摘要：SF6属于温室气体，在一定条件下，对红外光具有较强的吸附能力。而现有SF6泄漏的检测主要是通过手持式设备进行定点观察完成，耗时耗力。基于此，本文根据SF6气体的特性，通过搭载了SF6检测传感器的三光谱智能巡检机器对变电站的SF6浓度进行检测，通过理论分析点明了检测会遇到数据方面的问题，如数据异常和数据缺陷等。同时，通过实际检验验证了三光谱智能巡检机器人检测SF6气体浓度的可行性，为人工检测变为自动巡检、提高巡检的频率、准确性等方面的研究提供了一定的参考意义。
关键词：三光谱智能巡检机器人；SF6气体；巡检
0 引言
在检测变电站中的SF6气体浓度时，变电站中的磁场会对检测的数据造成干扰，因此，在借助数据探测器收集数据时会可能会存在数据异常、数据缺失等不良现象，对SF6气体浓度检测或预测的精度造成影响，使检测得到的数据无法正常使用[1-2]。同时，人为的检测也存在效率上和安全上的问题。基于此，本文将通过三光谱智能巡检机器人对变电站中的SF6气体浓度进行检测，提出由变电站恶劣环境引起的数据异常、数据缺失等问题的解决方案，并通过实际检验验证三光谱智能巡检机器人在变电站中检测SF6浓度的可行性及准确性，进一步为取代人为检测提供一定的参考意义。
1 异常数据及数据缺失的特征分析
1.1 数据异常
在通过三光谱智能巡检机器人对变电站中的SF6气体进行检测时，可能会伴随异常数据的产生，导致其产生的原因有很多种类，但可总体概括为两大类：第一，干扰性异常数据；第二，变电站中配置的SF6设备发生泄漏，导致数据发生灾变。其中，对第一类而言，因为检测场所是在变电站中，所以会存在较大的电磁干扰，虽然光学设备采集具备较强的抗干扰性，但是其电子元件却不具备这样特性，因此容易受到干扰，特别是SF6探测器在发出信号时，受扰的干扰最为显著，故在数据传输到后台终端时，工作人员会接受到异常数据。通常，异常数据产生的可能性较大，假如是第一类原因引发的异常数据，那么就会给三光谱智能巡检机器人在后期的浓度检测中，带来较大程度的干扰，使检测得到的结果与实际结果存在较大的出入。这类异常数据往往不在总体的数据分布行当中，并以极大值或者负值的方式出现在正常分布中。因此，在分析SF6气体浓度的数据时，应当对其中的异常数据进行一定的处理，如剔除、替换等。同时，异常数据会在较大的时间跨度下出现，因为这类数据量会比较庞大，所以简单的剔除和替换等处理方式已然是无法满足的，故需要通过数据建模的方式在对这异常数据进行处理才行，即通过模型预测出满足整体发展趋势的估值。若是第二类异常数据，那么就会将SF6泄漏现象客观的呈现出来，由于前后数据的变化趋势较为明显，因此，只需对中间数据的缺失与否进行考虑即可。故在对整体数据的检测情况进行分析前，应通过规范化处理的方式对整体数据进行处理。
1.2 数据缺失
三光智能巡检机器人会定时对变电站进行相应的检测工作，完成数据的采集。但在采集过程中常常也会出现数据缺失现象，使整体数据无法以完整的序列呈现出来，给SF6的浓度判断带来了干扰。造成此原因有两种：第一，相关设备存在故障性问题；第二，工作人员操作不得当。因此，需要通过模拟填补的方式完善所收集到的数据，确保检测的精度。
2异常数据及数据缺失的处理方案
从上述的分析来看，三光谱智能巡检机器人在检测变电站中的SF6气体浓度时，会收到诸多因素的影响，导致收集到的数据存在缺失或者异常等问题，对检测精度造成了较大的干扰。因此，本节对提出了以下的处理方案，具体如下所示。
2.1 异常数据的处理方案
本文在此提出了自回归（AR）模型对异常数据情况进行处理[3-4]。具体步骤如下：
第一，因为通过三光谱智能巡检机器人检测变电站中的SF6气体浓度时，会伴随着大量的检测数据，因此在样本长度的选取时，应对样本检测的时效性进行考虑。此外，在样本选取时，应尽量选择实测数据为主，避免估值的选取，确保检测结果的准确性。
第二，在一段时间内确保数据不受任何改变，以此来确保SF6气体浓度预测的精度。令SF6气体的时间样本序列为
