變電站作業現場安全智能管控技術研究

劉云厚，張艷杰，呂強

（國網技術學院，山東濟南 250002）

目前國家電網公司變電運檢工作自動化、智能化程度偏低，運維日常工作如倒閘操作、設備巡視等內容復雜度低，工作行為枯燥、重復，耗時耗力，人員工作負荷大、易疲勞，存在較大的事故隱患。工作現場管理監督人員安全責任重、管理冗余度高，管理成本高昂[1-2]。目前對現場倒閘操作人員的管控模式主要有以下4 種：①操作票“五級審核制度”。具體流程為操作人擬票檢查—監護人審核—運維工作負責人審核—班組長審核—工區專責審核。②操作現場督察工作制度。運維工作負責人、工區專責等無操作人員在現場操作過程中就位，倒閘操作現場督導檢查。③遠程督察制度。通過遠程監控設備進行現場工作錄像，工作后進行抽查。④操作復誦制度。每執行一步倒閘操作，都要由操作人復誦操作票，監護人檢查確認再進行操作。

運檢工作管理上人力成本高，操作機械性強，工作任務量大，工作人員易疲勞，造成了一定的安全隱患。全程監控視頻只能事后查究，并且由于海量視頻數據是非結構化數據，且容量巨大，信息冗余度高，需要用“人眼”才能解讀。但面對巨量的視頻數據，若單純依靠“人眼”，不僅要耗費大量的人力資源，而且還存在因個體差異性而導致的對視頻圖像的認知偏差[3-4]。并且事后查閱也無法實時發現變電站現場存在的問題。

電網生產的勞動條件和作業環境復雜，作業行為動作不規范、進行了危險作業、未執行（缺失）應有的作業等極大安全隱患的行為普遍存在，但目前作業現場主要采用安全稽查、現場把關、遠程盯防等管理手段，覆蓋面和及時性都不足。

1 變電站作業現場安全智能管控原理與深度學習機器視覺技術的應用

借助人工智能技術能夠有效識別違規行為，提高作業過程中危險點預控效果，做到及時提醒和制止違規行為，保障工作人員人身安全。借助人工智能機器視覺技術，不僅能以輔助督察手段對現場工作全程進行安全管理，還能對海量備用數據進行機器自動識別排查，很大程度上降低了管理工作的負荷，實現了減員增效，同時也實現了變電站現場工作全程監控、識別和在線指導，提高了變電站工作的安全性[5]。通過對基于人工智能深度學習的機器視覺技術的研究，可以實現變電站設備狀態、人員行為的機器視覺檢測與預警，不僅減輕了變電站運維人員的工作負擔，還有效降低了運維管理成本。隨著泛在電力物聯網的建設和人工智能關鍵技術在電網作業現場的推廣應用，基于深度學習的機器視覺技術可實現對作業過程中的工作人員及設備進行實時綜合管控，及時對安全隱患進行預警，并可以實時糾正違規作業行為，降低電網、人身及設備安全風險，顯著提升公司對電力生產現場的安全管控能力，真正實現電網生產作業現場的“可控、能控、在控”，對保障電網安全生產與穩定運行具有重大意義。

創新智能高效的風險防控措施，基于人工智能圖像識別和移動互聯等物聯網技術應用，通過邊緣計算快速識別生產現場的環境風險、設備異常和人員作業違規行為，及時發現風險隱患并預警，提高風險防控能力。為提高防范等級，在傳統電子圍欄等安防傳感器基礎之上，加裝高清視頻裝置，實現對變電站周界環境全面感知。將安防傳感器、高清視頻等數據傳送到邊緣計算節點，智能開展站內全景可視、越界智能分析、視頻跟蹤預警、聲光爆閃、語音警告等，并及時向運維人員推送預警信息，實現站內安防設備之間互聯互通、智能聯動以及全方位立體安全防護。為變電運檢人員的手機或者手持終端APP 配備具有位置信息和近場通信傳感器的設備間隔邊界、現場視頻監控、移動云臺等物聯網技術，通過邊緣計算，智能開展作業人員入場檢測、分組定位、電子圍欄布設、作業范圍劃分、區域檢測、運動檢測、作業監控、違規告警，實現運檢人員、設備間隔、作業范圍的人人互聯、人物互聯，避免運檢人員誤入帶電間隔或是去工作現場監護，確保運檢人員人身安全。基于作業現場信息的自動感知與智能處理，實現變電設備的智能聯動和人員行為的規范管控，推動輸變電巡檢現場作業的信息化、智能化和規范化，最大限度減少漏檢、錯檢發生，提高現場作業的質量和效率。

