CN114069838A - 智能传感器主动协同的变电站机器人智能巡检系统及方法 - Google Patents

Abstract

本发明提供了一种智能传感器主动协同的变电站机器人智能巡检系统及方法，本发明巡检系统包括：智能机器人协同巡检层、自主协同层和变电站智能传感层形成三层智能巡检架构。本发明巡检系统中，巡检机器人进行自主路径规划完成图像数据采集，智能传感器感知被检测设备的状态并进行数据预处理和分析，巡检机器人和智能传感器通过近场通信机制和智能执行器进行主动协同，协同服务器基于巡检机器人感知数据进行复杂场景识别，以及对巡检机器人感知数据和智能传感器感知数据进行多源数据融合分析。显著的提升了巡视的及时性，避免操作过程的人员安全风险.减少巡检时的人工干预，保证变电巡视任务顺利进行。

Description

智能传感器主动协同的变电站机器人智能巡检系统及方法

技术领域

本发明属于技术领域，尤其涉及一种智能传感器主动协同的变电站机器人智能巡检系统及方法。

背景技术

当前，随着大电网建设的不断推进，电网规模迅速增长，电网设备数量也飞速增加，传统的变电站人工巡视方式耗时耗力，难以有效满足变电站设备的运维管理需要。

随着信息化和智能化技术的突飞猛进，传感器和机器人技术得到了快速发展，两者在变电站巡检业务领域更是已经双双落地实施。变电设备通过安装传感器开展远程状态监测，利用巡检机器人缓解了运行人员的部分工作压力。然而，两者在实际应用过程中还存在很多不足之处：

首先，变电站传感器目前虽然可以完成部分数据的采集工作，但应用场景较为单一，传感器数据之间没有形成互联互通与综合分析利用，现有物联网通信技术如zigbee、WiFi，受限于无线组网的传输机制、安全性、功耗、通信距离的影响，无法满足电力设备传感器长达1年甚至3年以上的工作要求；

其次，变电站机器人当前的运行环境为孤立的局域网，巡检采集的数据也无法与其它系统或装置进行交互；巡视策略和方式单一，只能够按照人工设定的几种既定路径和方式巡视；状态预警能力不足，主要依赖于红外测温与图像简单识别后的数据，数据来源单一，不具备全面反映设备状态信息的能力。

发明内容

针对上述现有技术中存在的不足之处，本发明提供了一种智能传感器主动协同的变电站机器人智能巡检系统及方法。其目的是为了实现传感器与变电巡检机器人主动协同巡视能力、检修能力及环境应对学习能力，提升巡视的及时性，避免操作过程的人员安全风险.减少巡检时的人工干预的发明目的。

本发明为实现上述目的所采用的技术方案是：

智能传感器主动协同的变电站机器人智能巡检系统，其特征是：包括由智能机器人协同巡检层、自主协同层和变电站智能传感层形成的三层智能巡检架构；其中，智能机器人协同巡检层与自主协同层实现双向通信连接，智能机器人协同巡检层同时还与变电站智能传感层实现双向通信连接，自主协同层同变电站智能传感层也实现双向通信连接。

进一步的，所述智能机器人协同巡检层，包括：协同服务器、巡检机器人以及智能执行器；其中，协同服务器通过无线通信网络与巡检机器人相连接，巡检机器人通过无线通信网络与智能执行器相连接；

巡检机器人包含边缘分析装置、传感器、RFID读写器；巡检机器人进行自主路径规划完成图像数据采集；

边缘分析装置用于进行路径规划；

传感器用于巡检机器人采集设备状态和现场环境数据；

RFID读写器用于巡检机器人和智能传感单元之间进行通信和数据传输；

智能执行器包括固定端和移动端两部分，固定端安装在汇控柜上，包括继电器开关、RFID读写器和状态指示灯；移动端安装在巡检机器人上，包括RFID读写卡器和RFID标签；移动端和固定端通过RFID读写器进行通信，驱动继电器开关完成汇控柜上复位开关的复位操作。

进一步的，所述自主协同层，包括：智能传感单元；智能传感单元包含通信模块、RFID读写器和智能分析模块；通信模块用于激活现场设备传感器令其采集设备状态数据，智能分析模块用于数据预处理和分析，RFID读写器用于智能传感单元和巡检机器人之间进行通信和数据传输。

进一步的，所述变电站智能传感层，包括：智能传感器和被检测设备，被检测设备包括变压器或GIS设备或汇控柜；

智能传感器感知被检测设备的状态并进行数据预处理和分析，巡检机器人和智能传感器通过近场通信机制和智能执行器进行主动协同，协同服务器基于巡检机器人感知数据进行复杂场景识别，以及对巡检机器人感知数据和智能传感器感知数据进行多源数据融合分析。

智能传感器主动协同的变电站机器人智能巡检方法，包括以下步骤：

步骤1.由智能机器人协同巡检层、自主协同层和变电站智能传感层形成三层智能巡检架构；

智能机器人协同巡检层，包括：协同服务器、巡检机器人以及智能执行器；

自主协同层，包括：智能传感器；

变电站智能传感层，包括：被检测设备形成三层智能巡检架构；

步骤2.巡检机器人进行自主路径规划完成图像数据采集；

步骤3.智能传感单元感知被检测设备的状态并进行数据预处理；

步骤4.智能传感单元对被检测设备的状态进行初步分析；

步骤5.智能传感单元通过短距离通信机制，将当前的被检测设备的感知数据发送给巡检机器人；

步骤6.巡检机器人通过短距离通信机制，授权智能执行器完成汇控柜复位开关的复位动作；

步骤7.协同巡检系统可以完成复杂场景识别；

步骤8.协同巡检系统可以完成多源数据融合分析。

进一步的，步骤1中所述协同服务器通过无线通信网络与巡检机器人进行信息传输、下发任务指令；协同服务器基于巡检机器人感知数据进行场景识别，以及对巡检机器人感知数据和智能传感器感知数据进行数据的融合与分析；

所述巡检机器人从协同服务器接收任务指令和信息，基于信息进行路径规划，依据路径规划结果进行自主巡检并采集被检测设备的状态数据；其中，巡检机器人采集的数据包括：由巡检机器人携带的传感器采集数据和由智能传感单元收集并传输给巡检机器人；

其中，采集数据过程包括：

巡检机器人和智能传感单元通过近场通信机制和智能执行器进行主动协同，巡检机器人移动到智能传感单元附近，向智能传感单元发出数据收集指令，智能传感单元获取该指令后，激活温度、湿度、可见光、红外光等传感器进行数据采集，并将该数据传输给巡检机器人；