，且浓度的大小只受历史数据的影响。观测样本个数由变量t表示，
表示的是
白噪声序列，且满足于
，那么
对应的自回归模型由式子（1）表示，AR模型中的系数多项式由式子（2）表示。
（1）
（2）
为了便于后期的数据处理工作及AR模型趋向平稳化，需要确保单位园内没有
的根存在。
第三，借助AIC信息准则确定AR模型的阶数[5]。此时的准则函数可由式子（3）表示。
（3）
其中，时间序列的阶数和似然函数分别由
、
表示。那么SF6气体的时间样本序列对应的似然函数则可由式子（4）表示。
（4）
式中，时间样本序列的方差和均值分别由
、
表示。在一定情况下，可通过对准则函数进行适当性的调整来明确时间序列的阶数。
第四，通过多次预测的方式确保三光谱智能巡检机器检测的精度。
2.2缺失数据的处理方案
针对上述缺失数据的分析，此处决定借助三指数平滑法对缺失数据进行处理。即令
为SF6气体浓度前n个监测值的时间序列，那么对应的三次平滑预测公式可由式子(5)表示。
（5）
其中，平滑常熟和平滑步数分别由式子（5）中的
、
表示，且
。假设时间序列趋向稳定时，那么
的取值可趋向于1，进一步加快本期平滑值的下降速度。
3预测精度分析模型构建
3.1 预测精度分析
综上所述，三光谱智能巡检机器人在变电站中巡检收集得到的异常值和缺失值问题，已得到了初步的解决，但是，导致这类问题产生的因素较多，因此仍需要进一步对SF6气体浓度的预测进度进行分析，为下一阶段的模型构建提供更为有效的理论依据。令
为SF6气体浓度的时间序列，且预测值和预测误差分别可由
和
表示，那么t时刻的预测精度则可由式子（6）进行计算。
（6）
经过对实际拟合精度
及预测拟合精度
的分析及推导，最终得到的综合拟合精度可由式子（7）表示。
（7）
可见，
和
的精度大小均由权重
决定，即
越大，
预测SF6气体浓度的精确度就越高。
3.2 检测模型的构建
经过上述的理论铺垫，此处构建SF6气体浓度的检测模型。即首先通过三光谱智能巡检机器人对变电站进行巡检，收集变电站中的SF6气体作为样本数据，接着判定数据样本的类别,进而通过上述的处理方法对异常值和缺失值的问题进行处理，最后判断SF6其他在变电站中的浓度。通过这种具有针对性的预测方式，提高SF6气体浓度检测的精度。
4 检测结果分析
通过上述的理论分析与模型构建，已对SF6气体浓度的检验有了初步的了解，但为了进一步检验三光谱智能巡检机器人在变电中巡检中的可行性，进行了实际验证。通过三光谱智能巡检机器人每个3min对某变电站中的SF6气体浓度进行收集，并将收集到的数据传输到后台终端，检测得到的结果表明，三光谱智能巡检机器人人在变电站中检测到的SF6浓度与实际值相符，证明了该机器人巡检的可行性，可取代人为的检测方式，进一步提高巡检的安全性及效率。
5小结
本文首先对三光谱智能巡检机器人的检测原理及检测存在的问题进行了详细地分析，并给出了较为合理的解决方案。其次，在理论分析的基础上构建了SF6气体浓度的检测模型，给出了对应的检测流程。最后，通过实际检验证明了三光谱智能巡检机器人检测变电站中SF6气体浓度的可行性。虽然本文的实际检验存在一定的不足之处，但总体上还是能为类似工程提供一定的参考。
参考文献
[1] 王逸君,王艳君,杨骥勋,白杰,武海天.SF6气体泄漏智能遥视在线监测系统[J].河北农业大学学报,2018,41(03):130-135.
[2] 刘嘉林,董明,李阳,谢佳成,任明.SF6气体中电晕放电的多光谱脉冲特性研究[J].绝缘材料,2017,50(02):69-75.
课题：中国南方电网有限责任公司超高压输电公司科技项目（编
论文作者:刘劲松,禹晋,云王飞,汪洋
论文发表刊物:《电力设备》2019年第6期
论文发表时间:2019/7/8
标签：数据论文; 浓度论文; 气体论文; 变电站论文; 光谱论文; 异常论文; 智能论文; 《电力设备》2019年第6期论文;