技术领域
[0001] 本实用新型涉及电力系统智能巡检技术领域，特别是涉及一种变电站全域机器替代巡视装置及系统。
相关背景技术
[0002] 近年来，随着国家经济快速发展对电力安全稳定充足供应的需求，电网整体架构日趋庞大复杂，变电设备规模也不断扩大，当前运维管理模式与设备快速增长的矛盾日益凸显，存在设备监控强度不足、运维管理细度不足、支撑保障能力不足等问题。大电网安全与设备运维监控成为电网企业安全生产常抓不懈的焦点，需进一步加强对安全责任、安全防范的重视程度。电网企业开源节流、降本增效的经营形势压力对变电设备管理提出提质增效新要求。
[0003] 随着大数据、云计算、人工智能、5G通讯、信息安全防护、物联网等数字信息技术的创新突破，以数字驱动为特征、数据资源为要素的数字经济得到了蓬勃发展。智能化的新生产方式加快到来，为基于输变电物联的智慧变电站建设提供了技术支撑，同时外部复杂多变的环境和电网公司可持续发展要求给变电运检以及智慧变电站建设带来新的机遇和挑战。为适应国网智慧变电站建设要求，基于人工智能视觉识别技术，开展了变电站智能化巡检水平提升工作，主要结合目前变电站站内站外布设的表计、辅控监测装置、物联网感知装置、在线监测装置、摄像头、机器人、无人机等数据采集设备，运用人工智能分析深度学习算法，实现变电站设备状态实时监测、站端线路状态实时监测、环境智能实时监测、机器替代巡视管控等功能，充分解放运维人员的工作压力，由传统人工巡视模式向远程机器智能巡视模式转变。
[0004] 目前，替代传统的依靠运维人员进场巡检的旧的模式，公开号为CN111525700A的中国实用新型提供了一种变电站远程可视化智能巡视系统，通过视频图像设备采集视频图像数据，并利用图像识别技术识别设备异常状态，能够高效、智能、安全、低成本、高准确率的完成变电站巡视任务。但是，由于现阶段视频图像设备和图像识别技术的限制，所采集的视频图像数据存在识别准确度和可靠度均较低的问题，因此单纯依靠视频图像数据进行变电站远程巡视工作，有可能会导致变电站设备缺陷识别失败的风险。实用新型内容
[0005] 本实用新型的目的是提供一种变电站全域机器替代巡视装置及系统，可解决现有技术中单纯依靠视频图像数据进行变电站远程巡视工作，有可能会导致变电站设备缺陷识别失败、设备状态无法真实研判的风险。
[0006] 为实现上述目的，本实用新型提供了如下方案：
[0007] 一种变电站全域机器替代巡视装置，包括：全域采集设备、组合通信模组和全域机器监测管控单元；
[0008] 全域采集设备通过组合通信模组与全域机器监测管控单元连接；
[0009] 所述全域采集设备用于采集变电站的全域机器监测数据；所述全域机器监测数据包括设备运行环境监测数据、设备巡视数据、设备在线状态数据和设备指令；所述设备巡视数据包括视频图像数据；
[0010] 所述全域机器监测管控单元用于通过组合通信模组接收并存储所述全域机器监测数据。
[0011] 可选地，所述全域采集设备包括：计量表计、辅控监测装置、物联网感知装置、在线监测装置、摄像头、机器人和无人机。
[0012] 可选地，所述设备运行环境监测数据包括：大气温度、大气湿度、风速、风向、雨量和气压；
[0013] 所述设备巡视数据包括：可见光视频图像数据、红外图谱数据、声纹监测数据、状态监测数据和设备局部放电信号；所述可见光视频图像数据包括表计示数、一次设备及二次设备的位置状态指示和外观状况；所述红外图谱数据的采集对象包括设备本体、接头、套管和引线；所述声纹监测数据包括一次设备的声音数据；所述状态监测数据的采集对象包括变电站内的主辅设备。
[0014] 可选地，所述组合通信模组包括无线LoRa、WIFI、蓝牙、网线、光纤和交换机。
[0015] 可选地，还包括：数据库服务器；
[0016] 全域机器监测管控单元与数据库服务器连接；
[0017] 所述全域机器监测管控单元用于将接收的全域机器监测数据传输至数据库服务器进行归集存储。
[0018] 可选地，所述全域机器监测管控单元用于根据变电站巡视业务，编制巡视任务计划，同时编制全域采集设备的操作指令，并将操作指令下发到全域采集设备；根据变电站巡视任务执行情况，编制巡视任务状态。
[0019] 可选地，包括：数据中台和前述的变电站全域机器替代巡视装置；
[0020] 数据中台通过组合通信模组与变电站全域机器替代巡视装置中的全域机器监测管控单元连接；
