技术领域
[0001] 本发明属于变电站工程领域，特别涉及一种变电站二次设备智能库房系统。
相关背景技术
[0002] 变电站二次设备的安全稳定运行直接关系到整个电网的安全稳定。二次设备库房作为存储和放置二次设备的重要场所，直接决定着所存储的二次设备的性能。因此，变电站二次设备库房对于保障变电站的正常运行、提高电网的可靠性和安全性具有重要意义。变电站二次设备库房中通常存放着备件和替换件，用于应对突发故障或设备损坏的情况。这些备件的及时供应和管理，直接影响着变电站设备的维修和恢复时间，进而影响着电网的可靠性和稳定性。在发生突发故障或紧急情况时，如果库房无法迅速提供所需的设备和配件，则不能促使变电站快速恢复运行，导致事故对电网和用户产生影响。传统的变电站二次设备库房没有考虑到特殊设备的存储需求和设备安全保护要求，也无法实现设备管理和追溯，以及智能备件管理和补货。
具体实施方式
[0048] 为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。
[0049] 本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例，都属于本发明的保护范围。
[0050] 针对现有技术的不足，本发明提出一种变电站二次设备智能库房系统，实现在发生突发故障或紧急情况时，库房可以迅速提供所需的设备和配件，帮助变电站快速恢复运行，减少事故对电网和用户的影响。二次设备库房在设备存储、安全保护、管理和维护等方面有着自身的特点和要求，需要采取一系列措施来确保库房的正常运行和设备的安全可靠。二次设备库房通常存放着各种类型的电气设备，如继电器、保护装置、开关设备等。这些设备在存储和管理上有着特殊的需求，需要保持干燥、通风，并且避免受到湿度、灰尘等环境因素的影响。二次设备通常是变电站运行的关键设备，因此其安全性和完整性至关重要。二次设备库房需要配备安全防护设施，如监控摄像头、入侵报警系统等，以防止未经授权的人员进入或对设备进行破坏。由于二次设备的重要性，对其进行严格的管理和追溯是必要的。库房需要建立完善的设备管理系统，包括设备入库登记、出库记录、设备状态跟踪等功能，以确保设备的使用和维护都能够得到有效的管理和监控。为确保二次设备的正常运行和安全性，库房需要定期进行巡视和维护。这包括对设备进行定期检查、清洁、保养以及必要的维修和更换工作，以确保设备的性能和可靠性。为应对突发故障和设备损坏，二次设备库房需要建立备件管理系统，并制定相应的补货计划。库房管理人员需要根据设备的使用情况和维护需求，合理安排备件的存储和补充，以确保在需要时能够及时更换和修复设备。
基于上述需求，开发变电站二次设备智能库房系统。
[0051] 本发明公开的变电站二次设备智能库房的区域划分方式如图1所示。将库房分为八个区，分别为管理区、常用工器具区、试验仪区、配件区、继电保护备件区、自动化备件区和网络安全备件区。每个存储区域利用类别名称标记，包括符号与颜色编码等视觉辅助工具，不同区域用不同颜色标记。在不同类别之间使用物理分隔线来划分一个类别的结束位置和另一个类别的开始位置。管理区内设置有库房管理制度与安全注意事项，放置办公电脑与服务器，部署二次设备智能管理系统。库房管理制度包括：人员职责与义务、备件出入库管理制度、库房安全管理制度、库房应急响应方案、日常巡视制度等。地面张贴巡视路线图箭头指引。
[0052] 二次设备通常是变电站运行的关键设备，因此其安全性和完整性至关重要。二次设备库房需要配备安全防护设施，以防止未经授权的人员进入或对设备进行破坏。
[0053] 首先将授权人员预先注册到二次设备智能管理系统中，存储授权人员的人脸数据。在库房入口点安装人脸识别扫描仪，与电子门锁集成，采用人脸识别技术进行检测，只有授权人员方可进入库房。管理人员通过设置访问控制软件来管理和监控进入权限。定义不同群体或个人的访问级别。记录人员的进出情况。
[0054] 二次设备智能管理系统功能页面如图2所示，包括备件搜索查询模块、出入库记录模块、备件库存告警记录模块、环境监测状态与告警记录模块、用户管理模块和库房管理制度查询模块。
