高精度配電網電氣設備故障識別檢測方法*

趙 歡， 陽 浩， 何 亮， 魏恩偉， 鄭 杰

(中國南方電網 深圳供電局電力科學研究院， 廣東 深圳 518000)

配電網電氣設備是保障電力系統安全、穩定運行的重要設備，對于電氣設備運行狀態的監測是電力巡檢工作中的重要一環.采用傳統的人工巡檢，依靠經驗判斷潛在隱患的工作方式已經難以滿足現代電力系統的運行要求.隨著圖像識別和人工智能技術的發展[1-2]，基于各種人工智能算法的高清視頻檢測[3-4]、紅外熱成像[5-6]等監測手段在電力系統中獲得了廣泛應用.

受技術條件的限制，紅外圖像往往清晰度較低，且噪聲較多，目標識別和特征提取困難.為解決這一問題，研究人員對此開展了廣泛的研究.鄒輝等[7]以電力設備的紅外圖像為研究對象，利用可見光和紅外圖像，采用基于圖片的灰度值快速模板匹配算法，解決了紅外圖像的偽色彩問題，實現了對電力設備紅外圖像的多目標定位.張浩等[8]針對傳統的灰度匹配算法存在的計算量過大的問題，采用隔行隔列粗略匹配再結合精確匹配技術，實現了遠程數字視頻監控對變壓器快速定位識別的目標.余彬等[9]為了解決紅外圖像噪聲大、邊緣模糊的問題，對紅外圖像進行了R、G、B三通道光源的不均勻性校正，并將其轉換為Lab色彩空間，采用密度相似因子算法實現了對紅外圖像的濾噪分割.馮振興等[10]為解決紅外圖像中目標邊界模糊導致的提取效果差的問題，從灰度相似聚類的角度出發，提出了一種改進算法，實現了對電力設備故障區域的準確識別.

上述研究多是通過目標匹配的方式來提高目標檢測的準確率，缺少對圖像特征參數的應用，通用性有待提高.本文在現有研究基礎上，利用卷積神經網絡模型實現了對配電網設備的圖像識別，并充分利用灰度-梯度信息矩陣提取紅外圖像的紋理信息特征，采用主成分分析的方法完成了對設備發熱故障的診斷.該方法結合可見光圖像和紅外圖像，充分利用圖像的灰度、紋理信息和卷積神經網絡的特征識別能力，實現了對配電網電氣設備故障的識別檢測.

1 基于CNN的電氣設備檢測技術

基于熱成像的紅外檢測技術能夠在遠距離實現對配電網電氣設備的在線監測.卷積神經網絡(CNN)是目前圖像識別領域的重要算法之一，利用卷積神經網絡模型的特征識別能力，可實現對配電網設備的準確識別.

卷積神經網絡模型包含了卷積層、池化層和全連接層3個部分.其中，卷積層是對圖像特征的強化，池化層則可以有效降低數據處理的復雜度，加快圖像識別的計算速度.因此，利用卷積神經網絡模型進行圖像識別的核心是對圖像進行卷積層和池化層不斷交替運算，最后，由全連接層通過概率運算預測圖像的類別.

1.1 卷積層設計

圖像識別的準確率和網絡層數量、卷積核的大小、激活函數等參數有關.與卷積層輸出有關的主要參數包括卷積核的大小、步幅以及零值填充數量.其中，卷積核的尺寸對應于處理圖像的范圍，步長控制則隨卷積窗口的移動變化步幅，零值填充的大小控制卷積輸出.

數據處理過程中通常可將卷積核的大小設置為3×3像素或者5×5像素，然后采用不同步長依次滑動完成對圖像的處理.在進行卷積神經網絡設計過程中，對圖形進行卷積處理之后通常配合池化層使用.一般情況下，池化層的尺寸可選擇2×2像素，也可以根據實際情況進行調整.越大的池化層，丟失圖像信息的可能性就越大.

