引言
随着社会经济的高速发展，大力发展新能源已经成为必然的趋势，为了实现能源资源的大范围、高效率配置，在智能电网的建设中，智能变电站已成为核心平台之一[1]。目前变电站的安全监测几乎都是以人为主体，首先人无法做到全天24小时进行巡检，不能保障设备的巡检准确度。其次对于设备内部以及狭窄的设备间进行监测，巡检人员的工作难度较大，而且原有的旧站没有检测局放信息，开关柜及GIS室等重要位置的隐蔽故障不能及时发现，地下电缆沟也没有安装地下水侵检测设备，污水浸泡会损坏电缆的绝缘性能，缺失视频监视系统和门禁系统，可视化能力弱，安全等级较低。所以一种对于变电站监测技术的融合能对变电站内各种电气设备提供一个安全稳定的运行环境具有重要的意义，并且后期的变电站维护成本将会大幅降低[2]。
1变电站监测系统
现如今，国内变电站检测系统的电气设备监测应用发展迅速，对于SF6浓度检测，传感器的精确测量等方面，作为变电站的前端监测装置，已达到国际领先水平[3]。加拿大在变压器智能诊断油中溶解气体监测装置技术上已取得成功，由于变电站的数量及变电容量在大幅增加，而变电站的维护人员数量相对缺乏。变电站其中的监测系统是各自独立的，需要人为排除故障，传统检测的实时性弱，数据不连续，无法对设备运行情况做连续性的分析，即现有的变电站监测系统应向无人值守的智能变电站监测方向转变[4]。
2 变电站设备融合监测系统
2.1变电站监测系统概述
本研究设计的变电站设备监测系统下含信息汇集系统与信息融合处理系统，将由数个物联网无线传感器:温度传感器，气体浓度传感器，地下水位高度传感器，湿度传感器，局放检测传感器，将这些传感器安装在变电站设备监测系统中的各个需要监测运行状态的设备以及环境中，除传感器外，还安装视频摄像头、门禁状态开关等设备，智能监测终端与智能信息汇集器共同组成数据采集层，收集的数据由智能信息汇集器采用工业级无线通讯连接，将收集到的所有由传感器采集到的实时数据通过4G、以太网传输给系统主站与本地后台，即组成了数据传输层，数据传输至系统主站后经过存储、通过算法进行分析计算后展示出结果，给出预警、告警信息，将数据采集与数据分析进行融合，传输至物联网云平台，方便运行人员实时监控，形成电力物联网。变电站设备监测系统总示意图如图1所示：
图1 变电站设备监测系统
2.2变电站设备信息汇集系统
在变电站设备信息汇集系统中，传感器是重要组成部分，通过传感器来搜集各个设备的数据流实时参数、运行状态，开关柜温度传感器负责监测开关柜温度、温度过高过低会导致供电不稳，影响设备正常工作，SF6气体浓度传感器负责监测SF6气体的浓度值、SF6在高温电弧作用下，会产生有毒杂质，对人员造成生命危险，电缆接头温度传感器负责监测电缆的温度、局放监测传感器将对于空气式超声波、地电波、接触式超声波、特高频等进行有效的监测，机房及开关室内的仪器较多，采用温湿度传感器进行检测，对于低压开关柜的空气湿度要求在75%以下，温度15℃，高压开关柜的湿度要求在50%以下，温度25℃。由于目前设备无法对于地下电缆进行有效监测，尤其是当浸水时，会造成严重后果，故安装地下水位高度传感器进行地下水位监测，直流屏蓄电池工况传感器将对蓄电池电池健康状态以及工作状态进行监测，由传感器所测得的数据传输到智能监测终端、通过网关传输到智能信息汇集器进行数据汇总，即组成了信息汇集系统，原理图如图2所示。
图2 智能监测终端的电路原理图
在传感器采集到数据流后将数据流传输至智能监测终端，由智能监测终端进行初步信号处理，信号进入MCU模块后，与MCU模块相连的信号滤波器与降噪模块分别将数据流中无效、干扰的信号波段进行去除以及降低电流噪声，为使传感器达到理想工作状态，故给传感器安装温度补偿器，负责及时调控传感器工作温度，在进行处理完毕后通过存储芯片与同步动态随机存储器进行数据的及时存储，然后通过无线射频模块准备进行信号发送，经由功率放大器时将信号进行增强放大，使得传输质量距离有较好的保证，最后通过天线将数据信号经由网关发送至智能信息汇集器。
2.3变电站信息融合处理系统
变电站信息融合处理系统主要将从智能信息汇集器进行初步信号处理的数据流经由采用4G网络与工业级以太网络的网关进行汇总数据传输、输送至系统主站进行数据提取、分析、算法进行计算，存储后进行展示，并给出预警、告警等信息，同时信息经由无线公网与物联网子站向物联网云平台传输，系统主站也直接向后台系统传输数据信息，即达到电力物联网，变电站系统主站硬件原理图如图3所示。
图3 变电站系统主站硬件原理图
系统主站作为变电站信息融合处理系统核心，承担着变电站融合技术的实现[5]。当天线接受到数据后经由功率放大器将信号进行处理，传送给无线射频模块进行信号转换，使其达到能够由MCU模块通过存储芯片和同步动态随机存储器进行数据的收集存储，此部分为智能信息汇集系统，然后经过功率放大器进行数据信号的放大增强，通过网关将数据流传输至系统主站，系统主站中的MCU模块接收到数据流后，MCU模块负责将数据信息进行算法分析和展示，其中算法分析采用深度学习进行计算、融合，并且在系统界面与手机APP上显示融合分析处理后的数据。对设备故障与设备健康状态进行有效的定位与评估，对于处在不健康状态的设备显示预警信息，对于已经发生故障的设备发送报警信息，有助于提高电网运行的可靠性，大幅减少维护人员的工作强度[6]。
3深度学习
在变电站的监测融合技术中，变电站设备监测是一个多信息源融合的过程，利用深度学习算法对传输至系统主站的数据信息进行提取融合计算，由于数据量庞大，因此，在将由各个传感器采集的数据进行样本序列融合后，需要对传感器的信息进行提炼，找出一些特征信息，对特征值进行提取，特征值提取，通过特征信息来对应故障表征情况，判断变电站是否出现故障，如果出现了故障，再进行故障的具体诊断，故障的类型和故障的性质。在水浸传感器监测系统中，当水浸传感器在浸水状态下，传感器输出信号至信息汇集器，信息汇集器发送至系统主站由MCU模块进行分析、提取、融合。在对数据进行融合分析处理时，先需要对传感器的样本信息进行利用公式（1）进行序列融合提炼， 公式以及提取结果表示为：
