基于人工智能技術的變電站瓦斯繼電器油液位置可視化系統平臺

岳思凡 李奧 高珊 李楠 胡淼

1. 項目背景

變電站管理是現在電網急需進行完善與加強的地方之一，為了實現對變電站設備及人員的有效管理、檢測和監控，讓運檢人員更加輕松準確的進行運行分析，故障搶修，幫助減少故障停電時間，保障電網穩定供電、設備安全運行和人員良好管理，增強供電服務保障能力，將智能平臺與變電站相結合，尤為重要[1]。通過智能檢測平臺，可以實施監控變電站油液高度，及時的進行故障預警，實時監控;設置定時任務，在規定時間內進行設置好的任務，防止人員任務沖突[2];通過人員管理模塊，可以實時的監控人員狀態，有效管理人員變動，防止不明人員進入變電站。如今智能檢測平臺已經在多個省市進行推廣，并取得較好的成果。某供電公司智能數字系統。如圖一所示：

2. 主要研究內容

針對上述問題，為了更加精準的檢測繼電器油液高度，在不破壞原有容器的情況下，進行高清攝

像頭架設，通過攝像頭將油液圖像實時傳送至服務器處。通過深度學習算法精確識別油液高度，并傳送至系統前端;在系統前端繪制實施油液高度波動圖像，更加直觀的呈現給相關人員，在油液高度超過警戒線時，系統會自動進行報警，避免設備故障，影響供電，及時的將情況反映給檢修人員，進行維修處理，同時系統會控制相應供電單元關閉，防止設備損壞。

3. 主要結構及原理

由于攝像機傳至后端的圖像視頻內的目標過多，我們需要克服一些干擾物，對圖像進行分析。為此，我們將結合計算機視覺中的目標檢測技術，圖像分割技術，進行油液高度檢測。我們使用目標檢測技術中的區域卷積神經網絡，通過將深度模型應用于目標檢測，使用快速及準確的 FasterR-CNN[3]。FasterR-CNN 將選擇性搜索替換成區域提議網絡，從而減少提議區域的生成數量，并保證目標檢測的精度。具體模型如圖二所示：

具體來說區域提議網絡的計算步驟如下：

· 使用填充為 1的 3×33times33×3卷積層變換卷積神經網絡的輸出，并將輸出通道數記為 ccc。這樣，卷積神經網絡為圖像抽取的特征圖中的每個單元均得到一個長度為 ccc的新特征。

· 以特征圖每個單元為中心，生成多個不同大小和寬高比的錨框并標注它們。

· 用錨框中心單元長度為 ccc的特征分別預測該錨框的二元類別（含目標還是背景）和邊界框。

· 使用非極大值抑制，從預測類別為目標的預測邊界框中移除相似的結果。最終輸出的預測邊界框即興趣區域池化層所需要的提議區域

區域提議網絡作為FasterR-CNN的一部分，是和整 示：

個模型一起訓練得到的。也就是說，FasterR-CNN的目標函數既包括目標檢測中的類別和邊界框預測，又包括區域提議網絡中錨框的二元類別和邊界框預測。最終，區域提議網絡能夠學習到如何生成高質量的提議區域，從而在減少提議區域數量的情況下也能保證目標檢測的精度。我們還使用基于邊緣檢測的圖像分割方法，通過確定圖像中的邊緣像素，然后再把這些像素連接在一起就構成所需的區域邊界。圖像中一個區域的終結和另一個區域的開始，圖像中相鄰區域之間的像素集合構成了圖像的邊緣。所以，圖像邊緣可以理解為圖像灰度發生空間突變的像素的集合。圖像邊緣有兩個要素，即：方向和幅度。沿著邊緣走向的像素值變化比較平緩;而沿著垂直于邊緣的走向，像素值則變化得比較大。因此，根據這一變化特點，通常會采用一階和二階導數來描述和檢測邊緣。由于我們使用的圖像并不復雜與細節并不豐富，所以圖像分割可以更加精確的將油液高度劃分出來。

4. 項目的創新點及應用情況

相比于單獨使用 opencv中的圖像處理方法，本系統將目標檢測技術與圖像分割技術相結合，經確 的排除干擾物，同時能夠檢測判斷出設備是否故障， 并且經過目標檢測技術分析圖像后，將圖像圖形化 的呈現在系統界面上，進行多線程處理，可以同時檢測多個油液高度。為了驗證技術是否可行有效，我 們將國網過去數據圖像拿來進行檢測結果如圖 3所

由圖表可以看出，本系統檢測十分穩定可靠，對不同情況處理符合國網要求，并且圖像反應非常精準。

5. 主要成效分析

該項目主要的有益效果有：在可以 24小時全天進行檢測，如果出現突發情況，可以及時關閉相應設備，防止設備故障，同時可以進行報警處理，及時呼叫相關人員進行故障處理。還可以提前示警相關人員，使相關人員做好設備突發狀況準備。有效的防止因為油液過高導致其他設備故障，及時的進行設備修復，恢復供電，不影響用電人員的生活，工作需求。該系統的應用取得了明顯的經濟效益以及巨大的社會效益。

參考文獻

[1]錢黎鳴.基于智能變電站運維及操作的研究與應用[J].低碳世界，2021，11（10）：133-134.DOI：10.16844/j.cnki.cn10-1007/tk.2021.10.065.

[2]Li Ning， "Analysis of artificial intelligence development in Internet age[J]"， Modern Electronics Technique， vol. 39， no. 07， pp. 112-114， 2016.

[3]R. B. Girshick， Fast R-CNN. In ICCV， pp. 1440-1448， 2015.