CN117294022B - 基于多源传感器协同的变电站巡检系统及方法 - Google Patents

基于多源传感器协同的变电站巡检系统及方法 Download PDF

Info

Publication number
CN117294022B
CN117294022B CN202311569856.6A CN202311569856A CN117294022B CN 117294022 B CN117294022 B CN 117294022B CN 202311569856 A CN202311569856 A CN 202311569856A CN 117294022 B CN117294022 B CN 117294022B
Authority
CN
China
Prior art keywords
sensing
data
sensor
layer
inspection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202311569856.6A
Other languages
English (en)
Other versions
CN117294022A (zh
Inventor
李琮
刘昭
任志刚
胥明凯
于光远
刘晓
刘春明
鲍新
王万国
张雨薇
瞿寒冰
范岩
丁昊
李彬
王鹏
孙世颖
李恩
赵晓光
韩为超
段承金
马彦飞
周兴福
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Automation of Chinese Academy of Science
State Grid Intelligent Technology Co Ltd
Jinan Power Supply Co of State Grid Shandong Electric Power Co Ltd
Original Assignee
Institute of Automation of Chinese Academy of Science
State Grid Intelligent Technology Co Ltd
Jinan Power Supply Co of State Grid Shandong Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Automation of Chinese Academy of Science, State Grid Intelligent Technology Co Ltd, Jinan Power Supply Co of State Grid Shandong Electric Power Co Ltd filed Critical Institute of Automation of Chinese Academy of Science
Priority to CN202311569856.6A priority Critical patent/CN117294022B/zh
Publication of CN117294022A publication Critical patent/CN117294022A/zh
Application granted granted Critical
Publication of CN117294022B publication Critical patent/CN117294022B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H02J13/00019—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using optical means
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00006—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment
    • H02J13/00022—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by information or instructions transport means between the monitoring, controlling or managing units and monitored, controlled or operated power network element or electrical equipment using wireless data transmission
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H02J13/00034—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving an electric power substation

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Human Computer Interaction (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种基于多源传感器协同的变电站巡检系统及方法，属于电力设备监测技术领域，系统包括多源传感层、边缘计算层和协同感知决策层，多源传感层用于采集巡检装置与电力设备端传感器多源传感信息；边缘计算层根据多源传感信息计算各个传感器的单一传感器数据特征以及单一传感器感知结果；协同感知决策层利用感知结果进行巡检装置调度，控制巡检装置到达对应的巡检点位，对待巡检设备进行传感数据采集；同时协同感知决策层利用多个传感器的数据特征进行协同感知，输出协同感知结果。本发明实现了对变电站关键设备进行多层次、多角度的协同感知，提高了变电巡检装置的巡检、感知、任务执行的能力和效率。

