智能監控系統在現代變電站中的應用

薛磊 曹旌 褚海波 郭鐵峰 李堯 高耀宇

摘要：變電站是電網系統的重要組元之一，傳統變電站依賴人工，可靠性差，無法滿足電網系統的智能化要求。因此建立一個具有智能識別分析能力的現代化變電站，實現對電網系統的智能監控和管理，保障電網系統運行的安全性、可靠性，成為電力系統研究領域的一個重要課題。在調研了國內外研究工作基礎上，闡述總結了智能監控系統在現代變電站中的應用。根據國內變電站的實際情況，分別從設備儀表監控、非法入侵監控、作業人員行為規范監控等方面進行分類討論，總結了智能視頻監控技術在變電站中的應用，提出了現代變電站建設的一個可行方式。

關鍵詞：智能識別;視頻監控;儀表識別;現代變電站;智能電網

中圖分類號：TG409

文獻標志碼：A

ApplicationofVideoIdentificationTechnologyinSubstation

XUELei，CAOJing，CHUHaibo，GUOTiefeng，LIYao，GAOYaoyu

（DongliPowerSupplyBranch，StateGridTianjinElectricPowerCompany，Tianjin300300，China）

Abstract：Substationisanimportantpartinthepowergridsystem.Traditionalsubstationsrelyonmanuallaborandunreliable，hence，cannotmeettheintelligentrequirementsofpowergridsystem.Buildingamodernsubstationwiththeabilityofintelligentidentificationandanalysishasbecomeanimportantsubjectinthepowersystem.Thispapersummarizestheintelligentmonitoringsystemusedinmodernsubstations，anddiscussestheapplicationofintelligentidentificationtechnologyinintelligentsubstationfromthreeaspectsofequipmentandinstrumentmonitoring，illegalintrusionmonitoringandoperationpersonnelbehaviorstandardmonitoring.

Keywords：intelligentidentification;videomonitoring;instrumentidentification;modernsubstations;intelligencepowergridsystem

0引言

電網智能化建設是國家近幾年重點推行的項目，變電站作為電網系統中最關鍵的環節之一，隨著國家電網的全面升級，變電站的智能化升級建設勢在必行[1]。傳統變電站的監控系統需要工作人員持續進行觀察，遇到問題需要人工干涉處理，無法實現電網的智能化管理[2]。基于此現狀，將視頻自動識別技術和計算機信息處理技術納入現代電網監控系統中，實現對電網的智能監控和管理，是電網智能化建設的重要方向。該文對現代變電站所需視頻監控系統的發展現狀和方向進行分析，重點對國內外現有視頻識別技術進行對比討論，進而對現代變電站的智能化建設方向進行總結。

智能視頻監控技術作為現代變電站的主要監控手段，取代傳統工作人員值守方式對變電站實施監控，不僅節省人工，降低工人勞動強度，同時也有效提高監視的實時性和精確性，進而提高現代變電站的安全系數。作為智能監控系統的核心部分，視頻智能識別技術近幾年發展迅速，在國外許多技術已開始由概念化轉為實際應用，相應的產業鏈逐漸開始形成[3]。國內智能視頻識別技術也已經成為電網智能化建設的熱點之一，許多大型科研機構，如清華大學、中科院自動化所、合肥工業大學等，已經在該領域進行了廣泛深入地研究[4]。該文從設備儀表狀態監控、外來人員和小動物管控、作業人員行為規范監控等三方面對國內外智能視頻監控、數字儀表識別、運動目標檢測及視頻識別的應用現狀進行分析討論。