[0021] 所述数据中台用于从全域机器监测管控单元中获取全域机器监测数据，并根据所述全域机器监测数据，预测变电站内各设备的缺陷和故障。
[0022] 可选地，还包括：巡视展示平台；
[0023] 巡视展示平台与数据中台连接；
[0024] 所述巡视展示平台用于展示数据中台预测的变电站内各设备的缺陷和故障。
[0025] 可选地，所述全域机器监测管控单元用于接收数据中台预测的变电站内各设备的缺陷和故障，并归集存储到数据库服务器；
[0026] 所述全域机器监测管控单元还用于根据变电站巡视业务，应用全域机器监测数据和预测的变电站内各设备的缺陷和故障，编制巡视报告。
[0027] 根据本实用新型提供的具体实施例，本实用新型公开了以下技术效果：
[0028] 本实用新型实施例的一种变电站全域机器替代巡视装置，全域采集设备采集变电站的全域机器监测数据，包括设备运行环境监测数据、设备巡视数据、设备在线状态数据和设备指令，设备巡视数据包括视频图像数据，能够有效利用部署在变电站站端站内站外的全域采集设备，解决了现有技术中单纯依靠视频图像数据进行变电站远程巡视工作，有可能会导致变电站设备缺陷识别失败、设备状态无法真实研判的风险。
[0029] 本实用新型实施例的一种变电站全域机器替代巡视装置系统，能充分应用数据中台中海量异构多源数据的融合预测分析模型，实现变电站机器替代巡视和高效率高准确度设备缺陷预测分析，保证变电站的稳定运行。
具体实施方式
[0035] 下面将结合本实用新型实施例中的附图，对本实用新型实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本实用新型一部分实施例，而不是全部的实施例。基于本实用新型中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本实用新型保护的范围。
[0036] 为使本实用新型的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本实用新型作进一步详细的说明。
[0037] 实施例一
[0038] 如图1所示，本实用新型实施例提供了一种变电站全域机器替代巡视装置，包括：全域采集设备、组合通信模组和全域机器监测管控单元。
[0039] 全域采集设备通过组合通信模组与全域机器监测管控单元连接。所述全域采集设备用于采集变电站的全域机器监测数据；所述全域机器监测数据包括设备运行环境监测数据、设备巡视数据、设备在线状态数据和设备指令；所述设备巡视数据包括视频图像数据。所述全域机器监测管控单元用于通过组合通信模组接收并存储所述全域机器监测数据。
[0040] 本装置包括：全域机器采集设备、组合通信模组和全域机器监测管控单元。
[0041] (1)全域机器采集设备
[0042] 全域机器采集设备包括计量表计、辅控监测装置、物联网感知装置、在线监测装置、摄像头、机器人、无人机。
[0043] 该单元主要功能是实现各种数据采集设备监测数据的采集功能。
[0044] 全域机器监测数据采集设备监测数据包含：设备运行环境监测数据、设备巡视数据、巡视设备在线状态数据、采集设备指令。
[0045] 运行环境数据采集：
[0046] 应支持通过微气象设备获取大气温度、大气湿度、风速、风向、雨量、气压等气象数据。宜支持机器人或动环设备采集室内温湿度和02、SF6等气体监测数据。
[0047] 巡视数据采集：
[0048] 采集的巡视数据包括可见光视频及图片、红外图谱、音频等，根据实际情况设定数据采集要求和覆盖面，具体要求如下：
[0049] a)可见光数据采集要求：
[0050] 1)支持采集柜外开关动作次数计数器、避雷器泄漏电流表、油温表、绕组温度表、液压表、有载调压档位表、各类油位计、设备室内温湿度表等表计示数；
[0051] 2)支持采集断路器、隔离开关、接地刀闸(开关)等一次设备及切换把手、压板、指示灯、空开等二次设备的位置状态指示；
[0052] 3)支持采集设备设施的外观状况等；
[0053] 4)支持采集变电站环境、建筑设施外观状况等；
[0054] 5)涉及特征、状态识别的目标应使其处于采集画面中心位置；
[0055] 6)采集的图像应叠加有时间、点位名称等信息；