[0055] 所述备件搜索查询模块用于根据名称等信息对备件进行查询，根据查询结果显示备件信息及所属货架。所述出入库记录模块用于实现库存管理，查看设备入库、出库时间。备件库存告警模块用于根据设备库存数量生成设备库存告警记录。所述数据分析和报告模块用于使用库存数据进行分析，例如识别设备使用趋势、预测未来需求和优化库存水平。所述环境监测状态与告警记录模块用于监测库房实时温度、湿度值、摄像头监视画面，并可查询传感器、摄像头历史记录与告警记录。所述用户管理模块由库房管理人员登陆二次设备智能管理系统所需的用户名和密码，库房管理人员与安保人员的终端号码等信息。所述库房管理制度查询包括人员职责与义务、备件出入库管理制度、库房安全管理制度、库房应急响应方案、日常巡视制度等查询。
[0056] 在所述出入库记录模块的库存管理过程中，利用智能标签(RFID)进行实时库存跟踪和自动补货通知。具体地，为所有备件配备RFID标签。每个标签存储备件相关数据，包括备件类型、厂家、型号、所属货架、所属项目。在库房的门口安装RFID读取器，以从标签捕获数据，记录入库和出库情况，并记录存储。将RFID读取器连接到二次设备智能管理系统。该系统处理来自标签的数据，实时更新库存变化。管理系统对备件的标签所记录信息中所述货架进行校核，保证货架和备件类型一致，若不一致则报错，显示RFID数据错误。在物品放置在错误位置时向库房管理人员发出警报。并以短信方式发到库房管理人员终端。定义每个备件的最低库存水平补货阈值。当库存低于此阈值时，系统会触发补货警报。并以短信方式发到库房管理人员终端。该系统将提高库存准确性，减少人工工作，并确保及时补充备件。
[0057] 所述二次设备库房部署传感器和摄像头，进行温湿度检测、烟雾检测、人员检测、火焰检测，将信息传送至环境监测状态与告警记录模块，检测到异常情况时自动通知发库房管理人员或安保人员。系统结构如图3所示。
[0058] 所述传感器包括温度传感器、湿度传感器、烟雾检测器。所有传感器连接到环境监测状态与告警记录模块，持续收集和分析环境数据。为环境温度、湿度和烟雾状态定义安全阈值。当超过相应阈值时，系统会触发警报，以电话方式自动通知库房管理人员或保安人员。
[0059] 在优选的实施例中，根据库房内环境参数的历史数据和实时变化，动态调整温度、湿度和烟雾的安全阈值。蜣螂优化算法(Dung Beetle Optimization,DBO)通过模拟蜣螂的行为，具有较强的全局搜索能力，有助于找到更优的阈值设置，提高报警系统的准确性。DBO在面对复杂多变的监控环境时，仍能保持较好的搜索效率和稳定性，减少了误报和漏报的发生；DBO算法原理简单，参数少，易于在现有的报警系统中实现和应用，不需要复杂的数学模型和大量的计算资源。通过模拟蜣螂的随机行走机制，DBO能有效跳出局部最优解，避免阈值调整陷入局部极值，提高阈值调整的全面性和准确性。
[0060] 使用蜣螂优化算法来优化报警阈值，按照以下步骤进行，如图4所示。
[0061] 1.1、确定报警阈值的搜索空间，即阈值可能的取值范围。
[0062] 1.2、对种群进行初始化，选择30作为初始种群大小，以平衡搜索的广度和深度。
[0063] 1.3、对于每个蜣螂个体，根据其代表的阈值计算漏报率和误报率，然后计算适应度函数：
[0064] 适应度＝漏报率(漏报数/总告警数)+误报率(误报数/总告警数)
[0065] 目标是最小化适应度函数，即减少漏报和误报。
[0066] 1.4、模拟蜣螂的社会行为，即个体倾向于跟随适应度(即漏报率和误报率之和)较低的个体。
[0067] 1.5、模拟蜣螂的觅食行为，通过随机扰动搜索解空间，以期望找到更好的阈值解。
[0068] 1.6:根据适应度选择蜣螂个体进行繁殖，生成新的后代种群。使用适应度比例选择，确保优良的阈值解有更高的繁殖机会。实施精英策略，保证前10％的最优解直接遗传到下一代。采用高斯扰动，扰动大小基于阈值的百分比，如阈值的5％，以避免陷入局部最优解。
[0069] 1.7:将繁殖后的后代与当前种群结合，并根据需要进行选择，以更新种群。
[0070] 1.8:重复1.3至1.7，设置最大迭代次数为100，如果连续10次迭代中适应度函数的改进小于0.01％，则停止算法，防止算法过早收敛或过度迭代。
[0071] 1.9:输出适应度最低(即漏报率和误报率之和最小)的蜣螂个体所代表的阈值作为最优解。在发生相关事件(包括正确报警、误报、漏报)每合计5次后，重新进行阈值的检验，以优化阈值，保证阈值的合理性和报警系统的有效性。