對于相同大小的圖像，采用多層卷積和疊加的方式能夠實現對一定圖像范圍內的圖片信息的非線性化處理，這樣更有利于圖像特征的提取，而避免信息丟失.因此，在進行卷積策略的選擇過程中，在圖像進行初步處理時可采用較大的卷積核以及較少的層數，有利于降低運算量.而在處理后期，則可以采用較小的卷積核以及較多的層數，從而盡可能地保留圖像特征.基于上述分析得到本文特征提取網絡參數如表1所示.

表1 特征提取網絡參數Tab.1 Network parameters of feature extraction

1.2 目標候選設計

圖像的分割和目標候選區域的選擇是實現圖像識別的第一步，本文采用選擇搜索算法對得到的1 080×1 527像素圖片進行分割，將結果作為CNN模型訓練識別的樣本.本文選定的目標分割圖像的個數為500個，原始圖像樣本以及部分候選目標提取圖如圖1所示.

圖1 樣本圖片以及候選目標提取效果Fig.1 Sample image and extraction effect of candidate target

為了提升目標識別的準確度，降低目標候選區域和真實目標之間的差異，需要采用邊框回歸的方式對目標進行調整和定位[11].目標候選框的調整輸出可由向量A=(Ax，Ay，Aw，Ah)來表示，與之對應的真實值為B=(Bx，By，Bw，Bh)，其中，Ax，Ay和Bx，By分別為目標候選框及真實圖像左下角的像素坐標位置；Aw，Ah和Bw，Bh分別為候選區域與真實圖像區域的寬與高.

為了降低信息的冗余，提高圖像識別的準確率，可以通過邊框平移和圖像縮放找到一種映射f，使得f(Ax，Ay，Aw，Ah)≈(Bx，By，Bw，Bh).圖像位移和尺度變換因子可表示為

(1)

(2)

式中，dx(A)，dy(A)，dw(A)，dh(A)分別為向量A在x，y，w，h維度的變化.目標函數可表示為

B′x=Awdx(A)+Ax

(3)

B′y=Ahdy(A)+Ay

(4)

B′w=Awedw(A)

(5)

B′h=Ahedh(A)

(6)

由式(3)～(6)可知，需要尋找合適的dx(A)，dy(A)，dw(A)，dh(A)才能實現輸出值和真實值之間的映射.基于CNN模型的邊框回歸階段，其輸入量為原始圖像的特征向量和目標信息矩陣，輸出量為預測的邊框位置.

定義目標函數為

(7)

式中：f(A)為輸入候選框的特征向量；C(x，y，w，h)為變換參數.定義信息損失函數為

(8)

式中，ti為相對于邊框回歸窗口預測尺度的變化量，優化目標為

(9)

1.3 模型訓練和調參

訓練樣本為1 000張現場拍攝的配電網照片，并將樣本調整為統一的512×512像素圖片，然后針對樣本進行訓練.設置學習速率為0.005，選擇PreLU作為激活函數，并使用MSRA進行初始化，損失函數變化曲線如圖2所示.由圖2可知，隨著迭代周期的增加，損失函數值逐步趨于穩定.訓練和測試的準確率變化曲線如圖3所示，準確率分別能夠達到95%和90%以上.

圖2 損失函數變化圖Fig.2 Variation diagram of loss function

圖3 準確率變化圖Fig.3 Variation diagram of accuracy rate

2 故障判斷

配電網電氣設備的紅外圖像包含了設備的發熱信息，為了對設備是否存在發熱故障進行判斷，本文在對目標識別的基礎上，提取紅外圖像的灰度信息和梯度信息的紋理特征，完成對設備的故障判斷.

2.1 特征提取

采用灰度-梯度信息矩陣提取紅外圖像的紋理信息時，首先需要對圖像信息矩陣進行歸一化處理.設g(m，n)為像素點(m，n)的梯度值，h(m，n)為像素點(m，n)的灰度值，提取表達式為

(10)

(11)

式中：gmax為最大梯度值；Ng為歸一化后的梯度級最大值；hmax為最大灰度值；Nh為圖像歸一化后的灰度級最大值.本文取Ng和Nh為16.

