一种恶劣天气下火电厂升压站自适应智能巡检方法及系统与流程

摘要: 本公开涉及火力发电厂设备智能运维与巡检,尤其涉及一种恶劣天气下火电厂升压站自适应智能巡检方法及系统。背景技术:1、火电厂升压站作为电力输送的核心枢纽,集中了大量...
一种恶劣天气下火电厂升压站自适应智能巡检方法及系统与流程

本公开涉及火力发电厂设备智能运维与巡检,尤其涉及一种恶劣天气下火电厂升压站自适应智能巡检方法及系统。

背景技术:

1、火电厂升压站作为电力输送的核心枢纽,集中了大量高压断路器、隔离开关、母线、绝缘子串、变压器套管等关键设备,其运行可靠性直接关系到电厂电能的稳定外送和电网安全,传统模式下,运维人员按照固定周期对升压站设备进行目视检查、红外测温和绝缘子放电观测,然而,该方式存在显著缺陷:首先,升压站设备多为高空布置(如母线、绝缘子串、避雷器等),人工目视难以观察到细微缺陷(如绝缘子根部裂纹、均压环松动、导线断股等);其次,人工巡检高度依赖个人经验,缺陷识别标准不统一,漏检率较高;更为关键的是,在雨、雪、雾等恶劣天气下,升压站户外作业存在严重的人身安全风险(湿滑跌落、高空坠落、能见度低导致的误触带电设备等),因此恶劣天气下人工巡检基本中断,形成巡检“真空期”。

2、近年来,部分电厂引入了无人机巡检、轨道式机器人或固定摄像头进行升压站设备巡检,一定程度上替代了人工,但现有自动巡检方案在恶劣天气下仍面临以下未解决的技术难题,感知设备效能下降:雨雪雾导致可见光图像模糊、红外测温偏差,数据质量难以保证,巡检策略固定僵化:无法根据实时气象等级动态调整巡检模式、传感器权重及安全约束,缺乏应变能力,多源数据融合困难:各传感器数据独立处理,缺乏天气驱动的动态融合机制,恶劣天气下缺陷特征提取不稳定,缺乏专属诊断与前瞻预警:模型未针对恶劣天气训练,泛化能力差,且无法实现覆冰、污闪等趋势预测与超前预警,未形成闭环与自进化:缺少从发现到销号的完整闭环管理,巡检结果未反馈优化策略引擎,系统无法持续迭代升级。

技术实现思路

1、本公开实施例提供了一种恶劣天气下火电厂升压站自适应智能巡检方法及系统,用以解决现有的恶劣天气下巡检设备效能骤降、固定策略无法动态响应的技术问题。

2、基于上述问题,第一方面,提供一种恶劣天气下火电厂升压站自适应智能巡检方法,包括:

3、获取升压站内的数据采集设备采集的多源感知数据;数据采集设备包括固定监控设备和移动巡检设备;多源感知数据至少包括可见光图像、红外热像、毫米波数据、紫外放电数据、气象参数、设备振动数据及设备声纹数据;

4、基于气象参数计算天气综合指数,根据天气综合指数划分当前天气等级,自动触发与当前天气等级对应的预设巡检模式,并根据当前天气等级动态调整各数据采集设备的权重分配;

5、根据当前天气等级,对可见光图像和红外热像执行抗干扰增强处理,并对声纹数据进行环境噪声滤波;

6、基于多源感知数据动态规划最优巡检路径,并根据当前天气等级自适应调整图像分辨率、红外采样频率及定点检测时长;

7、将经抗干扰增强处理后的可见光数据、红外数据与同步采集的毫米波点云数据、紫外放电脉冲数据及振动频谱数据进行时空对齐,并输入自适应权重融合网络进行多模态融合,提取升压站设备的缺陷特征;自适应权重融合网络的权重分配由当前天气等级动态驱动;

8、将缺陷特征输入恶劣天气专属识别模型,识别缺陷类型并评定缺陷严重程度,按照预设的严重等级标准进行预警,生成对应的预警信息;利用多因素闪络概率模型对设备缺陷发展趋势进行前瞻性风险预警;

9、将预警信息推送至运维管理平台,生成并派发处置工单,并在接收到处置完成信号的情况下,对处置结果进行复核确认并销号;

