本發(fā)明涉及變電站巡檢，具體來說是一種集控系統(tǒng)中智能閉環(huán)聯(lián)動巡檢方法及系統(tǒng)。

背景技術(shù)：

1、公司變電設(shè)備規(guī)模不斷擴(kuò)大，當(dāng)前運維管理模式與設(shè)備快速增長的矛盾日益凸顯，隨著公司電網(wǎng)快速發(fā)展、設(shè)備規(guī)模大幅增長、技術(shù)不斷升級，電網(wǎng)設(shè)備安全運行風(fēng)險和壓力與日俱增，現(xiàn)有變電運維管理模式難以適應(yīng)公司發(fā)展戰(zhàn)略和電網(wǎng)運行要求，亟需建設(shè)新一代集控系統(tǒng)，提高運維信息化程度，滿足設(shè)備全面監(jiān)控需要。采用先進(jìn)的通信技術(shù)和人工智能技術(shù)，集控系統(tǒng)可實現(xiàn)“一體監(jiān)控、全景展示、順控操作調(diào)用、無紙化操作、綜合防誤、統(tǒng)一報警”等功能，對無人值班變電站進(jìn)行遠(yuǎn)程監(jiān)視和控制，保障電網(wǎng)設(shè)備的安全穩(wěn)定運行。集控系統(tǒng)的核心功能是設(shè)備狀態(tài)感知和報警，但設(shè)備冗余和數(shù)據(jù)采樣冗余可能導(dǎo)致單一設(shè)備故障時瞬間出現(xiàn)海量報警信息，使運維人員難以及時定位故障源。

2、現(xiàn)有技術(shù)存在的問題是：

3、(1)傳統(tǒng)的故障診斷方式全部由人工來判斷，發(fā)現(xiàn)集中監(jiān)控系統(tǒng)存在故障，通過人工判斷故障大概所在位置，逐級向下定位故障點，耗時耗力，而且存在誤判的情況，無法準(zhǔn)確定位故障根源；

4、(2)沒有規(guī)范性的故障管理，故障定位及處理的效率低下及流程混亂，無法建立故障缺陷統(tǒng)計、分析和專家?guī)欤鄙僦悄芊治?、過濾和自動化處理。

5、(3)現(xiàn)有技術(shù)不僅需要高昂的故障維護(hù)費用，而且人工定位復(fù)雜度高。

技術(shù)實現(xiàn)思路

1、本發(fā)明所要解決的技術(shù)問題在于針對變電設(shè)備位置相對固定的設(shè)備間或變電站，提供一種集控系統(tǒng)中智能閉環(huán)聯(lián)動巡檢方法。

2、本發(fā)明通過以下技術(shù)手段實現(xiàn)解決上述技術(shù)問題的：

3、集控系統(tǒng)中智能閉環(huán)聯(lián)動巡檢方法，包括以下步驟：

4、集控系統(tǒng)中智能閉環(huán)聯(lián)動巡檢方法，包括以下步驟：

5、將待巡檢空間劃分為多個格柵；為每個格柵定義標(biāo)簽；所述標(biāo)簽?zāi)軌蝮w現(xiàn)格柵內(nèi)的障礙物坐標(biāo)；

6、針對格柵中的空白區(qū)域隨機(jī)采樣多個點生成潛在路徑節(jié)點，并進(jìn)行連接，然后在格柵內(nèi)連接多個采樣點，形成路徑的局部路徑段，多個局部路徑段構(gòu)成路徑網(wǎng)絡(luò)，然后基于路徑網(wǎng)絡(luò)進(jìn)行路徑規(guī)劃；

7、巡檢機(jī)器人依據(jù)最優(yōu)路徑行進(jìn)，獲取巡檢空間內(nèi)的報警信號，多個巡檢機(jī)器人獲取的報警信號構(gòu)成報警數(shù)據(jù)序列；

