基于深度學習的電力設備狀態(tài)檢測的研究

虞 驊 胡光宇 于 佳

1 江蘇省電力有限公司連云港供電分公司 連云港 222000

2 南瑞集團有限公司(國網電力科學研究院有限公司) 南京 210000

引言

電力生產的安全、穩(wěn)定、高效運行關乎國計民生，對電力工業(yè)的持續(xù)健康發(fā)展具有重大意義，也是整個行業(yè)常抓不懈的根本任務[1]。電力設備狀態(tài)檢測是電力公司日常的重點工作，為保證電力設備的正常運行，需要指定嚴格的巡檢計劃，分派人員對變電站、輸電線路進行巡視，以便及時發(fā)現(xiàn)隱患和故障，并把設備的運行情況以及缺陷信息進行匯總和定期的分析統(tǒng)計，人員工作強度大、工作任務重[2]。

在電力設備狀態(tài)監(jiān)測方面，應用較早和較普遍的地區(qū)主要是北美和歐洲，起始于20世紀60年代至70年代，到20世紀80年代至90年代，隨著傳感器、計算機等技術的發(fā)展和應用，電力設備的狀態(tài)監(jiān)測和故障診斷技術才得到迅速發(fā)展。我國電力系統(tǒng)設備狀態(tài)監(jiān)測科研工作也始于20世紀70年代，起步并不晚。但由于當時技術不完善，測量結果分散性大，加上操作復雜和誤報等原因，使該技術沒有得到大力推廣。隨著大容量、高電壓等級電氣設備的迅速增加，一些設備的故障率偏高，使狀態(tài)監(jiān)測和故障診斷技術的開發(fā)更加迫切。近十年來，國內已經研制成功很多傳感器和監(jiān)測裝置，也取得了較好的成果。國外企業(yè)電力設備在線監(jiān)測傳感技術、監(jiān)測裝置的集成性等方面要優(yōu)于國內，但都是離散的、單一的針對單個設備進行監(jiān)測研究。

設備巡檢過程中產生了大量視頻圖像數據，巡檢人員能夠通過視頻圖像了解現(xiàn)場情況、設備運行情況等，從而為日常工作、應急處理、事故分析等工作提供直觀的輔助決策依據。但是，隨著圖像處理技術的不斷深入研究，設備狀態(tài)巡檢業(yè)務應用對圖像的智能化程度、可靠性、可用性等需求提出了更高的要求。本文針對這些問題，提出了基于深度學習的電力設備狀態(tài)檢測方案。

1 系統(tǒng)架構

圖1 系統(tǒng)分層框架

系統(tǒng)分層結構包括數據采集層、數據接入層、服務支撐層和應用展現(xiàn)層，如圖1所示。數據采集層包括機器人、無人機、監(jiān)控攝像機、智能手機、PDA、Pad、單兵設備、電力設備狀態(tài)圖像采集裝置等巡檢采集設備，為上層提供巡檢數據；數據接入層包括盒子、電力設備狀態(tài)圖像分析裝置，提供安全防護、靈活接入和數據分析能力；服務支撐層為各項功能提供技術支撐服務，包括應用服務、網管服務、控制服務、視頻大數據智能分析服務；應用展現(xiàn)層根據各業(yè)務的需求實現(xiàn)功能應用，提供B/S應用客戶端和APP應用客戶端滿足不同用戶對不同使用場景的使用需要。

總體應用功能架構由前端應用功能、支撐服務功能、系統(tǒng)應用功能三大部分構成，如圖2所示，前端應用功能包括電力設備狀態(tài)圖像采集和分析功能；支撐服務功能包括控制服務、網管服務、視頻大數據圖像分析服務，向電力設備狀態(tài)監(jiān)測應用提供統(tǒng)一服務；系統(tǒng)應用功能包括智能分析管理、視圖庫管理、應用、APP應用，實現(xiàn)對視頻圖像信息的可看、可管、可控。