10、将巡检过程中的巡检数据、气象数据、预警记录及处置过程自动归档,生成数字化巡检报告与趋势分析图表,并提供远程访问接口,供运维人员调阅与远程应急指挥。

11、结合第一方面,在一种可能的实施方式中,固定监控设备包括部署于升压站关键位置的固定监控点;移动巡检设备包括自主巡检无人机及地面履带式机器人,具体为:

12、固定监控点部署于升压站关键位置,每处固定监控点配置四波段融合成像模组、微气象站及振动/声纹传感器;

13、自主巡检无人机搭载轻量化多波段载荷,地面履带式机器人搭载多波段载荷,且无人机及机器人防护等级均不低于ip67。

14、结合第一方面,在一种可能的实施方式中,基于气象参数计算天气综合指数,根据天气综合指数划分当前天气等级,并根据当前天气等级动态调整各数据采集设备的权重分配,包括:

15、获取气象参数中的能见度值、降雨量值、雪深值及环境湿度值;

16、对能见度值、降雨量值、雪深值及环境湿度值进行归一化处理,其中能见度采用反向归一化,降雨量、雪深及环境湿度采用正向归一化;

17、将归一化后的各指标值分别乘以预设权重系数后求和,得到天气综合指数;

18、将天气综合指数与预设分级阈值进行比较,划分当前天气等级;

19、天气等级包括一级、二级、三级及四级,其中一级为能见度≥1000m且无雨雪,二级为能见度500~1000m且伴随小雨或轻雾,三级为能见度200~500m且伴随中大雨或持续降雪,四级为能见度<200m且伴随暴雨、暴雪或强浓雾;

20、一级时保持各传感器默认权重配置:可见光40%、红外30%、毫米波15%、紫外15%;

21、二级时可见光传感器采集权重由40%下调至30%,红外传感器采集权重由30%上调至35%,毫米波传感器采集权重由15%上调至20%;

22、三级时可见光传感器采集权重进一步由30%下调至20%,红外传感器采集权重进一步由35%上调至40%,毫米波传感器采集权重进一步由20%上调至25%;

23、四级时可见光传感器采集权重降至10%,红外传感器采集权重升至45%,毫米波传感器采集权重升至30%。

24、结合第一方面,在一种可能的实施方式中,根据当前天气等级,对可见光图像和红外热像执行抗干扰增强处理,并对声纹数据进行环境噪声滤波,包括:

25、获取毫米波雷达点云数据;

26、将毫米波雷达点云数据经投影变换映射至图像像素坐标系,生成场景深度先验;

27、将红外热像数据中的温度梯度信息作为边界约束;

28、将场景深度先验及温度梯度约束代入多通道大气散射模型,反演得到去雾/去雨/去雪后的清晰可见光图像;

29、将去雾恢复后的可见光图像序列输入时空联合去雨网络,采用3d卷积层提取连续多帧图像的时空特征,通过时序注意力机制区分动态雨雪条纹与静态设备背景,剔除残留的雨丝雪花噪声;

30、基于实时能见度反演水汽衰减系数,对红外测温值进行水汽衰减补偿修正;

31、采用由n个麦克风组成的均匀阵列采集声纹信号,根据目标声源的方位角,通过波束形成算法中的延迟-累加技术设计空间滤波器,定向增强目标方向声信号,同时抑制来自非目标方向的雨滴撞击声及风声干扰,提取纯净设备特征声纹。

32、结合第一方面,在一种可能的实施方式中,基于多源感知数据动态规划最优巡检路径,并根据当前天气等级自适应调整图像分辨率、红外采样频率及定点检测时长,包括:

33、将升压站区域地图栅格化为网格;

34、获取各网格区域的路面积水深度、积雪厚度及能见度数据,计算各网格的气象安全代价,其中积水深度≥8cm或积雪厚度≥5cm的网格设为不可通行区域;

35、获取各待检设备的设备风险等级,按危急、预警、一般三级划分并分别赋予对应的优先级代价;

36、将路径搜索算法中的代价函数扩展为包含距离代价、气象安全代价及设备巡检优先级代价的多维代价函数;

37、以多维代价函数最小为目标,迭代求解最优巡检路径,输出包含航点序列的巡检路径方案;