Description

基于多源传感器协同的变电站巡检系统及方法
技术领域
本发明涉及一种基于多源传感器协同的变电站巡检系统及方法，具体地说是一种基于巡检装置与电力设备端传感器协同的变电站巡检系统及方法，属于电力设备监测技术领域。
背景技术
随着能源互联网建设的深入，人工智能技术在输变电智能巡视、电力作业安全管控、智能作业等领域得到了应用，但是应用程度还不深入，特别是在设备缺陷检测、设备状态获取、巡检设备的感知决策方面仍存在智能化程度低、设备自主性差等问题。
当前的变电站智能巡检装置虽然接入了多种传感器的信息，实现了对特定故障的检测识别，但由于不同传感模组的数据来源、模态和格式差异较大，且传感器广泛分布在各个设备中，在故障的检测识别过程中通常仅利用单一模组及传感信息进行分析，缺乏多种传感器之间的协同和融合，缺乏对复杂故障的全面感知和分析能力。
为了实现变电巡检装置与设备传感器之间的协同，需要一种基于多源传感器协同的变电站巡检系统及方法，对变电站关键设备进行多层次、多角度的协同感知，进一步提高变电巡检装置的巡检、感知、任务执行的能力和效率。
发明内容
为了解决上述问题，本发明提出了一种基于多源传感器协同的变电站巡检系统及方法，能够提高变电巡检装置的巡检、感知、任务执行的能力和效率。
本发明解决其技术问题采取的技术方案是：
第一方面，本发明实施例提供的一种基于多源传感器协同的变电站巡检系统，包括多源传感层、边缘计算层和协同感知决策层，
所述多源传感层用于采集巡检装置与电力设备端传感器多源传感信息，并将采集到的多源传感信息输入至边缘计算层；
所述边缘计算层根据多源传感信息计算各个传感器的单一传感器数据特征以及单一传感器感知结果，并输入至协同感知决策层；
所述协同感知决策层利用感知结果进行巡检装置调度，控制巡检装置到达对应的巡检点位，对待巡检设备进行传感数据采集；同时所述协同感知决策层利用多个传感器的数据特征进行协同感知，输出协同感知结果。
作为本实施例一种可能的实现方式，所述多源传感层至少包括巡检装置所搭载的可见光传感器及红外传感器以及电力设备端安装的声纹传感器，用于采集可见光及红外图像数据信息以及声纹数据信息。
作为本实施例一种可能的实现方式，所述边缘计算层由多个面向单一传感器的轻量级特征提取与感知单元组成，每个面向单一传感器的轻量级特征提取与感知单元均能对应于多源传感层的一个传感器。
作为本实施例一种可能的实现方式，所述的面向单一传感器的轻量级特征提取与感知单元，由级联特征提取网络和结果预测网络组成，所述特征提取网络根据输入传感器数据不同选择卷积神经网络或长短时记忆网络，特征提取网络利用传感数据得到单一传感器数据特征输出，同时也将特征输入到结果预测网络；所述结果预测网络采用全连接网络，利用数据特征得到单一传感器感知结果输出。
作为本实施例一种可能的实现方式，所述边缘计算层根据多源传感信息计算各个传感器的单一传感器数据特征以及单一传感器感知结果的具体过程为：
构建一个可见光特征提取与感知模型ImNet、一个红外特征提取与感知模型InNet和一个声纹特征提取与感知模型SoNet；
所述的可见光特征提取与感知模型ImNet和红外特征提取与感知模型InNet结构相同，均由卷积神经网络CNN级联全连接网络FC组成，可见光或红外图像数据经过卷积神经网络CNN处理得到数据特征，然后输入全连接网络FC得到可见光或红外故障预测结果；
所述声纹特征提取与感知模型SoNet由循环神经网络RNN和全连接网络FC组成，声纹数据经过循环神经网络RNN处理得到数据特征后输入全连接网络FC得到声纹故障预测结果；
将采集的可见光、红外和声纹数据进行故障类型的标注，构成可见光、红外、声纹故障数据集，利用数据集分别训练可见光特征提取与感知模型ImNet、红外特征提取与感知模型InNet和声纹特征提取与感知模型SoNet；
将可见光、红外和声纹数据分别输入训练好的上述模型，输出单一传感器数据特征和单一传感器感知结果。
作为本实施例一种可能的实现方式，所述协同感知决策层由多源数据融合感知单元和巡检装置协同调度单元组成；所述多源数据融合感知单元适用于定期巡检阶段，所述巡检装置协同调度单元适用于设备状态日常实时监控阶段。
作为本实施例一种可能的实现方式，所述多源数据融合感知单元利用多源数据融合感知模型对多个传感数据特征进行协同分析，输出协同感知结果，所述多源数据融合感知模型采用基于卷积神经网络或循环神经网络搭建的特征融合分析模型。
作为本实施例一种可能的实现方式，所述巡检装置协同调度单元利用基于变电站巡检流程知识库训练的调度模型对设备传感器的感知结果进行处理，输出对巡检装置的调度指令，控制巡检装置到达待观测点位，采集观测数据，待多源数据同时得到后，利用多源数据融合感知单元进行协同感知。
作为本实施例一种可能的实现方式，所述巡检装置包括室内巡检机器人或室外巡检机器人。
第二方面，本发明实施例提供的一种基于多源传感器协同的变电站巡检方法，包括以下步骤：
由多源传感层、边缘计算层、协同感知决策层形成三层智能巡检结构；
采集巡检装置与电力设备端传感器多源传感信息；
根据多源传感信息计算各个传感器的单一传感器数据特征以及单一传感器感知结果；
利用感知结果，针对变电站定期巡检阶段和日常实时监控阶段分别采取不同的协同感知策略进行巡检，实现变电站的全天候多源传感数据协同巡检。
作为本实施例一种可能的实现方式，变电站定期巡检阶段进行协同感知巡检的过程为:
巡检装置按照预先设定的巡检路线和巡检点位进行故障巡检；
在每个巡检点位，巡检装置携带传感器和设备传感器同时采集数据，并将数据分别传输至边缘计算层的特征提取与感知单元,利用特征提取与感知单元中部署的特征提取与感知模型，分别对可见光、红外、声纹数据进行特征提取，获得一组多源传感特征；
将多源传感特征传输至协同感知决策中心服务器，利用多源数据融合感知单元进行分析；多源数据融合感知单元采用时空注意力机制对多源传感特征进行处理，通过考虑对同一设备不同传感器特征之间的相互关系以及传感器数据的时序相关性，实现对多源数据的时空融合。
作为本实施例一种可能的实现方式，所述对多源数据的时空融合的具体过程为：
将t时刻获得的多源传感特征.../>利用单层的MLP进行嵌入操作，并利用ReLU函数进行激活，将其结果输入GRU单元进行循环操作：
其中，表示MLP嵌入层参数，/>表示GPU参数，/>表示GRU中t时刻的隐状态参数，/>表示经过MLP网络计算后的输出特征；
将多源传感特征建模成一个全连接图，其中是特征的节点集合，/>是边的集合，第j个节点到第i个节点的边表示第i个传感数据特征与第j个传感数据特征之间的关系；