系統(tǒng)應用功能架構由前端應用功能、支撐服務功能、系統(tǒng)應用功能三大部分構成。前端應用功能包括電力設備狀態(tài)圖像采集和分析功能；支撐服務功能包括控制服務、網管服務、視頻大數據圖像分析服務，向電力設備狀態(tài)監(jiān)測應用提供統(tǒng)一服務；系統(tǒng)應用功能包括智能分析管理、視圖庫管理、APP應用。該系統(tǒng)架構實現(xiàn)對視頻圖像信息的可看、可管、可控。

2 深度學習多特征融合的對象分類模型研究

圖2 總體應用架構

本文研究不同電力場景中對象的有效特征類型，包括顏色特征、紋理特征、形狀特征等，建立各類電力對象的多特征樣本庫；研究電力設備顏色特征、紋理特征、形狀特征及深度學習網絡特征的多特征融合方法，構建多特征融合的權重矩陣；基于深度學習方法，提取、建立多層神經元網絡，形成屬性分類和分割網絡模型，通過輸入與輸出之間的非線性關系，組合低層特征，形成高層的數據抽象表示屬性類別或特征，提取數據的分布式特征，以表示數據的分布結構，從而實現(xiàn)大量視頻圖像數據結構化描述，完成對電力設備視頻圖像的分類模型構建。

圖像融合技術根據融合處理所處的階段不同，可以分為3個層次：像素層面的圖像融合、特征層面的圖像融合以及決策層面的圖像融合。像素級融合的對象一般是原始數據，通過信息的互補，最大限度地利用原始數據；特征級融合通過特征信息如邊緣、紋理、相似亮度等特征數據進行幾何關聯(lián)、目標識別以及特征提取。特征級融合便于信息實時處理和壓縮，剔除冗余信息的同時使各個單一特征信息進行互補，多特征圖像融合流程如圖3所示。特征融合可以去掉對分類決策無用的冗余信息，最大限度地保留各個特征的有效判別信息，進而為分類器的分類決策提供依據。圖像的特征處理分為單特征處理和多特征融合兩個方面。

全局特征和局部特征是圖像分類中特征的主要存在形式[4]。圖像的整體特性如結構、顏色和紋理等是圖像的全局特征；局部特征則代表圖像的局部信息如光照、灰度等。由于圖像分類的精確度取決于特征的提取，但底層特征描述圖像的能力比較弱，分類效果較差。因此，通過多特征融合來描述圖像，實現(xiàn)信息互補和冗余信息的剔除，進而提高圖像分類效果。特征融合實現(xiàn)的方法主要有并行融合方法和串行融合方法。具體算法為：將三個特征向量以一定的運算法則進行合并，最終生成一個新的特征向量。

3 基于異構硬件平臺的多類電力設備狀態(tài)檢測及效率提升技術

3.1 電力傳輸線檢測

采用圖像灰度化，圖像增強、去噪、銳化、閾值分割、形態(tài)學和邊緣提取等算法[5]，提取絕緣子串的形狀特征，再基于像素點分類方法，對同類像素點擬合，實現(xiàn)對傳輸線的檢測。電力傳輸線檢測如圖4所示。

圖3 特征級圖像融合

圖4 傳輸線檢測

實現(xiàn)典型電力設備狀態(tài)的高效識別，采用基于圖像處理的電網傳輸線檢測方法，如圖5所示，步驟如下。

圖5 傳輸線擬合過程

步驟一：讀入直升機、無人機、機器人、固定攝像機等智能設備巡檢過程中產生的關于電網傳輸線的圖像。

步驟二：將輸入的圖片灰度化處理，即將采集到的24位真彩色圖像轉化為8位灰度圖，得到灰度圖像。

步驟三：利用高斯算子對灰度化圖像進行高斯模糊去噪，將高斯分布權值矩陣與原始圖像矩陣做卷積運算，減少圖像噪聲平滑圖像。

步驟四：對平滑后的圖像進行算術運算，將圖像整體像素值降低，便于后續(xù)進行線性變換。

步驟五：對算數運算后的圖像進行灰度線性變換，增強圖像的對比度，擴大傳輸線和背景之間的差值，這有利于提升邊緣檢測的效果。

3.2 安全帽、紅馬甲檢測

在基建場景下，安全員負責現(xiàn)場的安全管理，對于整個建筑項目的完成起著至關重要的作用，安全員若不在現(xiàn)場，整個項目就存在巨大的安全隱患。利用安全員身著紅色馬甲、戴安全帽這一明顯特征，我們可以利用計算機視覺檢測技術，通過確定紅色馬甲位置來檢測安全員是否在工作現(xiàn)場，步驟如圖6所示。