38、图像分辨率、红外采样频率及定点检测时长包含三级可调档位,其中:

39、一级精度档位对应常规图像分辨率、常规红外采样频率及常规定点检测时长,当当前天气等级为一级时启用;

40、二级精度档位对应提升后的图像分辨率、提升后的红外采样频率及延长50%的定点检测时长,当当前天气等级为二级时启用;

41、三级精度档位对应最高图像分辨率、双倍红外采样频率及延长100%的定点检测时长,当当前天气等级为三级或四级时启用。

42、结合第一方面,在一种可能的实施方式中,将经抗干扰增强处理后的可见光数据、红外数据与同步采集的毫米波点云数据、紫外放电脉冲数据及振动频谱数据进行时空对齐,并输入自适应权重融合网络进行多模态融合,提取升压站设备的缺陷特征,包括:

43、以可见光图像的采集时刻为基准时间轴,将其余各模态数据通过线性插值或最近邻插值方法对齐至同一时间戳;

44、利用预先标定的多传感器外参矩阵,将红外图像、毫米波雷达点云及紫外成像数据通过透视变换投影至可见光图像像素坐标系,形成逐像素对齐的多通道数据张量;

45、将当前天气等级编码后输入权重预测子网络,同时计算各模态数据的实时置信度,权重预测子网络综合天气等级编码及各模态置信度,输出归一化的各模态权重系数;

46、将各模态数据分别通过特征提取分支生成对应的特征图,按权重系数进行加权求和,得到融合特征图;

47、将融合特征图输入轻量化卷积神经网络,轻量化卷积神经网络并行输出多个分支的缺陷特征,包括覆冰几何特征、设备温升热特征、放电脉冲特征及振动频谱特征,将各分支输出的缺陷特征拼接形成多维缺陷特征向量。

48、结合第一方面,在一种可能的实施方式中,恶劣天气专属识别模型基于cyclegan网络进行样本扩充训练;恶劣天气专属识别模型以缺陷特征为输入,输出缺陷类型及对应的严重程度分级结果;严重程度分级结果包括一般等级、预警等级及危急等级;

49、按照预设的严重等级标准进行预警,生成对应的预警信息,包括:

50、当输出为一般等级时,生成一般预警信息并记录;

51、当输出为预警等级时,生成预警信息并推送至运维平台;

52、当输出为危急等级时,生成危急预警信息并触发声光报警;

53、利用多因素闪络概率模型对设备缺陷发展趋势进行前瞻性风险预警,包括:

54、获取紫外放电脉冲数、泄漏电流及微气象数据,将紫外放电脉冲数、泄漏电流及微气象数据输入多因素闪络概率模型,预测未来24至72小时内的绝缘子闪络概率值,当闪络概率值超过设定阈值时,触发前瞻预警;

55、通过对毫米波雷达点云前后帧差分计算覆冰增长速率,结合导线张力监测数据判断舞动风险等级,当舞动风险等级达到设定等级时,触发前瞻预警。

56、结合第一方面,在一种可能的实施方式中,将预警信息推送至运维管理平台,生成并派发处置工单,并在接收到处置完成信号的情况下,对处置结果进行复核确认并销号,包括:

57、将预警信息推送至运维平台,生成处置工单,并将处置工单派发至运维人员终端;处置工单包含缺陷位置、缺陷类型及缺陷严重程度信息;

58、处置完成后,接收处置完成信号,对处置结果进行复核确认;

59、复核通过后对相应预警记录进行销号处理;

60、将本次巡检数据及处置结果与预设权重进行对比偏差分析,根据偏差分析结果调整能见度、降雨量、雪深及湿度的权重系数及路径规划中的各代价因子。

61、结合第一方面,在一种可能的实施方式中,将巡检过程中的巡检数据、气象数据、预警记录及处置过程自动归档,生成数字化巡检报告与趋势分析图表,并提供远程访问接口,供运维人员调阅与远程应急指挥,包括:

62、将巡检过程中的巡检数据、气象数据、预警记录及处置过程按时间顺序归档存储;

63、统计各类型缺陷的发生频次及严重程度分布,按设备类型、区域及时间段生成缺陷统计图表,生成包含本次巡检结果及历史趋势对比的数字化巡检报告;

