基于BIM一體化平臺的變電站智能運行狀態檢測方法研究

摘 要：針對現有檢測方法在檢測變電站運行狀態的過程中檢測結果與實際相差較大并且準確率過低的問題，本文引入BIM一體化平臺，研究變電站智能運行狀態檢測方法。應用BIM一體化平臺，對變電站進行智能漫游巡視。構建物理鏈路模型，完成虛擬回路融合。結合變電站設備運行周期性特點校核IED巡檢碼。劃分運行狀態等級，檢測并評估運行狀態。試驗結果表明，本文方法可以更準確地檢測變電站的運行狀態，為變電站設備運維提供支持。

關鍵詞：BIM一體化平臺；運行狀態；智能變電站

中圖分類號：TH 39 " " " " 文獻標志碼：A

自2010年起，隨著信息技術、物聯網以及大數據技術的發展，變電站的智能化水平明顯提升，智能變電站的概念應運而生。智能變電站融合了先進的傳感器、智能設備以及數據分析技術，旨在對變電站的運行狀態進行實時、精準的監測與高效管理。鑒于變電站內設備復雜多樣，運行數據龐大，且對安全性和可靠性有著極高的要求，因此，對變電站智能運行狀態的檢測需求也愈發精準和高效。

廖海等[1]提出了一種基于深度遷移學習的智能變電站電力設備部件狀態檢測方法。該方法通過深度遷移學習技術來預訓練模型參數，提高了變電站設備狀態檢測的精度和效率，但是在適應特定環境和識別復雜故障方面仍然有提升空間。李遠松等[2]提出基于智能感知與深度學習的智能變電站設備狀態檢測方法，結合智能感知與深度學習全面感知設備狀態并進行智能分析，但是在整合多源數據、提高算法魯棒性和降低計算復雜度方面存在不足。因此，為了克服上述方法的局限性，本文提出了一種基于建筑信息模型（Building Information Modeling，BIM）一體化平臺的變電站智能運行狀態檢測方法。該方法旨在通過BIM一體化平臺的有效整合與利用，實現變電站運行狀態的全面、精準監測與高效管理。

1 基于BIM一體化平臺的變電站智能漫游巡視

在變電站智能運維領域，現有的檢測技術受限于物理空間和觀察視角，不能全面、直觀地掌握電力系統的運行細節[3]。為解決這個問題，本文依托BIM技術，構建了變電站的精細化全景模型。該模型不僅涵蓋了變電站的物理結構信息，還融合了電力設備的運行參數與狀態數據，為后續的智能分析奠定了基礎。此外，在BIM一體化平臺中，本文設計了三維可視化模塊，并規劃了智能漫游路徑與交互界面，使運維人員能夠身臨其境，以第一人稱視角全方位地在虛擬變電站中漫游，實現全方位的觀察與分析[4]。BIM一體化平臺架構如圖1所示。

運維人員能夠利用這個虛擬仿真環境，模擬行走并探索變電站的各個區域，細致地檢查電力設備的運行狀態及其周邊環境，有效避免了在物理巡視過程中可能存在觀察盲區的情況[5]。在構建基于變電站的虛擬仿真漫游環境的過程中，本文整合了來自變電站SCADA系統的實時數據流，這些數據涵蓋了狀態量、模擬量和脈沖量等核心運行參數。具體來說，系統實時監測斷路器與隔離開關的開合狀態、保護系統的動作反饋、主變壓器及其相關監控裝置的信號狀態，以及事故總信號、保護裝置與監控裝置的自檢情況，還有變電站內輔助設施的運行狀態[6]。為了提高運維效率，筆者將這些實時數據映射至三維虛擬仿真場景中，利用動態模擬的方式直觀呈現變電站的實時運行狀態。

2 虛擬回路融合

在BIM一體化平臺的應用實踐中，筆者引入了虛擬回路融合技術。該技術利用數字化手段，在三維虛擬環境中精確地復現了在變電站過程層中典型間隔的物理鏈路拓撲結構，其簡化模型如圖2所示。