圖6 基于深度學習的安全員檢測方法

對采集的訓練圖像行預處理的步驟如下。

步驟一：利用攝像頭采集多個不同場景下的安全員。

步驟二：篩去上述圖像中受環(huán)境因素影響較大的部分，保留安全員紅色馬甲特征較為明顯的圖片。

步驟三：人工的框出行人以及紅色馬甲的位置，并為其邊界框打上標簽。

在深度學習方案中，將神經網絡的53個卷積層在ImageNet數據集上進行預訓練，得到這些卷積層之間的權重，用于提取圖片的特征[7]。

將訓練圖片輸入神經網絡，經過卷積層提取特征之后通過全連接層進行分類，根據損失函數算出預測值與真實值之間的損失，通過反向傳播算法調整神經網絡各個隱層的權重，當損失值下降到一定的閾值時，停止訓練，得到最終的神經網絡。

具體的損失函數如式(1)。

公式(1)中第一項代表坐標的誤差，第二項代表邊界框寬和高的誤差，第三項代表邊界框包含物體時的置信度誤差，第四項代表邊界框不包含物體時的置信度誤差，第五項代表格子中包含物體的類別誤差。神經網絡訓練階段示意圖和安全員實時監(jiān)測階段示意圖如圖7和圖8所示。

本文采用HSV顏色空間來判決行人所穿馬甲的顏色，步驟如下。

步驟一：由上述神經網絡得出行人的位置以及馬甲的位置，選取出馬甲位置在行人邊界框中的馬甲。

步驟二：設置合理的閾值，將RGB顏色空間轉化為HSV顏色空間。

圖7 神經網絡訓練階段示意圖

圖8 安全員實時監(jiān)測階段示意圖

步驟三：對所得HSV圖像進行二值化處理，后進行閉運算。

步驟四：計算白色像素占邊界框中所有像素的比值，確定馬甲的顏色。

3.3 大型車輛、船只檢測

車輛船只的檢測采用深度神經網絡來實現(xiàn)，首先，采集傳輸電線周圍的大型車輛以及船只的圖片，對大型車輛以及船只進行標注，建立各類車輛、船只、輸電線路、桿塔的形狀特征庫。大型車輛和船只檢測如圖9所示。

圖9 大型車輛和船只檢測

采集的訓練圖像的預處理的步驟如下。

步驟一：利用攝像頭采集多個不同場景下的大型車輛以及船只。

步驟二：篩去上述圖像中受環(huán)境因素影響較大的部分，保留特征較為明顯的圖片。

步驟三：人工標注出大型車輛以及船只的位置，并為其邊界框打上標簽。

在深度學習方案中，將神經網絡的53個卷積層在ImageNet數據集上進行預訓練，得到這些卷積層之間的權重，用于提取圖片的特征[8]。

將訓練圖片輸入神經網絡，經過卷積層提取特征之后通過全連接層進行分類，根據損失函數算出預測值與真實值之間的損失，通過反向傳播算法調整神經網絡各個隱層的權重，當損失值下降到一定的閾值時，停止訓練，得到最終的神經網絡。神經網絡的訓練流程如圖10所示。

圖10 神經網絡訓練流程圖

通過訓練所得的神經網絡，可以檢測出畫面中是否含有大型車輛以及船只，檢測流程如圖11所示。

將圖片輸入網絡，網絡輸出被檢測物體的位置信息以及類別信息。利用檢測出物體的相對大小，可以預估出大型車輛以及船只距離傳輸電線的距離，設定一定的閾值，當預估出的距離小于閾值時，系統(tǒng)發(fā)出報警，從而避免它們與傳輸電線刮擦而引起的事故。