其中，
:变电站设备演化控制参数特征输出值；
:表示故障信息离散采样长度；
:为幅值；
：为累和总量数值；
：为各个传感器信息输入样本的采样值；
提炼成为一些变电站演化控制的参数特征，地下电缆沟已浸水，SF6 气体压力低，智能终端失电告警，触头插入深度不足等特征信息。对提取的参数特征的采样值进行进一步处理融合，如下公式（2）所示：
融合参数的动态寻优模型：
其中，
:变电站设备励磁电感电流输出值；
:表示变电站设备的励磁电感电流偏移量；
:深度学习的迭代次数；将输出的励磁电感电流值使用公式（3）继续进行融合计算，采用深度学习方法对故障演化状态向量进行提取转换成为特征量，如下所示：
其中，
:故障特征的提取输出值；
:为故障定位的位置参数;
:为系统的特征聚类系数;
在进行提取融合参数并转换成为特征量后，由上述求得的特征信息地下电缆沟已浸水，进行判定浸水情况是否严重，由最终的特征量判定，若浸水严重，则融合结果在系统界面显示为告警信息，需人员立即进行处置，即发生故障，若判定为浸水情况不严重则在系统界面显示预警信息，上述为以水浸系统为例对深度学习算法的实例，对于变电站内其余设备监测同样适用。
4 结论
针对变电站的依靠人工来进行监测的问题，本文提出了一种基于电力物联网的变电站的监测融合技术，设计了变电站设备信息汇集系统，能够通过传感器来测量变电站的各设备、环境的实时参数，并将参数传递至智能信息汇集器进行数据的收集。设计了变电站信息融合处理系统，通过智能信息汇集器利用网络进行数据的传输，传输至系统主站与后台系统，构成电力物联网。其中系统主站能够接收由智能信息汇集器所发送的实时设备数据参数，通过算法进行分析，进行数据提取、删减与融合，将数据存储后进行变电站的安全运行情况评估并在系统主站上展示，实现了变电站监测技术的融合。该变电站监测技术的融合方法能够实现变电站设备故障的定位，并实现设备全生命周期的管理，达到变电站的安全环境信息的实时监测、全面感知、信息的互联共享。
5 参考文献
[1] 王月月，陈民铀，姜振超，等．基于云理论的智能变电站二次设备状态评估[J]．电力系统保护与控制，2018，46(1)：71-77．Wang Yueyue，Chen Minyou，Jiang Zhenchao，et al．A state assessment method for secondary equipment in intelligent substation based on cloud model[J]．Power System Protection and Control，2018，46(1)：71-77(in Chinese)．
[2] 徐长宝，庄晨，蒋宏图．智能变电站二次设备状态监测技术研究[J]．电力系统保护与控制，2015，43(7)：127-131．Xu Changbao，Zhuang Chen，Jiang Hongtu．Technical research of secondary equipment’sstate monitoring in smart substation[J]．Power System Protection and Control，2015，43(7)：127-131(in Chinese)．
[3] 朱乔木，党杰，陈金富，等．基于深度置信网络的电力系统暂态稳定评估方法[J]．中国电机工程学报，2018，38(3)：735-743．Zhu Qiaomu，Dang Jie，Chen Jinfu，et al．A method for power system transient stability assessment based on deep belief networks [J]．Proceedings of the CSEE，2018，38(3)：735-743(in Chinese)．
[4] 辛耀中，石俊杰，周京阳，等．智能电网调度控制系统现状与技术展望[J]．电力系统自动化，2015，39(1)：2-8．Xin Yaozhong，Shi Junjie，Zhou Jingyang，et al．Technologydevelopment trends of smart grid dispatching and control systems [J]．Automation of Electric Power Systems，2015，39(1)：2-8(in Chinese)．
[5] 曹海欧，高翔，杨毅，等．基于全模型 SCD 二次系统在线监测及智能诊断应用分析[J]．电力系统保护与控制，2016，44(14)：136-141．Cao Haiou，Gao Xiang，Yang Yi，et al．Analysis of online monitoring and intelligent diagnosis based on the full model SCD secondarysystem[J]．Power System Protection and Control，2016，44(14)：136-141(in Chinese)．
[6] 袁浩，屈刚，庄卫金，等．电网二次设备状态监测内容探讨[J]．电力系统自动化，2014，38(12)：100-106．Yuan Hao，Qu Gang，Zhuang Weijin，et al．Discussion on the content of state monitoring of power grid secondary equipment[J]．Automation of Electric Power Systems，2014，38(12)：100-106(in Chinese)．
