摘 要 自动化变电站可以以较低的维护成本提供维持客户不间断电源所需的能源。变电站自动化是智能电气设备（例如，断路器，变压器，继电器等）的集成，其具有监控其功能的能力。例如，断路器能够测量其接触电阻并确认正确的维护诊断。自动化变电站由基于微处理器的继电器，断路器，变压器和电动空气开关组成，由可远程访问的图形界面单元监控。因此电力系统需要采用实用的先进技术，把故障控制在最小范围内，确保电力供应系统安全以及人身财产安全。
关键词 自动化变电站；运维技术；安全
现在变电系统越来越智能化，随着电力系统的复杂性提高，因此电力系统的可靠性和维护在确保系统成功运行方面发挥着重要作用。本研究的目的是使用基于现在复杂电系统进行组件/系统可靠性分析。我们能够估计组件/系统的可靠性，包括参数不确定性和不精确性。预测和评估与可靠性相关的电力系统电路维护也很有用。
1 变电运维故障的原因分析
变电运维故障通过适当的风险分析和可靠性数据，干预措施得到了优先考虑，旨在降低被调查的特定机器的风险。主要目标分析是为了测试最新一代标准的适用性，这些标准尚未完全实现被不同行业收购，并验证其有效性。关于系统安全工程和定量风险的几个研究项目和计划在过去40年中的分析提供了非常有力的证据表明人类和人类的关键作用组织因素（HOFs）在重大事故中发挥作用。尽管如此，许多模型和科学文献中描述的应用对变电安全的影响非常有限地用于评估安全关键设备和程序的标准[1]。
1.1 外界因素
由于外力骚扰下的电力系统生动实例已经出现，因此研究电力系统损害，维护和建立牢固的电力系统防御具有重要意义，从外力骚扰的角度分析了电力系统，指出外力骚扰下的电力系统研究包括骚扰目标和骚扰策略两个方面。有必要加深对以下四个方面的认识:加强电力系统运行方式的安全和隐私及其基础数据;完善指标体系，评估电力系统脆弱性;根据区域安全状况调整电力系统运行方式，将外力骚扰阻力作为重要电力系统规划的设计原则之一。
1.2 人为因素
高压设备主要根据基于电气工程安全原则的技术规范标准要求设计。但是，建议采用基于风险的标准和监管方法，使设计人员和用户能够积极地确定其安装本质上是安全的。例如，使用气体绝缘开关设备（GIS）可以将新的变电站安装在室内并冷凝到大约四分之一的空间内。制造商认为，GIS的设计改进使其几乎“免维护”，符合所有相关标准。然而，其中一些改进对需要考虑的运营商有影响。调试，操作检查和检查以及偶尔的维护干预是技术人员需要与设备接口的活动，已经分析了与所提供的接口有关的问题，以确定它们在设备的整体风险评估中的相关性。该报告报道了一项旨在通过风险分析验证与人体工程学设计中的缺陷相关的问题可能对工厂的整体可用性和安全性产生影响的研究。技术标准和/或设计者目前的实践中没有解决这些问题。
2 变电运维故障的应对
在变电系统中灵敏度测试执行单元，包括第二控制部分，第二控制部分包括第二处理器，第二处理器配置为:使转发器单元的第一控制部分将为测试而改变的传输信息发送到输入部分，使异常检测单元的异常检测部分根据接收到的测试传输信息确定蓄电单元是否异常，
在接收到的用于测试的传输信息中设置了确定电力存储单元异常的状态值的情况中的任何一个，并且第一处理器确定电力存储单元是正常的，以及状态的情况在接收到的测试传输信息中设置蓄电单元被确定为正常的值，并且第一处理器确定蓄电单元异常，使异常检测单元的第一处理器写入备份存储在第二存储部分中的参考数据集返回到存储在第一存储部分中的参考数据集，使第一处理器根据在实际操作中最后接收的传输信息，更新存储在第一存储部分中的参考数据集。
3 高压故障应对
变电站的照明保护情况，分析了直接照明保护和照明入侵波保护等照明事故的原因。减少塔的措施冲击接地电阻，改善输入线保护，降低光照入射波的幅度和斜率，采用氧化锌避雷器代替普通阀式避雷器，性能更好。通过上述整改，变电站防雷的瓶颈已经淘汰，电源可靠性得到了提高。
4 变电运维工作的建议
各种原因，特别是接触问题，不规则负载，绝缘裂缝，继电器故障，端子接头等类似问题，增加了电气仪器的内部温度。这会导致意外的干扰并可能对电力设备造成损害。因此，电动工具中热异常的初始预防措施对于防止电力设备故障至关重要。因此，本文利用计算机视觉和机器学习增强了电力设备中缺陷分析的非破坏性方法。我们在运行条件下使用300个不同的热点，在10个不同的变电站中共使用150个不同电气设备的热图片。我们的方法使用多层感知器（MLP）将变电站组件的热状况分类为“缺陷”和“非缺陷”类。根据热样本图像计算总共十一个特征，即一阶和二阶统计特征。MLP的性能显示初始准确度为79.78%。我们通过图形切割进一步增加MLP，将准确度提高到84%。我们认为，随着这个新系统的成功开发和部署，重庆技术部门可以安排建议的行动，从而节省维修和停机的成本。这可以在快速可靠的检查中发挥重要作用，从而可能防止变电站设备发生故障，从而避免整个系统发生故障。通过图形切割的集成，增加的84%准确度显示了所提出的缺陷分析方法的功效。
5 结束语
对于变电站的自主和非破坏性故障检测，我们已经演示了计算机视觉和机器学习的应用，以便在设备故障的早期阶段检测问题。为此，我们使用红外相机生成的热图像。因此，我们的方法和贡献增强了电力设备中缺陷分析的非破坏性方法，并显示了该方法的有效性。在运行条件下，我们在10个不同的变电站中使用了150个不同电气设备的热图片，使用了300个不同的热点并使用了总共 11个特征。这些功能是一阶和二阶统计功能。为了检测，我们的方法使用MLP将变电站组件的热状况分类为“缺陷”和“非缺陷”类，达到79.78%的准确度。为了提高性能，我们采用了图形切割将精度提高到84%[2]。通过使用和增加图形切割以提高性能，我们认为成功开发和部署我们的方法可以在快速可靠的变电站检测中发挥重要作用，并可能潜在地防止变电站设备故障，从而节省指数成本。84%的准确度显示了所提出的缺陷分析方法的功效。
