基于5G技术的变电一次设备智能检修方法与流程

基于5g技术的变电一次设备智能检修方法
技术领域
1.本发明涉及电力检修领域，尤其涉及一种基于5g技术的变电一次设备智能检修方法。


背景技术：

2.电力系统中，变电是其中一个重要组成部分。变电的作用是对电力系统中的交流电压进行高低调节，以满足实际配电的需要。变电站由众多变电设备组成，具体可以分为一次设备和二次设备。其中，一次设备相比较二次设备承载的工作压力更大，因此更容易发生故障或者异常。为了不影响正常供电，变电一次设备需要定期检修。
3.设备运维精益管理系统(pms)，是当下国家电网在电力维修时采用的主要信息共享平台。根据国家电网精益化管理要求，一次设备相关数据信息均需录入设备(资产)运维精益管理系统，但目前只能在供电系统的内网机(台式机)上进行。检修人员从设备现场到信息录入，中间环节较多，往往不能及时将信息录入pms系统，也无法通过pms及时掌握一次设备的检修信息，难以制定精准检修策略，降低了设备管理质量和效率。


技术实现要素：

4.本发明的目的是提供一种基于5g技术的变电一次设备智能检修方法，能够借助5g网络打通移动终端和pms数据交互通道，提高工作效率；同时还能够依照设定的变电设备状态识别模型，准确识别变电一次设备状态识别。
5.本发明采用下述技术方案：
6.一种基于5g技术的变电一次设备智能检修方法，依次包括以下步骤：
7.a：利用检测设备获取变电一次设备运行信息；其中，变电一次设备运行信息包括设备基本信息、检修履历、试验记录、带电检测数据和设备运行红外图像；
8.b：通过5g技术，将故障录波器和红外热像仪所获取到的信息通过无线方式自动上传至内网pms系统；
9.c：对pms系统中获取到的带电检测数据和设备运行红外图像分别进行预处理；
10.d：分别对预处理后的带电检测数据和设备运行红外图像进行特征提取，对应得到电气量特征和红外图像特征，并构建变电一次设备的特征集合；
11.e：构建基于循环神经网路的变电设备状态识别模型，并根据现有历史数据对变电设备状态识别模型进行训练，当变电设备状态识别模型循环训练并达到误差要求后，得到训练后的变电设备状态识别模型；
12.f：将步骤d中获取到的变电一次设备的特征集合y，输入训练后的变电设备状态识别模型进行变电一次设备状态识别，得到最终的变电一次设备运行状态。
13.所述的步骤a中，利用故障录波器获取变电一次设备故障前后过程的各种电气量的变化情况，即带电检测数据；利用红外热像仪获取设备运行红外图像。
14.所述的步骤c中，在对带电检测数据进行预处理时，针对故障录波器采集到的带电
检测数据进行去噪处理。
15.所述的去噪处理的具体步骤如下：
16.c11：确定小波基函数，小波基函数的表达式如下：
[0017][0018]
其中，代表小波基函数，t代表时域；a代表伸缩因子；b代表平移因子；
[0019]
c12：确定分解层数n；
[0020]
c13：利用将带电检测数据分解为n层，得到各层的小波变换系数；
[0021]
c14：利用下述阈值函数对小波变换系数进行处理：
[0022][0023]
其中，f(s)代表阈值函数，s代表小波系数，γ代表阈值；
[0024]
c15：进行小波系数重构，最终实现带电检测数据去噪。
[0025]
所述的步骤c中，在对带设备运行红外图像进行预处理时，针对红外热像仪采集到的设备运行红外图像进行图像平滑预处理。
[0026]
所述的平滑方法选用高斯滤波法，该方法公式如下：
[0027][0028]
其中，ζ(x,y)是去噪后红外图像像素点(x,y)处的灰度值的值；μ为标准差；x,y代表原始红外图像像素点坐标值。
[0029]
所述的步骤d中，在对带电检测数据进行特征提取时，按照如下方式进行：