智能执行器用于在变电站汇控柜发生误报警后操作复位开关解除报警状态，上述操作由智能执行器和巡检机器人协同完成。

进一步的，步骤2中所述巡检机器人进行自主路径规划完成图像数据采集，包括：虚拟地图建模和路径规划两部分，均由巡检机器人的边缘分析装置完成；

虚拟地图建模根据变电站实景地图和实时环境感知信息，通过提取变电站环境要素和主要特点，将实景地图进行简化得到的抽象地图；

路径规划根据构建的虚拟地图，制定巡检机器人从当前位置到达某一地点或者N个地点的最短行进路线。

进一步的，步骤3中所述智能传感单元感知被检测设备的状态并进行数据预处理，包括：

基于多源数据时空相关性，进行异常值判断，以及数据修复；

首先，T个时刻中N个传感器的数据集X被分成若干组，其中每组包含m时间长度内N个传感器的数据集；

然后将整个数据集分成

组，每组数据均为一个m×N矩阵；

对于每个m×N矩阵，计算所有相邻列之间的差值以得到大小为m×(N-1)的矩阵D_k，每个D_k矩阵是对应X_k矩阵的差值矩阵；k表示数据集分组的索引，k＝1,2,…,num；

对于D_k的每一列，找到它的中值L_kj并指定阈值σ，中值L_kj中k表示数据集分组的索引，k＝1,2,…,num，j表示D_k中列的索引；

对于每个矩阵D_k，如果|D_k[i][j]-L_kj|＜σ，则X_k[i,j]和X_k[i,j+1]的差值是正常的，令A_ij＝1；如果不是，X_k[i,j]和X_k[i,j+1]中的一个是异常的，令A_ij＝0；其中，A是与D大小相同的矩阵，用来表示D中的数据是否异常，其中i和j分别是A和D中行和列的索引；

对于A_ij＝1的值，设M_ij＝{X_k[i,j],X_k[i,j+1],...,X_k[i,j+λ]}，其中λ+1为Mij中元素的个数，根据实际场景进行取值；计算M_ij的中值m_ij＝median(M_ij)，median为取中值函数，将|X_k[i][j]-m_ij|与|X_k[i+1][j]-m_i+1,j|进行比较，如果前者大于后者，则X_k[i][j]为异常值；否则，X_k[i][j+1]是异常值；k表示数据集分组的索引，k＝1,2,…,num；i和j分别是A中行和列的索引；

最后，对于判断为异常值的数据X_k[i][j]，将相应的中值m_ij分配给该值，完成修复；

算法1:数据清理算法；

输入:数据集X＝{X₁,X₂,...,X_n},X_i＝{x_i1,x_i2,...,x_iT}'；矩阵的时间序列长度m；阈值σ；用于计算中位数的时间序列长度λ；式中，X表示n个传感器在T个采样时刻中的数据，Xi表示第i个传感器的数据，x_iT表示第i个传感器在第T个时刻的采样值，'表示转置；

S1:建立矩阵D,令D[i][j]＝X[i][j+1]-X[i][j]；

S2:令

将矩阵D分为num个小矩阵：D_k,k＝1,2,...,num，k为小矩阵的索引；同时，X矩阵也被划分为num个矩阵，并且每个X_k矩阵是D_k矩阵的差值矩阵；式中，num表示数据分组数；

S3:forD_k,k＝1,2,...,num：

计算每列的L_kj

if |D_k[i][j]-L_kj|＜σ,return A[i][j]＝1

A是与D大小相同的矩阵，用来表示D中的数据是否异常，其中i和j分别是A和D中行和列的索引，L_kj为D_k中第j列的中值，σ为D_k中第j列的标准差；

S4:for D_k,k＝1,2,...,num：

if A[i][j]＝1

令M_ij＝{X_k[i,j],X_k[i,j+1],...,X_k[i,j+λ]},m_ij＝median(M_ij)

比较|X_k[i][j]-m_ij|与|X_k[i+1][j]-m_i+1,j|，如果前者大于后者，则X_k[i][j]是异常值；否则，X_k[i][j+1]是异常值；

其中M_ij＝{X_k[i,j],X_k[i,j+1],...,X_k[i,j+λ]}为长度λ+1的数据向量，λ根据实际场景进行取值；计算M_ij的中值m_ij＝median(M_ij)，median为取中值函数，将|X_k[i][j]-m_ij|与|X_k[i+1][j]-m_i+1,j|进行比较，如果前者大于后者，则X_k[i][j]为异常值；否则，X_k[i][j+1]是异常值；k表示数据集分组的索引，k＝1,2,…,num；i和j分别是A中行和列的索引；

S5:对于判断为异常值的所有数据X_k[i][j]，将相应的中值m_ij分配给该值，并且完成修复。

进一步的，步骤4中所述智能传感单元对被检测设备的状态进行初步分析，包括：

利用稀疏自编码技术，从正常设备的原始信号中学习特征，根据模型识别测试样本；如果样本的特征与正常信号的特征相比有显著的误差，则样本被视为故障；

设

为训练样本数据集，其中x_i表示是第i个训练数据，n是样本个数；y_i∈Y＝{1,2,3,...,K}是相关的标签，K是训练集中标签的类别数；

是测试样本数据集，其中x'_i表示的是第i个测试数据，m是测试集样本个数，y'_i∈Y＝{1,2,...,M}(M＞K)是相关的标签，M是测试集中标签的类别数；从训练集X中随机选择多个样本数据，然后随机选择数据的一个特征值，将样本数据分为两个子树，重复上述两个步骤，继续构造子节点，直到子节点的数据数达到上限，一棵树的构造完成；设A＝(x₁,x₂,x₃,...,x_m)为落在同一叶节点上的训练样本，为集合A构建球O，a的中心定义为：

球O的半径以c：r＝dist(c,e)为中心，其中e是距离c在a中的最远样本，dist是c与e的欧氏距离，label(O)是在集合A中出现最多的标签；在测试期间，落在这些球上的测试实例是已知故障，落在球外的测试实例是未知故障；具体步骤如下：

步骤(1)根据训练数据集X，得到随机森林模型F，包括t个随机树{f₁,f₂,f₃,...,f_t}；

步骤(2)在每棵树中，构建一个球O，球O落入同一个叶节点；

步骤(3)对于测试用例，在j-th树的category标签中定义为：

其中f_j(x'_i)是第J个树计算的输入数据的标签类别，它把x'_i分成已知或未知类别类；函数

表示所有树计算的最高发生频率标记类别的输出；如果f_j(x'_i)＝new，将测试实例输入缓冲器，直到缓冲器的数量达到上限，并将测试实例输入决策层；

步骤5所述的智能传感单元通过短距离通信机制，将当前的被检测设备的感知数据发送给巡检机器人，如下：

巡检机器人移动到智能传感单元附近，向智能传感单元发出数据收集指令，智能传感单元获取该指令后，激活传感器完成当前的数据采集，并将该数据传输给巡检机器人；巡检机器人和智能传感单元各自搭载一组RFID读写器和标签；