空间变换由多头注意力层和多层感知机MLP组成，在多头注意力层，对于节点集合的特征向量/>，自注意力机制首先利用线性变换将其投影至查询向量、键向量/>和值向量/>，/>、/>和是可学习的参数，注意力系数/>表示j节点对i节点的影响，注意力系数的计算公式为：
节点i周围相邻节点的信息通过一个缩放的点积注意操作进行聚合：
其中，是Q和K的维数；
利用多头注意机制，共同关注来自不同表示子空间的信息：
其中表示拼接操作，/>表示注意力头的标号；
将多头注意力层的输出输入一个两层MLP网络，所述两层MLP网络前后分别有残差层和归一化层：
空间交换模块的输出是第i个传感器数据特征的聚合的隐状态，其中包含了来自其他传感器信息的空间影响，/>是参数，/>表示经过残差层和归一化层计算的中间结果；
考虑时空特征融合，将空间交互特征输入另外一个GRU：
经过空间建模和时间建模，隐变量包含了单个传感器数据特征内容，隐变量包含了从周围其他传感器数据中提取的时空交互内容；
通过拼接两个隐变量和/>得到融合个体-整体表示/>：
将得到的融合特征联结并输入一个MLP网络，输出故障预测结果；
根据不同的故障预测结果，进行故障报警提醒。
作为本实施例一种可能的实现方式，日常实时监控阶段进行协同感知巡检的过程为:
在日常实时监控阶段，巡检装置处于等待调度状态，主要依靠电力设备端传感器进行24小时不间断的故障监控；
基于变电站巡检流程知识库建立巡检装置调度模型：根据变电站巡检流程知识库，建立设备数据异常结果与所需人工巡检点位的对应关系集合()，构成调度模型训练数据集，其中/>表示第i条数据中各个传感器数据故障类型向量，/>第i条数据中第j个传感器的故障类型，p表示提前预设的人工巡检点位ID；构建CART决策树模型，并利用上述数据集合训练CART决策树模型的参数，得到巡检装置调度模型；所述CART决策树模型表示为：
(/>)
设备传感器实时采集传感数据，并将数据分别传输至边缘计算层的特征提取与感知单元，对每一时刻的传感数据，利用特征提取与感知单元中部署的特征提取与感知模型对不同的传感数据进行分析，得到各个设备传感器的单一传感器感知结果；
将多个设备传感器数据的感知结果传输至协同感知决策中心服务器，利用巡检装置协同调度决策树模型CART进行巡检装置调度决策，输出调度指令；
根据调度决策指令，控制巡检装置到达指定的巡检点位p，进行巡检装置传感器数据采集；
将巡检装置传感器数据和实时的设备传感数据分别输入边缘计算层进行特征提取，随后将数据特征输入协同感知决策层的多源数据融合感知单元，最后得到对设备故障的协同感知结果。
作为本实施例一种可能的实现方式，所述多源传感层至少包括巡检装置所搭载的可见光传感器及红外传感器以及电力设备端安装的声纹传感器，用于采集可见光及红外图像数据信息以及声纹数据信息。
作为本实施例一种可能的实现方式，所述边缘计算层由多个面向单一传感器的轻量级特征提取与感知单元组成，每个面向单一传感器的轻量级特征提取与感知单元均能对应于多源传感层的一个传感器。
作为本实施例一种可能的实现方式，所述的面向单一传感器的轻量级特征提取与感知单元，由级联特征提取网络和结果预测网络组成，所述特征提取网络根据输入传感器数据不同选择卷积神经网络或长短时记忆网络，特征提取网络利用传感数据得到单一传感器数据特征输出，同时也将特征输入到结果预测网络；所述结果预测网络采用全连接网络，利用数据特征得到单一传感器感知结果输出。
作为本实施例一种可能的实现方式，所述边缘计算层根据多源传感信息计算各个传感器的单一传感器数据特征以及单一传感器感知结果的具体过程为：
构建一个可见光特征提取与感知模型ImNet、一个红外特征提取与感知模型InNet和一个声纹特征提取与感知模型SoNet；
所述的可见光特征提取与感知模型ImNet和红外特征提取与感知模型InNet的结构相同，均由卷积神经网络CNN级联全连接网络FC组成，可见光或红外图像数据经过卷积神经网络CNN处理得到数据特征，然后输入全连接网络FC得到可见光或红外故障预测结果；
所述声纹特征提取与感知模型SoNet由循环神经网络RNN和全连接网络FC组成，声纹数据经过循环神经网络RNN处理得到数据特征后输入全连接网络FC得到声纹故障预测结果；
将采集的可见光、红外和声纹数据进行故障类型的标注，构成可见光、红外、声纹故障数据集，利用数据集分别训练可见光特征提取与感知模型ImNet、红外特征提取与感知模型InNet和声纹特征提取与感知模型SoNet；
将可见光、红外和声纹数据分别输入训练好的上述模型，输出单一传感器数据特征和单一传感器感知结果。
作为本实施例一种可能的实现方式，所述协同感知决策层由多源数据融合感知单元和巡检装置协同调度单元组成；所述多源数据融合感知单元适用于定期巡检阶段，所述巡检装置协同调度单元适用于设备状态日常实时监控阶段。
作为本实施例一种可能的实现方式，所述多源数据融合感知单元利用多源数据融合感知模型对多个传感数据特征进行协同分析，输出协同感知结果，所述多源数据融合感知模型采用基于卷积神经网络或循环神经网络搭建的特征融合分析模型。
作为本实施例一种可能的实现方式，所述巡检装置协同调度单元利用基于变电站巡检流程知识库训练的调度模型对设备传感器的感知结果进行处理，输出对巡检装置的调度指令，控制巡检装置到达待观测点位，采集观测数据，待多源数据同时得到后，利用多源数据融合感知单元进行协同感知。
作为本实施例一种可能的实现方式，所述巡检装置包括室内巡检机器人或室外巡检机器人。
本发明实施例的技术方案可以具有的有益效果如下：
本发明实施例的技术方案的一种基于巡检装置与电力设备端传感器等多源传感器协同的变电站巡检系统，包括多源传感层、边缘计算层和协同感知决策层，所述多源传感层用于采集巡检装置与电力设备端传感器多源传感信息，并将采集到的多源传感信息输入至边缘计算层；所述边缘计算层根据多源传感信息计算各个传感器的单一传感器数据特征以及单一传感器感知结果，并输入至协同感知决策层；所述协同感知决策层利用感知结果进行巡检装置调度，控制巡检装置到达对应的巡检点位，对待巡检设备进行传感数据采集；同时所述协同感知决策层利用多个传感器的数据特征进行协同感知，输出协同感知结果。本发明通过采集巡检装置搭载可见光、红外等传感器信息以及声纹等设备端传感器信息，在边缘计算层进行单一传感器的轻量级特征提取与初步感知，协同感知决策层通过收集多源传感器数据特征及感知结果，进行多源数据融合感知以及巡检装置的调度决策，实现了对变电站关键设备进行多层次、多角度的协同感知，从而进一步提高了变电巡检装置的巡检、感知、任务执行的能力和效率。