[0030]
d11：对带电检测数据中的电气量数据进行时域特征的提取；时域特征中峰值计算公式为：
[0031][0032]
其中，p(0)代表峰值，即振幅最大值，n代表电气量数据采样点，xi代表第i个电气量数据；
[0033]
时域特征中波形因子计算公式为：
[0034][0035]
其中，p(1)代表波形因子，代表电气量数据平均值；
[0036]
时域特征中裕度系数计算公式为：
[0037][0038]
其中，p(3)代表裕度系数；
[0039]
d12：对带电检测数据中的电气量数据进行频域特征的提取；频域特征中频谱均值计算公式为：
[0040][0041]
其中，q(0)代表频谱均值，f(k)代表电气量数据的频谱，通过对电气量数据进行离散傅立叶变换所得，k代表时域离散值的序号，即谱线，k代表谱线数。
[0042]
所述的步骤d中，在对设备运行红外图像进行特征提取时，主要针对红外图像特征中的图像亮度平均值和颜色方差进行提取；提取的具体步骤如下：
[0043]
d21：对红外图像特征中的图像亮度平均值进行特征提取；图像亮度平均值的计算公式为：
[0044][0045]
其中，g(0)代表图像亮度值平均值；ai代表第i个像素亮度值；n代表像素个数；
[0046]
d22：对红外图像特征中的颜色方差进行特征提取；颜色方差的计算公式为：
[0047][0048]
式中，g(1)代表颜色方差。
[0049]
根据所获取到的电气量特征和红外图像特征，构建变电一次设备的特征集合y；y＝{p(0),p(1),p(2),q(0),q(1),g(0),g(1)}。
[0050]
本发明借助5g网络打通移动终端和pms数据交互通道，使得检修人员随时随地办公，进行一次设备基础信息核查、技术参数查阅、检修记录输入、试验数据录入、缺陷管理闭环，通过蓝牙等技术能够自动读取试验仪器等的试验数据，自动录入终端系统，提高工作效率，提高设备履历信息录入及时性、调阅设备信息准确性、掌握设备履历信息完整性，给不同的设备制定更加精准的检修策略，提升整体一次设备管理水平。
[0051]
另一方面，本发明利用故障录波器获取变电一次设备故障的带电检测数据，并利用红外热像仪获取的变电一次设备的运行红外图像，通过变电设备状态识别模型，准确识别变电一次设备状态识别，能够实现“5g pms信息网”的专业化智慧运维检修。
附图说明
[0052]
图1为本发明的流程示意图。
具体实施方式
[0053]
以下结合附图和实施例对本发明作以详细的描述：
[0054]
如图1所示，本发明所述的基于5g技术的变电一次设备智能检修方法，包括以下步骤：
[0055]
a：利用检测设备获取变电一次设备运行信息；其中，变电一次设备运行信息包括设备基本信息、检修履历、试验记录、带电检测数据和设备运行红外图像。
[0056]
智能检修实现的前提和基础是变电一次设备信息的获取和录入，并上传到pms系统当中，以进行进一步的挖掘和分析。变电一次设备信息类型包括设备基本信息、检修履历、试验记录、例试试验数据比对等，上述几项设备信息均为文本信息，可通过查询相关说明、记录等实现获取。而设备运行红外图像和带电检测数据，则需要采用相关检测设备，如故障录波器和红外热像仪进行获取。
[0057]
本发明中，故障录波器能够自动地、准确地记录故障前、后过程的各种电气量的变化情况，即带电检测数据，为后期利用变电设备状态识别模型准确识别变电一次设备状态提供数据基础。
[0058]
变电一次设备运行下会产生的一定的热量，具有一定的热分布状态，当设备发生故障问题后，热分布状态会发生异变。红外热像仪可准去采集到的上述热分布图像，即设备运行红外图像。
[0059]
b：通过5g技术，将故障录波器和红外热像仪所获取到的信息通过无线方式自动上传至内网pms系统；