1)协同巡检后台系统生成数据收集任务，包括智能传感单元的位置、智能传感单元的身份编码；

2)巡检机器人根据智能传感单元的位置进行自主路径规划；

3)巡检机器人上的RFID读写器将待收集数据的智能传感单元身份编码写入RFID标签；

4)巡检机器人移动到智能传感单元附近；

5)智能传感单元上的RFID读写器读取巡检机器人上RFID标签信息；

6)如果读取到的标签信息与智能传感单元自身编码一致，则智能传感单元激活其所控制的传感器，完成数据采集；

7)智能传感单元将采集到的数据进行编码，并通过智能传感单元上的RFID读写器将该编码写入智能传感单元上的RFID标签；

8)巡检机器人上RFID读写器读取智能传感单元上的RFID标签的信息，并通过巡检机器人网络将该信息发送回协同巡检后台系统；

步骤6所述巡检机器人通过短距离通信机制，授权智能执行器完成汇控柜复位开关的复位动作，如下：

当变电站汇控柜当发生异常时，复位开关弹起并报警，如没有问题，由机器人和智能执行期协同完成此动作按下复位开关解除报警状态；

所述智能执行器中的写卡器通过巡检机器人网络受协同巡检服务器控制；控制过程如下：

1)当变电站汇控柜产生报警时，变电站站控系统会获得该报警信息；

2)站控系统将报警信息发生给协同巡检后台系统；

3)协同巡检后台系统根据该报警信息生成巡检机器人的巡检目标坐标；

4)巡检机器人根据巡检目标坐标进行自动路径规划；

5)巡检机器人自主移动至观测位置，利用机载摄像头采集汇控柜仪表图像，并进行智能识别；

6)当识别结果表明汇控柜目前工作状态已经可以解除警报时，巡检机器人驱动RFID写卡器，将汇控柜身份编码信息写入RFID标签；

7)RFID读卡器读取RFID标签数据，如果该标签数据与当前汇控柜编码一致，则驱动继电器开关，完成汇控柜上复位开关的复位操作；否则状态指示灯闪烁提示信息错误；

8)巡检机器人采集汇控柜仪表以及状态指示灯图像，并进行智能识别，以此判断控制任务是否完成；

步骤7中所述协同巡检系统可以完成复杂场景识别，包括：

包含两个分支的双边卷积网络，借助于深度学习网络的图像表征能力，将卷积网络引入到变电站场景辨识中，在全卷积网络的基础上，提出一种结合双边全卷积网络和条件随机场推理的深度提取器模型；双边全卷积网络网络结构是上下双边浅U型网络结构，通过双边提取到更细致全面的设备特征信息，实现端到端的深度提取；

双边全卷积网络包含两个分支即两条全卷积边：反向全卷积网络和常规全卷积网络；

常规全卷积网络采用“编码—解码”，先下采样，再上采样；结构从整个图像中提取高级语义；反向全卷积网络采用“解码—编码”，先上采样，再下采样，结构补充遗漏的缺陷信息，两个分支输出的两个特征图像聚合相加以获得一个高级特征图像；

步骤8中所述协同巡检系统可以完成多源数据融合分析，包括：深度学习框架；深度学习框架模型构成，包括：

(a)卷积层：发现多维输入变量之间的局部依存模式；捕捉多元变量之间的短期模式也就是时间维度的局部依赖；

(b)循环层：卷积层的输出同时馈入循环组件和跳跃组件；循环组件是带有门控单元GRU的循环层，并使用RELU函数作为隐藏更新激活函数；该组件为捕获复杂的长期依存关系，采用的GRU是捕获时间序列数据的时间依赖性以及长期模式；

(c)跳跃层：捕获非常长期的依赖模式；

(d)时间注意力组件；

(e)自回归线性层：将非线性的神经网络模型部分和一个线性的自回归部分的输出相加。

一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现所述的智能传感器主动协同的变电站机器人智能巡检方法的步骤。

本发明具有以下有益效果及优点：

第1.本发明能够实现传感器与变电巡检机器人主动协同巡视能力，提升巡视的及时性。

根据巡检计划、变电自动化系统告警和一次设备运行状况来触发传感器进行主动探测，变电巡检机器人自主巡检。将传感器的深度监控能力与变电巡检机器人的通信中转能力有效结合，实现两者的优势互补，使传感器获得的一手数据通过巡检机器人传回后台，进行数据共享和多维分析，体现传感器与机器人巡检的主动性。

第2.本发明能够提高变电站机器人设备的检修能力，避免操作过程的人员安全风险。

根据场景的需求，智能传感器与机器人进行配合，具备简单操作的功能。例如倒闸和搭短路线等操作，将刀闸的操作机构箱也进行相应改进，便于机器人开箱，操作机构箱内的传感器必须在机器人在场下进行操作，必须由机器人授权进行操作，人再指挥机器人，完成高风险操作，及操作后的设备状态确认，最大限度减少操作人员安全风险。

第3.本发明能够提高变电站巡检机器人的环境应对学习能力，减少巡检时的人工干预。

目前，变电站机器人巡视主要通过激光雷达进行巡视路线规划。但激光雷达对于巡视路线中人体或设备的占道行为，不能进行有效识别，因而我们结合基于摄像头的图像识别技术，对于阻挡机器人巡视路线的人员或设备进行有效鉴别，采取主动策略，使变电站机器人具备主动避障技术，能即时提醒人员进行让路或自动重新规划巡视路线，以保证变电巡视任务顺利进行，减少巡视人员的被动干预。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明组织架构图；

图2是本发明长、短期时间序列网络结构图。

具体实施方式

为了能够更清楚地理解本发明的上述目的、特征和优点，下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。

下面参照图1-图2描述本发明一些实施例的技术方案。

实施例1

本发明提供了一个实施例，是一种智能传感器主动协同的变电站机器人智能巡检系统，包括协同服务器、无线通信网络、巡检机器人、智能传感单元、智能执行器以及被检测设备。如图1所示，图1是本发明组织架构图。

本发明巡检系统包括：智能机器人协同巡检层、自主协同层和变电站智能传感层形成三层智能巡检架构。其中，智能机器人协同巡检层与自主协同层实现双向通信连接。智能机器人协同巡检层同时还与变电站智能传感层实现双向通信连接。自主协同层同变电站智能传感层也实现双向通信连接。

所述智能机器人协同巡检层，包括：协同服务器、巡检机器人以及智能执行器。

所述巡检机器人包含边缘分析装置、传感器、RFID读写器。所述边缘分析装置用于进行路径规划。所述传感器用于巡检机器人采集设备状态和现场环境数据。所述RFID读写器用于巡检机器人和智能传感单元之间进行通信和数据传输。其中，协同服务器通过无线通信网络与巡检机器人相连接，巡检机器人通过无线通信网络与智能执行器相连接。所述巡检机器人进行自主路径规划完成图像数据采集。

所述智能执行器包括固定端和移动端两个部分。固定端安装在汇控柜上，包括一个继电器开关，一个RFID读写器，和一个状态指示灯；移动端安装在巡检机器人上，包括一个RFID读写卡器和一个RFID标签。移动端和固定端通过RFID读写器进行通信，驱动继电器开关完成汇控柜上复位开关的复位操作。

所述自主协同层，包括：智能传感单元；所述智能传感单元包含通信模块、RFID读写器和智能分析模块。所述通信模块用于激活现场设备传感器令其采集设备状态数据。所述智能分析模块用于数据预处理和分析。所述RFID读写器用于智能传感单元和巡检机器人之间进行通信和数据传输。

所述变电站智能传感层，包括：智能传感器和被检测设备。

本发明被检测设备包括变压器、GIS设备、以及汇控柜等变电站典型设备。

所述智能传感器感知被检测设备的状态并进行数据预处理和分析，所述巡检机器人和智能传感器通过近场通信机制和智能执行器进行主动协同，协同服务器基于巡检机器人感知数据进行复杂场景识别，以及对巡检机器人感知数据和智能传感器感知数据进行多源数据融合分析。

实施例2

本发明又提供了一个实施例，是一种智能传感器主动协同的变电站机器人智能巡检方法，包括以下步骤：

步骤1.首先由智能机器人协同巡检层、自主协同层和变电站智能传感层形成三层智能巡检架构；

所述智能机器人协同巡检层，包括：协同服务器、巡检机器人以及智能执行器；

所述自主协同层，包括：智能传感器；

所述变电站智能传感层，包括：被检测设备形成三层智能巡检架构。

步骤2.巡检机器人进行自主路径规划完成图像数据采集；

步骤3.智能传感单元感知被检测设备的状态并进行数据预处理；

步骤4.智能传感单元对被检测设备的状态进行初步分析；

步骤5.智能传感单元通过短距离通信机制，将当前的被检测设备的感知数据发送给巡检机器人；

步骤6.巡检机器人通过短距离通信机制，授权智能执行器完成汇控柜复位开关的复位动作；

步骤7.协同巡检系统可以完成复杂场景识别；

步骤8.协同巡检系统可以完成多源数据融合分析。

进一步的，步骤1所述的三层智能巡检架构中所述的协同服务器主要包含两类功能，具体如下：

第一类功能：协同服务器通过无线通信网络与巡检机器人进行信息传输、下发任务指令。

第二类功能：协同服务器基于巡检机器人感知数据进行场景识别，以及对巡检机器人感知数据和智能传感器感知数据进行数据的融合与分析。

所述巡检机器人从协同服务器接收任务指令和信息，基于信息进行路径规划，依据路径规划结果进行自主巡检并采集被检测设备的状态数据。其中，所述巡检机器人采集的数据包括以下两部分：

第一部分由巡检机器人携带的传感器采集数据。

第二部分由智能传感单元收集并传输给巡检机器人。

进一步地，上述第一部分采集数据过程包括：

巡检机器人和智能传感单元通过近场通信机制和智能执行器进行主动协同。巡检机器人移动到智能传感单元附近，向智能传感单元发出数据收集指令，智能传感单元获取该指令后，激活温度、湿度、可见光、红外光等传感器进行数据采集，并将该数据传输给巡检机器人。

智能执行器用于在变电站汇控柜发生误报警后操作复位开关解除报警状态。上述操作由智能执行器和巡检机器人协同完成。

进一步的，步骤2中所述巡检机器人进行自主路径规划完成图像数据采集，即机器人进行自主巡检，包括：虚拟地图建模和路径规划两部分，均由巡检机器人的边缘分析装置完成。

所述虚拟地图建模根据变电站实景地图和实时环境感知信息，通过提取变电站环境要素和主要特点，将实景地图进行简化得到的抽象地图，用于解决在实际应用中实景地图信息庞大、冗余，不利于存储与识别的问题。虚拟地图由一组大小相同的正方形组成。正方形表示基本长度单元，由实际场景尺寸按比例缩小得到。所述正方形包括两种状态：可通行状态和不可通行状态。其中，可通行状态的正方形为巡检机器人实际可行区域。不可通行的正方形为障碍物区域。

所述路径规划根据构建的虚拟地图，制定巡检机器人从当前位置到达某一地点或者N个地点的最短行进路线。

巡检机器人将规划后的路径转换成一组行进和操作指令，根据上述指令进行自主巡检。

进一步的，步骤3所述的智能传感单元感知被检测设备的状态并进行数据预处理，包括：

基于多源数据时空相关性，进行异常值判断，以及数据修复；

首先，T个时刻中N个传感器的数据集X被分成若干组，其中每组包含m时间长度内N个传感器的数据集；

然后将整个数据集分成

组，每组数据均为一个m×N矩阵；

对于每个m×N矩阵，计算所有相邻列之间的差值以得到大小为m×(N-1)的矩阵D_k，每个D_k矩阵是对应X_k矩阵的差值矩阵。k表示数据集分组的索引，k＝1,2,…,num。

对于D_k的每一列，找到它的中值L_kj并指定阈值σ。中值L_kj中k表示数据集分组的索引，k＝1,2,…,num，j表示D_k中列的索引。

对于每个矩阵D_k，如果|D_k[i][j]-L_kj|＜σ，则X_k[i,j]和X_k[i,j+1]的差值是正常的，令A_ij＝1；如果不是，X_k[i,j]和X_k[i,j+1]中的一个是异常的，令A_ij＝0；其中，A是与D大小相同的矩阵，用来表示D中的数据是否异常，其中i和j分别是A和D中行和列的索引。

对于A_ij＝1的值，设M_ij＝{X_k[i,j],X_k[i,j+1],...,X_k[i,j+λ]}，其中λ+1为Mij中元素的个数，根据实际场景进行取值。计算M_ij的中值m_ij＝median(M_ij)，median为取中值函数，将|X_k[i][j]-m_ij|与|X_k[i+1][j]-m_i+1,j|进行比较，如果前者大于后者，则X_k[i][j]为异常值；否则，X_k[i][j+1]是异常值。k表示数据集分组的索引，k＝1,2,…,num；i和j分别是A中行和列的索引。

最后，对于判断为异常值的数据X_k[i][j]，将相应的中值m_ij分配给该值，完成修复；

算法1:数据清理算法；

输入:数据集X＝{X₁,X₂,...,X_n},X_i＝{x_i1,x_i2,...,x_iT}'；矩阵的时间序列长度m；阈值σ；用于计算中位数的时间序列长度λ；式中，X表示n个传感器在T个采样时刻中的数据，Xi表示第i个传感器的数据，x_iT表示第i个传感器在第T个时刻的采样值，'表示转置。

S1:建立矩阵D,令D[i][j]＝X[i][j+1]-X[i][j]；

S2:令

将矩阵D分为num个小矩阵：D_k,k＝1,2,...,num，k为小矩阵的索引。同时，X矩阵也被划分为num个矩阵，并且每个X_k矩阵是D_k矩阵的差值矩阵。式中，num表示数据分组数。

S3:for D_k,k＝1,2,...,num：

计算每列的L_kj

if |D_k[i][j]-L_kj|＜σ,return A[i][j]＝1

A是与D大小相同的矩阵，用来表示D中的数据是否异常，其中i和j分别是A和D中行和列的索引，L_kj为D_k中第j列的中值，σ为D_k中第j列的标准差。

S4:for D_k,k＝1,2,...,num：

if A[i][j]＝1

令M_ij＝{X_k[i,j],X_k[i,j+1],...,X_k[i,j+λ]},m_ij＝median(M_ij)

比较|X_k[i][j]-m_ij|与|X_k[i+1][j]-m_i+1,j|，如果前者大于后者，则X_k[i][j]是异常值；否则，X_k[i][j+1]是异常值；

其中M_ij＝{X_k[i,j],X_k[i,j+1],...,X_k[i,j+λ]}为长度λ+1的数据向量，λ根据实际场景进行取值。计算M_ij的中值m_ij＝median(M_ij)，median为取中值函数，将|X_k[i][j]-m_ij|与|X_k[i+1][j]-m_i+1,j|进行比较，如果前者大于后者，则X_k[i][j]为异常值；否则，X_k[i][j+1]是异常值。k表示数据集分组的索引，k＝1,2,…,num；i和j分别是A中行和列的索引。

S5:对于判断为异常值的所有数据X_k[i][j]，将相应的中值m_ij分配给该值，并且完成修复；

进一步的，步骤4中所述智能传感单元对被检测设备的状态进行初步分析，包括：

利用稀疏自编码技术，从正常设备的原始信号中学习特征，根据模型识别测试样本；如果样本的特征与正常信号的特征相比有显著的误差，则样本被视为故障；

设

为训练样本数据集，其中x_i表示是第i个训练数据，n是样本个数；y_i∈Y＝{1,2,3,...,K}是相关的标签，K是训练集中标签的类别数；

是测试样本数据集，其中x'_i表示的是第i个测试数据，m是测试集样本个数，y'_i∈Y＝{1,2,...,M}(M＞K)是相关的标签，M是测试集中标签的类别数。从训练集X中随机选择多个样本数据，然后随机选择数据的一个特征值，将样本数据分为两个子树，重复上述两个步骤，继续构造子节点，直到子节点的数据数达到上限，一棵树的构造完成；设A＝(x₁,x₂,x₃,...,x_m)为落在同一叶节点上的训练样本，为集合A构建球O，a的中心定义为：

球O的半径以c：r＝dist(c,e)为中心，其中e是距离c在a中的最远样本，dist是c与e的欧氏距离，label(O)是在集合A中出现最多的标签；在测试期间，落在这些球上的测试实例是已知故障，落在球外的测试实例是未知故障；具体步骤如下：

步骤(1)根据训练数据集X，得到随机森林模型F，包括t个随机树{f₁,f₂,f₃,...,f_t}；

步骤(2)在每棵树中，构建一个球O，球O落入同一个叶节点；

步骤(3)对于测试用例，在j-th树的category标签中定义为：

其中f_j(x'_i)是第J个树计算的输入数据的标签类别，它把x'_i分成已知或未知类别类；函数

表示所有树计算的最高发生频率标记类别的输出；如果f_j(x'_i)＝new，将测试实例输入缓冲器，直到缓冲器的数量达到上限，并将测试实例输入决策层；

进一步的，步骤5所述的智能传感单元通过短距离通信机制，将当前的被检测设备的感知数据发送给巡检机器人，其目的如下：

巡检机器人移动到智能传感单元附近，向智能传感单元发出数据收集指令，智能传感单元获取该指令后，激活温度、湿度、可见光、红外光等传感器完成当前的数据采集，并将该数据传输给巡检机器人。为了完场该数据采集和传输任务，巡检机器人和智能传感单元各自搭载一组RFID读写器和标签。

1)协同巡检后台系统生成数据收集任务，包括智能传感单元的位置、智能传感单元的身份编码；

2)巡检机器人根据智能传感单元的位置进行自主路径规划；

3)巡检机器人上的RFID读写器将待收集数据的智能传感单元身份编码写入RFID标签；

4)巡检机器人移动到智能传感单元附近；

5)智能传感单元上的RFID读写器读取巡检机器人上RFID标签信息；

6)如果读取到的标签信息与智能传感单元自身编码一致，则智能传感单元激活其所控制的传感器，完成数据采集；

7)智能传感单元将采集到的数据进行编码，并通过智能传感单元上的RFID读写器将该编码写入智能传感单元上的RFID标签；

8)巡检机器人上RFID读写器读取智能传感单元上的RFID标签的信息，并通过巡检机器人网络将该信息发送回协同巡检后台系统。

进一步的，步骤6所述巡检机器人通过短距离通信机制，授权智能执行器完成汇控柜复位开关的复位动作，其目的如下：

当变电站汇控柜当发生异常时，复位开关会被弹起并报警，此后工作人员会来查看，当发现没有问题时，可以按下复位开关解除报警状态。在本发明中，由机器人和智能执行期协同完成此动作。

所述智能执行器中的写卡器通过巡检机器人网络受协同巡检服务器控制。

具体控制过程如下：

1)当变电站汇控柜产生报警时，变电站站控系统会获得该报警信息，包括汇控柜的坐标和汇控柜的报警内容。

2)站控系统将报警信息发生给协同巡检后台系统；

3)协同巡检后台系统根据该报警信息生成巡检机器人的巡检目标坐标；

4)巡检机器人根据该坐标进行自动路径规划；

5)巡检机器人自主移动至观测位置，利用机载摄像头采集汇控柜仪表图像，并进行智能识别；

6)当识别结果表明汇控柜目前工作状态已经可以解除警报时，巡检机器人驱动RFID写卡器，将汇控柜身份编码信息写入RFID标签；

7)RFID读卡器读取RFID标签数据，如果该标签数据与当前汇控柜编码一致，则驱动继电器开关，完成汇控柜上复位开关的复位操作。否则状态指示灯闪烁提示信息错误。

8)巡检机器人采集汇控柜仪表以及状态指示灯图像，并进行智能识别，以此判断控制任务是否完成。

进一步的，步骤7中所述协同巡检系统可以完成复杂场景识别，包括：

当前变电站内正在施用的巡视机器人智能化水平较低的主要原因在于缺乏对于巡视目标的识别和理解能力。传统的场景理解算法大多基于全卷积网络，未考虑变电站设备的特性。提出了一个包含两个分支的双边卷积网络。与标准的全卷积网络相比，双边卷积网络引入了一个额外的编码分支，在一定程度上对微小目标信息进行编码。使用双边网络操作，两个分支提取到的特征信息可以相互补充。

借助于深度学习网络的图像表征能力，尝试将卷积网络引入到变电站场景辨识中。在全卷积网络的基础上，提出一种结合双边全卷积网络和条件随机场推理的深度提取器模型。设计了一种双边卷积网络，这是深度提取器模型最核心的模块。双边卷积网络网络结构是一种上下双边浅U型网络结构，可通过双边提取到更细致全面的设备特征信息，实现一种端到端的深度提取。

一般认为，网络层的深度在学习抽象特征过程中起着关键作用，但是，针对变电站场景辨识任务，本发明设计的深度提取模型需要考虑两个问题：一方面是考虑到计算速度和有限的训练样本，检测任务倾向于采用浅的主干网络；另一方面，考虑到设备固有的特征，设计的网络必须具有极强的细节提取能力。双边卷积网络主要包含两个分支即两条全卷积边：反向全卷积网络和常规全卷积网络。