深度學習機器視覺技術成果研發和應用的途徑可以分為以下5 個階段。

技術研發：開展人工智能關鍵技術的研究與完善。研究電力人工智能算法與模型等核心技術，制定研究框架，實現對現場作業人員身份、設備及其運行狀態、安全工器具使用（是否佩戴安全帽、絕緣手套）、儀器儀表等自動檢測與識別。

產品測試：研發并測試基于人工智能技術的現場作業安全輔助系統。核心內容包括可穿戴智能視覺記錄及分析系統、便攜式智能手持終端，實現對現場作業過程的實時管控和安全行為評價。同時，在國網技術學院實訓220 kV 智能變電站、配網登桿作業等實訓基地進行試點應用，實地測試、完善產品，實現對培訓現場作業安全的實時在線監控，規范參培學員的作業行為，并依據安全作業大數據的分析評價結果制定培訓方案，提升參培學員的操作規范性和主動安全意識。

示范應用：選定某省公司的一個變電站作為示范應用試點，測試現場作業安全輔助系統的應用效果。對產品模型進行優化升級，以滿足現場工作需要。依據現場應用測試結果，完善人工智能產品設計、模型采集訓練、裝置測試及運維方法，形成標準化生產技術。

宣傳推廣：利用中國電力企業聯合會平臺、中國人工智能學會智慧能源專委會、公司技術技能培訓平臺及國際化交流平臺等進行產品的宣傳推廣。

產品再開發：利用已有人工智能算法，針對煤炭、建筑等其他高危作業現場，進行場景的拓展應用研究，并進行實用化測試與完善。

2 變電站作業現場智能安全管控的硬件體系結構與核心算法技術

2.1 硬件體系結構

以全站固定式視頻監控和可穿戴式便攜智能攝像設備為視頻采集單元，采用深度學習的方法實現多攝像頭人員檢測與跟蹤、關鍵性物體（工具、設備、文字、人、動物等）識別、典型違規行為識別，進行現場與后臺兩級職能分析，提供語音交互警示、后臺存儲數據并方便檢索等關鍵功能。涉及的關鍵物體包括標識牌、絕緣手套、驗電工具、操作按鈕、專用鑰匙、安全帽等。變電站作業現場智能安全管控的硬件體系結構如圖1 所示。

圖1 變電站作業現場智能安全管控的硬件體系結構

其中固定位攝像頭的視頻信號將在后場系統中進行集中收集和處理，通過邊緣計算網關完成目標識別任務和部分行為檢測任務。按照目前設備的情況，主要完成人員位置監控等功能。智能穿戴式攝像設備配置在端側，在不依賴實時網絡連接的情況下，以第一人稱視角完成關鍵物體識別和違規行為識別任務。其中人員身份驗證需要通過云端人臉數據進行比對計算，以保證準確性與可靠性。在完成操作之后，各類智能設備將把數據自動上傳至后臺管理系統進行匯總與備份，以供后期實時檢索。同時，操作票管理系統可以根據現行的操作規范對操作人員的整體行為進行評分。后臺安防管理系統提供標準軟件接口，以供其他系統調用評分結果與工作圖像。

對于可穿戴式設備而言，采用便攜式視覺設備有2 種備選方案：純GPU 實現和以CPU 為主實現。GPU計算能力強，但是笨重、耗電。CPU 便攜性好、微功耗，計算能力弱于GPU，但是算法處理得當的話可以達到識別要求，更適合工業場景應用。并且CPU 可以與圖形計算單元GPU 及神經網絡計算單元NPU 進行組合配置，達到高效識別的效果。系統的核心視覺設備為可穿戴式便攜智能攝像設備，具有移動式CPU+GPU/NPU 組合計算能力。整機體積重量與便攜式運動相機相當，方便固定在工作服或者安全頭盔之上，同時需要有一定的三防功能。可采用ARM v8 CPU+NPU Mali 移動版GPU+NPU 的方式進行前期設計，具備深度人工智能算法運行的軟硬件條件。后續將根據具體的場景要求進行優化，盡量控制整機的硬件成本，其定位于可進行量產的穩定可靠的工業產品。核心問題在于硬件成本、設備續航和人工智能關鍵技術點完成度之間如何達到比較理想的平衡情況。計算網關和綜合服務器擬采用標準化的商業化產品，可以在現有設備的基礎上進行升級改造。

2.2 智能管控的關鍵算法

智能管控算法的核心是形成從物體識別到行為判定的完整算法解決方案。

2.2.1 關鍵物體識別算法解決方案

通過前期研究發現，針對變電站內的識別目標，通過改進關鍵的機器視覺算法，提高識別準確度，在理論上和工程上都是可行的。需要針對變電站的實際場景進行數據采集、數據標注和清洗。

數據采集包括以下2 個維度：①物體的不同狀態，如不同型號，不同位置、角度和距離等。②不同的光照、天氣和室內外環境因素對物體的影響數據。

以視頻時間為參考依據，至少需要錄制20 h 左右的原始有效視頻數據，篩選出20 萬～30 萬張工作場景數據，然后組織人力進行數據標注。在前期對目前常用的在線物體識別算法Yolo、SSD 等不同算法的綜合比較情況下，對于變電站場景目標識別擬采用的實施方案如下：基于現有的算法，針對變電站內的工作環境和業務需求進行算法改進和優化。

Yolo 和SSD 都屬于近年來較為流行的物體識別方法，屬一步檢測（one-stage）方法，即用一個神經網絡一次性完成物體區域的檢測和識別分類。Yolo 結構較為簡單，核心點在于用一個全連接層進行物體的分類，能夠進行不同尺度的物體分類，對于體積較大的物體也能夠很好地識別。SSD 算法的核心點在于一個基礎CNN 網絡之上添加多尺度特征和卷積層，進行一次性判別，其特點在于運算速度更快，非常適合運行于便攜式設備，并且對于小物體的識別較為適用。本研究應用SSD 算法對數據進行了重新組織，形成了解決方案[6]。

2.2.2 行為識別算法解決方案

根據現有的標準操作規范，同時結合各省市典型違規操作案例，對違規行為進行場景語義級別的劃分與標注，然后在物體識別的基礎上通過語義理解的神經網絡模型對行為進行智能判別。同時，提供軟件接口與操作票系統進行數據交互。操作票內容以及危險預警可以通過預先設計的語音合成內容來實現，以資源推送更新的方式對設備中的語音播報內容進行持續更新[7]。

關鍵行為包括人臉識別準入與安全帽佩戴管理、間隔確認管理、驗電行為管理（戴絕緣手套、電壓等級確認）和解鎖操作行為管理（操作過程解鎖工具識別）。

行為識別的關鍵在于人體動作的標定，即基于人體關鍵點檢測研究人體分割識別和基礎姿勢識別方法。運用當前較為成熟的人員身份識別技術，建立員工身份數據系統，實現變電站工作過程中人員身份的高效管理。

2.2.3 算法的適應性

算法的適應性主要體現在天氣光線的影響以及各種設備型號之間的差異，采用如下方案：①采用蒙特卡洛數據增廣技術對數據進行超大規模增廣，以提高算法模型的泛化能力，適應多種不同的光照天氣環境；②結合歸納式和無監督式遷移學習，對已有的神經網絡結構進行改造，使得能夠以較低的技術成本在變電站內實施可持續的維護。

3 結論

基于深度學習機器視覺的變電運檢安全保障潛力巨大，以電力行業中變電站作業現場為例，國網公司目前具備配置變電運檢安全保障裝置條件的220 kV以上變電站7 000 余座，如果在每個變電站應用該技術，將產生巨大的市場規模。本文研究了先進的人工智能算法，旨在形成從物體識別到行為判定的完整算法解決方案。研究人工智能機器視覺技術與后臺安防系統分析系統的數據信息智能融合技術，以便攜式設備為核心，結合固定式攝像頭形成完整的智能安全監護產品。采用移動式CPU+GPU/NPU 端側/邊緣側組合計算技術，具有便攜、功耗低、硬件成本低、實時計算可不依賴網絡連接等優點，有利于后續的大規模推廣，有利于針對野外現場作業有關需求的新產品的進一步開發。

此技術不僅可以在發輸變配用各環節現場作業中進行應用，還可以推廣至煤炭、建筑等高危行業中，發展前景廣闊，具有很高的經濟價值和社會價值。