統存在較多檢測盲區；文獻[5]以降低運維人員工作強度為目的，設計機器人安全巡檢系統。通過各種檢測儀表獲取實時巡檢圖像，并以三維形式管理系統巡檢內容。為了實現巡檢自動化，依托于歷史巡檢數據，判斷當前設備運行狀態的異常，獲取機器人巡檢結果。但是，該系統響應時間較長。文中以解決上述機器人巡檢系統的不足之處為目的，提出將機器學習算法融入巡檢系統中，實時獲取500 kV 超高壓變電站變電狀態。

1 基于機器學習的500 kV 超高壓變電站變電狀態機器人巡檢系統硬件設計

1.1 運動控制器設計

文中提出以ARM 微處理器S3C2410 為核心，設計巡檢機器人運動控制器。為了保證控制程序的順利運行，在開發板上，設計15 位數據線接口以及10 位地址線接口，實現應用電路的擴展[6-7]。其中，運動控制芯片與微處理器的連接，正是以數據線接口為載體。同時，考慮到微處理器I/O 引腳與運動控制芯片的工作電壓有所差異，為了避免信號傳輸出現誤差，在運動控制器設計過程中添加一個電平轉換芯片，轉換電平的同時具有信號驅動功能。最后，應用15 位數據線將運動控制芯片引腳與高電平相連接，實現變電狀態數據傳輸。

1.2 傳感器設計

機器人巡檢系統中傳感器是不可或缺的組成結構之一，考慮到變電站工作環境的復雜性，設計的傳感器結構如圖1所示。

圖1 傳感器結構圖Fig.1 Sensor structure

本文設計的傳感器應用多線傳輸結構，與不同類型的硬件設備進行連接，同步獲取多種格式的變電狀態巡檢數據。文中設計傳感器的輸出阻抗低于500 Ω，確保傳感數據采集結果的全面性。

2 基于機器學習的500 kV 超高壓變電站變電狀態機器人巡檢系統軟件設計

2.1 創建變電站機器人巡檢地圖

考慮到變電站工作環境的復雜性，深入分析巡檢機器人傳感器數據的變化特點，實現機器人移動路徑導航[8]。為了便于尋找合理的巡檢路徑，提出由定位和建圖兩方面內容構成的SLAM 問題模型。將機器人周圍的障礙物標注為路標[9]，通過激光掃描儀發射多條光束，根據外部傳感器采集的信息估算機器人當前位置，以及附近巡檢區域中路標位置，創建機器人巡檢地圖所應用的SLAM 問題模型如圖2所示。

圖2 SLAM 問題的模型Fig.2 SLAM problem model

圖2所示的模型中：l 表示時刻；i，j 表示兩個巡檢路標；m 表示路標位姿矢量；f 表示機器人位姿矢量；o 表示控制矢量。

利用圖2所示的SLAM 問題模型獲取機器人位姿矢量和路標位姿矢量后，應用AMC 算法對巡檢機器人的位置進行全局定位。通過粒子濾波器變換機器人位姿，主要包括預測和濾波兩部分。首先，采用自適應蒙特卡洛積分理論得到位姿轉變公式：

式中：? 表示積分；p 表示巡檢區域內障礙物路標采樣真實概率密度；q 表示估計概率密度。需要注意的是，當估計概率密度的定義域計算結果大于真實概率密度定義域，應用多個估計概率密度進行加權計算，得出：

則：

式中：β 表示粒子密集程度權值；Su表示第u 個采樣粒子；G 表示粒子采樣集合；η 表示粒子面積。

2.2 建立機器學習巡檢路徑規劃技術

機器人巡檢路徑的規劃是巡檢系統的重要內容之一，文中選取機器學習中的DBSCAN 算法，建立機器學習巡檢路徑規劃技術[10]。正式巡檢之前，由變電站工作人員手動操作機器人，在所有巡檢道路上行駛一次，并在機器人運動過程中持續采集周邊障礙物信息，并將障礙物以坐標形式保存起來。

文中所應用的DBSCAN 算法結合了鄰域半徑列表，按照激光雷達掃描線分布特點，分析激光雷達數據的密度分布不均勻情況，建立列表信息，并保證鄰域半徑參數與距離呈現出正比例增長趨勢。激光雷達掃描線具體分布如圖3所示。

