基于數據挖掘與預警的電氣設備運輸狀態識別技術研究

袁天霖，田斌，朱剛，劉佳杰，周龍偉

（1.國網浙江省電力有限公司寧?？h供電公司，浙江寧波 315600；2.寧海縣雁蒼山電力建設有限公司，浙江 寧波 315600）

隨著電力需求的逐年增加，輸配變電容量缺口越發巨大，因此新建變電站和配套輸變電設備也不可或缺。然而變電站主設備大多為專用設備，需要專業廠家生產后通過大件運輸配送到站，故長途運輸不可避免[1-2]。在此過程中，大件設備需控制其運輸速度、三軸加速度以及傾斜角等問題，以避免因運輸而導致的設備損壞，從而影響整體的工程進度[3-5]。

但在傳統的電氣設備運輸過程中，難以實時監控三維加速度、溫濕度、壓力、碰撞次數與強度以及姿態角度等狀態指標。因此，文中基于數據挖掘與預警技術提出了一套電氣設備運輸狀態識別方法。該方法通過部署的視頻采集點全方位獲取運輸過程中的狀態圖像，采用支持向量機(Support Vector Machine，SVM)和改進ResNet-18 網絡深度挖掘圖像信息。同時，還針對性地分析了在此運輸狀態下電氣設備可能出現的異常狀況，以保證設備運輸的安全、可靠。

1 系統設計

電氣設備在運輸過程中的狀態通常由裝載在運輸車輛上的攝像頭、各種傳感設備等監測獲取。但該方式僅能獲取部分圖像數據，且裝載的監測設備可能存在被損壞或篡改的風險。因此，該文利用輸電桿塔、高層建筑等來部署監測設備，以全面獲取電氣設備在運輸中的狀態。電氣設備運輸狀態識別系統，如圖1 所示。

圖1 系統總架構

通過由通信鐵塔、高清攝像頭、分布式存儲模塊等組成的前端系統，實現對電氣設備運輸中視頻等信息的采集、存儲及上傳。而在系統中采用可見光攝像機、熱成像攝像機等主要設備獲取電氣設備在運輸過程中的狀態圖像，且通過傳輸網絡上傳至云中心進行分析識別。最終，將得到的狀態信息用于指導中心人員的管控決策。

2 電氣設備運輸狀態識別技術

傳統的狀態識別技術主要通過設置關鍵因素的閾值，以判定是否存在異常情況。一旦超出閾值，電氣設備有可能存在損壞的風險便會發送預警[6]。但該技術在具體實施中，容易產生預警誤報的情況。因此所提方法綜合多個關鍵因素，利用SVM 劃分電氣設備類型，再根據各個設備的特性，針對性地設計狀態識別模型。該識別流程如圖2 所示。

圖2 電氣設備運輸狀態識別流程

由于各個電氣設備在運輸過程中有不同的要求，例如變壓器的傾斜角度不能超過15°等。因此結合各個設備的運輸特性，利用改進ResNet-18 網絡構建狀態識別模型，且通過不斷地學習及分析，獲得相應運輸狀態并發出必要的預警。

2.1 圖像預處理

在采集運輸過程中的電氣設備圖像時，由于各種因素的影響，噪聲點可能會出現在原始圖像上，從而導致圖像模糊，不利于對其運輸狀態進行精準識別。因此，文中利用均值濾波算法(Mean Filtering，MF)[7-8]進行圖像去噪，通過濾波窗口逐一移動像素，并取窗口的像素平均值直接替代原始圖像的灰度值。經過濾波去噪后的圖像G(x,y)為：

式中，g(i,j)是中心點像素為(i,j)的原始圖像；s為所有鄰域像素集合；N為s內像素點的總數。

圖像經去噪后可有效抑制噪聲，但會造成邊緣細節信息的模糊化。因此還需要進行圖像邊緣的增強處理，即采用自適應增強方法處理圖像邊緣，以獲得清晰的電氣設備運輸圖像。

2.2 基于數據挖掘的設備分類

SVM 作為一種數據挖掘技術，在模式識別、圖像分類中獲得了廣泛應用[9-12]。同時，該技術也能解決小樣本、非線性等問題。而電氣設備的運輸圖像樣本較少，故將其用于電氣設備的圖像分類可達到最佳效果，且對低維與高維數據均具有良好的表現。

SVM 是一種基于監督學習的分類器，能夠解決線性和非線性的分類問題。基于SVM 構建的圖像分類模型，其最佳分類面可表示為：

式中，aj、bj分別為圖像核心特征因子及描述圖像特征因子；?為分類器；?、τ為模型參數。

為了獲取最佳分類面，需要判斷參數?、τ的值，此時引入負松弛變量μj進行求解，具體可表征如下：

同時，引入懲罰因子ζ＞0 以提高分類面建立的效率。則最佳分類面的表示可轉化為：

圖像分類是一個多分類的過程，假設經過樣本和特性的選擇，得到電氣設備在運輸中的圖像集為{b1,a1,φ(a1)},…,{bm,am,φ(am)}，則圖像的多分類模型表示如下：

式中，φ(aj)為圖像類型函數。

通過SVM 對去噪后的電氣設備運輸圖像進行分類學習，從而確定運行中的設備類型，包括變壓器、絕緣子、斷路器、互感器、及電纜等設備。

2.3 基于改進殘差網絡的運輸狀態識別

在應用深度神經網絡[13]識別電氣設備運輸狀態時，一般通過加深網絡以提高其識別效果，但該種處理方式會導致梯度彌散，從而影響最終的網絡性能。因此，所提方法采用結構簡化且性能更優的ResNet-18 網絡[14]進行運輸狀態識別，且將Softmax Loss 和Center Loss 相結合并作為網絡的損失層，以更好地區分相似圖像的特性。

將完成分類后的電氣設備圖像輸入至改進的ResNet-18 網絡中進行分析識別，根據每種設備的特性明確其在運輸過程中是否存在傾倒、碰撞等有損設備健康的狀態。對于熱設備，根據紅外圖像測得的溫差進行判定：若斷路器溫差在35～80 ℃內，屬于一般異常；若在80～95 ℃內，屬于嚴重異常；若大于95 ℃，則屬于緊急異常。而對于發生傾倒的變壓器設備：若傾倒角度在5°～10°內，屬于一般異常；若在10°～45°內，屬于嚴重異常；若傾倒角度大于45°，則為緊急異常。根據電氣設備具體的識別標準判定運輸狀態并發出預警，有利于運輸人員及時作出調整，進而保證設備安全。ResNet-18 網絡的模型結構，如圖3 所示。

圖3 ResNet-18網絡結構

殘差網絡(Residual Network，ResNet)[15-16]由一系列殘差塊組成，而殘差塊的結構設計能夠解決梯度彌散問題，進而保證網絡的識別性能。每個殘差塊均由直接映射部分與殘差部分構成，其可表示為：

式中，F()xl,wl是殘差部分，通常由2～3 個卷積操作構成；wl為權值參數，xl和xl+1分別為殘差塊的輸入及輸出。

由于在獲取電氣設備運輸圖像時，可能會存在光照、拍攝角度等因素的干擾，進而導致圖像特征難以辨識。為解決此問題，引入了Center Loss 函數，其能增大類特征間距并縮小類內特征間距，而Softmax Loss 則能夠有效區分特征。因此，所提方法將兩者結合且應用于圖像狀態地識別。Softmax Loss 函數的計算如下：

式中，xi、wx+b分別為全連接層的輸入和輸出；yi為當前的類別；I為batch 塊的大小；J為類型總數。

Center Loss 函數計算如下：

式中，κyi為第yi個類別的特征中心。

綜上，總損失LΣ計算如下：

式中，λ為比重控制因子，通過調整其數值可優化類內間距。

3 實驗結果與分析

實驗采用的硬件平臺是Dell 塔式工作站，操作系統為Ubuntu 16.04，且基于Python 平臺完成程序編寫，其的GPU 為NVIDIA Geforce 1080Ti，顯存為11GB。同時，采用的圖像集是可見光與熱成像攝像機所獲取的電氣設備在運輸過程中的圖像。此外，網絡參數的設置情況如下：迭代次數為100次，學習率為0.000 1，λ則為0.1。

3.1 損失函數

利用獲取的設備圖像集對改進ResNet-18 網絡進行訓練，其識別模型的損失函數值如圖4 所示。

圖4 損失函數的收斂曲線

從圖4 中可以看出，隨著迭代次數的增加，改進ResNet-18 網絡模型的損失函數值逐漸收斂。當迭代次數超過12 次后，損失函數值在0.05 附近小幅震蕩。由此證明，改進ResNet-18 網絡模型能夠進行有效收斂，其可應用于設備狀態地識別。

3.2 設備分類

利用該文方法對運輸途中的電氣設備進行分類，結果如表1 所示。

表1 電氣設備分類結果

由表1 可知，通過SVM 分類方法對變壓器、絕緣子及斷路器等設備的分類正確率均超過94%。其中，形狀規則的變壓器和電纜分類準確率高達98%。因此，結合圖像預處理以及SVM 分類器的分類方法具備理想的分類性能。

3.3 狀態識別結果分析

對于不同電氣設備，其運輸狀態可分為正常、一般異常、嚴重異常和緊急異常。通過應用所提技術得到的識別準確率，如表2 所示。

表2 不同設備運輸狀態的識別準確率

從表2 可以看出，各個電氣設備的狀態識別準確率均超過了90%。由于嚴重異常較易與一般或緊急異?；煜?，因此其識別準確率相對偏低。由此表明，所提技術在利用SVM 劃分電氣設備類型的基礎上，采用改進ResNet-18 網絡完成狀態識別，能夠較為精準地區分各種運輸狀態。

為了論證所提技術的性能，將其與BP 神經網絡、卷積神經網絡(Convolutional Neural Networks，CNN)進行對比。三種算法的識別準確率結果，如圖5 所示。

圖5 狀態識別準確率

從圖5 可看出，相較于對比算法，所提技術的識別準確率約為97%，原因在于其將SVM 分類器與改進ResNet-18 網絡相結合，從而保證了較優的識別性能。BP 神經網絡的結構簡單，對于復雜環境的圖像狀態識別效果不佳，故準確率低于90%。而卷積神經網絡與BP 神經網絡相比，雖然性能有所提升，但易陷入局部極值，因此其識別準確率僅為92%，仍有待進一步提升。

4 結束語

隨著5G、物聯網技術的發展，設備圖像獲取的成本不斷減小。為了充分挖掘圖像數據的價值，文中采用多源視頻采集方法獲取電氣設備的運輸狀態，并利用SVM 劃分設備類型，再采用改進ResNet-18 網絡完成狀態識別和預警。基于圖像集的實驗結果表明，所提技術的識別準確率接近97%，且對各電氣設備的狀態識別準確率均超過了90%，故具有良好的實際應用價值。后期將挖掘系統其他運輸數據，通過各種數據的融合進一步提高狀態識別的準確性。