64、远程访问接口支持电脑端及移动终端访问,运维人员通过远程访问接口实时调阅升压站全域状态,并实施远程控制与应急指挥。

65、第二方面,提供一种恶劣天气下火电厂升压站自适应智能巡检系统,包括:

66、数据采集模块,用于获取升压站内的数据采集设备采集的多源感知数据;数据采集设备包括固定监控设备和移动巡检设备;多源感知数据至少包括可见光图像、红外热像、毫米波数据、紫外放电数据、气象参数、设备振动数据及设备声纹数据;

67、气象判定与策略触发模块,用于基于气象参数计算天气综合指数,根据天气综合指数划分当前天气等级,自动触发与当前天气等级对应的预设巡检模式,并根据当前天气等级动态调整各数据采集设备的权重分配;

68、抗干扰增强处理模块,用于根据当前天气等级,对可见光图像和红外热像执行抗干扰增强处理,并对声纹数据进行环境噪声滤波;

69、路径规划与精度调整模块,用于基于多源感知数据动态规划最优巡检路径,并根据当前天气等级自适应调整图像分辨率、红外采样频率及定点检测时长;

70、多模态融合与特征提取模块,用于将经抗干扰增强处理后的可见光数据、红外数据与同步采集的毫米波点云数据、紫外放电脉冲数据及振动频谱数据进行时空对齐,并输入自适应权重融合网络进行多模态融合,提取升压站设备的缺陷特征;自适应权重融合网络的权重分配由当前天气等级动态驱动;

71、智能诊断与预警模块,用于将缺陷特征输入恶劣天气专属识别模型,识别缺陷类型并评定缺陷严重程度,按照预设的严重等级标准进行预警,生成对应的预警信息;利用多因素闪络概率模型对设备缺陷发展趋势进行前瞻性风险预警;

72、闭环处置模块,用于将预警信息推送至运维管理平台,生成并派发处置工单,并在接收到处置完成信号的情况下,对处置结果进行复核确认并销号;

73、数字化报告与远程管控模块,用于将巡检过程中的巡检数据、气象数据、预警记录及处置过程自动归档,生成数字化巡检报告与趋势分析图表,并提供远程访问接口,供运维人员调阅与远程应急指挥。

74、结合第二方面,在一种可能的实施方式中,固定监控设备包括部署于升压站关键位置的固定监控点;移动巡检设备包括自主巡检无人机及地面履带式机器人,具体为:

75、固定监控点部署于升压站关键位置,每处固定监控点配置四波段融合成像模组、微气象站及振动/声纹传感器;

76、自主巡检无人机搭载轻量化多波段载荷,地面履带式机器人搭载多波段载荷,且无人机及机器人防护等级均不低于ip67。

77、结合第二方面,在一种可能的实施方式中,气象判定与策略触发模块,用于获取气象参数中的能见度值、降雨量值、雪深值及环境湿度值;

78、对能见度值、降雨量值、雪深值及环境湿度值进行归一化处理,其中能见度采用反向归一化,降雨量、雪深及环境湿度采用正向归一化;

79、将归一化后的各指标值分别乘以预设权重系数后求和,得到天气综合指数;

80、将天气综合指数与预设分级阈值进行比较,划分当前天气等级;

81、天气等级包括一级、二级、三级及四级,其中一级为能见度≥1000m且无雨雪,二级为能见度500~1000m且伴随小雨或轻雾,三级为能见度200~500m且伴随中大雨或持续降雪,四级为能见度<200m且伴随暴雨、暴雪或强浓雾;

82、一级时保持各传感器默认权重配置:可见光40%、红外30%、毫米波15%、紫外15%;

83、二级时可见光传感器采集权重由40%下调至30%,红外传感器采集权重由30%上调至35%,毫米波传感器采集权重由15%上调至20%;

84、三级时可见光传感器采集权重进一步由30%下调至20%,红外传感器采集权重进一步由35%上调至40%,毫米波传感器采集权重进一步由20%上调至25%;

85、四级时可见光传感器采集权重降至10%,红外传感器采集权重升至45%,毫米波传感器采集权重升至30%。

86、结合第二方面,在一种可能的实施方式中,抗干扰增强处理模块,用于获取毫米波雷达点云数据;

