融合SE-Attention圖像識別模型的電力設備監測系統

何啟遠，潘德泰 ，李貴亮 ，林 清 ，董蕓州 ，李小敏， 高振宇

(1.海南電網有限責任公司信息通信分公司 ，海南 ?？?，570203;2.四川大學 機械工程學院，四川 成都，610065)

0 引 言

隨著國民經濟的發展，人們的用電需求也逐步增加，電網規模與智能輸變電設備數量隨之增長,電力設備在人們日常起居中扮演著不可獲缺的角色[1]。然而，電力設備在使用的過程中經常會受到溫度、濕度和氣壓等因素的影響，且由于部分電力設備長期在戶外惡劣的環境中工作，其性能也會隨之降低[2]。為了減少安全事故的發生，同時滿足社會發展對電力設備安全性要求，電力設備的帶電檢測、在線監測、巡檢和試驗也成為了電力設備狀態監測和評估發展的必然趨勢[3]。早期的人工監測方式在一定程度上可以滿足電力設備監測需求，但隨著電網大規模的建設和發展，電力設備趨向于復雜化和多元化，人工監測變得更加困難。因此，如何對電力設備運行狀態進行自動化監測成為了工業界和學術界主要的研究對象之一。

電力設備監控通過電力的外表圖像信息、工作狀態等判斷電力設備是否出現故障。傳統的電力設備檢測方法有光譜法、紫外脈沖法、徑向溫度法和超聲波檢測法等，雖然這些監測方法取得了一定效果，但安全性不足[4]。文獻[5]采用Harris角點檢測的方法將攝像頭收集的設備實時圖像和正常運行的電力設備狀態進行對比，通過圖像焦點特征來判斷配網設備狀態是否存在異常。該方法雖在絕緣子串的監測上取得了一定效果，但是對角點的選取約束性較強。目前，一些學者采用在電力設備故障監測應用最廣的技術——紅外成像技術來解決上述問題。利用紅外光對電力設備進行拍攝，然后對所拍攝的照片進行識別[6]，雖在一定程度上解決了Harris角點選取的問題，但該方法要求較高的人力和物力成本，而且存在誤判率高、效率低等缺點[7-10]。隨著采像技術和機器視覺的發展，出現了大量利用機器視覺方法解決電力設備的監測問題[11-13]。文獻[14]對采集后的紅外圖像進行特征提取，再利用SVM進行分類。雖然提高了電力設備圖像分類的效果，但是十分依賴于人工建立的特征工程。

近幾年，CNN等經典的神經網絡算法在提取圖像特征上有著顯著的效果。文獻[15]利用CNN對紅外采集的圖像進行分類以判斷用電設備的異常。在此基礎上一些學者又對CNN進行了改進。文獻[16]把FP-FRCNN應用在變壓器、絕緣子和刀閘的圖像信息識別，取得了較好的識別效果。文獻[17]利用機器視覺技術實現雙通道圖像采集，以變電站絕緣子為對象建立絕緣子數據庫,通過Mask R-CNN算法對絕緣子進行有效識別，從而實現對電力設備的智能監測，但CNN在目標檢測時，經常面臨視覺特征較難提取等問題[18]，同時考慮到電力設備的故障大多數是由于局部損壞導致的功能障礙，而CNN雖然有具體提取局部特征的作用，但是經過多層的維度變換之后，該局部特征可能存在難以保持的情況。

本文給出的SE-Attention方法在得到電子設備圖像信息之后，以挖掘圖像的深層語義信息和識別局部故障為目的,利用多層卷積神經網絡對圖像信息特征進行深層挖掘并提取，然后使用殘差神經網絡保存圖像原始特征信息，使圖像完整度得以最大化。最后使用行注意力機制、列注意力機制和通道注意力機制加大對圖像中的損壞部分的權重，達到對電力設備故障識別的效果。本文方法在避雷器、斷路器、電流互感器和電壓互感器的故障識別上均得到了較好的實驗效果。

1 基于SE-Attention系統設計

1.1 電力設備監控

采用基于SE-Attention的電力設備進行智能監控，首先，通過紅外相機對所需要監測的電力設備進行圖像采集，對圖像進行人工標注；其次，在得到電力設備的圖像信息和標簽信息之后，訓練本文提出的SE-Attention模型；最后，利用訓練好的SE-Attention模型對電力設備進行識別，當模型判斷該電力設備出現故障時報警，如圖1所示。

圖 1 電力設備監控流程Fig.1 Power equipment monitoring process

1.2 監測模型

為克服傳統CNN在電力設備紅外圖像視覺特征提取難和多層維度變換之后局部特征不明顯等問題，本文提出基于SE-Attention的電力設備監控模型，將SE-Net[19-23]與深度學習中的注意力機制相結合，對各部件的故障進行識別。具體模型結構如圖2所示。