圖3 激光雷達掃描線Fig.3 Lidar scan line

深入Fenix 圖3所示的激光雷達掃描線，計算激光雷達點高度，以及每條掃描線的俯仰角度。分析掃描線投射點與原點之間的距離，建立鄰域半徑列表。實際操作過程中，針對變電站監測區域內一個三維空間點，明確該點到x 軸的距離，在列表中查找任意點的鄰域半徑值，具體公式為

依托于DBSCAN 算法規劃巡檢路徑，本質上是依據密度聚類巡檢區域內容的所有空間對象，將包含噪聲的空間數據集合起來，連接形成大密度的相鄰區域，達到區分變電站巡檢障礙物的目的。依照激光導航實時掃描周圍環境，得到周圍物體的坐標，并區分機器人周圍環境中異物，先規劃巡檢停靠地點及具體巡檢項目，再勾勒任務巡檢拓撲圖，生成避開障礙物的最優路徑規劃。由于DBSCAN 算法具有搜索速度快的特點，只需要運行以此就可以得到合理的避障巡檢路徑，極大提升了系統巡檢效率。

2.3 設計巡檢圖像檢測算法

機器人在規劃好的巡檢路徑上運動，同步采集變電站變電狀態圖像。文中結合冪次變換與經典直方圖算法進行圖像增強，提升巡檢圖像的清晰度。其中，冪次變換公式可表示為

式中：v 表示冪次變換結果；e 表示增強處理后圖像最大灰度值；r 表示直方圖均衡化變換函數；τ 表示調節函數。

為了獲取處理后的巡檢圖像中包含的關鍵紋理特征信息，通過傅里葉交換算法分類特征信息。變電站變電狀態巡檢圖像特征的提取，包括能量、均勻性、熵和對比度4 項主要特征數據量。為了計算每項特征數據量的灰度級共生信息，建立如下公式：

式中：E 表示像素能量；K 表示像素均勻性；L 表示像素熵；U 表示像素對比度；D 表示灰度級共生信息；z，g 表示關鍵紋理特征灰度級的像素對。

依托于特征提取結果，獲取機器人巡檢目標，并設置搜索區域，當所設置的巡檢區域搜索結束后，完成巡檢圖像局部放電異常聲音的檢測。針對機器人巡檢系統的歷史巡檢信息，分解異常變電狀態的聲音特性，以此作為異常判斷依據。將機器人巡檢系統實時檢測內容，按照巡檢時刻建立異常識別序列，與異常判斷特性信息進行對比，可得出局部變電狀態異常檢測誤差為

式中：I 表示碼本；J 表示碼本矢量；?表示圖像放電聲音種類；F 表示局部放電區域；? 表示局部放電異常的碼本矢量總數；min 表示最小值函數；B 表示待測局部放電區域與碼矢量距離；ξ 表示檢測誤差。根據公式（13）計算結果，選取檢測誤差最小的碼本，確定其相對的變電區域，從而明確該變電設備的變電狀態顯示故障。

2.4 實現變電狀態巡檢控制管理

為了保證機器人巡檢系統的穩定運行，文中建立巡檢控制中心實現變電狀態巡檢控制管理。設計后臺界面向運維管理人員提供巡檢交互界面，實時下達選件任務指令、接收巡檢結果。考慮到變電站變電狀態巡檢任務具有多種類型，需要按照實際工作要求，設置例行巡檢、自定義巡檢、專業巡檢等不同巡查模式。

考慮到巡檢機器人自身不包含人機界面，因此，巡檢機器人的當前電量、作業中最大速度、最大轉角自主避障等大部分功能的設置，也需要通過巡檢控制管理模塊來實現。同時，為了避免變電站巡檢工作中出現特殊情況，引起機器人巡檢系統自主導航功能無法應用，在500 kV 超高壓變電站變電狀態機器人巡檢系統控制管理模塊中添加手動控制功能，后臺監控人員通過方向按鍵手動控制機器人巡檢方向。并通過轉動控制臺的搖桿，改變機器人巡檢的角度，旋轉機器人上附屬攝像頭，確保系統巡檢信息的全面性。