8、所述報警數(shù)據(jù)序列作為訓(xùn)練好的報警信息模型的輸入，輸出設(shè)備狀態(tài)和位置信息；

9、巡檢機(jī)器人獲取報警信息模型輸出的設(shè)備狀態(tài)和位置信息，并反饋至上位機(jī)，完成閉環(huán)巡檢；

10、所述報警信息模型包括輸入層、bi-lstm層、全連接層、softmax層、分類輸出層；

11、其中，bi-lstm層中l(wèi)stm單元的狀態(tài)激活函數(shù)為tanh，門激活函數(shù)為sigmoid，

12、對所述路徑網(wǎng)絡(luò)進(jìn)行優(yōu)化的方法具體如下：

13、通過prm算法在待巡檢空間內(nèi)隨機(jī)采樣一系列點作為潛在路徑節(jié)點，所述路徑節(jié)點由柵格中的空白區(qū)域隨機(jī)生成，以確保涵蓋整個環(huán)境；利用局部路徑規(guī)劃算法a*算法在柵格中連接這些采樣點，形成路徑的局部路徑段，多個局部路徑段構(gòu)成prm的路徑網(wǎng)絡(luò)，基于路徑網(wǎng)絡(luò)進(jìn)行路徑規(guī)劃；

14、其中，a*算法通過如下公式計算每個隨機(jī)采用的路徑節(jié)點的優(yōu)先級；

15、f(n)＝g(n)+h(n)

16、其中：f(n)是節(jié)點n的綜合優(yōu)先級；g(n)是節(jié)點n距離起點的代價；h(n)是節(jié)點n距離終點的預(yù)計代價，h(n)是a*算法的啟發(fā)函數(shù)；

17、其中啟發(fā)函數(shù)h(n)采用距離*倍數(shù)形式，即：

18、h(n)＝h1(n)*(1+(h2(n)/h3(n))*a)

19、式中，h1(n)為當(dāng)前點到目標(biāo)點的歐式距離，h2(n)為當(dāng)前點到目標(biāo)點的曼哈頓距離，h3(n)為起點到目標(biāo)點的曼哈頓距離，a是當(dāng)前節(jié)點與目標(biāo)節(jié)點的距離乘以的一個可變倍數(shù)；

20、a*算法在運算過程中，每次從優(yōu)先隊列中選取f(n)值最小的節(jié)點作為下一個待遍歷的節(jié)點；最終得到優(yōu)先級節(jié)點集合，將優(yōu)先級集合中的節(jié)點構(gòu)建一個圖形式的路徑網(wǎng)絡(luò)。

21、進(jìn)一步的，所述格柵劃分方法為：

22、在現(xiàn)場布設(shè)多組傳感器與攝像機(jī)，實時采集待巡檢空間內(nèi)各設(shè)備運行狀態(tài)變化數(shù)據(jù)；將處理后的運行狀態(tài)變化數(shù)據(jù)添加到柵格模型內(nèi)，實現(xiàn)格柵模型信息數(shù)據(jù)實時更新的目標(biāo)；

23、設(shè)定智能巡檢工作空間長度為m，寬度為n，柵格均為邊長為l的正方形，此時，柵格數(shù)量計算表達(dá)式為：

24、r＝(m/l)*(n/l)

25、式中，r表示柵格模型中小柵格的數(shù)量；工作空間柵格mapi可以表示為：

26、map＝{mapi,mapi＝0/1}

27、利用二進(jìn)制表示集控系統(tǒng)智能巡檢工作空間內(nèi)是否有障礙物，mapi＝0表示智能巡檢工作自由區(qū)域；mapi＝1表示智能巡檢障礙物區(qū)域。

28、進(jìn)一步的，所述路徑規(guī)劃方法為：

29、通過構(gòu)建的柵格模型，確定智能巡檢路徑規(guī)劃任務(wù)的目標(biāo)函數(shù)與變量，對其進(jìn)行編碼處理；從編碼中隨機(jī)選取任意部分作為改進(jìn)遺傳算法的初始化種群，確定初始化種群起點到目標(biāo)節(jié)點的可行路徑，生成可行路徑編碼集合；對種群個體的適應(yīng)度進(jìn)行評估；適應(yīng)度指的是個體在種群中生存的優(yōu)勢程度，其評估表達(dá)式為：