1設備儀表狀態監控識別

變電站中設備儀表數量龐大，僅憑人工識別不僅無法實時監控，還容易造成遺漏和判斷失誤。現代變電站中設備的主要為表盤指針或數顯文字，儀表智能識別的核心為圖像數字識別處理。不論是數字還是指針圖像，其識別技術已經十分成熟，國內的多所企業院校都已經有相關的成熟產品應用于市場：中科院漢王公司的漢王眼，印刷體數字的識別就有獨立的4個以上的識別引擎，誤識率只有0.5%;上海交通研究出的識別系統可以識別漢字、字符和字母，對于理想圖像的識別率達到96%。將數字儀表識別算法應用到現代變電站中，節省人力，增強了設備的預警能力，顯著提高了電網運行過程中的安全性和可靠性[5]。

設備儀表智能圖像識別技術實現的主要流程如下：儀表圖像信息拾取、采集的圖像信息篩選處理、有效圖像信息選取、有效圖像信息識別等。其中最關鍵的步驟為采集的圖像信息篩選和有效圖像信息選取。

采集的圖像信息篩選處理的作用主要是把采集到的圖像信息中無效信息去除，有價值的部分保留并統一存放，并按照需要對某些特征進行強化，對固定背景進行弱化，以減少后面的信息選取的工作量。圖像信息篩選的方法有很多，不同地區的變電站，外界環境不同，光度、噪聲等也不同，甚至作業人員膚色、體征不同，具體篩選方法也不相同。

有效信息選取是指按照設定的信息特征對篩選處理后的信息進行重新歸類，將篩選處理后的信息作為整體信息庫，選擇一種或幾種信息特證作為信息提取要求，通過多次重復計算，最終得出的特征信息，然后通過系統分類器進行分類并分組存放。該方法要求統計特征具備特征顯著，識別簡單和易于篩選等特點，一般常見分類特征有圖像外形，圖像投影，拓撲外形等。

設備儀表智能識別目前流行的算法主要有以下幾種：模板匹配法、神經網絡法和穿線識別法等。其中，模板匹配法是將所有的數字設定出標準化模板，把識別出的圖像跟每一個模板相匹配，進而進行識別。該算法的優點是實現容易、準確度高、受環境影響小，但是計算量過大，導致接收到的信息延遲較高;神經網絡法是將經過篩選處理的信息傳輸至特定網絡，通過相應的自適應公式，不斷計算得出新的權值和閥值，最終通過新舊誤差的大小比較對信息數據進行識別。該方法在識別手寫漢字等方面有優勢，但在數字儀表識別方面適用性較差;穿線識別法從某種意義上是模板匹配法的升級，主要適用于由七段數碼管組成的智能數字儀表，但是對指針和其他儀表適用性差。

針對以上各種算法的優缺點，李丹[6]等提出了一種改進的基于交點特征提取的數字識別方法，對以上三種算法進行優化改進，通過對分割得到的數字區域從外接圖形的面積、高度和等方面進行限制，采用直線和字符交點數來構造信息特征，對數字進行識別。該算法從字符的識別特征入手，對現有識別方法進行改進，并提出數字分割后得到的區域進行篩選后再識別，實現了效果比較好的儀表數字實時識別系統，在確保準確率和抗干擾性的前提下，大大的降低了計算量。數據表明，該方法識別率超過97%，對數字儀表識別時間在90ms以內，有效保證數據信息的實時性、準確性，滿足當前智能化變電站建設的要求。

2外來人員和小動物管控

變電站作為電網系統的樞紐，任何突發的變化都有可能對電網造成不可估計的損失。一旦有可疑外來人員或小動物侵入，如果無法迅速作出示警和報警，變電站的安全將無法得到保證。因此，對外來人員和小動物的管控是智能變電站智能識別系統重要的作用。外來人員和小動物管控在視頻監控系統中均可歸結為運動目標監控技術，國外對視頻監控技術中的運動目標入侵識別監控技術研究比較早，技術已經成熟。美國已實現在復雜環境下對多個運動目標進行檢測、定位以及跟蹤，在部分遮擋環境下可持續對多個物體的跟蹤定位，并對運動目標的行為進行識別分析[7]。

