技术领域
[0001] 本发明涉及变电站运维领域，具体而言，涉及一种监测设备。
相关背景技术
[0002] 智能变电站是变电站建设的主要形式。智能变电站在技术上实现了二次系统的完整在线监测，使得智能变电站技术由概念变为具有技术先进性的新型式变电站。目前调度自动化系统对二次设备的在线监视与分析主要处理与解决的是继保设备、故障滤波装置的相关信息，二次设备的状态检修与可视化工作是智能设备检修的重要部分。
[0003] 然而，尽管现有的变电站技术能够获取大量在线监测信息，全面了解二次设备和系统的技术状态，但在现有的监控后台等有可能实现信息高级应用的设备上，仅采用了信息捕获加简单提取即逐条显示的方法，运行人员需根据报文含义作出处理决定。这种信息处理方式太过简单，对信息的挖掘深度远未能体现智能变电站的技术优势，没有实现对信息智能化分析的预期。
[0004] 传统变电站监视系统具有多种形式结构，但绝大部分都存在一个共同的缺陷就是直观性不足，因为这些传统系统所采集的信息大多为平面数据，这种数据每一个只能代表局部的状态，同时具有分散性的特点，需要审查人员通过自身的逻辑思维将其串联起来，而变电站运作信息的多面性较强，其信息传出量巨大，使得人工逻辑思维处理信息的难度增大，无法直观判别信息发出的方位。同时人工依靠二维监测所得出的结果是不完整的，并没有深入对二次设备状态进行检测，不利于变电站状态维护工作的质量。此外针对某些设备，其缺陷在使用当中如果不能被尽早发现，出现更严重的故障。
具体实施方式
[0024] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
[0025] 参见图1、图2，本实施例的监测设备，用于监测变电站的待监测设备的运行状态，监测设备包括：图像采集设备1，用于获取待监测设备的图像信息；声纹采集设备2，用于获取待监测设备的声纹信息；温度采集设备3，用于获取待监测设备的温度信息；运维服务器4，运维服务器4与变电站的运维主站10通信连接，运维服务器4包括：多元信息采集单元41，多元信息采集单元41的输入端分别与图像采集设备1、声纹采集设备2和温度采集设备3的输出端连接，以获取图像信息、声纹信息以及温度信息；多元信息采集单元41的输入端与运维主站10的输出端连接，以获取待监测设备的运行数据；模型库42，模型库42的输入端与多元信息采集单元41的输出端连接，以根据图像信息、声纹信息、温度信息以及待监测设备的运行数据，对待监测设备建立可视化的3D模型。采用上述设置，通过3D全景展示直观了解现场设备运行状态，有效分析二次设备状态评估，及早发现功能缺陷，预防设备带病运行，从而提升智能变电站二次设备的安全稳定。
[0026] 在本实施例的监测设备中，参见图1、图2，运维服务器4包括设备状态监测单元43，设备状态监测单元43的输入端与多元信息采集单元41的输出端连接，以解析图像信息、声纹信息、温度信息以及待监测设备的运行数据，从而获得待监测设备的状态信息，并将状态信息嵌入到模型库42中。采用上述设置，可以通过图像、声音、温度及二次设备通信数据综合判断在线监测二次设备故障告警状态，更加有效地分析二次设备状态评估。
[0027] 参见图1至图3，在本实施例的监测设备中，设备状态监测单元43针对图像信息、声纹信息、温度信息以及待监测设备的运行数据，采用深度学习算法进行特征的提取和训练，以形成模型参数；设备状态监测单元43利用卷积神经网络对模型参数进行数据分析，以判断模型库42中的模型的准确率。
[0028] 在本实施例的监测设备中，参见图1、图2，设备状态监测单元43针对待监测设备的运行数据，采用数据挖掘算法进行特征的提取和训练，以形成模型参数，并根据模型参数判断模型库42中的模型的准确率；设备状态监测单元43利用鲁棒非负矩阵分解对模型参数进行数据分析，以判断模型库42中的模型的准确率。
[0029] 在本实施例的监测设备中，模型库42利用全景技术构建模型库42的模型；和/或，模型库42在C++图形用户界面应用程序开发框架提供的窗口界面下建立变电站的模型。
[0030] 在本实施例的监测设备中，图像采集设备1包括多个相间隔设置的摄像头，多个摄像头与待监测设备相对设置，以通过多个摄像头采集图像信息，并将图像信息发送至多元信息采集单元41。
[0031] 在本实施例的监测设备中，声纹采集设备包括多个音频采集装置，多个音频采集装置安装在待监测设备处，以实时采集待监测设备的运转噪声，从噪声中提取反映待监测设备运转状态的声纹信息，并将声纹信息发送至多元信息采集单元41。