[0056] 7)具备全天候采集视频及图像功能。
[0057] b)红外图谱数据采集要求：应支持采集设备本体、接头、套管、引线等重点部位的红外图谱数据，红外热成像摄像机支持框测温和点测温。
[0058] c)声纹监测数据采集要求：宜支持采集变压器等一次设备的声音数据。
[0059] d)状态监测数据采集要求：宜支持通过主辅设备监控系统获取变压器(油色谱、铁芯夹件电流、局放)、主变套管、电流互感器、电压互感器、耦合电容器、避雷器、断路器、组合电器GIS、隔离开关、蓄电池、消防系统等主辅设备的状态监测数据。
[0060] e)局放数据采集要求：宜支持通过选配局部放电信号采集功能的机器人或在线监测装置对设备局部放电信号进行采集。
[0061] 巡视设备状态数据收集：
[0062] 巡视设备状态数据收集应满足如下要求：
[0063] a)支持采集摄像机、硬盘录像机的工况信息，包括设备在线状态等；
[0064] b)支持采集硬盘录像机的存储状态，包括录像时长、录像周期、录像完整性等；
[0065] c)支持采集机器人/无人机的运行信息，包括电池电量、机器人/无人机位置信息、充电电流等；
[0066] d)支持采集机器人/无人机任务执行信息，包括任务执行状态、任务进度、启动时间等；
[0067] e)支持采集机器人/无人机的工作状态，包括空闲、巡视、充电、故障等；
[0068] f)支持采集机器人/无人机异常告警信息，包括电池电量过低、驱动异常、防碰撞告警、停机位置等。
[0069] (2)组合通信模组
[0070] 组合通信模组，包括无线LoRa、WIFI、蓝牙、网线、光纤、交换机，还可以包括安全接入装置和数据库服务器。
[0071] 组合通信模组主要功能是实现将全域机器监测数据采集设备监测数据传送接入到电网内网的数据库服务器中。
[0072] 组合通信模组主要传输的全域机器监测数据采集设备监测数据包含：设备运行环境监测数据、设备巡视数据、巡视设备在线状态数据、采集设备指令。
[0073] (3)全域机器监测管控单元
[0074] 全域机器监测管控单元，包括全域机器监测数据的接收、归集存储、上传功能，全域机器监测数据采集设备的在线状态数据接收及归集存储。
[0075] 该单元主要功能是实现对应变电站全域机器监测数据管控和数据采集设备管控。
[0076] ①变电站全域机器监测数据管控：通过组合通信模组单元，将传送的全域机器监测数据采集设备监测数据接收到电力信息内网Ⅲ区，并归集存储到数据库服务器。
[0077] ②数据采集设备管控：通过组合通信模组单元，将传送的全域机器监测数据采集设备的在线状态数据接收，并归集存储到数据库服务器。
[0078] 进一步地，全域机器监测管控单元还包括指令编制及下发，巡视任务的编制及执行。
[0079] 主要功能是实现对应巡视任务管控。
[0080] ①数据采集设备管控：根据变电站巡视业务需要，编制数据采集设备各种操作指令，并将指令下发到编制数据采集设备执行。
[0081] ②巡视任务管控：根据变电站巡视业务需要，编制巡视任务计划；根据变电站巡视任务需要，编制数据采集设备各种操作指令，并将指令下发到编制数据采集设备执行；根据变电站巡视任务执行情况，编制巡视任务状态。
[0082] 巡视任务内容包括巡视点位信息、巡视范围以及月、周、日、小时等不同时间维度的巡视周期，巡视类型包括例行巡视、特殊巡视、专项巡视、自定义巡视等：
[0083] a)例行巡视是指对站内设备及设施外观、异常声响、设备渗漏、二次装置及辅助设施异常告警、消防安防系统完好性、变电站运行环境等方面的常规性巡查；
[0084] b)特殊巡视是指因设备运行环境、方式变化而开展的巡视。包括恶劣天气如大风后、雷雨后、雾霾中、冰雪及冰雹后，新设备投入运行后，设备经过检修、改造或长期停运后重新投入系统运行后，设备缺陷有发展时，设备发生过负载或负载剧增、超温、发热、系统冲击、跳闸等异常情况，法定节假日、上级通知有重要保供电任务时，电网供电可靠性下降或存在发生较大电网事故(事件)风险时段等；
[0085] c)专项巡视是指针对抄录、检查相关维护项目和红外热成像检测项目开展的巡视，包括油位油温表抄录、避雷器表计抄录、SF6压力表抄录、液压表抄录、位置状态识别抄录、设备红外测温等；
[0086] d)自定义巡视是指根据工作需要由人工选择巡视对象而开展的巡视，例如设备缺陷和隐患跟踪巡视、设备投产送电或长时间备用转运行后对设备运行状态开展的针对性巡视。
[0087] 全域机器监测管控单元发送指令格式如表1所示，发送指令中的Item格式如表2所示。
[0088] 表1发送指令格式
[0089]Type Command Item 备注
<101>：＝任务下发 <1>：＝任务配置 Item格式：参见下表
[0090] 表2Item格式
[0091]
[0092] 变电站巡视任务执行情况是根据巡视任务执行完成情况和装置返回状态确定。
[0093] 本实用新型实施例的一种变电站全域机器替代巡视装置，解决了现有技术中的单纯依靠视频图像数据进行变电站远程巡视工作，有可能会导致变电站设备缺陷识别失败、设备状态无法真实研判的风险。
[0094] 实施例二
[0095] 如图2所示，本实用新型实施例提供了一种变电站全域机器替代巡视系统，包括：数据中台和实施例一的变电站全域机器替代巡视装置。
[0096] 数据中台通过组合通信模组与变电站全域机器替代巡视装置中的全域机器监测管控单元连接。所述数据中台用于从全域机器监测管控单元中获取全域机器监测数据，并根据所述全域机器监测数据，预测变电站内各设备的缺陷和故障。
[0097] 数据中台包括预测模型单元，该单元主要功能是应用融合数据中台内部已有的高效率高准确率的预测分析模型，实现巡视数据告警预测分析功能。
[0098] 数据中台的预测模型单元充分应用数据中台中与对应变电站相关联的海量异构多源数据，包含变电站设备台账数据、预测分析历史数据、监测历史数据、调度历史数据、检修历史数据、故障历史数据、缺陷历史数据。
[0099] 数据中台预测模型主要包含算法(数据中台分析层本身已存储的算法)：
[0100] ①机器学习算法：通过监督学习，对监控数据和历史数据进行分析处理，从而发现数据中的模式和规律，预测设备缺陷和故障。
[0101] 初始数据：变电站设备台账数据、设备运行环境监测数据、设备巡视数据、巡视设备状态数据、预测分析历史数据、监测历史数据、调度历史数据、检修历史数据、故障历史数据、缺陷历史数据。
[0102] 现有的监督学习算法原理如下：
[0103] 给定一个包含N个训练样本的集合，形如{(x1，y1)，...，(xN，yN)}，其中xi是第i个样本的特征向量日，yi是其标签(即类别)，学习算法寻找某个函数g：X→Y，X是输入空间，Y是输出空间，函数g是潜在函数空间G的一个元素，G常被称为假设空间。有时为使用方便，用打分函数 表示g，g定义为返回使打分函数取得最大值的y值：令F表示得分函数的取值空间。
[0104] 尽管G和F可以是任意函数空间，但许多算法都是概率模型，其中g采用条件概率的形式g(x)＝P(y|x)，成采用联合概率分布模型f(x，y)＝P(x，y)。例如，朴素贝叶斯和线性判别分析是联合概率分布模型，而逻辑斯谛回归是条件概率模型。
[0105] 有两种方法选择f或g经验风险最小化或结构风险最小化，经验风险最小化寻找脱最好地拟合训练集的函数，结构风险最小化包含了权衡方差/偏差效应的感罚函数，在上述两种方法中，一般都假设训练集包含了独立同分布的样本对(xi，yi)，为了度量函数派应训练数据的好坏，定义损失函数 对于训练样本(xi，yi)，预测值 的损失为函数g的风险定义为g的期望损失。期望损失可以由训练数探进行估计
[0106] 经验风险最小化：
[0107] 经验风险最小化在经验风险最小化方法中，监督学习算法求得一个倍散g，使R(g)最小化。因此监督学习算法可以通过应用最优化方法寻找g而实现。若g是条件概率分布P(y|x)，损失函数是负对数似然： 则经验风险最小化等价于极大似然估计。如果G包含很多候选函数，或训练集不足够大，经验风险最小化会导致高方差和不良的泛化。学习算法只记住了训练样例而没有很好地泛化，这被称为过拟合。
[0108] 结构风险最小化：
[0109] 结构风险最小化通过向优化表达式中引入正则惩罚项防止过拟合。正则惩罚项可以看做奥卡姆剃刀的一种实现方式，即选择更简单而非更负杂的函数。
[0110] 对于不同的复杂理定义，采用的惩罚项也各不相同。例如，考虑函数g是线性函数时的情形 此时常用的正则惩罚项是 即权重平方欧式范数，也称为L2范数。其他范数包括L1范数、 以及L0范数，L0是指非零参数βj的个数，惩罚项用符号C(g)表示。于是监督学习优化问题可归结为找到函数g，使得J(g)＝Remp(g)+λC(g)取得最小值。