圖11 大型車輛、船只檢測流程圖

4 低功耗電力設備狀態(tài)圖像采集及分析裝置關鍵技術

本文采用的電力設備狀態(tài)圖像采集裝置形態(tài)為高清網絡球機，按功能模塊劃分包括：機芯、音視頻、云臺、系統(tǒng)集成、存儲管理、硬件SPI加密、視頻智能分析、CS/BS客戶端、輔助應用、協(xié)議接入十大模塊，模塊設計框圖如圖12所示。

圖12 采集裝置模塊設計框圖

電力設備狀態(tài)圖像分析裝置搭載CPU和GPU異構硬件平臺，分析裝置提供WEB客戶端，具有系統(tǒng)配置、接入設備配置、配置檢測任務、統(tǒng)計和查看檢測結果等功能。裝置支持多廠商監(jiān)控攝像機視頻圖像接入分析，支持用戶監(jiān)控攝像機、機器人、無人機等多來源視頻圖像的導入和分析，其電力設備狀態(tài)分析功能包括刀閘分合狀態(tài)檢測、屏柜開關狀態(tài)巡檢、表計讀數檢測、紅外測溫檢測、輸電線路樹障檢測、輸電線路大型車船靠近檢測、輸電線路異物懸掛檢測、螺栓閉口銷缺失檢測、絕緣子掉片檢測，模塊設計框圖如圖13所示。

5 電力設備狀態(tài)檢測和應急處置中的示范應用

圖13 分析裝置模塊設計框圖

針對運維檢修工作需要，本文在技術研究基礎上，依托統(tǒng)一視頻監(jiān)控平臺，實現(xiàn)電力設備狀態(tài)圖像采集裝置、電力設備狀態(tài)圖像分析裝置、音視頻遠程盒子的示范應用，達到設備狀態(tài)自動監(jiān)視、突發(fā)事件應急處置、疑難問題遠程交流、歷史問題研判分析的目標。

如圖14所示，系統(tǒng)部署架構主要包括主站側及站端側。主站側部署視頻監(jiān)控平臺，平臺新增大數據存儲與分析服務集群，包括管理節(jié)點服務和計算節(jié)點服務，基于大數據框架和深度學習技術，實現(xiàn)分類模型的訓練算法、對象分類算法和設備狀態(tài)分析算法，以保證各算法在后端服務中運行的高效性，實現(xiàn)對下載和導入的歷史視頻圖像的分析。平臺執(zhí)行分析任務，發(fā)現(xiàn)設備狀態(tài)異常時，歷史分析將以任務結果形式查閱；平臺新增網關服務、控制服務、部署盒子，從而實現(xiàn)視頻平臺資源與遠程進行整合，用戶可以靈活接入會場音視頻信號，與遠程移動終端進行會話，并調用查看平臺監(jiān)控視頻、應急處置等業(yè)務應用中提供大量現(xiàn)場監(jiān)控圖像，服務于業(yè)務指揮。

站端側移動終端安裝遠程軟件實現(xiàn)與會場的遠程視頻；部署電力設備狀態(tài)圖像采集及分析裝置，以滿足多種場景的應用，一旦發(fā)生設備狀態(tài)問題將立刻向平臺推送告警信息，啟動遠程查看、現(xiàn)場核實、遠程會診等預案。電力設備狀態(tài)圖像分析裝置，實現(xiàn)對前端電力設備狀態(tài)圖像的實時監(jiān)視，發(fā)現(xiàn)設備狀態(tài)異常時，將向后臺推送告警信息。

6 結論

本文研究的電力設備狀態(tài)圖像采集及分析裝置等成果將直接應用到電力設備狀態(tài)檢測和應急處置中，實現(xiàn)對輸電線路、變電站等典型場景下的電力設備狀態(tài)的準確監(jiān)控，保障電力設備正常運轉，保障電網安全運行，提高供電可靠性；同時可以改善電力設備巡檢模式，提升設備狀態(tài)管控力和運檢決策水平，加快管理決策速度，進一步提升電力生產管理水平。計算機視覺、機器學習是實踐性很強的學科，來自電力生產一線的視頻數據是檢驗算法有效性的最好試金石，同時也為提升算法性能、算法改進和算法創(chuàng)新提供了契機，對相關通用技術的發(fā)展進步產生推進作用，并可為類似應用提供借鑒和啟發(fā)。

圖14 網絡拓撲