基于圖像識(shí)別的無(wú)人值守變電站二次設(shè)備智能巡檢方法

摘要：為解決現(xiàn)有巡檢方法對(duì)變電站二次設(shè)備巡檢時(shí)存在的巡檢速率過(guò)低問(wèn)題，文章提出了一種基于圖像識(shí)別的無(wú)人值守變電站二次設(shè)備智能巡檢方法。該研究通過(guò)圖像識(shí)別技術(shù)提取無(wú)人值守變電站的二次設(shè)備特征點(diǎn)，以此為基礎(chǔ)，采用區(qū)域神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)二次設(shè)備的智能故障巡檢。對(duì)比實(shí)驗(yàn)結(jié)果表明，該研究提出的智能巡檢方法可顯著提高巡檢速率，為無(wú)人值守變電站的巡檢工作開(kāi)展提供便利條件。

關(guān)鍵詞：圖像識(shí)別；變電站；智能巡檢；二次設(shè)備；無(wú)人值守

中圖分類號(hào)：TP24 文獻(xiàn)標(biāo)志碼：A

0 引言

隨著電力行業(yè)的快速發(fā)展和智能化水平的持續(xù)提升，無(wú)人值守變電站逐漸成為電網(wǎng)運(yùn)行的重要支撐。二次設(shè)備作為變電站的核心組成部分，其穩(wěn)定運(yùn)行對(duì)于確保電力系統(tǒng)的安全和可靠性至關(guān)重要。然而，傳統(tǒng)的巡檢方式過(guò)分依賴人工，存在巡檢效率低下、誤差率高等問(wèn)題，已無(wú)法滿足現(xiàn)代電網(wǎng)高效、精準(zhǔn)、智能運(yùn)維的需求［1-2］。因此，文章深入研究無(wú)人值守變電站二次設(shè)備智能巡檢方法，以此提高巡檢效果，為電網(wǎng)穩(wěn)定運(yùn)行奠定基礎(chǔ)。

1 基于圖像識(shí)別的無(wú)人值守變電站二次設(shè)備特征點(diǎn)提取

該研究須通過(guò)攝像頭獲取變電站二次設(shè)備圖像。這些圖像通常具有高清晰度，以便能夠準(zhǔn)確捕捉設(shè)備的細(xì)節(jié)。為進(jìn)一步提升圖像質(zhì)量，該項(xiàng)目采取了圖像增強(qiáng)措施，以改善對(duì)比度，降低噪聲，有效抑制干擾。這些優(yōu)化步驟有助于后續(xù)特征的提取與識(shí)別［3］。根據(jù)變電站二次設(shè)備的結(jié)構(gòu)和特點(diǎn)，該研究選擇適合的特征進(jìn)行提取。這些特征包括設(shè)備的形狀、大小、顏色、紋理等。通過(guò)圖像識(shí)別技術(shù)，可對(duì)尺度不變特征變換（Scale-invariant feature transform，SIFT）的特征點(diǎn)進(jìn)行提取。SIFT特征點(diǎn)提取可分為5個(gè)基本步驟。

第一，構(gòu)建尺度高斯金字塔空間。這一步驟主要通過(guò)在不同尺度上應(yīng)用高斯濾波構(gòu)建多尺度圖像金字塔，從而捕獲圖像在不同尺度下的特征信息。假設(shè)某個(gè)尺度的源圖像用函數(shù)I（x，y）表示，高斯卷積核函數(shù)被定義為G（x，y，σ），計(jì)算后的尺度高斯金字塔空間被定義為S（x，y，σ），則高斯卷積核函數(shù)的計(jì)算公式為：

公式（1）中，σ表示高斯模糊系數(shù)。利用高斯卷積核對(duì)原始二次設(shè)備圖像進(jìn)行處理后，可得到尺度高斯金字塔空間，其表達(dá)式如下：

S（x，y，σ）=G（x，y，σ）×I（x，y）（2）

每個(gè)不同尺度的圖像可稱為Octave，設(shè)生成的高斯金字塔層數(shù)為O，則O的計(jì)算公式為：

O=［log min（M，N）］-2（3）

公式（3）中，M表示二次設(shè)備圖像寬度；N表示二次設(shè)備圖像高度。

第二，識(shí)別尺度差分高斯（Difference of Gaussian，DOG）金字塔空間的極值點(diǎn)。在尺度差分高斯金字塔空間中，該研究通過(guò)比較每個(gè)像素點(diǎn)與其鄰域像素點(diǎn)的灰度值來(lái)確定那些在各個(gè)尺度上都表現(xiàn)為極值的點(diǎn)，即候選特征點(diǎn)［4］。DOG金字塔中圖像與高斯金字塔中圖像轉(zhuǎn)換公式如下：

D（x，y，σ）=S（x，y，kσ）-S（x，y，σ）（4）

高斯差分圖能較好地反映圖像中像素的大小變化，能準(zhǔn)確反映物體的形狀。特征點(diǎn)通常被定義在多個(gè)尺度均表現(xiàn)顯著變化的點(diǎn)，因此，可通過(guò)在高斯差分圖中尋找極值點(diǎn)來(lái)完成特征點(diǎn)的識(shí)別并且往往不需要花費(fèi)太多時(shí)間。只須將目標(biāo)點(diǎn)鄰近的8個(gè)點(diǎn)位，與上下兩層應(yīng)用不同高斯模糊參數(shù)地圖中對(duì)應(yīng)的9個(gè)點(diǎn)位進(jìn)行比較，以此來(lái)選擇一個(gè)局部最優(yōu)值。

第三，準(zhǔn)確找到端點(diǎn)位置。采用三維二次函數(shù)擬合方法確定端點(diǎn)的位置及尺度，以此來(lái)提高特征點(diǎn)的穩(wěn)定性及抗噪性。

第四，計(jì)算極值點(diǎn)方向參數(shù)。對(duì)每一個(gè)極值點(diǎn)的大小和方向進(jìn)行計(jì)算，其計(jì)算公式為：

公式中，m（x，y）表示極值點(diǎn)幅值；q（x，y）表示極值點(diǎn)方向。

第五，生成極值點(diǎn)描述符。以極值點(diǎn)為中心，在其鄰域內(nèi)采集圖像局部的梯度信息，根據(jù)極值點(diǎn)的主方向進(jìn)行旋轉(zhuǎn)歸一化，最終生成具有獨(dú)特性的特征描述符，用于后續(xù)的圖像匹配和識(shí)別任務(wù)。根據(jù)上述步驟，完成對(duì)無(wú)人值守變電站二次設(shè)備特征點(diǎn)的提取。

2 二次設(shè)備智能故障巡檢

針對(duì)上述提取的特征點(diǎn)，該研究采用區(qū)域神經(jīng)網(wǎng)絡(luò)（Region-CNN，R-CNN）算法來(lái)實(shí)現(xiàn)無(wú)人值守變電站二次設(shè)備故障的自動(dòng)化巡檢。在這一巡檢過(guò)程中，從目標(biāo)點(diǎn)出發(fā)，將特征點(diǎn)活性值在拓?fù)淇臻g中傳播，以形成具有不同活性的場(chǎng)。該研究設(shè)計(jì)的巡檢系統(tǒng)通常須要具備實(shí)時(shí)感知環(huán)境變化的能力，能夠相應(yīng)調(diào)整區(qū)域神經(jīng)網(wǎng)絡(luò)參數(shù)，以保持高效的故障檢測(cè)能力。在巡檢開(kāi)始前，將所有神經(jīng)元的活性值初始化為0，以確保系統(tǒng)處于一致且可預(yù)測(cè)的狀態(tài)。隨著巡檢的進(jìn)行，區(qū)域神經(jīng)網(wǎng)絡(luò)將不斷學(xué)習(xí)并調(diào)整自身的權(quán)重和偏置，以適應(yīng)各種復(fù)雜情況。區(qū)域神經(jīng)網(wǎng)絡(luò)模型函數(shù)表達(dá)式如下：

公式中，xi表示第i個(gè)神經(jīng)元的活性值；A、B均為非負(fù)常數(shù)，表示活性值的衰減比和神經(jīng)元活性值上界；k表示領(lǐng)域內(nèi)的神經(jīng)元數(shù)量；wij表示神經(jīng)元i與神經(jīng)元j之間的連接加權(quán)值。區(qū)域神經(jīng)網(wǎng)絡(luò)架構(gòu)如圖1所示。

利用區(qū)域神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)故障巡檢。該研究通過(guò)上述獲取的無(wú)人值守變電站二次設(shè)備特征點(diǎn)，以此為基礎(chǔ)，對(duì)收集到的數(shù)據(jù)進(jìn)行預(yù)處理，包括清洗、標(biāo)注、特征提取等，以便神經(jīng)網(wǎng)絡(luò)能夠從中學(xué)習(xí)故障模式。將上述公式（7）作為區(qū)域故障巡檢的神經(jīng)網(wǎng)絡(luò)模型，使用處理后的故障數(shù)據(jù)進(jìn)行模型訓(xùn)練。訓(xùn)練過(guò)程中采用隨機(jī)梯度下降法，其可表示為：

公式中，wt表示權(quán)值；η表示學(xué)習(xí)率。該研究應(yīng)用基于梯度信息的自適應(yīng)學(xué)習(xí)率優(yōu)化算法（Adaptive Gradient，AdaGrad），其會(huì)引入自適應(yīng)學(xué)習(xí)率，用普通學(xué)習(xí)率除以歷史梯度的累積均方根來(lái)完成對(duì)應(yīng)的學(xué)習(xí)率自適應(yīng)。AdaGrad表達(dá)公式為：

公式中，Gt表示對(duì)角矩陣；e表示平滑項(xiàng)；J（wt）表示權(quán)值梯度。對(duì)于二分類問(wèn)題，該研究設(shè)置的交叉熵?fù)p失函數(shù)表達(dá)式如下：

公式中，L表示交叉熵?fù)p失函數(shù)；N表示樣本數(shù)量；yi表示樣本真實(shí)標(biāo)簽；pi表示預(yù)測(cè)概率。

在模型訓(xùn)練完成后，該研究將其部署到實(shí)際的巡檢場(chǎng)景中。當(dāng)輸入新的數(shù)據(jù)時(shí)，模型會(huì)進(jìn)行前向計(jì)算，輸出關(guān)于是否存在故障以及故障可能位置的預(yù)測(cè)。為提升巡檢的實(shí)時(shí)性，該研究采用高效并行計(jì)算和分布式處理技術(shù)，將巡檢工作分成若干子任務(wù)，將子任務(wù)分配到不同的運(yùn)算節(jié)點(diǎn)。這種方法能有效地縮短巡檢時(shí)間，提高巡檢的響應(yīng)速度。

3 對(duì)比實(shí)驗(yàn)

通過(guò)上述論述，完成對(duì)基于圖像識(shí)別的無(wú)人值守變電站二次設(shè)備智能巡檢方法的理論設(shè)計(jì)。為進(jìn)一步檢驗(yàn)所提方法在實(shí)踐中的有效性，進(jìn)行一項(xiàng)實(shí)驗(yàn)，采用3種不同的巡檢方式進(jìn)行對(duì)比。這3種方式分別是：基于隨機(jī)樹(shù)結(jié)點(diǎn)的巡視方式（控制組A）、基于無(wú)人機(jī)航拍的巡視方式（控制組B）以及該研究提出的基于圖像識(shí)別的智能巡檢方法。通過(guò)對(duì)比巡檢效果，實(shí)現(xiàn)對(duì)3種方法應(yīng)用性能的驗(yàn)證。實(shí)驗(yàn)研究對(duì)象為裝機(jī)容量為300 MW水電站連接的變電站。智能電表作為變電站的重要組成部分，負(fù)責(zé)精確測(cè)量有功功率、無(wú)功功率、電流及電壓等關(guān)鍵參數(shù)。為優(yōu)化資源配置和提升運(yùn)營(yíng)效率，該研究采用MNFVMANO實(shí)體來(lái)設(shè)定R切片，這一實(shí)體會(huì)向K3s平臺(tái)發(fā)出指令，使得邊緣（Variance Inflation Factor，VIF）的配置與實(shí)例化成為可能。在邊緣節(jié)點(diǎn)的管理中，特別將MEC（Mobile Edge Computing）平臺(tái)、UPF（Universal Plat Form）平臺(tái)和EC（Electronic Commerce）平臺(tái)的應(yīng)用模塊部署為ocke容器，由K3s作為VIM（Vi Improv-ed）以POD（Print on Demand）的形式進(jìn)行高效管理。針對(duì)該變電站中的二次設(shè)備，選用故障發(fā)現(xiàn)率（即速率）作為性能評(píng)價(jià)指標(biāo)，對(duì)3種方法的性能進(jìn)行量化對(duì)比。巡檢時(shí)巡檢速率表達(dá)式如下：

公式中，rate表示巡檢速率；TR表示變電站二次設(shè)備的允許例外情況；TP表示巡檢過(guò)程中檢測(cè)到的實(shí)際存在的故障；Dc表示總數(shù)據(jù)數(shù)量。在上述公式的基礎(chǔ)上，記錄3種巡檢方法的巡檢結(jié)果，得到如表1所示的結(jié)果。

從表1中的數(shù)據(jù)可以看出，該研究提出的智能巡檢方法在巡檢速率方面展現(xiàn)出了顯著優(yōu)勢(shì)，其巡檢速率值始終保持在95.00%以上的高水平，充分證明了該方法的高效性。相比之下，對(duì)照A組和對(duì)照B組的巡檢速率值則較低，大致在70.00%～82.00%，這表明所提出的智能巡檢方法在性能上具有明顯優(yōu)勢(shì)。進(jìn)一步分析數(shù)據(jù)發(fā)現(xiàn)，其巡檢速率值并非固定不變，而是受到巡檢頻率的顯著影響。隨著巡檢頻率的增加，巡檢速率值也會(huì)提升，這意味著更頻繁地巡檢能夠帶來(lái)更高的巡檢效率。然而值得注意的是，提高巡檢頻率也會(huì)導(dǎo)致巡檢成本的增加。因此，在實(shí)際應(yīng)用中，須要仔細(xì)權(quán)衡巡檢效率和成本之間的關(guān)系，以確定最佳的巡檢頻率和方案。綜合上述實(shí)驗(yàn)結(jié)果可知：基于圖像識(shí)別的巡檢方法具備更高的巡檢應(yīng)用性能，其不僅能夠保證巡檢效率，還能降低巡檢成本。因此，在未來(lái)的工作中，可進(jìn)一步推廣與應(yīng)用這一方法，以提高電力系統(tǒng)的安全性和可靠性。

4 結(jié)語(yǔ)

本文通過(guò)對(duì)無(wú)人值守變電站二次設(shè)備智能巡檢方法的研究，提出了一種基于先進(jìn)智能算法和技術(shù)手段的巡檢方案，實(shí)現(xiàn)了對(duì)二次設(shè)備的快速、準(zhǔn)確、全面檢測(cè)。該方法不僅提高了巡檢效率和質(zhì)量，降低了人工巡檢的成本和風(fēng)險(xiǎn)，還為電力系統(tǒng)的智能化、自動(dòng)化、信息化提供了強(qiáng)有力的支撐。

參考文獻(xiàn)

［1］王光璞，丁偉，劉慶達(dá)，等.變電站智能巡檢機(jī)器人數(shù)字孿生系統(tǒng)研究與應(yīng)用［J］.電氣開(kāi)關(guān)，2024（1）：52-55.

［2］左坤，張曉蘭，李良書，等.變電站機(jī)器人智能巡檢與聯(lián)動(dòng)控制算法的應(yīng)用研究［J］.自動(dòng)化技術(shù)與應(yīng)用，2024（1）：18-21.

［3］李琦，陳小龍，洪汛.融合改進(jìn)蟻群算法與動(dòng)態(tài)窗口法的變電站智能巡檢機(jī)器人路徑規(guī)劃分析［J］.自動(dòng)化與儀器儀表，2023（12）：187-191.

［4］李智強(qiáng).基于無(wú)人機(jī)航拍攝影的變電站運(yùn)行環(huán)境智能巡檢方法［J］.電氣技術(shù)與經(jīng)濟(jì)，2023（10）：146-148.

Intelligent inspection method for secondary equipment of unattended substation

based on image recognition

Abstract： In order to solve the problem of too low inspection rate for the secondary equipment in the substation， this paper proposes an intelligent inspection method for the unattended substation secondary equipment based on image recognition. In this study， the characteristic points of the secondary equipment in the unattended substation are extracted from the image recognition technology， and on this basis， the regional neural network is used to realize the intelligent fault inspection of the secondary equipment. The comparative experimental results show that the intelligent inspection method proposed in this study can significantly improve the inspection rate and provide convenient conditions for the inspection work of unattended substation.

Key words： image recognition; substation; intelligent inspection; secondary equipment; unattended