87、将毫米波雷达点云数据经投影变换映射至图像像素坐标系,生成场景深度先验;

88、将红外热像数据中的温度梯度信息作为边界约束;

89、将场景深度先验及温度梯度约束代入多通道大气散射模型,反演得到去雾/去雨/去雪后的清晰可见光图像;

90、将去雾恢复后的可见光图像序列输入时空联合去雨网络,采用3d卷积层提取连续多帧图像的时空特征,通过时序注意力机制区分动态雨雪条纹与静态设备背景,剔除残留的雨丝雪花噪声;

91、基于实时能见度反演水汽衰减系数,对红外测温值进行水汽衰减补偿修正;

92、采用由n个麦克风组成的均匀阵列采集声纹信号,根据目标声源的方位角,通过波束形成算法中的延迟-累加技术设计空间滤波器,定向增强目标方向声信号,同时抑制来自非目标方向的雨滴撞击声及风声干扰,提取纯净设备特征声纹。

93、结合第二方面,在一种可能的实施方式中,路径规划与精度调整模块,用于将升压站区域地图栅格化为网格;

94、获取各网格区域的路面积水深度、积雪厚度及能见度数据,计算各网格的气象安全代价,其中积水深度≥8cm或积雪厚度≥5cm的网格设为不可通行区域;

95、获取各待检设备的设备风险等级,按危急、预警、一般三级划分并分别赋予对应的优先级代价;

96、将路径搜索算法中的代价函数扩展为包含距离代价、气象安全代价及设备巡检优先级代价的多维代价函数;

97、以多维代价函数最小为目标,迭代求解最优巡检路径,输出包含航点序列的巡检路径方案;

98、图像分辨率、红外采样频率及定点检测时长包含三级可调档位,其中:

99、一级精度档位对应常规图像分辨率、常规红外采样频率及常规定点检测时长,当当前天气等级为一级时启用;

100、二级精度档位对应提升后的图像分辨率、提升后的红外采样频率及延长50%的定点检测时长,当当前天气等级为二级时启用;

101、三级精度档位对应最高图像分辨率、双倍红外采样频率及延长100%的定点检测时长,当当前天气等级为三级或四级时启用。

102、结合第二方面,在一种可能的实施方式中,多模态融合与特征提取模块,用于以可见光图像的采集时刻为基准时间轴,将其余各模态数据通过线性插值或最近邻插值方法对齐至同一时间戳;

103、利用预先标定的多传感器外参矩阵,将红外图像、毫米波雷达点云及紫外成像数据通过透视变换投影至可见光图像像素坐标系,形成逐像素对齐的多通道数据张量;

104、将当前天气等级编码后输入权重预测子网络,同时计算各模态数据的实时置信度,权重预测子网络综合天气等级编码及各模态置信度,输出归一化的各模态权重系数;

105、将各模态数据分别通过特征提取分支生成对应的特征图,按权重系数进行加权求和,得到融合特征图;

106、将融合特征图输入轻量化卷积神经网络,轻量化卷积神经网络并行输出多个分支的缺陷特征,包括覆冰几何特征、设备温升热特征、放电脉冲特征及振动频谱特征,将各分支输出的缺陷特征拼接形成多维缺陷特征向量。

107、结合第二方面,在一种可能的实施方式中,恶劣天气专属识别模型基于cyclegan网络进行样本扩充训练;恶劣天气专属识别模型以缺陷特征为输入,输出缺陷类型及对应的严重程度分级结果;严重程度分级结果包括一般等级、预警等级及危急等级;

108、智能诊断与预警模块,用于当输出为一般等级时,生成一般预警信息并记录;当输出为预警等级时,生成预警信息并推送至运维平台;当输出为危急等级时,生成危急预警信息并触发声光报警;获取紫外放电脉冲数、泄漏电流及微气象数据,将紫外放电脉冲数、泄漏电流及微气象数据输入多因素闪络概率模型,预测未来24至72小时内的绝缘子闪络概率值,当闪络概率值超过设定阈值时,触发前瞻预警;