本发明通过对巡检装置与电力设备端传感器等多源传感数据进行特征提取，降低了网络传输数据量提高了协同感知和决策的实时性；针对变电站巡检的定期巡检阶段，本发明设计了多源数据协同感知机制和特征融合感知模型，实现了变电站设备的多方位、多层次协同感知，能够提高变电站设备故障感知的准确率；针对变电站巡检的日常实时监控阶段，本发明设计了的巡检装置调度机制，能够有效利用巡检装置灵活自主的特点，结合快速响应的设备传感器，实现智能化的设备故障二次判断，进一步提高了故障诊断结果的可靠性。
本发明实施例的技术方案的一种基于巡检装置与电力设备端传感器等多源传感器协同的变电站巡检方法，包括以下步骤：由多源传感层、边缘计算层、协同感知决策层形成三层智能巡检结构；采集巡检装置与电力设备端传感器多源传感信息；根据多源传感信息计算各个传感器的单一传感器数据特征以及单一传感器感知结果；利用感知结果，针对变电站定期巡检阶段和日常实时监控阶段分别采取不同的协同感知策略进行巡检，实现变电站的全天候多源传感数据协同巡检。本发明通过对多源传感数据进行特征提取，降低了网络传输数据量提高了协同感知和决策的实时性；针对变电站巡检的定期巡检阶段，本发明设计了多源数据协同感知机制和特征融合感知模型，实现了变电站设备的多方位、多层次协同感知，能够提高变电站设备故障感知的准确率；针对变电站巡检的日常实时监控阶段，本发明设计了的巡检装置调度机制，能够有效利用巡检装置灵活自主的特点，结合快速响应的设备传感器，实现智能化的设备故障二次判断，进一步提高了故障诊断结果的可靠性。
附图说明
图1是根据一示例性实施例示出的一种基于多源传感器协同的变电站巡检系统的示意图；
图2是根据一示例性实施例示出的一种面向单一传感器的轻量级特征提取与感知单元架构图；
图3是根据一示例性实施例示出的一种多源数据融合感知单元架构图；
图4是根据一示例性实施例示出的一种巡检装置协同调度单元架构图；
图5是根据一示例性实施例示出的一种基于多源传感器协同的变电站巡检方法的流程图。
具体实施方式
下面结合附图与实施例对本发明做进一步说明：
为能清楚说明本方案的技术特点，下面通过具体实施方式，并结合其附图，对本发明进行详细阐述。下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开，下文中对特定例子的部件和设置进行描述。此外，本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的，其本身不指示所讨论各种实施例和/或设置之间的关系。应当注意，在附图中所图示的部件不一定按比例绘制。本发明省略了对公知组件和处理技术及工艺的描述以避免不必要地限制本发明。
如图1所示，本发明实施例提供的一种基于多源传感器协同的变电站巡检系统，包括多源传感层、边缘计算层和协同感知决策层，
所述多源传感层用于采集巡检装置与电力设备端传感器多源传感信息，并将采集到的多源传感信息输入至边缘计算层；
所述边缘计算层根据多源传感信息计算各个传感器的单一传感器数据特征以及单一传感器感知结果，并输入至协同感知决策层；
所述协同感知决策层利用感知结果进行巡检装置调度，控制巡检装置到达对应的巡检点位，对待巡检设备进行传感数据采集；同时所述协同感知决策层利用多个传感器的数据特征进行协同感知，输出协同感知结果。
多源传感层将采集到的传感数据输入边缘计算层；边缘计算层输出各个单一传感器的单一传感器数据特征以及单一传感器感知结果，并输入至协同感知决策层；协同感知决策层利用边缘计算层输入的单个传感器感知结果进行巡检装置调度，控制巡检装置到达对应的巡检点位，对特定设备进行传感数据采集；同时协同感知决策层利用多个传感器的数据特征进行协同感知，输出协同感知结果。
本发明通过对多源传感数据进行特征提取，降低了网络传输数据量提高了协同感知和决策的实时性；针对变电站巡检的定期巡检阶段，本发明设计了多源数据协同感知机制和特征融合感知模型，实现了变电站设备的多方位、多层次协同感知，能够提高变电站设备故障感知的准确率；针对变电站巡检的日常实时监控阶段，本发明设计了的巡检装置调度机制，能够有效利用巡检装置灵活自主的特点，结合快速响应的设备传感器，实现智能化的设备故障二次判断，进一步提高了故障诊断结果的可靠性。
作为本实施例一种可能的实现方式，所述多源传感层至少包括巡检装置所搭载的可见光传感器及红外传感器以及声纹设备端安装的声纹传感器，用于采集可见光及红外图像数据信息以及声纹数据信息。
多源传感层可以包括多个传感器，如可见光传感器、红外传感器和声纹传感器。这些传感器可以协同工作，以获取多种信息，例如图像、音频等。对于巡检装置所搭载的可见光传感器，可以通过图像处理技术，对图像进行处理，例如去除噪声、图像增强和色彩平衡等，以提高图像的质量。对于红外传感器，可以使用深度学习算法，如卷积神经网络(CNN)和循环神经网络(RNN)等，对红外图像进行处理，以提取有用的信息，例如温度等。声纹采集和处理可以通过声纹传感器进行。声纹传感器可以采集声音信号，并使用机器学习算法，如支持向量机(SVM)和决策树等，对声音信号进行处理，以提取有用的信息，例如声音的频率、音调、音量等。在采集到多源传感层所采集的数据后，需要进行数据预处理，例如去除噪声、图像增强和色彩平衡等，以提高数据的质量。同时，还需要对数据进行标注，以帮助机器学习算法更好地学习数据的特征。对于巡检装置所搭载的可见光传感器和红外传感器，可以使用机器学习算法，如卷积神经网络(CNN)和循环神经网络(RNN)等，对多源传感层采集的数据进行模型训练和评估。通过模型训练和评估，可以优化算法，提高算法的准确性和鲁棒性。
作为本实施例一种可能的实现方式，如图2所示，所述边缘计算层由多个面向单一传感器的轻量级特征提取与感知单元组成，部署于与传感器有线连接的边缘计算模块中，每个面向单一传感器的轻量级特征提取与感知单元均能对应于多源传感层的一个传感器。
作为本实施例一种可能的实现方式，所述的面向单一传感器的轻量级特征提取与感知单元，由级联特征提取网络和结果预测网络组成，所述特征提取网络根据输入传感器数据不同选择卷积神经网络或长短时记忆网络，特征提取网络利用传感数据得到单一传感器数据特征输出，同时也将特征输入到结果预测网络；所述结果预测网络采用全连接网络等分类网络，利用数据特征得到单一传感器感知结果输出。
作为本实施例一种可能的实现方式，所述边缘计算层根据多源传感信息计算各个传感器的单一传感器数据特征以及单一传感器感知结果的具体过程为：
构建一个可见光特征提取与感知模型ImNet、一个红外特征提取与感知模型InNet和一个声纹特征提取与感知模型SoNet；
所述的可见光特征提取与感知模型ImNet和红外特征提取与感知模型InNet的结构相同，均由卷积神经网络CNN级联全连接网络FC组成，可见光或红外图像数据经过卷积神经网络CNN处理得到数据特征，然后输入全连接网络FC得到可见光或红外故障预测结果；
