基于SE-YOLOV4的變電站斷路器分合狀態識別算法

劉 超，韓 懈

（江蘇大學電氣信息工程學院，江蘇鎮江 212013）

0 引言

如今對電力系統穩定運行的要求越來越高，因此具有保護和控制作用的斷路器在系統中具有重要作用。斷路器不僅需要保證電力系統的正常運行，而且要保證當電路發生故障時可及時切斷電源，防止電力系統因故障而損壞［1-3］，所以實時監測并識別電力系統中斷路器的工作狀態非常重要。

在日常工作中，隨著智能電力系統的發展，倒閘的操作已開始朝遠程操作的方向發展，但在運行過程中仍需要人工到現場識別斷路器、隔離開關等位置是否正常，操作完成是否正確等。這種工作方式雖然減輕了工作人員手動合閘的工作強度，減少了工作時間，但對工作人員的主觀判斷有較強的依賴性。因為電力系統的復雜性，工作人員在檢查時容易出現誤檢、漏檢等現象，并且人工檢查還存在很高的危險性，從而嚴重影響了電力系統的正常工作。截至目前，電力系統還沒有實現真正意義上的智能控制，監控臺需要工作人員到現場確認斷路器開關的分合狀態后，再根據收到的信息進行操作。因此，在電力系統中實現一種全天候、全天時的斷路器分合狀態識別已成為一個必然的需求［4-6］。

1 相關工作

隨著深度學習算法在目標檢測領域的發展，對圖像的處理識別能力有了較大提升。相比傳統方法，深度學習能夠更高效地提取圖像特征信息。目前深度學習己被廣泛應用于圖像識別、目標檢測、分類等領域。近年來，Girshick 等［7］首先將基于區域建議的卷積神經網絡（Regionbased Convolutional Network，R-CNN）應用于目標檢測，使目標檢測的精度有了明顯提升。R-CNN 主要由候選窗口模塊、特征提取模塊和支持向量機（Support Vector Machine，SVM）［8-9］分類器模塊組成。R-CNN 的工作流程是通過選擇性搜索生成候選框，然后將其全部輸入到神經網絡中進行目標特征提取，最后在SVM 分類器上進行候選框的分類和回歸操作。雖然R-CNN 在目標檢測方面極大地提升了檢測性能，但是由于R-CNN 是兩階段的檢測器，所以檢測速度較慢。隨后Faster-RCNN（Faster Regionbased Convolutional Neural Networks）［10］、FPN（Feature Pyramid Networks）［11］、SSD（Single Shot Detection）［12］、YOLO（You Only Look Once）［13］等優秀的目標檢測算法相繼被提出，使目標檢測技術得到了迅速發展。

基于卷積神經網絡的電力系統斷路器分合狀態檢測目前已成為一個研究熱點。朱萌等［14］提出基于深度信念網絡的高壓斷路器故障識別算法，該深度信念網絡是一種非監督的神經網絡，由多個受限玻爾茲曼機疊加而成。工作過程是首先使用無標簽的數據樣本自下而上地對各層受限玻爾茲曼機進行貪婪學習訓練，得到最優參數，然后將此結果定為初始參數，將網絡展開成反向傳播結構，再使用帶標簽的數據進行微調，最后得到深度信念分類網絡。其優點是采用非監督學習可自動學習目標的有效特征，但存在的問題是檢測精度相比有監督學習略差。曹宇鵬等［15］提出一種基于卷積深度網絡的高壓真空斷路器機械故障診斷方法，該網絡利用卷積層對原始振動數據進行特征轉換，結合門控循環單元的局部時域特征表示能力對故障敏感特征進行提取。其優點是可充分發揮CNN 模型對于潛在特征值提取的優勢，快速、準確地提取大量有效的特征值。長短期記憶神經網絡模型能較好地擬合機械振動信號的時序性和復雜非線性關系，從而有效地對機械振動狀態進行識別，但存在的問題是需要較多樣本進行訓練。

以上方法都未對斷路器分合狀態方面作深入研究，而本文通過基于深度學習的方法對高壓斷路器分合狀態檢測進行了深入研究，彌補了高壓斷路器分合狀態檢測研究的不足，有效提高了檢測精度。

2 網絡算法

2.1 YOLOv4

本文網絡采用改進的YOLOv4算法進行高壓斷路器分合狀態檢測［16-17］，其骨干網絡采用CSPDarknet-53，其中CSP 可增強網絡的學習能力，能夠在減輕網絡負擔的同時保證準確性、降低計算開銷和內存成本。Darknet-53 共有5 個大殘差塊，每個大殘差塊內又包含多個小殘差單元，而CSPDarknet53 是在Darknet53 的每個大殘差塊上加上CSP（Cross Stage Partial Networks）結構。網絡中使用Mish 函數作為激活函數，該激活函數具有無邊界的特點，可使其避免梯度封底而導致梯度流飽和。網絡中采用空間池化層（Spatial Pyramid Pooling，SPP）和路徑聚合網絡（Path Aggregation Network，PANnet）作為特征提取部分。SPP 的結構可有效增加感受野，分離出顯著的特征信息。PANet 是通過自底向上的路徑增強，縮短底層到頂層信息的傳輸路徑。輸出部分使用3 個YOLO head 通過兩層卷積作預測輸出，本文算法在其主干中的Resblock（殘差模塊）中加入通道注意力機制（Squeeze-and-Excitation Networks，SENet）。殘差網絡學習恒等函數比較容易，而且不會降低網絡效率，有效提升了網絡性能。網絡信息處理流程是輸入圖像經過主干網絡后提取其3 個有效特征層，之后經過兩次上采樣和下采樣的處理，再進行預測輸出。總體網絡結構如圖1所示。