30、

31、式中，f表示適應(yīng)度函數(shù)；s表示初始化種群個體通過柵格的總數(shù)；d表示相鄰柵格之間的直線距離和；

32、通過計算，得出初始化種群個體的適應(yīng)度，適應(yīng)度值越大，被選中的可能性越高，反之同理。對適應(yīng)度進(jìn)行檢驗，判斷其是否滿足集控系統(tǒng)智能巡檢路徑全局規(guī)劃最優(yōu)收斂條件，若不滿足最優(yōu)收斂條件，則通過選擇、交叉、變異操作生成新的種群，而后再次評估種群個體適應(yīng)度，重復(fù)上述步驟。若滿足最優(yōu)收斂條件，則對種群個體進(jìn)行解碼處理，輸出解碼后的最優(yōu)解，即為智能巡檢最佳路徑。

33、進(jìn)一步的，所述lstm單元對所述報警數(shù)據(jù)序列進(jìn)行處理時，報警數(shù)據(jù)序列每一時刻的值作為一個lstm單元的輸入，設(shè)bi-lstm層中，某一lstm單元的輸入為：t時刻的輸入序列為xt、t-1時刻對應(yīng)的lstm單元的輸出值ht-1及其記憶單元狀態(tài)ct-1；

34、而該lstm單元的輸出為：t時刻對應(yīng)的lstm單元的輸出值ht及該時刻記憶單元狀態(tài)ct；

35、利用輸入門、輸出門、遺忘門作為激活函數(shù)控制輸入lstm單元的數(shù)據(jù)之間的相互影響，輸入門操控著xt對ct的影響，遺忘門操控著ct-1對ct的影響，輸出門操控著ct對ht的影響；

36、輸入門的計算公式為：

37、

38、輸出門的計算公式為：

39、

40、遺忘門的計算公式為：

41、

42、其中，it表示輸入門的狀態(tài)，ot表示輸出門的狀態(tài)，ft表示遺忘門的狀態(tài)，w為權(quán)值矩陣，b為偏置項，下標(biāo)i、o、f分別對應(yīng)輸入門、輸出門、遺忘門；為sigmoid激活函數(shù)；

43、故t時刻對應(yīng)的lstm單元的輸出如下所示：

44、ht＝ot⊙ψ(ct)

45、ct＝ft⊙ct-1+it⊙ψ(wisht-1+wisxt+bis)

46、＝ft⊙ct-1+it⊙ψ(is)

47、其中，ψ為tanh激活函數(shù)，wis為輸入狀態(tài)權(quán)值矩陣，bis為輸入狀態(tài)偏置項，⊙表示按元素相乘；

48、全連接層將lstm層的輸出作為輸入向量，輸出故障類別的概率分布，具體如下：

49、y＝softmax(θd·x+bd)

50、其中x表示lstm的輸出，即全連接層的輸入，θd和bd為全連接層的權(quán)值矩陣及偏置矩陣，y表示全連接層最后的輸出，softmax為激活函數(shù)。

51、本發(fā)明還提供一種報警信息模型的訓(xùn)練方法，包括以下步驟：

52、利用前向傳播計算得出每層每個單元的輸出，得出代價函數(shù)loss，公式如下：

53、

54、其中，l(f(xi；θ),yi)是交叉損失函數(shù)，n為樣本數(shù)，xi為樣本值，f(xi；θ；bd)為第i個樣本輸入五層網(wǎng)絡(luò)后的輸出結(jié)果，θ和b為網(wǎng)絡(luò)中的權(quán)值矩陣及偏置矩陣，yi為對應(yīng)的樣本期望輸出值；

55、利用反向傳播計算得出每層每個單元輸出的偏差項，其中l(wèi)stm層的誤差有兩個反向傳播方向：一是向上一層傳播；二是沿時間反向傳播；

56、由偏差項計算loss函數(shù)中每個參數(shù)的梯度并更新參數(shù)值；

57、不斷迭代并修正參數(shù)值，使loss函數(shù)越來越小，直至小于預(yù)先設(shè)定的迭代次數(shù)；

58、最后結(jié)合實際測試數(shù)據(jù)進(jìn)行診斷和網(wǎng)絡(luò)更新，該訓(xùn)練過程采用adamw算法對bi-lstm層進(jìn)行參數(shù)優(yōu)化；在adamw中，正則化變成了：

59、θt＝θt-1-γλθt-1其中g(shù)t是當(dāng)前step的梯度，θt-1是上一個step中的lstm單元權(quán)重，λ是正則化系數(shù)，r是學(xué)習(xí)率。

60、本發(fā)明還提供一種智能閉環(huán)聯(lián)動巡檢系統(tǒng)，包括：

61、待巡檢空間格柵劃分模塊，將待巡檢空間劃分為多個格柵；為每個格柵定義標(biāo)簽；所述標(biāo)簽?zāi)軌蝮w現(xiàn)格柵內(nèi)的障礙物坐標(biāo)；

62、路徑網(wǎng)絡(luò)構(gòu)建模塊，針對格柵中的空白區(qū)域隨機(jī)采樣多個點生成潛在路徑節(jié)點，并進(jìn)行連接，然后在格柵內(nèi)連接多個采樣點，形成路徑的局部路徑段，多個局部路徑段構(gòu)成路徑網(wǎng)絡(luò)，然后基于路徑網(wǎng)絡(luò)進(jìn)行路徑規(guī)劃；

63、巡檢模塊，巡檢機(jī)器人依據(jù)最優(yōu)路徑行進(jìn)，獲取巡檢空間內(nèi)的報警信號，多個巡檢機(jī)器人獲取的報警信號構(gòu)成報警數(shù)據(jù)序列；

64、報警信息處理模塊，所述報警數(shù)據(jù)序列作為訓(xùn)練好的報警信息模型的輸入，輸出設(shè)備狀態(tài)和位置信息；

65、反饋模塊，巡檢機(jī)器人獲取報警信息模型輸出的設(shè)備狀態(tài)和位置信息，并反饋至上位機(jī)，完成閉環(huán)巡檢；

66、所述報警信息模型包括輸入層、bi-lstm層、全連接層、softmax層、分類輸出層；

67、其中，bi-lstm層中l(wèi)stm單元的狀態(tài)激活函數(shù)為tanh，門激活函數(shù)為sigmoid，

68、對所述路徑網(wǎng)絡(luò)進(jìn)行優(yōu)化的方法具體如下：

69、通過prm算法在待巡檢空間內(nèi)隨機(jī)采樣一系列點作為潛在路徑節(jié)點，所述路徑節(jié)點由柵格中的空白區(qū)域隨機(jī)生成，以確保涵蓋整個環(huán)境；利用局部路徑規(guī)劃算法a*算法在柵格中連接這些采樣點，形成路徑的局部路徑段，多個局部路徑段構(gòu)成prm的路徑網(wǎng)絡(luò)，基于路徑網(wǎng)絡(luò)進(jìn)行路徑規(guī)劃；

70、其中，a*算法通過如下公式計算每個隨機(jī)采用的路徑節(jié)點的優(yōu)先級；

71、f(n)＝g(n)+h(n)

72、其中：f(n)是節(jié)點n的綜合優(yōu)先級；g(n)是節(jié)點n距離起點的代價；h(n)是節(jié)點n距離終點的預(yù)計代價，h(n)是a*算法的啟發(fā)函數(shù)；

73、其中啟發(fā)函數(shù)h(n)采用距離*倍數(shù)形式，即:

74、h(n)＝h1(n)*(1+(h2(n)/h3(n))*a)