其中常规全卷积网络采用“编码—解码”，即先下采样，再上采样。结构从整个图像中提取高级语义；反向全卷积网络采用“解码—编码”，即先上采样，再下采样，结构补充遗漏的缺陷信息，两个分支输出的两个特征图像聚合相加以获得一个高级特征图像。

具体的，其中上半分支为反向全卷积网络，先进行上采样扩充图像的目的是为了后面保留原始图像更多的细节信息，后进行下采样进而恢复到图像原始尺寸。整个操作过程类似于浅U型结构。具体而言，首先利用1x1卷积扩充输入图像的维度，进入“编码”过程，执行两次上采样操作。其中，上采样是使用2x2卷积核，步长为1反卷积方式。每次上采样后固定接入卷积模块，能够将特征通道数增加一倍。在“解码”过程中，执行两次下采样操作。其中，下采样使用2x2卷积核，步长为2的最大池化方式。同“编码”过程一样，每次下采样后固定接入卷积模块进行卷积操作。在反向全卷积网络中，使用跳跃连接的拼接方式确保特征图集成更多的底层语义信息。

常规全卷积网络操作过程和反向全卷积网络过程相反，但操作大同小异，此处不在累述。最后，经过双边卷积网络两个分支提取的特征进行聚合相加，虚线框内，并与原始图像进行拼接，再次经过1x1卷积，即可得出理想的包含有的丰富图像特征的结果。

进一步的，步骤8中所述协同巡检系统可以完成多源数据融合分析，包括：

多源时间序列预测常常面临一个主要的研究挑战。因传统的多源数据建模方法往往忽略了多个变量之间的动态依赖。在很多实际应用中出现的时间数据通常涉及长期和短期模式的混合，传统的方法如自回归模型和高斯过程可能会失败。因此，本发明提出了一个新的深度学习框架，即长、短期时间序列网络，以解决这一开放的挑战，并应用到变压器和GIS设备的故障诊断与预测中。实验表明该方法能充分挖掘各源数据间的内在关联，并利用长、短期时间序列特征进行预测，提高了预测准确率。

针对变压器接入了大量传感器，如在线油色谱，铁心夹件接地泄露电流，油温绕温，噪声振动信号。本发明采用大数据建模的方式，构造训练集：多源时序数据形式化为

其中N为总的训练集个数，X_t为某一时刻t的多源数据，其中在线油色谱，铁心夹件接地泄露电流，油温绕温，噪声振动信号等进行了归一化。根据t时刻前的历史数据，来预测t时刻的数据。

针对时间序列预测中现有方法的局限性，本发明提出了一种利用深度学习研究的新框架。如图2所示，图2是本发明长、短期时间序列网络结构图。图中展示了长、短期时间序列网络的网络结构。长、短期时间序列网络是一个深度学习框架，专门为长期和短期混合模式的多源时间序列预测任务设计。

所述长、短期时间序列网络模型主要包括以下四部分构成：

(a)卷积层：发现多维输入变量之间的局部依存模式；可以看到卷积层的主要作用是捕捉多元变量之间的短期模式也就是时间维度的局部依赖。

(b)循环层：卷积层的输出同时馈入循环组件和跳跃组件。循环组件是一个带有门控单元Gated Recurrent Unit(GRU)的循环层，并使用RELU函数作为隐藏更新激活函数。该组件为捕获复杂的长期依存关系，采用的GRU主要是捕获时间序列数据的时间依赖性以及长期模式。

(c)跳跃层：捕获非常长期的依赖模式。带有GRU单元的循环层经过精心设计，可以记住历史信息，从而了解相对长期的依赖关系。

(d)时间注意力组件。该组件主要是考虑到循环-跳跃组件中的p值一般是认为预定义的，对于那些周期性不明显的数据显然不适合，所以提出时间注意力，这样，只有对当前结果影响很大的时间值才会获得更大的关注，模型也会考虑这部分的时间值更多。

(e)自回归线性层：由于卷积和循环组件的非线性特性，神经网络模型的一个主要缺点是输出的规模对输入的规模不敏感。在特定的真实数据集中，输入信号的规模不断以非周期性的方式变化，降低了神经网络模型的预测精度。为了解决这个缺陷，将长、短期时间序列网络的最终预测分解为一个线性部分，主要关注局部缩放问题，加上一个包含重复模式的非线性部分。在长、短期时间序列网络架构中，采用经典的自回归模型作为线性组件。在模型中，所有维度共享同一组线性参数。整体来说长、短期时间序列网络模型包含两个部分，一个是非线性的神经网络模型部分，一个线性的自回归部分，最后的结果是这两个部分的输出相加。

长、短期时间序列网络利用卷积神经网络和循环神经网络提取变量之间的短期局部依赖模式，发现时间序列趋势的长期模式。此外，利用传统的自回归模型来解决神经网络模型的尺度不敏感问题。在本发明中提出了一种新颖的深度学习框架用于多元时间序列预测的任务。通过将卷积神经网络和递归神经网络的优势以及自回归组件相结合，提出的方法显着改善了在多个基准数据集上进行时间序列预测的最新结果。借助深入的分析和经验证据，证明了长、短期时间序列网络模型的体系结构的效率，它确实成功地捕获了数据中的短期和长期重复模式，并结合了线性和非线性模型以进行稳健的预测。

实施例3

基于同一发明构思，本发明实施例还提供了一种计算机存储介质，所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现实施例2所述的一种智能传感器主动协同的变电站机器人智能巡检方法的步骤。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

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。

Claims (10)

1.智能传感器主动协同的变电站机器人智能巡检系统，其特征是：包括由智能机器人协同巡检层、自主协同层和变电站智能传感层形成的三层智能巡检架构；其中，智能机器人协同巡检层与自主协同层实现双向通信连接，智能机器人协同巡检层同时还与变电站智能传感层实现双向通信连接，自主协同层同变电站智能传感层也实现双向通信连接。

2.根据权利要求1所述的智能传感器主动协同的变电站机器人智能巡检系统，其特征是：所述智能机器人协同巡检层，包括：协同服务器、巡检机器人以及智能执行器；其中，协同服务器通过无线通信网络与巡检机器人相连接，巡检机器人通过无线通信网络与智能执行器相连接；

巡检机器人包含边缘分析装置、传感器、RFID读写器；巡检机器人进行自主路径规划完成图像数据采集；

边缘分析装置用于进行路径规划；

传感器用于巡检机器人采集设备状态和现场环境数据；

RFID读写器用于巡检机器人和智能传感单元之间进行通信和数据传输；

智能执行器包括固定端和移动端两部分，固定端安装在汇控柜上，包括继电器开关、RFID读写器和状态指示灯；移动端安装在巡检机器人上，包括RFID读写卡器和RFID标签；移动端和固定端通过RFID读写器进行通信，驱动继电器开关完成汇控柜上复位开关的复位操作。