該物理鏈路模型能夠清晰描繪變電站內智能設備之間，通過面向通用對象的變電站事件（Generic Object Oriented Substation Event，GOOSE）和采樣值（Sampled Value，SV）進行信息交換所形成的光纖傳輸網絡。在這個模型中，光纖數據接口是信息交換的門戶，連接變電站中的各個智能設備[7]。光纖線路構成了信息傳輸的物理基礎。箭頭符號直觀地指示各接口間的信息流動方向，即信息的輸入與輸出關系。模型的兩端分別用方塊表示GOOSE和SV的地址空間，它們是信息交換的起始點和目的地。

為了更準確地描述變電站過程層的物理鏈路拓撲結構，可以將其表示為一個無向圖，如公式（1）所示。

G=（V，E） " " " "（1）

式中：G為無向圖；V為無向圖中的頂點集，表示變電站內的所有智能設備及其光纖數據接口；E為邊集，表示實際連接的光纖線路。

對于每個頂點v∈V，可以為其附加屬性，以描述其類型（例如GOOSE源、SV源和接口等）和狀態（例如活躍、空閑等）。每條邊e∈E在2個頂點之間建立連接，表示一個直接的信息傳輸通道。為了深入理解拓撲結構中的信息流動情況，本文定義了一個函數flow（e），該函數能夠提供關于每條邊e信息流動的詳細信息，包括流動的方向以及其他可能的特性。由于光纖支持雙向通信，信息在物理鏈路中的流動通常是雙向的，因此flow（e）的結構更復雜，例如采用集合或元組的形式來包含正向和反向的流量信息。

3 IED巡檢碼校核

在導入SCD文件的過程中，須參考變電站內設備的詳細配置文檔，深入分析IED的關鍵監測代碼。這個過程需要準確利用變電量信號的覆蓋率參數并且進行精密計算，生成對應的檢測指令[8]。將這些指令與IED的源代碼進行比較，驗證SCD文件是否充分滿足狀態檢測的功能性需求。由于變電站中電氣設備的運行周期ΔT可能會受多種電網環境因素的影響而產生波動，因此在構建IED狀態檢測碼的過程中須采取謹慎策略，避免直接采用過高的固定數值作為參數。基于上述邏輯，IED狀態檢測碼的計算過程如公式（2）所示。

（2）

式中：K為IED狀態檢測碼；T為時間常數；S為變電量信號覆蓋系數；f為變電信號解析數；b為校核度量；Hn為變電量狀態檢測實際參數；H0為初始階段變電量狀態檢測標準參數；n為檢測指令的發送頻率；為變電信號傳輸平均數。

數據處理流程在運算過程中具有全面、高效的優點。本文深度整合了IED與SCD文件，并且優化了變電站二次設備狀態檢測系統的性能，不僅提高了其運行效率，還提升了系統的穩定性。這項改進為變電站的高效、可靠運行奠定了基礎。

4 運行狀態檢測與評估

變電站設備的歷史記錄涵蓋了從安裝規劃、日常運行監測到環境適應性評估等環節。當評估設備運行狀態時，必須重點關注幾類核心參數，這些參數對最終檢測結果的準確性至關重要[9]。設備的性能評估不僅考慮了其準確性指標，還綜合了差流電抗器的采樣數據以及設備在歷史外部故障事件中的響應數據等，以全面反映保護設備的歷史表現和可靠性。對于測控裝置，評估則側重于其檢測精度，這些參數與測控裝置在實時數據采集和設備控制過程中具有統計學意義。智能終端的在線監控信息見表1。

為了保證評估結果的一致性和規范性，鑒于各類狀態信息表達方式的不同，技術人員須應用一套標準化處理流程，將各種檢測值統一映射至[0，1]。根據設備當前狀態信息的特性，可以將其主要分為3類，即效益型信息、成本型信息和梯形指標信息。針對這些信息類型，本文分別采用以下標準化處理公式進行轉換。

對于效益型信息（例如遙測正確率、故障恢復時間等），其特點是指標值越高，代表設備性能越好。為了將這類原始數據轉換為可以統一比較和評估的相對值，本文采用評估函數g（x）進行標準化處理，如公式（3）所示。