[0072] 所述环境监测状态与告警记录模块进一步利用强化学习算法来优化告警策略，深度Q网络(DQN)在优化告警策略方面具有显著的优势，特别是在处理复杂、动态变化的环境和需要考虑长期影响的决策场景中。采用深度Q网络(DQN)实现告警策略优化，具体实现过程包括：
[0073] 2.1：收集并预处理与库房监测相关的数据，包括传感器读数(温度、湿度、烟雾水平等)、设备状态、历史报警记录等。将这些数据转换为特征向量，作为DQN的输入状态s。
[0074] 2.2:列出智能体可以采取的所有可能动作a，包括发出报警、不发出报警、关闭电源、调整传感器阈值等。为每个动作分配一个唯一的索引。
[0075] 2.3:根据业务需求设计奖励函数。奖励函数包含多个方面，以确保系统的安全性和效率。设计奖励函数时考虑以下因素：
[0076] 1)告警准确性：减少误报和漏报。
[0077] Raccuracy＝‑(wfp·FP+wfn·FN)
[0078] 其中FP是误报次数，FN是漏报次数，wfp和wfn是对应的权重系数。
[0079] 2)响应时间：鼓励快速响应的真实报警。
[0080] Rresponse＝wtime(报警时刻‑响应时刻)
[0081] wtime是对应的权重系数。
[0082] 3)告警处理效率：鼓励采用有效的告警处理措施，处理成功率为处理成功的告警与总告警的比率。
[0083] Refficiency＝weff·处理成功率
[0084] 其中weff是对应的权重系数。
[0085] 4)用户满意度：考虑库房管理人员对告警系统的满意度，其中满意度评分1‑3分，3分为最满意。
[0086] Rsatisfaction＝wsat·满意度评分
[0087] 其中wsat是对应的权重系数。
[0088] 最终的奖励函数是上述各奖项的加权和：
[0089] r＝Raccuracy+Rresponse+Refficiency+Rsatisfaction
[0090] 根据专家经验和库房实际情况，权重值wfp、wfn、wtime、weff、wsat分别取0.3、0.3、0.1、0.2、0.1，并可根据实际情况调整。
[0091] 2.4:使用深度神经网络来近似Q值函数，该网络有一个输入层、两个隐藏层(RELU作为激活函数)、一个输出层，采用Adam优化器，学习率α为0.001，衰减率为0.99；采用均方误差损失(MSE Loss)，L2正则化，权重衰减系数为0.001，以防止过拟合；采用ε贪婪策略，初始ε值为1，每1000个训练步骤减少0.01，直到最小值为0.1。该网络接受状态作为输入，并输出每个可能动作的Q值。
[0092] 2.5：在训练过程中，将所有经历的状态、动作、奖励和下一个状态存储在一个经验池中。在每个训练步骤中，从经验池中随机抽取一个小批量样本进行训练。
[0093] 2.6：使用一个单独的目标网络来计算目标Q值，该网络每隔一定步骤从在线网络复制权重。目标网络用于计算目标Q值，以减少训练过程中的方差。
[0094] 2.7：将均方误差损失函数(Mean Squared Error,MSE)定义为
[0095]
[0096] 其中r是即时奖励，γ是折扣因子，用于权衡即时奖励和未来奖励的重要性，取0.95，Q'(s',a')是目标网络输出下一个状态s'和动作a'的Q值，Q(s,a)是在线网络输出当前状态s和动作a的Q值。
[0097] 2.8：使用梯度下降算法(Adam优化器)来更新网络权重，以最小化损失函数。
[0098] 在每个训练步骤中，更新在线网络的权重，并定期复制到目标网络。
[0099] 更新Q值：
[0100] Q(s,a)←Q(s,a)+α[r+γmaxa'Q'(s',a')‑Q(s,a)]
[0101] 其中α是学习率，γ是折扣因子。
[0102] 2.9：采用ε贪婪策略来平衡探索(随机选择动作)和利用(根据当前网络选择最佳动作)。随着训练的进行，逐渐减少ε值，以减少随机探索。
[0103] 2.10：使用独立的测试集来评估模型的性能。如果模型性能满足要求，将其部署到实际环境中。通过上述步骤优化告警策略，提升系统的效率和安全性。
[0104] 所述摄像头安装在库房内。在优选的实施例中，安装6个搭载图像识别模块的摄像头，进行24小时不间断的实时监测，监测范围覆盖库房的全部区域。借助于先进的AI视频图像识别算法，图像识别模块分为火焰检测模块和人员检测模块。摄像头连接至环境监测状态与告警记录模块。
