圖像識別在電力行業的應用

長沙理工大學 馮 席

當前，電力信息化飛速發展，信息技術為電力行業增添了新生力量，推動了電氣設備產品智能化升級。近年來，我國經濟水平不斷提高，人們用電需求也在不斷增加。傳統的供電結構已有不能滿足需求的趨勢。電力系統改革迫在眉睫，需要安全高效地為社會發展提供充足的電能[1]。電力系統龐大，其中包括大量的冗余信息，依靠人工進行處理會耗費大量的人力、物力和財力。并且人力進行信息處理，難免會發生誤判，電力系統運行可靠性得不到保障。由于圖像識別技術具有高智能化，將其引入電力系統檢測代替人工檢測可提高檢測精度，提高工作效率，進一步提高了我國電力的安全性、可靠性。圖像識別技術的應用和發展為今后電力系統智能化的持續發展提供鋪墊。

1 圖像識別概述

圖像識別技術是以計算機為基礎，對一系列海量的圖像進行分析，區分歸納出不同圖像的技術，該技術是對輸入的圖像進行特征提取、分析、分類的過程。

根據圖1，圖像識別步驟環環相扣，相輔相成，缺一不可。圖像識別嚴密性和順利性，直接關系到電力公司檢測工作的準確性。圖像識別流程為：圖像采集、圖像預處理、圖像特征提取、圖像分類。圖像采集為后續的圖像識別網絡訓練做了鋪墊，圖像預處理是必不可少的一環。由于傳感器受到自身、通信等因素的影響，所采集的圖像包含了大量的噪聲，因此使用圖像預處理可以增加圖像識別的精度。圖像特征提取為最后的圖像分類步驟做了鋪墊，需要提取足量的特征信息，特征分類的精度才會上升。

圖1 圖像識別流程

一是圖像采集。借助傳感器、數碼相機、攝像頭等外用工具生成數字圖像，并將圖像存儲在計算機內，展示在計算機屏幕上。這些圖像包括人們所需要的訓練神經網絡的數據集以及測試集。

二是圖像預處理。圖像預處理是指對采集的圖像進行降噪、增強等操作，提高圖片質量，避免后續識別圖像過程造成誤測。在構建圖像識別模型的過程中，要結合具體的情況選擇原型匹配模型或者模板匹配模型。圖像增強：圖像在成像過程中由于無線電波、物體相對移動、射線輻射等各種影響，不可避免會發生分辨率降低的情況，可稱之為圖像退化。為了保證后續的識別質量，利用圖像增強使圖片分辨率進一步提高，使圖片的輪廓更加清晰，特征更加容易提取。圖像重建：將圖像增強提取出來的特征信息（通常為數據）建立為圖像。

三是圖像特征提取。由于神經網絡的非線性特征，處理大量的圖像數據和容錯性高的特點，此模塊通常采用神經網絡算法。神經網絡算法以人類的神經網絡為基礎，算法中的神經元類似人類的神經細胞，以此來模仿學習人類的行為。神經網絡通過各個神經元的信息連接進行學習，從而達到處理信息的目的。利用多種卷積神經網絡對數據的重要特征進行提取，這是圖像識別至關重要的一環。

圖片中一個像素點為一個數據，那么一張圖片包含著多個像素點，因此其含有大量的信息。這些像素信息有相互聯系性，而傳統的圖像識別算法并不能充分學習數據之間的信息，因此由于神經網絡強大的非線性表達能力和處理大量數據的能力，其在一定程度上要優于傳統模型[2]。

四是圖像分類。此環節用于特征對應，通過softmax函數對圖片特征進行概率計算，以此找到超過所設置概率閾值的類別，通過非線性極大抑制得出最大概率的預測框，此類別就是最后識別出的類別。與圖像分類不同的是，圖像識別技術是采用多個預測框對同一張圖片的多種對象進行“分類”，而圖像分類僅僅針對一個對象。