[0060]
c：对pms系统中获取到的带电检测数据和设备运行红外图像分别进行预处理；
[0061]
在对带电检测数据进行预处理时，针对故障录波器采集到的带电检测数据进行去噪处理；去噪处理的具体步骤如下：
[0062]
c11：确定小波基函数，小波基函数的表达式如下：
[0063][0064]
其中，代表小波基函数，t代表时域；a代表伸缩因子；b代表平移因子；
[0065]
c12：确定分解层数n；
[0066]
c13：利用将带电检测数据分解为n层，得到各层的小波变换系数；
[0067]
c14：利用下述阈值函数对小波变换系数进行处理：
[0068][0069]
其中，f(s)代表阈值函数，s代表小波系数，γ代表阈值；
[0070]
c15：进行小波系数重构，最终实现带电检测数据去噪；
[0071]
在对带设备运行红外图像进行预处理时，针对红外热像仪采集到的设备运行红外图像进行图像平滑预处理；图像平滑预处理的目的是去除红外图像中的噪声点，提高图像分辨率和清晰度。
[0072]
本实施例中，平滑方法选用高斯滤波法，该方法公式如下：
[0073][0074]
其中，ζ(x,y)是去噪后红外图像像素点(x,y)处的灰度值的值；μ为标准差；x,y代表原始红外图像像素点坐标值；
[0075]
d：分别对预处理后的带电检测数据和设备运行红外图像进行特征提取，对应得到电气量特征和红外图像特征，并构建变电一次设备的特征集合；
[0076]
由于带电检测数据中的电气量数据，主要以信号的形式存在。信号特征主要分为两种形式，即时域特征和频域特征。因此在本发明中，在对带电检测数据进行特征提取时，按照如下方式进行：
[0077]
d11：对带电检测数据中的电气量数据进行时域特征的提取；时域特征中峰值计算公式为：
[0078][0079]
其中，p(0)代表峰值，即振幅最大值，n代表电气量数据采样点，xi代表第i个电气量数据；
[0080]
时域特征中波形因子计算公式为：
[0081][0082]
其中，p(1)代表波形因子，代表电气量数据平均值；
[0083]
时域特征中裕度系数计算公式为：
[0084][0085]
其中，p(3)代表裕度系数；
[0086]
d12：对带电检测数据中的电气量数据进行频域特征的提取；频域特征中频谱均值计算公式为：
[0087][0088]
其中，q(0)代表频谱均值，f(k)代表电气量数据的频谱，通过对电气量数据进行离散傅立叶变换所得，k代表时域离散值的序号，即谱线，k代表谱线数；
[0089]
本发明中，在对设备运行红外图像进行特征提取时，主要针对红外图像特征中的图像亮度平均值和颜色方差进行提取；提取的具体步骤如下：
[0090]
d21：对红外图像特征中的图像亮度平均值进行特征提取；图像亮度平均值的计算公式为：
[0091][0092]
其中，g(0)代表图像亮度值平均值；ai代表第i个像素亮度值；n代表像素个数；
[0093]
d22：对红外图像特征中的颜色方差进行特征提取；颜色方差的计算公式为：
[0094][0095]
式中，g(1)代表颜色方差；
[0096]
最终，根据所获取到的上述所有特征，构建变电一次设备的特征集合y；y＝{p(0),p(1),p(2),q(0),q(1),g(0),g(1)}；
[0097]
e：构建基于循环神经网路的变电设备状态识别模型，并根据现有历史数据对变电设备状态识别模型进行训练，当变电设备状态识别模型循环训练并达到误差要求后，得到训练后的变电设备状态识别模型；
[0098]
f：将步骤d中获取到的变电一次设备的特征集合y，输入训练后的变电设备状态识别模型进行变电一次设备状态识别，得到最终的变电一次设备运行状态。