所述声纹特征提取与感知模型SoNet由循环神经网络RNN和全连接网络FC组成，声纹数据经过循环神经网络RNN处理得到数据特征后输入全连接网络FC得到声纹故障预测结果；
将采集的可见光、红外和声纹数据进行故障类型的标注，构成可见光、红外、声纹故障数据集，利用数据集分别训练可见光特征提取与感知模型ImNet、红外特征提取与感知模型InNet和声纹特征提取与感知模型SoNet；
将可见光、红外和声纹数据分别输入训练好的上述模型，输出单一传感器数据特征和单一传感器感知结果。
作为本实施例一种可能的实现方式，所述协同感知决策层由多源数据融合感知单元和巡检装置协同调度单元组成，部署于协同感知决策中心服务器中，边缘计算模块于中心服务器利用无线自组网络进行数据传输；所述多源数据融合感知单元适用于定期巡检阶段，所述巡检装置协同调度单元适用于设备状态日常实时监控阶段。
作为本实施例一种可能的实现方式，如图3所示，所述多源数据融合感知单元利用多源数据融合感知模型对多个传感数据特征进行协同分析，输出协同感知结果，所述多源数据融合感知模型采用基于卷积神经网络或循环神经网络搭建的特征融合分析模型。
作为本实施例一种可能的实现方式，如图4所示，所述巡检装置协同调度单元利用基于变电站巡检流程知识库训练的调度模型对设备传感器的感知结果进行处理，输出对巡检装置的调度指令，控制巡检装置到达待观测点位，采集观测数据，待多源数据同时得到后，利用多源数据融合感知单元进行协同感知。
作为本实施例一种可能的实现方式，所述巡检装置包括室内巡检机器人或室外巡检机器人。
如图5所示，本发明实施例提供的一种基于多源传感器协同的变电站巡检方法，包括以下步骤：
由多源传感层、边缘计算层、协同感知决策层形成三层智能巡检结构；
采集巡检装置与电力设备端传感器多源传感信息；
根据多源传感信息计算各个传感器的单一传感器数据特征以及单一传感器感知结果；
利用感知结果，针对变电站定期巡检阶段和日常实时监控阶段分别采取不同的协同感知策略进行巡检，实现变电站的全天候多源传感数据协同巡检。
作为本实施例一种可能的实现方式，变电站定期巡检阶段进行协同感知巡检的过程为:
巡检装置按照预先设定的巡检路线和巡检点位进行故障巡检；
在每个巡检点位，巡检装置携带传感器和设备传感器同时采集数据，并将数据分别传输至边缘计算层的特征提取与感知单元,利用特征提取与感知单元中部署的特征提取与感知模型，分别对可见光、红外、声纹数据进行特征提取，获得一组多源传感特征；
将多源传感特征传输至协同感知决策中心服务器，利用多源数据融合感知单元进行分析；多源数据融合感知单元采用时空注意力机制对多源传感特征进行处理，通过考虑对同一设备不同传感器特征之间的相互关系以及传感器数据的时序相关性，实现对多源数据的时空融合。
作为本实施例一种可能的实现方式，所述对多源数据的时空融合的具体过程为：
将t时刻获得的多源传感特征.../>利用单层的MLP进行嵌入操作，并利用ReLU函数进行激活，将其结果输入GRU单元进行循环操作：
其中，表示MLP嵌入层参数，/>表示GPU参数，/>表示GRU中t时刻的隐状态参数，/>表示经过MLP网络计算后的输出特征；
将多源传感特征建模成一个全连接图，其中是特征的节点集合，/>是边的集合，第j个节点到第i个节点的边表示第i个传感数据特征与第j个传感数据特征之间的关系；
空间变换由多头注意力层和多层感知机MLP组成，在多头注意力层，对于节点集合的特征向量/>，自注意力机制首先利用线性变换将其投影至查询向量、键向量/>和值向量/>，/>、/>和是可学习的参数，注意力系数/>表示j节点对i节点的影响，注意力系数的计算公式为：
节点i周围相邻节点的信息通过一个缩放的点积注意操作进行聚合：
其中，是Q和K的维数；
利用多头注意机制，共同关注来自不同表示子空间的信息：
其中表示拼接操作，/>表示注意力头的标号；
将多头注意力层的输出输入一个两层MLP网络，所述两层MLP网络前后分别有残差层和归一化层：
空间交换模块的输出是第i个传感器数据特征的聚合的隐状态，其中包含了来自其他传感器信息的空间影响，/>是参数，/>表示经过残差层和归一化层计算的中间结果；
考虑时空特征融合，将空间交互特征输入另外一个GRU：/>
经过空间建模和时间建模，隐变量包含了单个传感器数据特征内容，隐变量包含了从周围其他传感器数据中提取的时空交互内容；
通过拼接两个隐变量和/>得到融合个体-整体表示/>：
将得到的融合特征联结并输入一个MLP网络，输出故障预测结果；
根据不同的故障预测结果，进行故障报警提醒。
作为本实施例一种可能的实现方式，日常实时监控阶段进行协同感知巡检的过程为:
在日常实时监控阶段，巡检装置处于等待调度状态，主要依靠设备传感器进行24小时不间断的故障监控；
基于变电站巡检流程知识库建立巡检装置调度模型：根据变电站巡检流程知识库，建立设备数据异常结果与所需人工巡检点位的对应关系集合()，构成调度模型训练数据集，其中/>表示第i条数据中各个传感器数据故障类型向量，/>第i条数据中第j个传感器的故障类型，p表示提前预设的人工巡检点位ID；构建CART决策树模型，并利用上述数据集合训练CART决策树模型的参数，得到巡检装置调度模型；所述CART决策树模型表示为：
(/>)
设备传感器实时采集传感数据，并将数据分别传输至边缘计算层的特征提取与感知单元，对每一时刻的传感数据，利用特征提取与感知单元中部署的特征提取与感知模型对不同的传感数据进行分析，得到各个设备传感器的单一传感器感知结果；
将多个设备传感器数据的感知结果传输至协同感知决策中心服务器，利用巡检装置协同调度决策树模型CART进行巡检装置调度决策，输出调度指令；
根据调度决策指令，控制巡检装置到达指定的巡检点位p，进行巡检装置传感器数据采集；
将巡检装置传感器数据和实时的设备传感数据分别输入边缘计算层进行特征提取，随后将数据特征输入协同感知决策层的多源数据融合感知单元，最后得到对设备故障的协同感知结果。
作为本实施例一种可能的实现方式，所述多源传感层至少包括巡检装置所搭载的可见光传感器及红外传感器以及声纹设备端安装的声纹传感器，用于采集可见光及红外图像数据信息以及声纹数据信息。
作为本实施例一种可能的实现方式，所述边缘计算层由多个面向单一传感器的轻量级特征提取与感知单元组成，每个面向单一传感器的轻量级特征提取与感知单元均能对应于多源传感层的一个传感器。
作为本实施例一种可能的实现方式，所述的面向单一传感器的轻量级特征提取与感知单元，由级联特征提取网络和结果预测网络组成，所述特征提取网络根据输入传感器数据不同选择卷积神经网络或长短时记忆网络，特征提取网络利用传感数据得到单一传感器数据特征输出，同时也将特征输入到结果预测网络；所述结果预测网络采用全连接网络等分类网络，利用数据特征得到单一传感器感知结果输出。