目前對于運動物體的智能檢測主流的方法大致分為以下三種：光流法、圖像序列差分法和背景減除法。光流法是利用固定攝像機對穩定靜止背景中的圖像進行識別，對突然出現的物體進行跟蹤。該方法對背景不是很敏感，但是其信息處理受周圍環境的影響較大;幀間差分法基本原理是利用圖像灰度來確定圖像中變化的部分，進而確定有無入侵生物。該方法用少量簡單程序就能較好的滿足實時監控的要求，但其對勻速或慢速運動目標的監控經常出現遺漏;背景減除法的主要原理利用當前幀和背景幀作差分來檢測出運動目標。它能夠提取出相對完整的運動區域信息，提供完整的特征數據，但對氣候、光照、噪聲等干擾特別敏感。

由于以上幾種方法均存在其優點和不足，如果對上述方法的兩種或三種組合改進應用，如把背景減除法和二幀差分法結合起來對運動目標檢測，將會有明顯的改善效果。該方法主要是對二幀差分法進行了改進，把其中的差值運算僅應用于相鄰兩幀圖像件，通過和背景減除法做與運算，避免運動目標過大造成誤差，從而對運動目標進行識別。該方法克服了光線變化對背景減除法的影響，避免了二幀差分法帶來的“重影”現象，計算簡單，實現容易，能夠較好的適應變電站的復雜環境，滿足現代變電站建設的需求。

3作業人員行為規范監控

現代變電站仍需要作業人員對設備進行日常維護、點檢，為保障作業人員安全和設備穩定運行，需對變電站核心區域的作業人員進行實時監控，以確保其行為規范性和操作安全性。由于變電站作業人員衣著規范，特征顯著，具有較強的辨識度，本文對變電站人員所戴安全帽、所穿防護服等特征衣著進行組合監控，通過視頻識別技術進行智能分析監測，對作業人員活動區域及操作過程特征動作的規范性進行實時監控，對違規操作進行警示。

電工安全帽是變電站工作人員必須佩戴的安全防護用品，對安全帽佩戴狀態的自動識別，可以識別作業人員的佩戴規范，還能跟蹤識別作業人員面部特征，判斷作業人員與現場袖標信息是否一致，更能對其活動區域和行為規范作出更準確判斷，從而作為作業人員行為安全規范的重要依據。

安全帽識別最重要的指標是檢出準確率，傳統的模式識別方式由于誤報漏報率高，不能滿足現代變電站的要求。此次研究方向，基于深度學習技術的安全帽檢測算法。深度學習的框架概念很早就被提出，因為當時缺少平臺支持和樣板數據，只訓練出了三層神經網絡。隨著GPU芯片的發展，工業繁榮期，深度學習技術得到了飛速發展，不斷在突破。基于深度學習的算法也不斷在發布，如基于深度學習的人臉識別技術、基于深度學習的煙火識別技術、基于深度學習的車牌識別技術等。

本文案例通過BP神經網絡和小波變換算法，利用深度學習特性，實現對安全帽進行智能感知。主要識別流程如下。

（1）對人體進行定位識別。通過骨架分析，對人體骨架進行感知，定位人員的結構，聚焦人體頭部位置，如圖1所示。

（2）根據人體比例模型，對頭部目標進行重點掃描，并放大，進行特征提取，如圖2所示。

（3）通過小波變換算法對安全帽圖像進行處理，完成圖像的去噪、增強、分割、壓縮等處理。

（4）對圖像邊沿進行特征提取，識別安全帽特征形態。

（5）通過神經網絡模型的構建和訓練，提升安全帽識別率。

經過現場測試，采用該方式安全帽智能感知識別率可滿足以下條件：安全帽智能感知分析識別算法庫識別顏色準確率應滿足90%以上（6000次穿越分析指標精確度），安全帽形態學分析佩戴正確性檢測指標應滿足70%以上（6000次穿越分析指標精確度）。系統應集成多元智慧感知機器學習庫，能夠自動調校模式識別分析方式對不同頭部進行特征學習，當數據元累積量達到1000枚時，精確率指標應自動提升3%，機器學習分析算法庫趨勢計算容量應大于200萬枚結構化數據特征分析。

通過對作業人員進行HOG特征提取，并進行視頻圖像智能識別，從而判斷作業人員與袖標信息是否一致，作業人員安全帽是否佩戴規范，如檢測到作業人員與袖標信息不一致，沒有佩戴安全帽，或佩戴不規范，系統主動向后臺預警，并實時向作業人員進行語音提示，責令其停止作業，提高作業過程的規范性和安全性。

防護服同樣為變電站作業人員必須穿著的防護措施。由于不同作業人員的防護服類型、款式及大小都不同，防護服智能識別技術一般采用可變形部件模型進行數據采集。該模型最早由PedroFelzenszwalb等提出[8]，是一種基于可變形部件、HOG特征、滑動窗口機制的目標檢測算法。國內李聰等也對作業人員著裝的視頻識別算法進行了研究[9]。它對作業人員防護服不同部分，按照特征構建成一個多部件組合的可變形模型，該方法檢測精準度非常高，可滿足變電站視頻工況下智能識別系統的精準度要求。目前變電站復雜運動目標的智能監控系統多采用該技術算法進行識別。[10]對防護服的智能監控識別，對作業人員行為規范性進行監控，通過對危險行為進行特征動作模型建模存檔，當作業人員出現類似行為時，立即向作業人員示警，可有效提高作業過程安全系數。

綜上所述，通過本文所述智能識別系統對變電站作業人員所佩戴安全帽和穿著防護服等特征防護措施進行監控，可以確保作業人員行為規范性，保障作業人員的人身安全，提高變電站運行的安全性、可靠性。

4總結

現代變電站是電網智能化建設安全、可靠運行的關鍵，智能監控系統在現代變電站中所起的作用十分重要，通過視頻識別分析這一技術功能，使智能變電站的監控技術更加完善。本文以現代變電站所用智能監控系統為對象，對國內外研究現狀進行了討論，從設備儀表監控、外來人員和小動物管控、作業人員行為規范監控三方面進行分類分析，對以上三方面智能識別分析中主流計算方法進行比較，總結了智能監控系統在現代變電站中的應用，為現代變電站的輔助監控系統建設提供了參考方向。

參考文獻

[1]吳哲慧，王光增，鐘偉，等.配電網發展與投資決策動態評估方法[J].廣東電力，2017，30（4）：1114.

[2]張勇軍，劉斯亮，江金群，等.低壓智能配電網技術研究綜述[J].廣東電力，2019，32（1）：112.

[3]Cheng，Y.MeanShift，ModeSeekingandClustering[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2015，17（8）：790799.

[4]于月平，臧海洋，李寧寧，等.基于人工智能的無人值班變電站遠方監控“四遙”信息的調試與配置[J].微型電腦應用，2019，35（11）：5256.

[5]李丹.變電站視頻智能監控系統設計[D].鄭州：鄭州大學，2016.

[6]李丹.視頻識別技術在變電站中的應用研究[D].北京：華北電力大學，2017.

[7]GilmoreJF，GarrenDA.AirborneVideoSurveillance[J].SPIEProceedingsofAutomaticTargetRecognition，2008，33（71）：210.

[8]PFelzenszwalb，RGrishick，DMcAllester，etal.ObjectDetectionwithDiscriminativelyTrainedpartBasedModels[J].PAMI，2010，32（9）：16271645.

[9]李聰，胡金磊，周俊煌，等.基于SRBFNN的變電作業人員著裝圖像識別算法[J].廣東電力，2019，32（9）：124130.

[10]王勇，韓少曉，尚力，等.智能變電站監控系統新型體系架構研究與實踐[J].電力系統保護與控制，2019，47（8）：145151.

（收稿日期：2020.02.25）