2 圖像識別應用于電力行業場景

早在20世紀九十年代，日本便提出電力機器人的構想。2018年建立了國家電網公司電力系統人工智能聯合實驗室，充分發揮大數據、先進計算與人工智能在電網領域的應用價值，結合人工智能基礎支撐能力與電網業務場景應用成效，促進電網智能化發展；2019年2月，國家電網輸電線路巡檢圖像智能分析云服務系統建成，并于當年12月面向公司系統開放。南方電網中山供電局在2019年12月31日至2020年9月30日，已有25個省級電力公司訪問使用了輸電線路巡檢圖像智能分析云服務系統，建立賬號600余個，通過該系統累計處理線路本體和通道山火相關圖像740余萬張。

南方電網公司實現了輸電線路絕緣子破損、鳥巢等機巡圖像多類缺陷的自動識別；國家電網公司實現了復雜環境中多種電力監控目標及其位移、狀態的識別，研制了電力人工智能硬件模塊FPGA，可集成到巡檢無人機、機器人及監控攝像頭中。利用工業機器人使用圖像識別技術對電力設備進行檢查，大大提高了檢測效率，減少人力的浪費；同時人工巡檢往往耗費人力、物力，尤其是一些高壓設備會危及工作人員性命的危險。以下為智能化設備巡檢所應用的典型場景[3]。

一是需要進行檢測的高危地區。經濟不發達的地區部分電力設備放置在高危地區，如陡峭山區，工人不方便進行設備檢測，應用無人機進行圖像識別可完成檢測工作。

二是地下隧道檢測。地下隧道長期處于黑暗中，不易進行人工檢查。利用圖像識別技術可以輕易檢測出墻壁裂縫、漏水處以及部分設備老化、腐蝕損壞處。

三是惡劣環境下輸電線路檢測。大風、冰雹、暴雨、掛墜物等惡劣環境下可造成電氣設備的損壞，如2008年湖南電網遭遇了歷史以來最嚴重的冰凍災害，冰凍災害對輸電線路和電網結構帶來了較大破壞。

3 圖像識別適用于電力行業案例

目前，隨著深度學習的飛速發展，圖像識別技術愈加成熟，其在電力行業中得到廣泛應用，在智能巡檢變電站可以通過檢測高壓套管狀態、儀表示數、變壓器狀態、絕緣子等戶外設備狀態，人工判斷此時變電站的情況是否異常。以下為圖像識別技術在電力檢測中的典型應用[4]。

3.1 電氣設備檢測

一是指示儀表檢測。隨著時間的累積，“老齡”電氣設備經過風吹日曬，儀表數字、設備說明等單純用人眼難以分辨。目前，我國一些電力企業在執行填寫撤回電能表表數的工作環節時，依然是采用人工錄入的形式，這就導致極易出現操作失誤現象，從而降低信息準確性，對企業自身和消費者造成不必要的損失。圖像識別技術自動化、智能化的優勢可幫助企業通過計算機與專業程序自動填寫撤回電能表表數，提升信息準確率。將圖片進行二值化處理，通過高效的網絡模型，如Yolox模型對指針的角度、儀表的刻度、指針的位置進行定位、識別，方便后續數據處理工作。

二是絕緣子等戶外設備故障檢測。電氣設備往往設置在戶外，如絕緣子、螺栓等器件。設備表面的污穢、裂紋、損壞往往會造成輸電故障。對在高處的電氣設備進行人為檢測耗費過大。若工作人員僅靠肉眼觀看無人機檢測設備視頻進行查詢故障，易發生誤判、漏判的情況，使檢測成本增加。應用圖像識別技術能對故障處進行定位識別可提高故障檢測準確率。

三是變壓器設備故障檢測。變壓器是電力系統中的核心設備，在工作過程中，變壓器發生油位異常、溫度異常均會發生設備故障。變壓器漏油的周期不同且速度過快，人工不易檢測且容易出現誤判的情況。利用變壓器的液滴滴落視頻，以及漏油軌跡對變壓器設備漏油故障點進行預測、分類討論。此外，采用紅外測溫技術，對運行中的變壓器實施溫度監控。若超過一定的閾值，則報警。

四是斷路器檢測。斷路器避免了頻繁啟動電機設備，對各個電力設備和輸電線路實施保護，在輸配電中起著至關重要的作用。將圖像進行預處理，去除由于外部條件對圖像產生的干擾，隨后進行二值化，通過神經網絡對斷路器的特征進行提取，觀測斷路器的狀態。

五是在穿戴式電力設備上應用圖像識別技術，從而預防誤操作，實現了技術的創新。利用采集穿戴式設備的標牌與間隔名稱，借助于無線網絡將采集的圖像向計算機服務器進行傳輸，計算機服務器識別采集的圖像，和操作票相結合對工作人員是否存在誤操作進行判斷[5]。

六是應用圖像識別技術，監督、檢測輸電線路的實時狀況。自動識別由于大風、雨雪等惡劣天氣造成線路舞動，以及在高負荷狀態時出現的弧垂增大等異常情況，盡早制定應急預案。

3.2 變電站安全監測

變電站圖像識別，主要通過安裝紅外與可見光攝像頭實現變電站遠程圖像、遠程監控、遙視與安全預警。

一是圖像識別技術在電力信息化建設中應用到消防安全防護上，主要是借助于紅外線攝像頭對火焰的紅外輪廓進行提取識別，基于對火焰亮度、火焰飽和度等特征與形態學以及連通性相結合進行分析，從而實現識別靜態火焰的目的；借助目標圖像法識別動態火焰，從而實現了預防火災的目的，確保了電力系統的安全、穩定運行。

二是變電站內可采用無人監視策略，通過周圍的圖像攝像機對周圍環境進行監控，若周圍環境發生變化，如進入非法入侵者，當計算機定位到入侵者并識別出是陌生人時，則調度者通過互聯網網絡收到告警信號。但是此技術需要對工作人員的體態、身高、步態等進行收集并識別，這加大了數據集收集和圖像識別的難度。

3.3 光伏發電周期預測

光伏發電受云層遮擋的影響，使其發電效率呈現不斷變化的波動趨勢。利用圖像識別技術對天空的云層進行識別，分析所識別云層的形狀、運動方向，利用數據驅動等算法推測云層的演變，實現云層遮擋情況的光伏發電效率預測。

4 圖像識別在電力行業的挑戰

一是圖像識別的網絡模型需要大量的數據進行訓練，而在電力行業中，圖片數據遠沒有像COCO數據集同等的大數據集，基于電力的部分網絡模型有可能會面臨著訓練不足而導致精度下降的問題。

二是目前電力行業方面沒有統一公用的數據集，全國各地難以實現數據共享。導致進行網絡訓練時，數據需要實地進行采集，耗費大量的人力。如若實現共享數據集，該數據集將會異常龐大，訓練更加困難，數據量也會成倍增加。

三是穩定性不足，目前圖像識別精度大多停留在80%～95%，難以達到100%，因此算法發生誤判的情況不可避免，這給后續的工作或多或少帶來影響。

四是目前電力行業大多采用無人機、機器人等進行原始圖像采集，對所需要的圖片進行人工處理。圖像識別算法的實現依賴于特定領域的人工標記樣本，一定程度上存在標記誤差等情況影響訓練質量。除此之外，人工標記的樣本難以推廣到其他場景，因此目前自適應圖像識別也開始研究，但并未真正大規模投入使用。

目前，深度學習在各個領域蓬勃發展，但是有些地方還不完善，其發展潛力較大。近年來，電力行業逐漸引入人工智能，為電力系統的運行維護帶來了較大的便利。但圖像識別技術在電力行業的應用還普遍存在數據不足、精度不高、穩定性不足等問題，將來有望針對電力行業的特點進行更進一步的改進研究。隨著神經網絡模型的熱潮愈加高漲，有望引入遷移學習、Transformer、元學習、分布協同式專家系統等知識，加強網絡模型的非線性處理能力，增強圖像識別的精確性和穩定性，提高電力系統運行的穩定性。如何在電力系統建設中應用好圖像識別技術，充分發揮其優勢，實現電力信息化的可持續發展是一個待深究的研究問題。