（3）

式中：x為效益型指標信息；xmax為效益型指標信息最大值；xmin為效益型指標信息最小值。

為了統一進行評估，采用標準化處理公式，將原始數據轉換為[0，1]的相對值，其計算過程如公式（4）所示。

（4）

式中：g（x'）為成本型信息經過標準化處理后的相對值；x'為成本型指標信息；x'min為成本型指標信息最小值；x'max為成本型指標信息最大值。

最后，當處理具有特定區間范圍的信息（例如設備內部溫度、接收功率等）時，采用特定的評估函數g（x''）進行處理，如公式（5）所示。

（5）

式中：x''為區間型指標信息；x''max為區間型指標信息最大值；x''min為區間型指標信息最小值；xn為區間最大值；xm為區間最小值。根據公式（3）～公式（5），本文將對這3種類型指標進行標準化處理。然后，利用這些處理結果，對變電站的智能運行狀態進行全面的檢測與評估。

在檢測過程中，可以根據設備的健康狀況、性能表現以及潛在風險等因素對變電站智能運行狀態進行等級劃分（見表2）。根據表2內容，結合對應分值，確定變電站運行狀態的具體等級，檢測其狀態。

5 對比試驗

為進一步驗證本文所提方法的可行性，將基于深度遷移學習的檢測方法設置為對照A組，將基于智能感知與深度學習的檢測方法設置為對照B組，將本文基于BIM一體化平臺的檢測方法設置為試驗組。將3種檢測方法應用于相同的試驗環境中，檢測同一個變電站的運行狀態。獲取該變電站的運行數據，并根據得到的數據對變電站運行狀態進行分類，結果見表3。

根據表3中的分類標準，對3種檢測方法得到的檢測結果進行分類，并與表3中內容進行比較，經過簡單運算得到3種檢測方法的檢測分類準確率，見表4。

分析表4中記錄的數據可以發現，試驗組檢測方法在變電站運行狀態各類別的分類準確率上均在95.00%以上，高于對照A組和對照B組。這表明，與另外2種對照方法相比，試驗組的檢測方法不僅具有更高的檢測準確率，而且其檢測結果與實際情況更吻合。因此，上述試驗結果證明了本文提出的基于BIM一體化平臺的檢測方法在檢測準確性方面具有明顯優勢。

6 結語

本文研究了一種基于BIM一體化平臺的變電站智能運行狀態檢測方法，該方法突破了傳統檢測技術的局限性，充分利用了BIM平臺在數據集成、可視化以及協同管理方面的優勢，提高了變電站運維的智能化水平。試驗結果表明，該方法能夠實現對變電站運行狀態全面、精確地實時監測，為保障變電站的安全運行和提高運維效率奠定了基礎。

隨著智能電網與BIM技術的不斷融合，本文所提出的方法展現出廣闊的應用前景。未來，筆者將持續優化檢測算法，旨在進一步提升檢測的精確度、實時響應速度以及跨平臺的數據交互能力。推動智能變電站與智能電網的深度融合，使智能電網更加安全、可靠和高效。

參考文獻

[1]廖海，陳俊，鄭磊，等.基于深度遷移學習的智能變電站電力設備部件狀態檢測方法[J].電氣技術與經濟，2024（4）：368-370，382.

[2]李遠松，丁津津，徐晨，等.基于智能感知與深度學習的智能變電站設備狀態檢測方法[J].電氣工程學報，2022，17（2）：208-214.

[3]李能俊，楊海成，許顯科，等.基于DT-CWT和SVD的變電站直流系統接地故障檢測技術研究[J].電氣傳動，2024， 54（5）：80-85.

[4]周晶晶，張偉，李春輝.多手段聯合精確定位在電纜GIS終端局放檢測中的應用[J].電力與能源，2024，45（2）：177-181.

[5]鄭磊，王楠，陳俊，等.基于無線通信網絡的無人值守變電站遠程監控方法[J].電氣技術與經濟，2024（4）： 193-195.

[6]王瑩，于波濤，張巖.基于狀態跟蹤的變電站主機運行漏洞檢測方法[J].電子設計工程，2023，31（24）：168-171，176.

[7]薛晨.基于狀態信息關聯性的變電站繼電保護實時檢測方法研究[J].電氣傳動自動化，2022，44（5）：44-47.

[8]譚興華，楊東，陳瑞斌.X射線無損探傷技術在變電站運行狀態GIS檢測中的應用[J].分析儀器，2022（1）：83-88.

[9]汪洋，黎恒烜，鄂士平，等.基于深度學習的變電站硬壓板狀態檢測與識別算法[J].沈陽工業大學學報，2020，42（6）：676-680.