圖 2 SE-Attention模型Fig.2 SE-Attention model

圖2中，通過使用紅外光對電力設備進行拍攝，得到電力設備的圖像信息I∈RH×W,為進一步對圖像的局部特征進行提取，因此將I送到卷積層進行特征提取。為了提取局部特征信息，首先對I進行填充，然后使用C個3×3的卷積特征核對圖像的局部特征進行提取，將得到的特征圖像信息再一次填充之后，使用2×2的池化核對其池化，得到特征圖像M∈Rc×h×w,其中h=H/2，w=W/2。為了進一步提取深度特征信息，在得到M之后，再利用n個3×3卷積層輸出Mn∈Rc×h×w。為防止深度神經網絡存在的“退化”問題，同時也為了保持原始的圖像信息，在得到Mn之后，將Mn與M相加，并通過激活函數得到，深度圖像信息Mr∈Rc×h×w。

通常，電力設備的故障大多數是由于局部損壞導致，為了進一步識別局部故障信息，本文在通過CNN進行特征提取之后，再分別使用行注意力機制和列注意力機制提取圖像的特征信息，可表示為

α=softmax(mr×wr)

(1)

(2)

(3)

(4)

在得到Mr,r，Mr,c之后進一步對通道信息進行加權，如式(5)、(6)所示：

γ=softmax(w′r×Mr,r)

(5)

ρ=softmax(w′c×Mr,c)

(6)

式中：w′r∈Rc×1、w′c∈Rc×1分別是行通道注意力機制的參數向量與列通道注意力機制參數向量;γ∈Rc×1為行通道注意力權重向量,ρ∈Rc×1為列通道注意力權重向量。進一步的通過加權求和得到mc,r∈Rw×h、mc,c∈Rw×h，加權求和公式可表示為

(7)

(8)

式中：γi為γ中的第i個數；Mir,r為Mr,r第i個向量；ρj為ρ中的第j個數；Mjr,c為Mr,c第j個向量。

得到mc,r、mc,c之后，將mc,r與mc,c相加得到最后的特張圖矩陣m∈Rh×w，最后將m送入到Flatten層，然后通過softmax得到電力設備的是否故障的分類結果。

2 實 驗

2.1 數據及方法

實驗采用的CPU為Intel(R) Core(TM) i3-380M 2.53 GHz，包含2.0 GiB內存和1.0 GiB顯存，操作系統為CentOS6.8，系統運行環境Opencv2.4.9。

為了驗證本文系統的有效性，利用紅外設備對避雷器、斷路器、電流互感器和電壓互感器等4種常見的電力設備進行紅外圖像采集，如圖3所示。

(a) 避雷器 (b) 斷路器

(c) 電流互感器 (d) 電壓互感器圖 3 4種待識別的電力設備Fig.3 Four kinds of power equipmentto be identified

將采集到的4個電力設備的紅外圖像分為2類：一類是正常運行的電力設備紅外圖像；另一類是有故障的電力設備的紅外圖像。并隨機選取訓練集和測試集。具體數據集分布如表1所示。

本文使用平均準確率A來驗證模型在數據集上的有效性，可表示為

(11)

式中：TP為真實類別是正例，預測類別也為正例；TN為真實類別為反例，預測類別也為反例；FP為真實類別為反例，預測類別也為正例；FN為真實類別為正例，預測類別也為反例。

為了提高實驗的精準度，本文使用的參數參考CNN方法和SE-Net的實驗參數，矩陣和參數向量的初始值均在[-0.1,0.1]之間隨機取值，通道為12，卷積次數為3，使用的優化器是Adam，學習率為0.001，同時為了防止過擬合丟棄率設置為0.5。

2.2 結果與分析

為證明本文提出的基于SE-Attention的電力設備監測系統的有效性，本文使用2個經典的基線系統與之進行對比，分別為CNN、SE-Net，基線模型與SE-Attention在數據集上的平均準確率如表2所示。

從表2可以看出，本文提出的SE-Attention系統在4種故障識別測試中均取得了最佳的實驗結果，準確率均高于CNN和SE-Net。主要原因是SE-Attention系統在SE-Net的基礎上利用了注意力機制加大了故障部分的權重，通過行注意力機制與列注意力機制進一步的識別故障部分的特征信息，提高了實驗的準確率。

3 結 語

本系統以識別電力設備的工作狀態為目的，首先通過紅外設備對電力設備進行采樣，并人工為電力設備運行狀態進行打標，然后利用這些有標簽的數據訓練本文提出的基于SE-Attention電力設備的監測系統?？紤]到經典的神經網絡無法完全挖掘出圖像深層信息，而且電力設備往往由于局部故障而導致的電力設備癱瘓等原因，SE-Attention首先提取出特征信息，再利用行注意力機制、列注意力機制和通道注意力機制加大故障處的權重，從而達到識別整個電力設備故障的目的。最后進行實驗驗證，結果表明，本文提出的基于SE-Attention圖像識別模型的電力設備監測系統具有較高的準確率。