[0032] 在本实施例的监测设备中，温度采集设备3包括温度传感器，温度传感器与待监测设备连接，以通过温度传感器采集温度信息，并将温度信息发送至多元信息采集单元41。
[0033] 在本实施例的监测设备中，温度采集设备3利用简单网络管理协议获取运维服务器4的温度信息并将运维服务器4的温度信息发送至多元信息采集单元41。
[0034] 在本实施例的监测设备中，温度采集设备3通过镜像待监测设备的自检信息获取温度信息，以对温度信息进行采集并实时上传至多元信息采集单元41。
[0035] 下面对本发明的一个优选的实施例进行详细说明：
[0036] 一种智能变电站二次设备3D全景展示及可视化状态监测系统，结合图1所示，包括硬件结构，硬件结构由运维服务器4、图像采集设备1、声纹采集设备2和温度采集设备3组成，其中，运维服务器4与变电站运维主站通信连接；图像采集设备1、声纹采集设备2和温度采集设备3为若干不同功能的传感器。如图2所示，运维服务器4内置软件结构，软件结构包括三部分：3D模型库(即模型库42)、多元信息采集单元41以及设备状态监测单元。
[0037] 图像采集设备1针对需要观察二次设备外在状态以及没有运行信息传输的指示灯状态的情况，包括在现场多角度布设的多个摄像头，实现目标的图像信息采集，并将它们发送至多元信息采集单元41。
[0038] 声纹采集设备2针对有运行声纹的设备，包括多个音频采集装置(如声纹传感器)，多个音频采集装置安装在被监测的二次设备附近，实时采集二次设备的运转噪声，从噪声中提取反映二次设备运转状态的声纹特征，并将其发送至多元信息采集单元41。
[0039] 温度采集设备3针对存在温度变化的二次设备，对于没有内置温度传感器的二次设备，通过安装温度传感器采集其温度信号并将其发送至多元信息采集单元41；对于服务器的内部温度，通过SNMP协议获取其CPU温度并将其发送至多元信息采集单元41；对于保护装置的内部温度，通过镜像其自检信息获取，对温度数据进行采集并实时上传至多元信息采集单元41。
[0040] 多元信息采集单元41的输入端分别与图像采集设备1、声纹采集设备2和温度采集设备3的输出端连接，以获取监测二次设备的图像、声纹和温度信息；多元信息采集单元41的输入端还与变电站运维主站10的输出端连接，并对MMS报文进行解析，获取电站二次设备的运行数据。
[0041] 3D模型库的输入端与多元信息采集单元41的输出端连接，3D模型库根据智能变电站二次室平面布置图、柜体设计图和现场设备信息并综合3D建模技术对智能变电站的二次设备及其电气连接部分建模并构成模型库，实现智能变电站二次设备3D全景展示。实施过程中，3D模型库的构建结合全景技术与OSG(open Scene Grahp)技术，在Qt(C++图形用户界面应用程序开发框架)提供的窗口界面下进行变电站的快速建模，控制柜的3D建模展示图，如图3所示。
[0042] 设备状态监测单元43的输入端与多元信息采集单元41的输出端连接，以获取监测二次设备的图像、声纹和温度信息以及电站二次设备的运行数据，通过深度学习算法以及数据挖掘算法解析二次设备状态信息；设备状态监测单元43的输出端与3D模型库的输入端连接，以将解析的二次设备状态信息嵌入到3D模型中，实现智能变电站二次设备3D可视化状态监测。
[0043] 实施过程中，设备状态监测单元43针对不同的数据信息采用不同的监测方法；
[0044] (1)针对图像、声纹、温度以及复杂二次设备运行信息，采用深度学习算法进行特征提取和训练，在此主要采用卷积神经网络(CNN)进行数据分析。
[0045] 如图3所示，卷积神经网络一般由输入层、卷积层、池化层、全连接层、输出层组成。此处以图像数据的处理为例。
[0046] 第一步：输入层的输入数据即为采集的图像信息；
[0047] 第二步：卷积层是对输入数据进行卷积运算，从而提取特征；设置卷积核大小为3×3，即每个3×3方阵与卷积核作乘积然后求和，移动步长设置为1，填补方式设置为无填充，激活函数设置为Sigmoid函数：
[0048]
[0049] 那么整个卷积层的表达式如下：
[0050] aI＝σ(vl)＝σ(al‑1*Wl+bl)
[0051] 其中，v表示输入，a表示输出，上标代表层数，*表示互相关卷积操作，W表示权重，b表示偏置，σ表示激活函数；
[0052] 第三步：利用池化层缩小模型规模，设置窗口大小为2×2，移动步长为2，填充方式为无填充，池化方式设置为最大池化：
[0053] qi＝max{ai(k)}
[0054] 第四步：将池化层提取出来的特征扁平化后连接到一个全连接层，全连接层的表达式如下：
[0055] al＝σ(vl)＝σ(Wlal‑1+bl)
[0056] 第五步：输出层通过Softmax函数将全连接层的输出映射为分类结果的置信度，并满足所有置信度之和为1：
[0057]
[0058] 训练神经网络，实现训练的前向传播，传播结束后实现后向传播，通过训练获得CNN模型参数后即可使用测试数据集来测试当前模型的准确率；
[0059] 实施过程中，先标定历史图像数据的故障信息，然后以图像数据为CNN网络输入，故障信息为网络输出，故障信息样例如表1所示。待满足训练指标后，将CNN网络用于实时监测，输入实时图像数据后即可得到对应的故障信息输出，其中，最大值对应的故障标签即为判定的故障。
[0060] 表1 CNN网络训练输出故障信息样例
[0061]
[0062]
[0063] (2)针对简单二次设备运行信息，采用数据挖掘算法进行特征提取和训练，在此主要采用鲁棒非负矩阵分解进行数据分析；
[0064] 假设正常情况下的训练集数据为矩阵X∈Rn×m，对其进行如下分解：
[0065] X＝WH+S
[0066] 其中，W∈Rn×k是基矩阵，H∈Rk×m是表示矩阵，S∈Rn×m是残差矩阵；设计优化函数如下：
[0067]
[0068] s.t.W≥0,H≥0
[0069] 通过求导以及相关定理解得W，H，S的更新法则如下：
[0070]
[0071]
[0072]
[0073] 最后，故障检测统计量如下：
[0074] S2＝diag(S(X)S(x))
[0075] 其中，S(X)表示使用训练集得到的残差矩阵，S(x)表示使用测试集得到的残差矩阵；故障判断方法为：利用训练集计算得到的统计量根据核密度估计法计算出控制限Sm，然后利用测试集计算统计量，如果统计量超过控制限，则表明发生故障。
[0076] 本实施例在使用时，根据智能变电站二次室平面布置图、柜体设计图、现场设备等信息，综合3D建模技术，对智能变电站的二次设备及其电气连接部分建模并构成模型库；多元信息采集单元41统合多个传感器，包括摄像头、声纹传感器和温度传感器，以获取监测设备的图像、声音和温度信息，并对MMS报文进行解析，获取电站二次设备的运行数据；这些数据被纳入设备状态监测单元43中，通过深度学习算法以及数据挖掘算法解析二次设备的状态信息；最终，前述的所有信号，包括声音、温度、设备运行信息以及状态监测信息都被嵌入到3D模型中，实现可视化，从而方便运维人员的监测与调控。
[0077] 从以上的描述中，可以看出，本发明上述的实施例实现了如下技术效果：
[0078] 本发明的监测设备，用于监测变电站的待监测设备的运行状态，监测设备包括：图像采集设备1，用于获取待监测设备的图像信息；声纹采集设备2，用于获取待监测设备的声纹信息；温度采集设备3，用于获取待监测设备的温度信息；运维服务器4，运维服务器4与变电站的运维主站10通信连接，运维服务器4包括：多元信息采集单元41，多元信息采集单元41的输入端分别与图像采集设备1、声纹采集设备2和温度采集设备3的输出端连接，以获取图像信息、声纹信息以及温度信息；多元信息采集单元41的输入端与运维主站10的输出端连接，以获取待监测设备的运行数据；模型库42，模型库42的输入端与多元信息采集单元41的输出端连接，以根据图像信息、声纹信息、温度信息以及待监测设备的运行数据，对待监测设备建立可视化的3D模型。采用上述设置，通过3D全景展示直观了解现场设备运行状态，有效分析二次设备状态评估，及早发现功能缺陷，预防设备带病运行，从而提升智能变电站二次设备的安全稳定。
[0079] 本发明的检测设备，通过3D全景展示直观了解现场设备运行状态，通过图像、声音、温度及二次设备通信数据综合判断在线监测二次设备故障告警状态，有效分析二次设备状态评估，及早发现功能缺陷，预防设备带病运行，从而提升智能变电站二次设备的安全稳定。系统可实现对二次设备的精准故障定位，直观的数据可视化，从而提升运维人员远程故障处理能力，降低现场工作压力，并保障设备安全运行。
[0080] 本发明的检测设备，采用的深度学习算法和数据挖掘算法能有效监控电站二次设备的状态，从而克服当前人工巡检的弊端；此外3D建模技术的使用也使运维人员的监控变得直观化，弥补了传统系统的不足。
[0081] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