75、式中，h1(n)為當(dāng)前點到目標(biāo)點的歐式距離,h2(n)為當(dāng)前點到目標(biāo)點的曼哈頓距離，h3(n)為起點到目標(biāo)點的曼哈頓距離，a是當(dāng)前節(jié)點與目標(biāo)節(jié)點的距離乘以的一個可變倍數(shù)；

76、a*算法在運算過程中，每次從優(yōu)先隊列中選取f(n)值最小的節(jié)點作為下一個待遍歷的節(jié)點；最終得到優(yōu)先級節(jié)點集合，將優(yōu)先級集合中的節(jié)點構(gòu)建一個圖形式的路徑網(wǎng)絡(luò)。

77、進(jìn)一步的，所述格柵劃分方法為：

78、在現(xiàn)場布設(shè)多組傳感器與攝像機(jī)，實時采集待巡檢空間內(nèi)各設(shè)備運行狀態(tài)變化數(shù)據(jù)；將處理后的運行狀態(tài)變化數(shù)據(jù)添加到柵格模型內(nèi)，實現(xiàn)格柵模型信息數(shù)據(jù)實時更新的目標(biāo)；

79、設(shè)定智能巡檢工作空間長度為m，寬度為n，柵格均為邊長為l的正方形，此時，柵格數(shù)量計算表達(dá)式為：

80、r＝(m/l)*(n/l)

81、式中，r表示柵格模型中小柵格的數(shù)量；工作空間柵格mapi可以表示為：

82、map＝{mapi,mapi＝0/1}

83、利用二進(jìn)制表示集控系統(tǒng)智能巡檢工作空間內(nèi)是否有障礙物，mapi＝0表示智能巡檢工作自由區(qū)域；mapi＝1表示智能巡檢障礙物區(qū)域。

84、進(jìn)一步的，所述路徑規(guī)劃方法為：

85、通過構(gòu)建的柵格模型，確定智能巡檢路徑規(guī)劃任務(wù)的目標(biāo)函數(shù)與變量，對其進(jìn)行編碼處理；從編碼中隨機(jī)選取任意部分作為改進(jìn)遺傳算法的初始化種群，確定初始化種群起點到目標(biāo)節(jié)點的可行路徑，生成可行路徑編碼集合；對種群個體的適應(yīng)度進(jìn)行評估；適應(yīng)度指的是個體在種群中生存的優(yōu)勢程度，其評估表達(dá)式為：

86、

87、式中，f表示適應(yīng)度函數(shù)；s表示初始化種群個體通過柵格的總數(shù)；d表示相鄰柵格之間的直線距離和；

88、通過計算，得出初始化種群個體的適應(yīng)度，適應(yīng)度值越大，被選中的可能性越高，反之同理。對適應(yīng)度進(jìn)行檢驗，判斷其是否滿足集控系統(tǒng)智能巡檢路徑全局規(guī)劃最優(yōu)收斂條件，若不滿足最優(yōu)收斂條件，則通過選擇、交叉、變異操作生成新的種群，而后再次評估種群個體適應(yīng)度，重復(fù)上述步驟。若滿足最優(yōu)收斂條件，則對種群個體進(jìn)行解碼處理，輸出解碼后的最優(yōu)解，即為智能巡檢最佳路徑。

89、進(jìn)一步的，所述lstm單元對所述報警數(shù)據(jù)序列進(jìn)行處理時，報警數(shù)據(jù)序列每一時刻的值作為一個lstm單元的輸入，設(shè)bi-lstm層中，某一lstm單元的輸入為：t時刻的輸入序列為xt、t-1時刻對應(yīng)的lstm單元的輸出值ht-1及其記憶單元狀態(tài)ct-1；

90、而該lstm單元的輸出為：t時刻對應(yīng)的lstm單元的輸出值ht及該時刻記憶單元狀態(tài)ct；

91、利用輸入門、輸出門、遺忘門作為激活函數(shù)控制輸入lstm單元的數(shù)據(jù)之間的相互影響，輸入門操控著xt對ct的影響，遺忘門操控著ct-1對ct的影響，輸出門操控著ct對ht的影響；

92、輸入門的計算公式為：

93、

94、輸出門的計算公式為：

95、

96、遺忘門的計算公式為：

97、

98、其中，it表示輸入門的狀態(tài)，ot表示輸出門的狀態(tài)，ft表示遺忘門的狀態(tài)，w為權(quán)值矩陣，b為偏置項，下標(biāo)i、o、f分別對應(yīng)輸入門、輸出門、遺忘門；為sigmoid激活函數(shù)；

99、故t時刻對應(yīng)的lstm單元的輸出如下所示：

100、ht＝ot⊙ψ(ct)

101、ct＝ft⊙ct-1+it⊙ψ(wisht-1+wisxt+bis)

102、＝ft⊙ct-1+it⊙ψ(is)

103、其中，ψ為tanh激活函數(shù)，wis為輸入狀態(tài)權(quán)值矩陣，bis為輸入狀態(tài)偏置項，⊙表示按元素相乘；

104、全連接層將lstm層的輸出作為輸入向量，輸出故障類別的概率分布，具體如下：

105、y＝softmax(θd·x+bd)

106、其中x表示lstm的輸出，即全連接層的輸入，θd和bd為全連接層的權(quán)值矩陣及偏置矩陣，y表示全連接層最后的輸出，softmax為激活函數(shù)。

107、本發(fā)明還提供一種報警信息模型的訓(xùn)練系統(tǒng)，包括：

108、利用前向傳播計算得出每層每個單元的輸出，得出代價函數(shù)loss，公式如下：

109、

110、其中，l(f(xi；θ),yi)是交叉損失函數(shù)，n為樣本數(shù)，xi為樣本值，f(xi；θ；bd)為第i個樣本輸入五層網(wǎng)絡(luò)后的輸出結(jié)果，θ和b為網(wǎng)絡(luò)中的權(quán)值矩陣及偏置矩陣，yi為對應(yīng)的樣本期望輸出值；

111、利用反向傳播計算得出每層每個單元輸出的偏差項，其中l(wèi)stm層的誤差有兩個反向傳播方向：一是向上一層傳播；二是沿時間反向傳播；

112、由偏差項計算loss函數(shù)中每個參數(shù)的梯度并更新參數(shù)值；

113、不斷迭代并修正參數(shù)值，使loss函數(shù)越來越小，直至小于預(yù)先設(shè)定的迭代次數(shù)；

114、最后結(jié)合實際測試數(shù)據(jù)進(jìn)行診斷和網(wǎng)絡(luò)更新，該訓(xùn)練過程采用adamw算法對bi-lstm層進(jìn)行參數(shù)優(yōu)化；在adamw中，正則化變成了：

115、θt＝θt-1-γλθt-1其中g(shù)t是當(dāng)前step的梯度，θt-1是上一個step中的lstm單元權(quán)重，λ是正則化系數(shù)，r是學(xué)習(xí)率。

116、本發(fā)明的效果在于：

117、本發(fā)明所提出的智能閉環(huán)聯(lián)動巡檢系統(tǒng)及方法，通過智能巡檢機(jī)器人和bi-lstm網(wǎng)絡(luò)的結(jié)合，實現(xiàn)了快速、準(zhǔn)確和可靠的集控系統(tǒng)閉環(huán)智能巡檢，從而提高了整個集控系統(tǒng)的效率，智能巡檢機(jī)器人利用傳感器和通信設(shè)備獲取大量冗余報警信息，而bi-lstm網(wǎng)絡(luò)能夠有效地處理時序數(shù)據(jù)并捕捉數(shù)據(jù)序列中的長期依賴關(guān)系，使得對設(shè)備狀態(tài)信息和位置信息的判斷更加準(zhǔn)確，并完成閉環(huán)智能巡檢。