[0111] 参数λ控制偏差方差比重。当λ＝0时，得到的是低偏差高方差的经验风险最小化表达式，当λ很大时，学习算法具有高偏差和低方差。λ的值可以通过交叉验证经验地选取。
[0112] 复杂度惩罚项在贝叶斯中的解释是g的负对数先验概率，‑logP(g)，而J(g)是g的后验概率。
[0113] 算法的结果数据：预测设备缺陷和故障数据。
[0114] ②计算机视觉算法：计算机视觉算法可以通过目标检测、图像分割，对监控数据和历史数据中的图像和视频进行处理，识别表计数值、设备状态、设备缺陷、设备故障。
[0115] 初始数据：变电站设备台账数据、设备巡视数据(图像或视频数据)、设备运行环境监测数据、巡视设备状态数据、巡视图像历史数据、故障历史图像数据、缺陷历史图像数据。
[0116] 使用现有的YOLO识别表计数值、设备状态、设备缺陷、设备故障，结果数据：识别出表计具体数值、设备状态、设备缺陷、设备故障。
[0117] 算法的计算过程：
[0118] YOLO的过程如下：首先，将整个图像分成S×S的小格子(cell)，对于每个格子，分别预测B个bbox，以及C个类别的条件概率(注意是条件概率，即已经确定有目标的情况下，该目标属于哪个类别的概率，因此不需要对每个bbox分别预测类别，每个格子只预测一个概率向量即可)。每个bbox都有5个变量，分别是四个描述位置坐标的值，以及一个objectness，即是否有目标(相当于RPN网络里的那个前景/背景预测)。这样一来，每个格子需要输出5B+C维度的向量，因此，CNN最终的输出的tensor的形态为S×S×(5B+C)。
[0119] 在YOLO v1的实现中，采用了7*7的cell划分，每个cell预测2个bbox，在Pascal VOC数据集上，共有20类，因此C＝20。所以输出的结果是一个7×7×30的tensor。YOLO v1网络结构如图3所示。
[0120] YOLO的训练过程如下：首先，对于每个GTbbox，找到它的中心位置，该中心位置所在的cell负责该物体的预测。因此，对于该cell中的输出，其objectness应该尽可能的增加，同时其位置坐标尽可能拟合GTbbox(注意，由于每个cell可以输出多个备选的bbox，因此这里需要选择和GT最相近的那个预测的bbox进行调优)。另外，根据其实际的类别，对类别概率向量进行优化，使其输出真实的类别。对于不负责任何类别的那些cell的预测值，不必进行优化。
[0121] YOLO模型虽然速度快，但是对于小物体检测不敏感，以及具有一些固有的缺陷，如定位准确性差等等。在YOLO v1的训练过程中，还用到了dropout和一些数据增广的策略方法。这个是YOLO的初版，后续还有很多改进版本。
[0122] YOLO v2
[0123] YOLO v2是对YOLO v1的改进版本，也叫做YOLO9000，因为它可以识别9000+的类别的物体。
[0124] YOLO v2的主要改进为以下几个方面：
[0125] 1.对所有卷积层增加了BN(BatchNorm)层。
[0126] 2.用高分辨率的图片fine‑tune网络10个epoch。
[0127] 3.通过k‑means进行聚类，得到k个手工选择的先验框(Prior anchorbox)。这里的聚类用到的距离函数为1‑loU，这个距离函数可以很直接地反映出IoU的情况。
[0128] 4.直接预测位置坐标。之前的坐标回归实际上回归的不是坐标点，而是需要对预测结果做一个变换才能得到坐标点，即x＝tx×wa‑xa(纵坐标同理)，其中tx为预测的直接结果。从该变换的形式可以看出，对于坐标点的预测不仅和直接预测位置结果相关，还和预测的宽和高也相关。因此，这样的预测方式可以使得任何anchorbox可以出现在图像中的任意位置，导致模型可能不稳定。在YOLOv2中，中心点预测结果为相对于该cell的角点的坐标(0‑1之间)。
[0129] 5.多尺度训练(随机选择一个缩放尺度)、跳连层(paththrough layer)将前面的fine‑grained特征直接拼接到后面的feature map中。
[0130] YOLO v2预测bbox的坐标如图4所示。
