基于機器視覺的智慧變電站運行狀態監測方法

李金鑫 王大力 鄒 胤 董澤強 陳家輝

（貴州電網有限責任公司遵義供電局）

0 引言

當下，隨著城市化進程的快速推進，能源需求不斷增加。特別是在中國這樣的新興經濟體中，城市化進程更為迅猛。城市化帶來了巨大的電力需求，要保證供電的可靠性和穩定性，電網系統必須不斷擴大和升級。為了滿足這種需求，變電站的規模數量迅速擴大［1］。然而，傳統的變電站監測方法存在許多問題和挑戰。首先，傳統監測手段主要依靠巡視和定期檢修，無法實現對設備運行狀態進行連續、實時的監測。其次，傳統監測方式通常需要人工操作，不僅效率低下，而且存在安全隱患。此外，傳統監測方法還面臨著數據獲取困難、數據處理復雜以及無法準確預測故障等問題。為了解決這些問題，智慧變電站運行狀態監測方法逐漸興起，以及時發現故障和異常。為此，相關領域研究人員展開了研究。

王博等人［2］提出智能變電站機械狀態自動監測方法。采集機械狀態下振動信號；通過小波閾值濾除信號噪聲，再對信號進行特征提取，最后構建狀態實時監測模型，完成狀態監測。該方法監測速度較快，但誤差較高，監測效果較差。因此，為提高智慧變電站運行狀態監測效果，為人員提供及時的故障診斷和安全預警，提出基于機器視覺的智慧變電站運行狀態監測方法研究。

1 智慧變電站運行狀態采集及預處理

機器視覺是一種利用攝像機和計算機視覺算法結合，實現對圖像或視頻數據進行分析、處理的技術。機器視覺可以快速采集和處理大量的圖像數據，并進行實時監測，及時發現運行中潛在的異常狀況。其無需物理接觸被監測的設備或場景，降低了人員操作風險，提高了監測的安全性與可靠性。為實現后續的智慧變電站運行狀態監測，展開智慧變電站運行狀態采集。

選擇高分辨率的工業級攝像機采集圖像，該相機需具備良好的防塵防水性能，能夠適應變電站復雜的光照條件。通過安裝多個攝像頭覆蓋不同的設備和角度，以獲取多視角的圖像數據，獲取變電站的全面信息。同時，選擇高速硬盤陣列的數據存儲設備，確保對大量采集的圖像進行穩定和可靠的存儲。并通過以太網連接攝像機，使用協議如TCP/ⅠP來傳輸圖像數據，支持實時監測。為提高后續監測的準確性，需提高圖像質量，接下來進行圖像的預處理操作。

首先，進行圖像濾波操作，以消除噪聲成分［3］。假設f（x，y）表示原圖像，g（x，y）表示處理后的圖像，采用線性濾波器實現去噪處理，其原理如下圖1所示。

圖1 線性濾波示意圖

f（x，y）原始圖像與正方形掩膜h（x，y）進行卷積生成圖像g（x，y），即圖像g（x，y）中紅色標記的像素是根據圖像f（x，y）綠色標記的像素與掩膜h（x，y）計算得到的。由此，濾波系數可由下述公式（1）獲得：

基于所獲得的濾波系數，完成對圖像的濾波處理。利用式（2）可完成原始圖像f（x，y）到濾波處理圖像g（x，y）的轉換。其公式表達式如下所示：

為了使濾波后的圖像有更自然的平滑效果，實現圖像的增強，可以通過改變掩膜的權重值大小來修正濾波處理造成的圖像模糊。一種有效的權重分配思想是根據像素點與掩膜中心點的距離來分配權重，使得濾波權重的值與像素點和掩膜中心的距離成反比，即距離掩膜中心越遠，濾波權重值越小，基于這種權重值分配的濾波方法可以保證圖像中心點的像素值與其距離相近的位置的像素值接近，從而減小了均值濾波處理后圖像的模糊效應。這種像素點與掩膜中心距離相關的濾波掩膜稱為高斯掩膜，以高斯掩膜濾波的方式就是高斯濾波。高斯濾波根據二維高斯函數對濾波權重值進行分配，由此任意大小的高斯掩膜均可通過一個奇數尺寸的矩陣w來表示，式（3）為標準高斯濾波掩膜，式中k為非負整數。

式中，σ2表示方差。

綜上，可獲得增強后的圖像，其表示如下：

2 智慧變電站運行狀態監測特征提取

在處理圖像的過程中，應保留圖像中有用的像素點，其余進行剔除，以提高后續處理的效率。一種簡單的處理思想是選擇一個可以起到臨界區分作用的像素值，將圖像中的每個像素值與該臨界像素值做比較，按照像素值對比的大小將結果分為兩類。圖像閾值化處理方法就是按照這種思想提出的一種方法，該方法是一種基于灰度圖像的處理方法，所選擇的起到區分作用的像素值稱為閾值，該方法可以將一幅灰度圖像轉換為一幅僅含兩類易于區分的顏色的圖像。一般情況下閾值化將圖像轉換為一幅非黑即白的圖像，圖像閾值化處理方法又叫灰度閾值變換或二值化。式（5）是閾值化的數學公式，其中S(x，y)表示處理后的圖像，Td表示所選的閾值，MaxValue和MinValue是二值化后的兩類像素值，當MaxValue和MinValue的值分別為255和0時的圖像閾值操作也稱為圖像的二值化操作，對圖像進行閾值化處理，能快速的提取出圖像的感興趣特征，則其表示如下：

由此，實現圖像的感興趣特征提取。

3 智慧變電站運行狀態監測的實現

支持向量機具有較強的泛化能力和非線性分類能力，與傳統的線性分類器相比，SVM可以更好地處理非線性數據，并通過核函數的選擇將樣本映射到高維空間來實現更復雜的分類決策。為提高支持向量機的分類性能，確保監測結果的準確性，采用灰狼優化算法搜索最優的SVM參數組合，找到更合適的參數配置，提高SVM模型的性能。首先收集智慧變電站運行中所出現的故障狀態數據，通過此數據來訓練支持向量機，在訓練階段，SVM會基于已標記（有類別標簽）的訓練樣本學習如何進行分類，SVM分類模型表示如下：

式中，C為懲罰因子，K(x，xi)為高斯徑向基核函數，b為偏置，l為待識別圖像數量，sign(?)為符號函數，Yi為訓練數據樣本的類別標簽。

其中K(x，xi)和C的取值會對分類模型的結果產生較大的影響，為提高監測結果的準確性，接下來將采用灰狼優化算法展開對SVM分類模型參數的尋優，以找到更合適的參數配置，提高SVM模型的性能。其尋優的具體實現步驟描述如下：

（1）確定參數空間隨機初始種群α、β和δ的位置，如下所示：

（2）更新灰狼位置，表示如下：

式中，Xα、Xβ、Xδ分別為α、β和δ的位置。

（3）灰狼優化算法在迭代過程中，易陷入局部最優解，降低定位準確度。為此，采用萊維飛行來實現對灰狼優化算法的改進。在利用改進后的灰狼優化算法時，計算狼群的參數向量A模的值，根據比較結果得到最優值，當∣A∣≥0.5時更新灰狼位置，則更新公式為：

式中，⊕為點對點乘法；l為控制步長權重；Levi(.)為萊維分布隨機搜索路徑。

（4）尋優過程中將交叉驗證函數作為適應度函數，其表示如下：

式中，s為隨機整數，M為最大迭代次數，n為當前迭代次數，best表示最佳適應度，avg表示平均適應度。

（5）計算各位置的適應度值，若更新后位置的適應度值小于上一位置的適應度值，則輸出尋優后的結果，若大于則返回步驟（3）。

綜上，完成對核函數K和懲罰因子C的尋優，將尋優后的結果代回到公式（6）中，實現對智慧變電站運行狀態的監測。

4 實驗測試

本章實驗程序采用VisuаlC++6.0軟件在Windows平臺下編寫，設核函數K(x，xi)和懲罰因子C的搜索范圍分別為[2-2，24]和[2-4，24]，種群數量為20，最大迭代數為100次。實驗中采集100張智慧變電站運行狀態的圖像進行測試，隨機選取35幅圖像用作測試。為實現對所提方法有效性的驗證，將其與文獻［2］中的方法展開對比測試，將測試誤差作為指標來衡量兩種方法對智慧變電站運行狀態監測的準確性，其測試結果如下表1所示。

表1 監測誤差測試結果

由表1所得的測試結果可知，采用所提方法進行智慧變電站運行狀態監測，其監測誤差始終低于0.3，而采用文獻［2］方法進行智慧變電站運行狀態監測，其監測誤差始終在0.5以上。對比兩種方法所得結果可知，所提方法監測誤差更低，監測更加準確。由此說明，采用所提方法對智慧變電站運行狀態監測，具有更高的監測效果。

5 結束語

為解決傳統監測手段無法準確監測變電站運行狀態故障等問題，提出基于機器視覺的智慧變電站運行狀態監測方法。首先采用高分辨率的工業級攝像機采集圖像，并利用線性濾波處理方法進行去噪，為進一步提高處理后的圖像質量，通過改變掩膜的權重值大小來修正濾波處理造成的圖像模糊，使處理后的圖像有更自然的平滑效果，實現圖像的增強。其次，利用二值化快速提取出圖像的感興趣特征。最后，采用支持向量機來實現對智慧變電站運行狀態圖像的分類，為提高分類準確性，采用灰狼優化算法搜索最優的SVM參數組合，找到更合適的參數配置，提高SVM模型的性能，實現智慧變電站運行狀態監測。實驗結果表明，所提方法監測誤差可控制在0.3以下，監測準確性較高，具有較好的監測效果，可以為人員提供即時的精準的故障診斷和安全預警。