作为本实施例一种可能的实现方式，所述边缘计算层根据多源传感信息计算各个传感器的单一传感器数据特征以及单一传感器感知结果的具体过程为：
构建一个可见光特征提取与感知模型ImNet、一个红外特征提取与感知模型InNet和一个声纹特征提取与感知模型SoNet；
所述的可见光特征提取与感知模型ImNet和红外特征提取与感知模型InNet的结构相同，均由卷积神经网络CNN级联全连接网络FC组成，可见光或红外图像数据经过卷积神经网络CNN处理得到数据特征，然后输入全连接网络FC得到可见光或红外故障预测结果；
所述声纹特征提取与感知模型SoNet由循环神经网络RNN和全连接网络FC组成，声纹数据经过循环神经网络RNN处理得到数据特征后输入全连接网络FC得到声纹故障预测结果；
将采集的可见光、红外和声纹数据进行故障类型的标注，构成可见光、红外、声纹故障数据集，利用数据集分别训练可见光特征提取与感知模型ImNet、红外特征提取与感知模型InNet和声纹特征提取与感知模型SoNet；
将可见光、红外和声纹数据分别输入训练好的上述模型，输出单一传感器数据特征和单一传感器感知结果。
作为本实施例一种可能的实现方式，所述协同感知决策层由多源数据融合感知单元和巡检装置协同调度单元组成；所述多源数据融合感知单元适用于定期巡检阶段，所述巡检装置协同调度单元适用于设备状态日常实时监控阶段。
作为本实施例一种可能的实现方式，所述多源数据融合感知单元利用多源数据融合感知模型对多个传感数据特征进行协同分析，输出协同感知结果，所述多源数据融合感知模型采用基于卷积神经网络或循环神经网络搭建的特征融合分析模型。
作为本实施例一种可能的实现方式，所述巡检装置协同调度单元利用基于变电站巡检流程知识库训练的调度模型对设备传感器的感知结果进行处理，输出对巡检装置的调度指令，控制巡检装置到达待观测点位，采集观测数据，待多源数据同时得到后，利用多源数据融合感知单元进行协同感知。
作为本实施例一种可能的实现方式，所述巡检装置包括室内巡检机器人或室外巡检机器人。
本发明针对变电站定期巡检阶段和日常实时监控阶段分别采取不同的协同感知策略：定期巡检协同感知策略和日常实时监控协同感知策略。
一、定期巡检协同感知策略：
（1）在定期巡检阶段，巡检装置按照预先设定的巡检路线和巡检点位进行故障巡检；
在每个巡检点位，巡检装置携带传感器和设备传感器同时采集数据，并将数据分别传输至边缘计算层的特征提取与感知单元。利用特征提取与感知单元中部署的特征提取与感知模型，分别对可见光、红外、声纹数据进行特征提取，获得一组多源传感特征；
（2）将多源传感特征传输至协同感知决策中心服务器，利用多源数据融合感知单元进行分析。多源数据融合感知单元采用时空注意力机制对多源传感特征进行处理，通过考虑对同一设备不同传感器特征之间的相互关系以及传感器数据的时序相关性，实现对多源数据的时空融合。具体做法如下：
首先，将t时刻获得的多源传感特征.../>利用单层的MLP进行嵌入操作，并利用ReLU进行激活。将其结果输入GRU单元进行循环操作：
其中，表示MLP嵌入层参数，/>表示GPU参数，/>表示GRU中t时刻的隐状态参数，/>表示经过MLP网络计算后的输出特征。将多源传感特征建模成一个全连接图，其中/>是特征的节点集合，是边的集合。第j个节点到第i个节点的边表示第i个传感数据特征与第j个传感数据特征之间的关系。
接着，空间transformer由多头注意力层和MLP组成。在多头注意力层，对于节点集合的特征向量/>，自注意力机制首先利用线性变换将其投影至查询向量、键向量/>和值向量/>。/>、/>和是可学习的参数，注意力系数/>表示j节点对i节点的影响，计算为：
节点i周围相邻节点的信息通过一个缩放的点积注意操作进行聚合：
其中，是Q和K的维数。利用多头注意机制，共同关注来自不同表示子空间的信息：
其中表示拼接操作，/>表示注意力头的标号。将多头注意力层的输出/>输入一个两层MLP网络，其前后分别有残差层和归一化层/>
Transformer模块的输出是第i个传感器数据特征的聚合的隐状态，其中包含了来自其他传感器信息的空间影响，/>是参数，/>表示经过残差层和归一化层计算的中间结果。
考虑时空特征融合，将空间交互特征输入另外一个GRU：
经过空间建模和时间建模，隐变量包含了单个传感器数据特征内容，隐变量包含了从周围其他传感器数据中提取的时空交互内容。最后，通过拼接两个隐变量/>和/>得到融合个体-整体表示/>。
将得到的融合特征联结并输入一个MLP网络，输出故障预测结果。根据不同的故障预测结果，进行故障报警提醒。
二、日常实时监控协同感知策略：
（1）在日常实时监控阶段，巡检装置处于等待调度状态，主要依靠设备传感器进行24小时不间断的故障监控；
（2）基于变电站巡检流程知识库建立巡检装置调度模型：根据变电站巡检流程知识库，建立设备数据异常结果与所需人工巡检点位的对应关系集合()，构成调度模型训练数据集，其中/>表示第i条数据中各个传感器数据故障类型向量，第i条数据中第j个传感器的故障类型，p表示提前预设的人工巡检点位ID。构建CART决策树模型，并利用上述数据集合训练CART决策树模型的参数，得到巡检装置调度模型。CART决策树模型表示为：
(/>)。
（3）设备传感器实时采集传感数据，并将数据分别传输至边缘计算层的特征提取与感知单元，对每一时刻的传感数据，利用特征提取与感知单元中部署的特征提取与感知模型对不同的传感数据进行分析，得到各个设备传感器的单一传感器感知结果；
（4）将多个设备传感器数据的感知结果传输至协同感知决策中心服务器，利用巡检装置协同调度决策树模型CART进行巡检装置调度决策，输出调度指令；
（5）根据调度决策指令，控制巡检装置到达指定的巡检点位p，进行巡检装置传感器数据采集；
（6）将巡检装置传感器数据和实时的设备传感数据分别输入边缘计算层进行特征提取，随后将数据特征输入协同感知决策层的多源数据融合感知单元，最后得到对设备故障的协同感知结果。
根据变电站现场的巡检日程，可以实时切换定期巡检和实时监控两种策略，实现了变电站的全天候多源传感数据协同巡检。
本发明通过对多源传感数据进行特征提取，降低了网络传输数据量提高了协同感知和决策的实时性；针对变电站巡检的定期巡检阶段，本发明设计了多源数据协同感知机制和特征融合感知模型，实现了变电站设备的多方位、多层次协同感知，能够提高变电站设备故障感知的准确率；针对变电站巡检的日常实时监控阶段，本发明设计了的巡检装置调度机制，能够有效利用巡检装置灵活自主的特点，结合快速响应的设备传感器，实现智能化的设备故障二次判断，进一步提高了故障诊断结果的可靠性。
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)