3.根据权利要求1所述的智能传感器主动协同的变电站机器人智能巡检系统，其特征是：所述自主协同层，包括：智能传感单元；智能传感单元包含通信模块、RFID读写器和智能分析模块；通信模块用于激活现场设备传感器令其采集设备状态数据，智能分析模块用于数据预处理和分析，RFID读写器用于智能传感单元和巡检机器人之间进行通信和数据传输。

4.根据权利要求1所述的智能传感器主动协同的变电站机器人智能巡检系统，其特征是：所述变电站智能传感层，包括：智能传感器和被检测设备，被检测设备包括变压器或GIS设备或汇控柜；

智能传感器感知被检测设备的状态并进行数据预处理和分析，巡检机器人和智能传感器通过近场通信机制和智能执行器进行主动协同，协同服务器基于巡检机器人感知数据进行复杂场景识别，以及对巡检机器人感知数据和智能传感器感知数据进行多源数据融合分析。

5.智能传感器主动协同的变电站机器人智能巡检方法，其特征是：包括以下步骤：

步骤1.由智能机器人协同巡检层、自主协同层和变电站智能传感层形成三层智能巡检架构；

智能机器人协同巡检层，包括：协同服务器、巡检机器人以及智能执行器；

自主协同层，包括：智能传感器；

变电站智能传感层，包括：被检测设备形成三层智能巡检架构；

步骤2.巡检机器人进行自主路径规划完成图像数据采集；

步骤3.智能传感单元感知被检测设备的状态并进行数据预处理；

步骤4.智能传感单元对被检测设备的状态进行初步分析；

步骤5.智能传感单元通过短距离通信机制，将当前的被检测设备的感知数据发送给巡检机器人；

步骤6.巡检机器人通过短距离通信机制，授权智能执行器完成汇控柜复位开关的复位动作；

步骤7.协同巡检系统可以完成复杂场景识别；

步骤8.协同巡检系统可以完成多源数据融合分析。

6.根据权利要求5所述的智能传感器主动协同的变电站机器人智能巡检方法，其特征是：步骤1中所述协同服务器通过无线通信网络与巡检机器人进行信息传输、下发任务指令；协同服务器基于巡检机器人感知数据进行场景识别，以及对巡检机器人感知数据和智能传感器感知数据进行数据的融合与分析；

所述巡检机器人从协同服务器接收任务指令和信息，基于信息进行路径规划，依据路径规划结果进行自主巡检并采集被检测设备的状态数据；其中，巡检机器人采集的数据包括：由巡检机器人携带的传感器采集数据和由智能传感单元收集并传输给巡检机器人；

其中，采集数据过程包括：

巡检机器人和智能传感单元通过近场通信机制和智能执行器进行主动协同，巡检机器人移动到智能传感单元附近，向智能传感单元发出数据收集指令，智能传感单元获取该指令后，激活温度、湿度、可见光、红外光等传感器进行数据采集，并将该数据传输给巡检机器人；

智能执行器用于在变电站汇控柜发生误报警后操作复位开关解除报警状态，上述操作由智能执行器和巡检机器人协同完成。

7.根据权利要求5所述的智能传感器主动协同的变电站机器人智能巡检方法，其特征是：步骤2中所述巡检机器人进行自主路径规划完成图像数据采集，包括：虚拟地图建模和路径规划两部分，均由巡检机器人的边缘分析装置完成；

虚拟地图建模根据变电站实景地图和实时环境感知信息，通过提取变电站环境要素和主要特点，将实景地图进行简化得到的抽象地图；

路径规划根据构建的虚拟地图，制定巡检机器人从当前位置到达某一地点或者N个地点的最短行进路线。

8.根据权利要求5所述的智能传感器主动协同的变电站机器人智能巡检方法，其特征是：步骤3中所述智能传感单元感知被检测设备的状态并进行数据预处理，包括：

基于多源数据时空相关性，进行异常值判断，以及数据修复；

首先，T个时刻中N个传感器的数据集X被分成若干组，其中每组包含m时间长度内N个传感器的数据集；

然后将整个数据集分成

组，每组数据均为一个m×N矩阵；

对于每个m×N矩阵，计算所有相邻列之间的差值以得到大小为m×(N-1)的矩阵D_k，每个D_k矩阵是对应X_k矩阵的差值矩阵；k表示数据集分组的索引，k＝1,2,…,num；

对于D_k的每一列，找到它的中值L_kj并指定阈值σ，中值L_kj中k表示数据集分组的索引，k＝1,2,…,num，j表示D_k中列的索引；

对于每个矩阵D_k，如果|D_k[i][j]-L_kj|＜σ，则X_k[i,j]和X_k[i,j+1]的差值是正常的，令A_ij＝1；如果不是，X_k[i,j]和X_k[i,j+1]中的一个是异常的，令A_ij＝0；其中，A是与D大小相同的矩阵，用来表示D中的数据是否异常，其中i和j分别是A和D中行和列的索引；

对于A_ij＝1的值，设M_ij＝{X_k[i,j],X_k[i,j+1],...,X_k[i,j+λ]}，其中λ+1为Mij中元素的个数，根据实际场景进行取值；计算M_ij的中值m_ij＝median(M_ij)，median为取中值函数，将|X_k[i][j]-m_ij|与|X_k[i+1][j]-m_i+1,j|进行比较，如果前者大于后者，则X_k[i][j]为异常值；否则，X_k[i][j+1]是异常值；k表示数据集分组的索引，k＝1,2,…,num；i和j分别是A中行和列的索引；

最后，对于判断为异常值的数据X_k[i][j]，将相应的中值m_ij分配给该值，完成修复；

算法1:数据清理算法；

输入:数据集X＝{X₁,X₂,...,X_n},X_i＝{x_i1,x_i2,...,x_iT}'；矩阵的时间序列长度m；阈值σ；用于计算中位数的时间序列长度λ；式中，X表示n个传感器在T个采样时刻中的数据，Xi表示第i个传感器的数据，x_iT表示第i个传感器在第T个时刻的采样值，'表示转置；

S1:建立矩阵D,令D[i][j]＝X[i][j+1]-X[i][j]；

S2:令

将矩阵D分为num个小矩阵：D_k,k＝1,2,...,num，k为小矩阵的索引；同时，X矩阵也被划分为num个矩阵，并且每个X_k矩阵是D_k矩阵的差值矩阵；式中，num表示数据分组数；

S3:for D_k,k＝1,2,...,num：

计算每列的L_kj

if|D_k[i][j]-L_kj|＜σ,return A[i][j]＝1

A是与D大小相同的矩阵，用来表示D中的数据是否异常，其中i和j分别是A和D中行和列的索引，L_kj为D_k中第j列的中值，σ为D_k中第j列的标准差；

S4:for D_k,k＝1,2,...,num：

if A[i][j]＝1

令M_ij＝{X_k[i,j],X_k[i,j+1],...,X_k[i,j+λ]},m_ij＝median(M_ij)

比较|X_k[i][j]-m_ij|与|X_k[i+1][j]-m_i+1,j|，如果前者大于后者，则X_k[i][j]是异常值；否则，X_k[i][j+1]是异常值；

其中M_ij＝{X_k[i,j],X_k[i,j+1],...,X_k[i,j+λ]}为长度λ+1的数据向量，λ根据实际场景进行取值；计算M_ij的中值m_ij＝median(M_ij)，median为取中值函数，将|X_k[i][j]-m_ij|与|X_k[i+1][j]-m_i+1,j|进行比较，如果前者大于后者，则X_k[i][j]为异常值；否则，X_k[i][j+1]是异常值；k表示数据集分组的索引，k＝1,2,…,num；i和j分别是A中行和列的索引；

S5:对于判断为异常值的所有数据X_k[i][j]，将相应的中值m_ij分配给该值，并且完成修复。

9.根据权利要求1所述的智能传感器主动协同的变电站机器人智能巡检方法，其特征是：步骤4中所述智能传感单元对被检测设备的状态进行初步分析，包括：

利用稀疏自编码技术，从正常设备的原始信号中学习特征，根据模型识别测试样本；如果样本的特征与正常信号的特征相比有显著的误差，则样本被视为故障；

设

为训练样本数据集，其中x_i表示是第i个训练数据，n是样本个数；y_i∈Y＝{1,2,3,...,K}是相关的标签，K是训练集中标签的类别数；

是测试样本数据集，其中x'_i表示的是第i个测试数据，m是测试集样本个数，y'_i∈Y＝{1,2,...,M}(M＞K)是相关的标签，M是测试集中标签的类别数；从训练集X中随机选择多个样本数据，然后随机选择数据的一个特征值，将样本数据分为两个子树，重复上述两个步骤，继续构造子节点，直到子节点的数据数达到上限，一棵树的构造完成；设A＝(x₁,x₂,x₃,...,x_m)为落在同一叶节点上的训练样本，为集合A构建球O，a的中心定义为：

球O的半径以c：r＝dist(c,e)为中心，其中e是距离c在a中的最远样本，dist是c与e的欧氏距离，label(O)是在集合A中出现最多的标签；在测试期间，落在这些球上的测试实例是已知故障，落在球外的测试实例是未知故障；具体步骤如下：

步骤(1)根据训练数据集X，得到随机森林模型F，包括t个随机树{f₁,f₂,f₃,...,f_t}；

步骤(2)在每棵树中，构建一个球O，球O落入同一个叶节点；

步骤(3)对于测试用例，在j-th树的category标签中定义为：

其中f_j(x'_i)是第J个树计算的输入数据的标签类别，它把x'_i分成已知或未知类别类；函数

表示所有树计算的最高发生频率标记类别的输出；如果f_j(x'_i)＝new，将测试实例输入缓冲器，直到缓冲器的数量达到上限，并将测试实例输入决策层；

步骤5所述的智能传感单元通过短距离通信机制，将当前的被检测设备的感知数据发送给巡检机器人，如下：

巡检机器人移动到智能传感单元附近，向智能传感单元发出数据收集指令，智能传感单元获取该指令后，激活传感器完成当前的数据采集，并将该数据传输给巡检机器人；巡检机器人和智能传感单元各自搭载一组RFID读写器和标签；

1)协同巡检后台系统生成数据收集任务，包括智能传感单元的位置、智能传感单元的身份编码；

2)巡检机器人根据智能传感单元的位置进行自主路径规划；

3)巡检机器人上的RFID读写器将待收集数据的智能传感单元身份编码写入RFID标签；

4)巡检机器人移动到智能传感单元附近；

5)智能传感单元上的RFID读写器读取巡检机器人上RFID标签信息；

6)如果读取到的标签信息与智能传感单元自身编码一致，则智能传感单元激活其所控制的传感器，完成数据采集；

7)智能传感单元将采集到的数据进行编码，并通过智能传感单元上的RFID读写器将该编码写入智能传感单元上的RFID标签；

8)巡检机器人上RFID读写器读取智能传感单元上的RFID标签的信息，并通过巡检机器人网络将该信息发送回协同巡检后台系统；

步骤6所述巡检机器人通过短距离通信机制，授权智能执行器完成汇控柜复位开关的复位动作，如下：

当变电站汇控柜当发生异常时，复位开关弹起并报警，如没有问题，由机器人和智能执行期协同完成此动作按下复位开关解除报警状态；

所述智能执行器中的写卡器通过巡检机器人网络受协同巡检服务器控制；控制过程如下：

1)当变电站汇控柜产生报警时，变电站站控系统会获得该报警信息；

2)站控系统将报警信息发生给协同巡检后台系统；

3)协同巡检后台系统根据该报警信息生成巡检机器人的巡检目标坐标；

4)巡检机器人根据巡检目标坐标进行自动路径规划；

5)巡检机器人自主移动至观测位置，利用机载摄像头采集汇控柜仪表图像，并进行智能识别；

6)当识别结果表明汇控柜目前工作状态已经可以解除警报时，巡检机器人驱动RFID写卡器，将汇控柜身份编码信息写入RFID标签；

7)RFID读卡器读取RFID标签数据，如果该标签数据与当前汇控柜编码一致，则驱动继电器开关，完成汇控柜上复位开关的复位操作；否则状态指示灯闪烁提示信息错误；

8)巡检机器人采集汇控柜仪表以及状态指示灯图像，并进行智能识别，以此判断控制任务是否完成；

步骤7中所述协同巡检系统可以完成复杂场景识别，包括：

包含两个分支的双边卷积网络，借助于深度学习网络的图像表征能力，将卷积网络引入到变电站场景辨识中，在全卷积网络的基础上，提出一种结合双边全卷积网络和条件随机场推理的深度提取器模型；双边全卷积网络网络结构是上下双边浅U型网络结构，通过双边提取到更细致全面的设备特征信息，实现端到端的深度提取；

双边全卷积网络包含两个分支即两条全卷积边：反向全卷积网络和常规全卷积网络；

常规全卷积网络采用“编码—解码”，先下采样，再上采样；结构从整个图像中提取高级语义；反向全卷积网络采用“解码—编码”，先上采样，再下采样，结构补充遗漏的缺陷信息，两个分支输出的两个特征图像聚合相加以获得一个高级特征图像；

步骤8中所述协同巡检系统可以完成多源数据融合分析，包括：深度学习框架；深度学习框架模型构成，包括：

(a)卷积层：发现多维输入变量之间的局部依存模式；捕捉多元变量之间的短期模式也就是时间维度的局部依赖；

(b)循环层：卷积层的输出同时馈入循环组件和跳跃组件；循环组件是带有门控单元GRU的循环层，并使用RELU函数作为隐藏更新激活函数；该组件为捕获复杂的长期依存关系，采用的GRU是捕获时间序列数据的时间依赖性以及长期模式；

(c)跳跃层：捕获非常长期的依赖模式；

(d)时间注意力组件；

(e)自回归线性层：将非线性的神经网络模型部分和一个线性的自回归部分的输出相加。

10.一种计算机存储介质，其特征是：所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现权利要求5-9所述的智能传感器主动协同的变电站机器人智能巡检方法的步骤。

Images