3 系統測試

3.1 工程概況

為了驗證文中設計系統的可行性，提出將該系統應用于雙泗500 kV 超高壓變電站變電狀態巡檢工作中，雙泗變電站位于江蘇省宿遷市，總面積超過110 公頃，是該城市內建設的第一座超高壓變電站，至今已經投入應用十余年。通過調查可以發現，該變電站當前主要包含3 臺主變壓器、9 回500 kV線路以及12 回220 kV 線路組成。為了降低變電站變電狀態巡檢難度，滿足變電站精細化管理要求，將文中提出的機器人巡檢系統配備在該變電站中。基于該變電站實際環境以及文中研究內容提出系統應用方案。考慮到充電室、上位機、輔助設備等都是巡檢系統設計的關鍵環節，本次測試所設計的電氣主接線狀態如圖4所示。

圖4 系統電氣接線圖Fig.4 System electrical wiring diagram

根據圖4所示的電氣接線圖，完成系統運行基礎環境的設置，針對文中設計巡檢系統進行安裝，并測試該系統的實際應用效果。

3.2 機器人巡檢路徑

變電狀態機器人巡檢系統的運行，主要包括巡檢路徑規劃以及巡檢圖像處理兩項主要內容，根據文中提出的DBSCAN 機器學習技術，結合激光雷達導航算法，得到巡檢路徑規劃結果。巡檢機器人從充電房出發，依次巡查電容器、控保屏等主要電氣設備，最終達到全面巡查500 kV 超高壓變電站變電狀態的目的。利用文中提出的巡查系統，所得出的巡檢任務路徑規劃結果如圖5所示。

根據圖5所示的巡檢路徑規劃圖運行機器人，采集變電站變電狀態相關圖像。

圖5 550 kV 超高壓變電站巡檢規劃Fig.5 Inspection plan of 550 kV EHV substation

3.3 變電狀態巡檢結果分析

采用冪次變換理論和直方圖理論，對機器人實時采集的巡檢圖像進行增強處理，得到的圖像增強處理效果如圖6所示。

圖6 巡檢采集圖像增強處理示意圖Fig.6 Schematic diagram of image enhancement processing of patrol inspection acquisition

巡檢圖像處理結束后，提取圖像特征并結合變電站工作標準要求，輸出變電狀態檢測結果。在雙泗500 kV 超高壓變電站變電狀態巡檢工作中，應用文中設計系統進行為期3 天的巡檢測試，得到的巡檢任務統計如表1所示。

表1 變電狀態巡檢任務Tab.1 Inspection tasks of substation status

從表1可以看出，應用文中提出的機器人巡檢系統，可以對變電站變電狀態進行有效檢測，從例行巡視的角度來看，變電狀態巡檢結果與人工巡檢結果相比完全一致，表明了文中設計系統的可行性。

3.4 系統性能分析

為了直觀表現出文中設計系統的應用性能，以巡檢時間作為判斷指標。在相同的巡檢線路長度要求下，對比文中提出系統、基于傾斜攝影的巡檢系統以及基于自動化交互的巡檢系統的巡檢時間，形成不同系統巡檢時間對比，如圖7所示。

根據圖7可知，文中設計系統的巡檢時間明顯有所降低，以巡視線路長度為30 km 為例，基于傾斜攝影的巡檢系統以及基于自動化交互的巡檢系統的巡檢時間分別為56 min，43 min。以機器學習技術為基礎，建立的變電狀態機器人巡檢系統，巡檢時間僅為8.5 min，使得巡檢時間縮短了64.5%與59.2%，有效提升變電站變電狀態巡檢效率。

圖7 不同系統巡檢時間對比Fig.7 Comparison of patrol inspection time of different systems

4 結語

文中以500 kV 高壓變電站的變電狀態巡檢工作為研究重點，提出融合了機器學習技術的巡檢系統。與以往提出的機器人巡檢系統相比，文中從巡檢路徑和巡檢圖像檢測兩方面進行創新，有效提升了系統巡檢效率。但是，因為研究時間的限制，文中所述的研究內容還可以進一步完善，以機器人功能模塊化結構為例，未來可以考慮到復雜變電站運行環境，細化巡檢功能模塊，確保建立的系統可以在不同區域的變電站中發揮較好的應用效果。