統計滿足H(m，n)=i和G(m，n)=j的像素個數，并將其作為灰度-梯度共生矩陣T(i，j)值，得到歸一化的灰度-梯度矩陣T′為

(12)

式中，a、b為圖像的像素大小.

結合紅外熱像的特點，本文列出了13項主要的紋理特征參數，包括灰度-梯度矩陣的小梯度優勢、紋理特征參數的灰度分布不均勻性、梯度分布不均勻性、能量、灰度平均值、梯度平均值、灰度均方差、梯度均方差、相關性、灰度熵、梯度熵、混合熵及差分矩.

2.2 設備故障識別

為了對設備是否存在發熱故障進行判斷，降低信息冗余、提高運算速度，本文采用主成分分析方法(PCA)對上述灰度圖像的13個特征參數進行分析.從中提取出更具代表性的新特征因子來表征圖像特征，主成分分析的基本步驟如下：

1) 計算協方差矩陣.本文選擇配電網防雷設備的紅外圖像灰度紋理特征參數作為分析變量，對選定的初始變量構造原始特征空間矩陣.假設X是p×q的原始樣本空間矩陣，由公式計算得到樣本空間的協方差矩陣C為

(13)

2) 計算特征值λ和特征向量E.計算協方差矩陣C的特征值λj(j=1，2，…，p)及其相對應的特征向量E(正交方陣)，并將特征值從大到小排序，得到新的變換矩陣T，進而可以得到p個特征參數Y，即

Y=XT

(14)

3) 確定主成分.在計算特征值的基礎上，利用單一貢獻率和累計貢獻率對主成分的權重進行評價.當累計貢獻率超過85%，即可采用i個元素代替樣本的q個特征參數，特征矩陣Y的前i列元素(Y1，Y2，…，Yi)即為所要求的主成分.

本文以如圖4所示的樣本灰度圖像為例，選擇圖中檢測到的10個電力設備的灰度圖像作為數據樣本，構成大小13×10的特征值數據矩陣X，所得到的特征值及特征向量的貢獻率如表2所示.

圖4 灰度圖像及目標提取效果Fig.4 Gray level image and target extraction effect

表2 PCA特征值及貢獻率Tab.2 PCA eigenvalues and contribution ratios

由表2中數據可看出，選取前5個主分量對灰度圖像特征分析時，其累計貢獻率超過85%.因此，可以認為這5個分量已經攜帶了絕大多數的灰度圖像紋理特征信息，能夠實現對電氣設備的發熱故障分析.

將特征參數作為輸入向量，以設備發熱狀況是否超過閾值作為神經網絡模型分類輸出向量，即輸入層為5個主成分分量節點，輸出層為設備發熱是否超標2個節點，對故障進行判斷.設置神經網絡模型的訓練要求精度為0.05%，對設備進行發熱故障識別時，識別準確率為85.56%.

3 結 論

本文研究了基于神經網絡模型的圖像識別技術在配電網設備監測中的應用，主要結論如下：

1) 通過分析卷積核尺寸、步幅以及零值填充對卷積神經網絡的影響，完成了對配電網設備圖像特征提取網絡的架構設計.采用5個卷積層搭建網絡模型，同時利用7×7，5×5，3×3的卷積核以獲取詳細的局部信息.

2) 采用邊框回歸算法實現了對圖像識別對象的準確標記.同時采用非極大值抑制的方法完成了對冗余信息的過濾，進一步提高了圖像識別的準確率.樣本訓練和測試的準確率能夠分別達到95%和90%以上.

3) 采用灰度-梯度信息矩陣提取了配電網設備紅外圖像的紋理信息特征參數，并利用主成分分析的方法得到了5個能夠表征特征參數的主成分分量.在此基礎上完成了對電氣設備發熱故障的識別，識別準確率約為85%.