[0131] YOLO v2的backbone被称为Darknet‑19，共有19个卷积层，间以Maxpool。其中，3*3conv filter和1*1conv filter交替的方式被采用。最后利用一个Avgpool(GAP，GlobalAverage Pooling)输出预测结果。
[0132] 除了上述对于模型结构以及训练过程的改进，YOLO9000的另一个亮点在于它利用了标签的层级结构(Hierarchy)。由于ImageNet的label来自于WordNet，作者将WordNet转化为了WordTree，预测的时候实际上预测的是条件概率，即如果属于父节点的概念(标签)，那么他属于子节点的概率为多大。所以，对于某个叶子节点的类别，他的实际的预测概率是整个路径的预测值的乘积。
[0133] 由于每个条件概率在对应的节点上应该归一(sumto one)，所以，softmax应该对该节点的所有类别进行，而非全部类别做softmax。这是利用WordTree做标签训练的一个注意点。
[0134] 巡视展示平台：分析结论展示单元主要实现将基于数据中台的输电线路动态增容融合预测分析结论展示功能。主要功能是实现信息总览、实时监测、静默监控、巡视任务管控、数据管控、告警管控、巡视报告管控、台账管理、算法管理等功能。
[0135] 全域机器监测管控单元，还包括数据中台预测分析结论的接收及归集存储，巡视任务的编制及执行，巡视报告的编制及审核。主要功能是实现对应数据中台预测分析结论管控、巡视任务管控、巡视报告管控。
[0136] ①变电站全域机器监测数据管控：将全域机器采集设备监测数据上传到数据中台，用于数据中台变电站设备缺陷预测分析。
[0137] ②数据中台预测分析结论管控：通过组合通信模组单元，接收数据中台的预测分析结论，并归集存储到数据库服务器。
[0138] ③巡视报告管控：根据变电站巡视业务需要，应用全域机器监测数据、采集设备数据状态数据、巡视任务数据、中台预测分析结论，编制巡视报告。
[0139] 本实用新型实施例的一种变电站全域机器替代巡视系统，主要是由全域机器采集设备、组合通信模组、全域机器监测管控单元、数据中台和巡视展示平台组成。
[0140] 本实用新型主要利用安装部署在变电站站内站外布设的计量表计、辅控监测装置、物联网感知装置、在线监测装置、摄像头、机器人、无人机等全域机器监测数据采集设备，采集变电站站内站外、室内室外的立体空间域和实时视频监测、动态表计监测的时间域及站级监测、设备级监测、部件级监测的全域机器监测数据，通过组合通信模组传送数据，构建变电站全域机器监测管控模型，融合数据中台中已有的高效率高准确率的缺陷预测分析模型，研发一套变电站全域机器替代巡视展示平台，实现变电站设备状态实时监测、站端线路状态实时监测、环境智能实时监测、机器替代巡视管控等功能，充分解放运维人员的工作压力，由传统人工巡视模式向远程机器智能巡视模式转变。
[0141] 应用数据中台预测算法模型，利用数据中台的高性能计算速率和高准确率，自动开展巡视数据告警预测分析，数据中台预测分析结论，实现设备缺陷告警、设备故障告警，有效提高现有变电站远程智能巡视系统的工作效率和设备缺陷识别准确率，降低变电站人员作业的安全事故数量，充分解放运维人员的工作压力，助力变电站运维由传统人工巡视模式向远程机器智能巡视模式转变。
[0142] 本实用新型将变电站站端监测技术与数据中台相结合应用的基于数据中台的变电站全域机器替代巡视系统，既能够有效利用部署在变电站站端站内站外的智能监测终端，又能充分应用数据中台中海量异构多源数据的融合预测分析模型，实现变电站机器替代巡视和高效率高准确度设备缺陷预测分析，保证变电站的稳定运行。
[0143] 本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的装置相对应，所以描述的比较简单，相关之处参见装置部分说明即可。
[0144] 本文中应用了具体个例对本实用新型的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本实用新型的方法及其核心思想；同时，对于本领域的一般技术人员，依据本实用新型的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本实用新型的限制。