109、通过对毫米波雷达点云前后帧差分计算覆冰增长速率,结合导线张力监测数据判断舞动风险等级,当舞动风险等级达到设定等级时,触发前瞻预警。

110、结合第二方面,在一种可能的实施方式中,闭环处置模块,用于将预警信息推送至运维平台,生成处置工单,并将处置工单派发至运维人员终端;处置工单包含缺陷位置、缺陷类型及缺陷严重程度信息;

111、处置完成后,接收处置完成信号,对处置结果进行复核确认;

112、复核通过后对相应预警记录进行销号处理;

113、将本次巡检数据及处置结果与预设权重进行对比偏差分析,根据偏差分析结果调整能见度、降雨量、雪深及湿度的权重系数及路径规划中的各代价因子。

114、结合第二方面,在一种可能的实施方式中,数字化报告与远程管控模块,用于将巡检过程中的巡检数据、气象数据、预警记录及处置过程按时间顺序归档存储;

115、统计各类型缺陷的发生频次及严重程度分布,按设备类型、区域及时间段生成缺陷统计图表,生成包含本次巡检结果及历史趋势对比的数字化巡检报告;

116、远程访问接口支持电脑端及移动终端访问,运维人员通过远程访问接口实时调阅升压站全域状态,并实施远程控制与应急指挥。

117、第三方面,提供一种计算机设备,包括:处理器、存储器和总线,所述存储器存储有所述处理器可执行的机器可读指令,当计算机设备运行时,所述处理器与所述存储器之间通过总线通信,所述机器可读指令被所述处理器执行时执行如第一方面,或者结合第一方面的任一种可能的实施方式所述的恶劣天气下火电厂升压站自适应智能巡检方法的步骤。

118、第四方面,提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被处理器运行时执行如第一方面,或者结合第一方面的任一种可能的实施方式所述的恶劣天气下火电厂升压站自适应智能巡检方法的步骤。

119、本公开实施例的有益效果包括:

120、本公开实施例提供了一种恶劣天气下火电厂升压站自适应智能巡检方法及系统,主要应用于火电厂升压站在雨、雪、雾等恶劣天气条件下的设备巡检场景。针对该场景下人工巡检中断、固定策略无法动态响应、多源数据融合抗干扰能力弱、缺乏恶劣天气专属诊断模型与前瞻预警、以及巡检处置流程未闭环自优化的技术问题,本发明首先通过获取升压站内数据采集设备采集的多源感知数据,为后续气象判定、路径规划及缺陷诊断提供了全面的数据基础;继而基于多源感知数据中的气象参数计算天气综合指数并划分天气等级,自动触发对应的巡检模式并动态调整各数据采集设备的权重分配,整个巡检的流程在复杂气象条件下能够自适应切换策略,同时为后续抗干扰增强处理提供等级依据;在此基础上根据天气等级对可见光图像和红外热像执行抗干扰增强处理并对声纹数据进行环境噪声滤波,有效恢复了恶劣天气下退化图像与信号的质量,从而为后续多模态融合提供了可靠的输入;进而动态规划最优巡检路径并自适应调整图像分辨率、红外采样频率及定点检测时长,将各模态数据时空对齐后输入天气等级驱动的自适应权重融合网络进行融合并提取缺陷特征,进一步通过恶劣天气专属识别模型进行缺陷识别与分级预警,同时建立多因素闪络概率模型实现前瞻预警,使运维人员能够提前介入处置,将被动抢修转变为主动运维。此后将预警信息推送至运维平台生成处置工单,处置完成后复核确认并销号,确保每一条预警均有明确的处置结论。将巡检数据、气象数据、预警记录及处置过程自动归档并生成巡检报告与趋势分析图表,同时提供远程访问接口供运维人员实时调阅全域状态并实施远程控制与应急指挥,全面提升了升压站运维管理的数字化水平与应急响应效率。

121、上述各步骤依次执行、逐级递进,感知数据的获取支撑气象等级判定与策略触发,气象等级的划分结果为抗干扰增强处理提供等级依据,增强后的数据质量保障了多模态融合的有效性,融合提取的缺陷特征输入诊断模型实现预警,预警信息经闭环处置确保问题有落实,处置全程数据归档为远程管控提供信息基础,前一步的输出为后一步的输入提供支撑,各环节相互配合、协同作用,共同解决了恶劣天气下升压站设备巡检难、诊断难、管理难的技术问题。