1.一种基于多源传感器协同的变电站巡检系统，其特征在于，包括多源传感层、边缘计算层和协同感知决策层，
所述多源传感层用于采集巡检装置与电力设备端传感器多源传感信息，并将采集到的多源传感信息输入至边缘计算层；
所述边缘计算层根据多源传感信息计算各个传感器的单一传感器数据特征以及单一传感器感知结果，并输入至协同感知决策层；
所述协同感知决策层利用感知结果进行巡检装置调度，控制巡检装置到达对应的巡检点位，对待巡检设备进行传感数据采集；同时所述协同感知决策层利用多个传感器的数据特征进行协同感知，输出协同感知结果；
所述边缘计算层根据多源传感信息计算各个传感器的单一传感器数据特征以及单一传感器感知结果的具体过程为：
构建一个可见光特征提取与感知模型ImNet、一个红外特征提取与感知模型InNet和一个声纹特征提取与感知模型SoNet；
所述的可见光特征提取与感知模型ImNet和红外特征提取与感知模型InNet的结构相同，均由卷积神经网络CNN级联全连接网络FC组成，可见光或红外图像数据经过卷积神经网络CNN处理得到数据特征，然后输入全连接网络FC得到可见光或红外故障预测结果；
所述声纹特征提取与感知模型SoNet由循环神经网络RNN和全连接网络FC组成，声纹数据经过循环神经网络RNN处理得到数据特征后输入全连接网络FC得到声纹故障预测结果；
将采集的可见光、红外和声纹数据进行故障类型的标注，构成可见光、红外、声纹故障数据集，利用数据集分别训练可见光特征提取与感知模型ImNet、红外特征提取与感知模型InNet和声纹特征提取与感知模型SoNet；
将可见光、红外和声纹数据分别输入训练好的上述模型，输出单一传感器数据特征和单一传感器感知结果；
所述协同感知决策层由多源数据融合感知单元和巡检装置协同调度单元组成；所述多源数据融合感知单元适用于定期巡检阶段，所述巡检装置协同调度单元适用于设备状态日常实时监控阶段；
所述多源数据融合感知单元利用多源数据融合感知模型对多个传感数据特征进行协同分析，输出协同感知结果，所述多源数据融合感知模型采用基于卷积神经网络或循环神经网络搭建的特征融合分析模型；
所述巡检装置协同调度单元利用基于变电站巡检流程知识库训练的调度模型对设备传感器的感知结果进行处理，输出对巡检装置的调度指令，控制巡检装置到达待观测点位，采集观测数据，待多源数据同时得到后，利用多源数据融合感知单元进行协同感知。
2.根据权利要求1所述的基于多源传感器协同的变电站巡检系统，其特征在于，所述多源传感层至少包括巡检装置所搭载的可见光传感器及红外传感器以及声纹设备端安装的声纹传感器，用于采集可见光及红外图像数据信息以及声纹数据信息。
3.根据权利要求1所述的基于多源传感器协同的变电站巡检系统，其特征在于，所述边缘计算层由多个面向单一传感器的轻量级特征提取与感知单元组成，每个面向单一传感器的轻量级特征提取与感知单元均能对应于多源传感层的一个传感器。
4.根据权利要求3所述的基于多源传感器协同的变电站巡检系统，其特征在于，所述的面向单一传感器的轻量级特征提取与感知单元，由级联特征提取网络和结果预测网络组成，所述特征提取网络根据输入传感器数据不同选择卷积神经网络或长短时记忆网络，特征提取网络利用传感数据得到单一传感器数据特征输出，同时也将特征输入到结果预测网络；所述结果预测网络采用全连接网络，利用数据特征得到单一传感器感知结果输出。
5.根据权利要求1-4任意一项所述的基于多源传感器协同的变电站巡检系统，其特征在于，所述巡检装置包括室内巡检机器人或室外巡检机器人。
6.一种基于多源传感器协同的变电站巡检方法，其特征在于，包括以下步骤：
由多源传感层、边缘计算层、协同感知决策层形成三层智能巡检结构；
多源传感层采集巡检装置与电力设备端传感器多源传感信息；
边缘计算层根据多源传感信息计算各个传感器的单一传感器数据特征以及单一传感器感知结果；
协同感知决策层利用感知结果，针对变电站定期巡检阶段和日常实时监控阶段分别采取不同的协同感知策略进行巡检，实现变电站的全天候多源传感数据协同巡检；
所述边缘计算层根据多源传感信息计算各个传感器的单一传感器数据特征以及单一传感器感知结果的具体过程为：
构建一个可见光特征提取与感知模型ImNet、一个红外特征提取与感知模型InNet和一个声纹特征提取与感知模型SoNet；
所述的可见光特征提取与感知模型ImNet和红外特征提取与感知模型InNet的结构相同，均由卷积神经网络CNN级联全连接网络FC组成，可见光或红外图像数据经过卷积神经网络CNN处理得到数据特征，然后输入全连接网络FC得到可见光或红外故障预测结果；
所述声纹特征提取与感知模型SoNet由循环神经网络RNN和全连接网络FC组成，声纹数据经过循环神经网络RNN处理得到数据特征后输入全连接网络FC得到声纹故障预测结果；
将采集的可见光、红外和声纹数据进行故障类型的标注，构成可见光、红外、声纹故障数据集，利用数据集分别训练可见光特征提取与感知模型ImNet、红外特征提取与感知模型InNet和声纹特征提取与感知模型SoNet；
将可见光、红外和声纹数据分别输入训练好的上述模型，输出单一传感器数据特征和单一传感器感知结果；
变电站定期巡检阶段进行协同感知巡检的过程为:
巡检装置按照预先设定的巡检路线和巡检点位进行故障巡检；
在每个巡检点位，巡检装置携带传感器和设备传感器同时采集数据，并将数据分别传输至边缘计算层的特征提取与感知单元,利用特征提取与感知单元中部署的特征提取与感知模型，分别对可见光、红外、声纹数据进行特征提取，获得一组多源传感特征；
将多源传感特征传输至协同感知决策中心服务器，利用多源数据融合感知单元进行分析；多源数据融合感知单元采用时空注意力机制对多源传感特征进行处理，通过考虑对同一设备不同传感器特征之间的相互关系以及传感器数据的时序相关性，实现对多源数据的时空融合；
日常实时监控阶段进行协同感知巡检的过程为:
在日常实时监控阶段，巡检装置处于等待调度状态，主要依靠设备传感器进行24小时不间断的故障监控；
基于变电站巡检流程知识库建立巡检装置调度模型：根据变电站巡检流程知识库，建立设备数据异常结果与所需人工巡检点位的对应关系集合()，构成调度模型训练数据集，其中/>表示第i条数据中各个传感器数据故障类型向量，/>第i条数据中第j个传感器的故障类型，p表示提前预设的人工巡检点位ID；构建CART决策树模型，并利用上述数据集合训练CART决策树模型的参数，得到巡检装置调度模型；所述CART决策树模型表示为：
(/>)
设备传感器实时采集传感数据，并将数据分别传输至边缘计算层的特征提取与感知单元，对每一时刻的传感数据，利用特征提取与感知单元中部署的特征提取与感知模型对不同的传感数据进行分析，得到各个设备传感器的单一传感器感知结果；
将多个设备传感器数据的感知结果传输至协同感知决策中心服务器，利用巡检装置协同调度决策树模型CART进行巡检装置调度决策，输出调度指令；
根据调度决策指令，控制巡检装置到达指定的巡检点位p，进行巡检装置传感器数据采集；
将巡检装置传感器数据和实时的设备传感数据分别输入边缘计算层进行特征提取，随后将数据特征输入协同感知决策层的多源数据融合感知单元，最后得到对设备故障的协同感知结果。
7.根据权利要求6所述的基于多源传感器协同的变电站巡检方法，其特征在于，所述对多源数据的时空融合的具体过程为：
将t时刻获得的多源传感特征.../>利用单层的MLP进行嵌入操作，并利用ReLU函数进行激活，将其结果输入GRU单元进行循环操作：
其中，表示MLP嵌入层参数，/>表示GPU参数，/>表示GRU中t时刻的隐状态参数，/>表示经过MLP网络计算后的输出特征；
将多源传感特征建模成一个全连接图，其中/>是特征的节点集合，/>是边的集合，第j个节点到第i个节点的边表示第i个传感数据特征与第j个传感数据特征之间的关系；
空间变换由多头注意力层和多层感知机MLP组成，在多头注意力层，对于节点集合的特征向量/>，自注意力机制首先利用线性变换将其投影至查询向量/>、键向量和值向量/>，/>是参数，注意力系数/>表示j节点对i节点的影响，注意力系数的计算公式为：
节点i周围相邻节点的信息通过一个缩放的点积注意操作进行聚合：
其中，是Q和K的维数；
利用多头注意机制，共同关注来自不同表示子空间的信息：
其中表示拼接操作，/>表示注意力头的标号；
将多头注意力层的输出输入一个两层MLP网络，所述两层MLP网络前后分别有残差层和归一化层：
空间交换模块的输出是第i个传感器数据特征的聚合的隐状态，/>是参数，/>表示经过残差层和归一化层计算的中间结果；
考虑时空特征融合，将空间交互特征输入另外一个GRU：
经过空间建模和时间建模，隐变量包含了单个传感器数据特征内容，隐变量/>包含了从周围其他传感器数据中提取的时空交互内容；
通过拼接两个隐变量和/>得到融合个体-整体表示/>：
将得到的融合特征联结并输入一个MLP网络，输出故障预测结果；
根据不同的故障预测结果，进行故障报警提醒。
8.根据权利要求6或7所述的基于多源传感器协同的变电站巡检方法，其特征在于，所述多源传感层至少包括巡检装置所搭载的可见光传感器及红外传感器以及声纹设备端安装的声纹传感器，用于采集可见光及红外图像数据信息以及声纹数据信息。
9.根据权利要求6或7所述的基于多源传感器协同的变电站巡检方法，其特征在于，所述边缘计算层由多个面向单一传感器的轻量级特征提取与感知单元组成，每个面向单一传感器的轻量级特征提取与感知单元均能对应于多源传感层的一个传感器；
所述的面向单一传感器的轻量级特征提取与感知单元，由级联特征提取网络和结果预测网络组成，所述特征提取网络根据输入传感器数据不同选择卷积神经网络或长短时记忆网络，特征提取网络利用传感数据得到单一传感器数据特征输出，同时也将特征输入到结果预测网络；所述结果预测网络采用全连接网络，利用数据特征得到单一传感器感知结果输出。
10.根据权利要求6或7所述的基于多源传感器协同的变电站巡检方法，其特征在于，所述协同感知决策层由多源数据融合感知单元和巡检装置协同调度单元组成；所述多源数据融合感知单元适用于定期巡检阶段，所述巡检装置协同调度单元适用于设备状态日常实时监控阶段。
CN202311569856.6A 2023-11-23 2023-11-23 基于多源传感器协同的变电站巡检系统及方法 Active CN117294022B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311569856.6A CN117294022B (zh) 2023-11-23 2023-11-23 基于多源传感器协同的变电站巡检系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311569856.6A CN117294022B (zh) 2023-11-23 2023-11-23 基于多源传感器协同的变电站巡检系统及方法