[0105] 所述火焰检测模块采用YOLO模型实现火焰智能检测。
[0106] 火焰检测模块使用公开的火灾火焰检测数据集。将所有图像调整为416×416像素，进行标准化处理。选择YOLOv8架构，它在速度和准确性之间取得了较好的平衡。使用YOLO损失函数，设置学习率为0.001，使用SGD优化器。在火焰检测数据集上训练模型，使用早期停止技术防止过拟合。在测试集上评估模型，使用mAP(mean Average Precision)作为性能指标。根据测试集上的性能，确定最佳的检测阈值。将训练好的模型部署到实时监控系统中。
[0107] 将训练好的YOLO模型集成到实时监控系统中，对摄像头捕获的图像进行实时火焰检测。首先图像处理，包括：
[0108] 使用高灵敏度的摄像头采集库房内的视频流。摄像头应具备良好的低光性能，以确保在不同光照条件下都能可靠地检测火焰。
[0109] 由于火焰的光谱特性，可以使用特定波长范围内的图像来增强火焰的特征。图像预处理包括灰度化、直方图均衡化等步骤。
[0110] I'(x,y)＝T·I(x,y)
[0111] 其中I'(x,y)是处理后的图像强度，I(x,y)是原始图像强度，T是根据火焰光谱特性设计出来的变换矩阵。
[0112] 图像处理后输入YOLO模型，进行火焰识别，保证火焰识别的有效性。
[0113] 对于火焰检测模块，一旦发现火焰的迹象，3s后系统会立即发出告警，联动智能录像抓拍，以电话方式自动通知库房管理人员和保安人员，提醒相关人员及时采取行动，从而有效地阻止火灾的发生。
[0114] 对于所述人员检测模块，一旦监测到库房各区域均无人且持续时间10分钟，则联动关闭库房所有照明灯，以达到能源节省的效果。
[0115] 在物理安全防护方面，使用库房专用恒温恒湿精密空调，以保证各区域内温湿度恒定。库房中配备静电消除器、离子风机等装置，以减少库房内静电的产生。库房进门处放置静电手环，以供工作人员在操作电子设备时配带防静电手环，以减少静电带来的风险。库房进门处设置防静电鞋套，以供工作人员进门后穿戴防静电鞋套，以减少静电带来的风险。在库房漏水隐患区域地面周围设置拦水坝、排水沟和地漏，以防止因空调排水管道破裂产生的地下积水转移和渗透。在库房漏水隐患区域周围，如库房地板下方、空调四周设置水敏感的检测仪表或元件，如漏水绳，对库房进行防水检测和报警。
[0116] 本发明的有益效果在于，与现有技术相比，本发明提供了一种变电站二次设备智能库房系统，能够确保库房的正常运行和设备的安全可靠，在发生突发故障或紧急情况时，库房可以迅速提供所需的设备和配件，帮助变电站快速恢复运行，减少事故对电网和用户的影响。
[0117] 基于深度Q网络(DQN)优化告警策略，DQN能够处理高维和连续的状态空间，这使得它非常适合于智能库房监测系统这样的复杂环境，涉及大量的传感器读数和历史数据。DQN模型可以持续从新数据中学习，不断改进告警策略，以适应二次设备库房的环境变化，提升告警策略的实用性与准确性。
[0118] 根据库房内环境参数的历史数据和实时变化，利用蜣螂优化算法动态调整温度、湿度和烟雾的安全阈值。蜣螂优化算法通过模拟蜣螂的行为，具有较强的全局搜索能力，有助于找到更优的阈值设置，提高报警系统的准确性。DBO在面对复杂多变的监控环境时，仍能保持较好的搜索效率和稳定性，减少了误报和漏报的发生；DBO算法原理简单，参数少，易于在现有的报警系统中实现和应用，不需要复杂的数学模型和大量的计算资源。通过模拟蜣螂的随机行走机制，DBO能有效跳出局部最优解，避免阈值调整陷入局部极值，提高阈值调整的全面性和准确性。
[0119] 基于YOLO算法的火焰智能检测，YOLO模型能够以极快的速度处理图像，实现实时检测。这对于火焰检测尤为重要，因为火焰可能突然出现，需要快速响应。YOLO模型有许多预训练模型可以免费下载和应用，这加速了开发过程并减少了数据收集的需求。经过适当的训练和优化，YOLO模型可以实现很高的检测精度，确保能够准确识别火焰。YOLO模型可以适应不同的环境条件，包括不同的光照条件、背景噪声等，这使得它适用于二次设备库房应用场景。
[0120] 最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