2.2 注意力機制

通道注意力如圖2 所示。通道注意力［18］主要是通過網絡學習特征權重，然后獲得對每個特征圖關注的重要程度，通過該程度給每一個特征通道賦予一個權重值，從而讓網絡重點關注重要的特征圖，給予有效特征圖的權重大，無效或效果差的特征圖權重小，使模型達到更好的效果。其原理是在數據后嵌入兩個特征層，第一層作為隱藏層，第二層用于輸出通道之間的權重。這兩層主要用來進行編碼，對通道間進行擬合操作，從而得到最終的注意力通道。

2.3 路徑聚合網絡

路徑聚合網絡的特點是對特征進行反復提取，具有一條不到10 層的自底向上的路徑，底層特征信息可直接傳到頂層［19］。由于電力系統中斷路器所在位置背景的多樣性和復雜性，有時不能準確提取特征信息，因此使用路徑聚合網絡可有效提取目標特征。其可以很好地提取斷路器目標的淺層特征，對目標進行準確定位。

Fig.1 Overall network structure圖1 總體網絡結構

Fig.2 Channel attention圖2 通道注意力

2.4 數據增強技術

由于訓練集圖像中的目標位置固定，但在實際測試時會出現較多變化，因此為了提高SE-YOLOv4（Squeezeand-Excitation YOLOv4）算法的可靠性，加入了數據增強技術［20］，通過改變圖像亮度、尺寸大小等方法使圖像變得更加多樣化。雖然其樣式發生了變化，但是實際上依然是斷路器。將增強后的圖像放到神經網絡中進行學習訓練，可有效提高網絡算法的可靠性，并且降低其他因素對目標檢測識別的影響。原圖像如圖3 所示，增強后的圖像如圖4所示。

Fig.3 Original image圖3 原圖像

3 應用實驗

3.1 實驗環境

Fig.4 Enhanced image圖4 增強后圖像

本文實驗基于Pytorch 框架搭建，使用NVIDIA 服務器的Ubuntu 18 04系統，GPU 為NVIDIA Tesla V100。

3.2 實驗方法

實驗評價指標主要有精確率（Precision，P）、召回率（Recall，R）、F1 以及平均精確率（Average Precision，AP）。計算公式分別為：

式中，TP 表示預測為目標，實際也是目標的個數；FP表示實際為非目標，但預測為目標的個數；FN 表示實際為非目標，但預測為目標的個數。

3.3 實驗結果

實驗圖像數據采自揚州市江都區轄區內的110kV 變電站。本文所識別的斷路器型號為GW5-40.5DDW 戶外高壓斷路器，主要用于三相交流為50Hz、額定電壓為110kV 的電力配電系統中的高壓開關設備，該設備普遍應用于城市輸電網及農網等一些電力系統中。采用幀率為25 幀、分辨率為4 032*3 024 的攝像機，分別在清晨、中午、黃昏3 個時間段以及不同角度下對斷路器進行拍攝，通過長焦距攝像機可覆蓋整個斷路器區域。實驗數據集共包括3 265 張圖像，將數據集按4：1 的比例劃分成訓練集和測試集，其中訓練集有2 612 張圖像，測試集有653 張圖像。實驗結果比較如表1所示。

表1 中，1w 表示斷路器閉合狀態，2w 表示斷路器分離狀態。由以上對比結果可以看出，本文算法的精度為79.16%，相比原算法提升了1.72%，證明了本文算法的有效性。實驗平均精度圖如圖5所示。

Table 1 Comparison of experimental results表1 實驗結果比較

Fig.5 Mean average precision圖5 平均精度

本文對斷路器分合狀態進行檢測識別，在不同環境、天氣和背景下的可視化結果如圖6 所示。從圖中可以看出，即使是在陰天昏暗或陽光強烈的場景下，均能準確檢測出斷路器的分合狀態。

Fig.6 Visualization results圖6 可視化結果

4 結語

針對斷路器分合狀態識別采用人工檢測方式，費時費力、誤差較大且安全系數較低的問題，本文提出基于SEYOLOv4 的變電站斷路器分合狀態識別方法。本文算法的主要創新點是在主干網絡中加入通道注意力機制以關注目標位置，使用數據增強技術對數據集中的圖像進行尺寸和位置變換，提高了算法的可靠性。該方法不但能降低人工檢測成本，而且能提高檢測效率，并通過結果對比證明了本文方法的有效性。未來可考慮將算法部署至邊緣設備或相機前端，將分析后的數據實時傳輸到控制室，通過控制平臺進行監控，隨時發現問題并進行處理。同時，可提升特征提取網絡效率，并通過優化網絡結構以減少網絡推理時間、降低網絡推理內存。