Publications (2)

Publication Number Publication Date
CN117294022A CN117294022A (zh) 2023-12-26
CN117294022B true CN117294022B (zh) 2024-02-06

Family

ID=89239372

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311569856.6A Active CN117294022B (zh) 2023-11-23 2023-11-23 基于多源传感器协同的变电站巡检系统及方法

Country Status (1)

Country Link
CN (1) CN117294022B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117579625B (zh) * 2024-01-17 2024-04-09 中国矿业大学 一种用于双重预防机制的巡检任务预分发方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784026A (zh) * 2020-05-28 2020-10-16 国网信通亿力科技有限责任公司 基于云边端协同感知的变电站电气设备全方位体检系统
CN114069838A (zh) * 2021-10-05 2022-02-18 国网辽宁省电力有限公司电力科学研究院 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
CN114662720A (zh) * 2022-04-22 2022-06-24 国网安徽省电力有限公司 一种变电站的物联边缘管理平台
WO2023284725A1 (zh) * 2021-07-15 2023-01-19 卡奥斯工业智能研究院(青岛)有限公司 基于工业互联网的智慧能源管控平台

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784026A (zh) * 2020-05-28 2020-10-16 国网信通亿力科技有限责任公司 基于云边端协同感知的变电站电气设备全方位体检系统
WO2023284725A1 (zh) * 2021-07-15 2023-01-19 卡奥斯工业智能研究院(青岛)有限公司 基于工业互联网的智慧能源管控平台
CN114069838A (zh) * 2021-10-05 2022-02-18 国网辽宁省电力有限公司电力科学研究院 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
CN114662720A (zh) * 2022-04-22 2022-06-24 国网安徽省电力有限公司 一种变电站的物联边缘管理平台

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于多状态量感知分析技术的变电站智能监测;顾朝敏;高树国;张树亮;岳国良;周明;李天辉;董驰;;河北电力技术(第06期);全文 *

Also Published As

Publication number Publication date
CN117294022A (zh) 2023-12-26

Similar Documents

Publication Publication Date Title
CN110598736B (zh) 一种电力设备红外图像故障定位、识别与预测方法
CN117294022B (zh) 基于多源传感器协同的变电站巡检系统及方法
CN108171117B (zh) 基于多核异构并行计算的电力人工智能视觉分析系统
CN112257911B (zh) 基于并行时空注意力机制的tcn多元时间序列预测方法
CN114069838A (zh) 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
Zhang et al. A novel fault diagnosis method based on stacked LSTM
CN114418177B (zh) 基于生成对抗网络的数字孪生车间的新产品物料配送预测方法
CN115984263B (zh) 基于改进型孪生神经网络的螺栓松动检测方法及检测系统
CN113205039A (zh) 基于多dcnn网络的电力设备故障图像识别勘灾系统及方法
CN114021822A (zh) 一种清洁能源发电功率预测方法和系统
CN114371353A (zh) 一种基于声纹识别的电力设备异常监测方法及系统
CN115311740A (zh) 一种电网基建现场人体异常行为识别方法及系统
CN117332347A (zh) 一种机巡与ai融合的电网智慧运维方法及系统
CN116929815A (zh) 基于物联网的设备工作状态监测系统及其方法
CN113593605B (zh) 一种基于深度神经网络的工业音频故障监测系统和方法
Peng et al. Deep unsupervised transfer learning for health status prediction of a fleet of wind turbines with unbalanced data
CN111190072A (zh) 集抄系统诊断模型建立方法、故障诊断方法及装置
CN117347796B (zh) 一种基于智能网关的开关设备局部放电诊断系统及方法
CN116777183B (zh) 无人船集群智能调度方法及系统
CN113807404A (zh) 面向多源信息融合的智慧交通网络智能化监控与应急系统
CN113049249A (zh) 一种电机轴承故障诊断方法及系统
CN117272230A (zh) 一种基于多任务学习模型的非侵入式负荷监测方法和系统
CN116127324A (zh) 不间断电源内部关键部件的故障检测方法和装置
Gao et al. Fault prediction in electric power communication network based on improved DenseNet
CN112036397B (zh) 一种基于深度学习的嵌入式黄瓜叶片图像识别装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant