融合LSD算法與深度學習的變電所設備運行狀態監測

關鍵詞：深度學習；設備運行狀態監測；變電所設備；人工智能

中圖分類號：TP391.41；TP18；TM63 文獻標識碼：A

0 引言

在電力系統中，確保變電所內開關電柜正常運行是維持電網穩定和安全的關鍵[1]。隨著時代的進步，傳統的變電所設備監測方法暴露出較大的弊端。盡管在很長一段時間里，人工巡檢和基本傳感器監測為電力系統的維護與運行提供了支持，但它們也存在一些不足。人工巡檢耗時耗力，且極度依賴巡檢人員的專業技能和經驗，這不僅限制了監測的頻率和效率，而且也增加了遺漏或誤判故障的風險。同時，雖然傳統傳感器提供的數據能夠反映一些設備的運行狀態，但其往往局限于特定的測點，缺乏對設備整體狀況的全面把握。更為關鍵的是，這些方法通常只能實現事后診斷，難以進行故障預測，導致維護響應滯后，無法有效預防故障的發生。因此，傳統監測方法在保障電力系統高效穩定運行方面，面臨著嚴峻的挑戰。對傳統監測方法進行革新已成為提高電力系統可靠性和效率的重要途徑[2]。直線段檢測（line segment detector，LSD）算法結合深度學習技術的應用，為開關電柜狀態的監測和分析提供了一種新的解決方案。

LSD 算法在這一過程中扮演著至關重要的角色，它能夠快速、準確地從變電所開關電柜的圖像中識別關鍵的直線信息，為后續的深度分析奠定基礎。該算法不僅可以精確定位開關電柜，還為深度學習模型分析開關狀態提供了重要的圖像數據支持。深度學習模型通過學習圖像數據集，實現了對開關電柜狀態的自動檢測，包括判斷開關是否處于閉合或斷開狀態，從而實現對電力系統關鍵設備的實時監控和智能分析。

融合LSD 算法與深度學習模型的方法，不僅大幅提高了監測的效率和準確性，還能夠通過持續的學習和優化，對潛在故障和異常進行預測和預警。隨著研究的深入和技術的進步，將LSD 算法與深度學習結合的方法有望在電力行業中發揮更加重要的作用，推動電力系統監測技術向著更高的智能化和自動化水平發展[3]。

1 基于LSD算法的開關電柜邊緣檢測

1.1 LSD 算法介紹

LSD 算法是一種高效的直線段檢測算法，旨在從圖像中自動檢測直線段。這種算法適用于需要快速、準確地識別圖像中直線結構的場景，如建筑物識別、道路檢測以及機器人導航等[4]。LSD 算法的核心思想是在不降低圖像分辨率的前提下，通過精確地評估梯度方向來檢測直線段。具體步驟如下。

（1）梯度計算：利用算法計算圖像中每個像素點的梯度強度和方向，其可以通過使用索貝爾算子或其他邊緣檢測算子來實現。

（2）角度量化：梯度方向被量化到一定的數量級，以降低計算復雜度。

（3）直線投票：算法將圖像中的每個像素點分配到相應的量化方向上，然后在這個方向上進行投票，以檢測可能的直線段。

（4）區域生長：在確定候選直線段的基礎上，通過區域生長的方式細化這些直線段的位置，確保準確、高效地檢測直線段。

在以上過程中，梯度強度的計算公式為：

式中，θ 為梯度方向。

1.2 基于LSD算法的開關電柜邊緣檢測流程

基于LSD算法的開關電柜邊緣檢測流程中，首先，通過對輸入的圖像進行預處理，使用LSD算法精確地識別圖像中的直線段；其次，通過篩選移除長度不符和傾斜度較大的直線段；最后，利用HSV[ 色調（hue）、飽和度（saturation）、亮度（value）] 顏色空間分析直線段周圍的顏色區域，過濾掉背景顏色不匹配的直線段。通過以上步驟有效縮小了開關邊緣判斷區域，實現了對開關電柜的高精度定位，從而提高了邊緣檢測的準確性，優化了數據質量，為電柜開關狀態的準確監測提供了堅實基礎。直線段檢測流程如圖1 所示。

2 基于深度學習的設備運行狀態監測

深度學習通過模擬人腦的處理機制，已經在圖像識別、語音處理和自然語言理解等多個領域取得了較大的進展。其中，在對象檢測領域，YOLOv3（you only look once version 3） 以其卓越的檢測速度和準確性，成為這一技術進步的杰出代表。YOLOv3 的網絡架構采用Darknet-53 作為其特征提取的骨干網絡，該網絡含有53 個卷積層，輔以殘差連接以防止訓練過程中的梯度消失問題，保證了網絡深度和學習能力[5]。除此之外，YOLOv3 在設計時引入了以下關鍵的改進點。

（1）多尺度預測：YOLOv3 通過在網絡的多個層級添加預測分支來實現在3 個不同尺度上的預測，這使其能夠更有效地檢測不同大小的對象。這種方法類似于特征金字塔網絡，有利于捕捉更為細致的特征。

（2）類別預測改進：與之前版本相比，YOLOv3采用邏輯回歸來預測每個邊界框的對象類別，使得模型能夠同時處理多標簽類別，即一個物體可以同時屬于多個類別。

（3）錨框優化：YOLOv3 通過聚類分析訓練數據集中的邊界框尺寸，選擇了9 種尺寸的錨框，并將它們分配到3 個尺度上，該方法的檢測結果更接近實際對象的形狀和尺寸，提高了檢測的準確性。

本文需要檢測的開關類別為橫向、縱向和斜向3 種情況。最終，YOLO 的損失函數可以表示為：

3 實驗結果與分析

3.1 開關電柜邊緣檢測結果

為了能夠驗證基于LSD算法的開關電柜邊緣檢測結果，本文使用霍夫直線檢測與LSD 算法檢測結果進行對比分析，兩種方法都是在Python 3.8.6環境下，利用OpenCV 庫進行比較，得到的結果如表1 所示。

由表1 數據可得，LSD算法表現出更高的效率。通過對檢測率、重復率、斷裂率、誤檢率和漏檢率等關鍵指標的對比分析，可以確定LSD 算法在精準定位電柜開關邊緣方面具有更優異的性能。基于這些定量的評估結果，LSD 算法被選定為電柜開關邊緣檢測的首選方法，其大大降低了數據標注的時間。

3.2 開關運行狀態檢測結果

在使用LSD 算法生成開關狀態數據后，本文將數據分為訓練集、驗證集和測試集，所占比例分別為70%、20% 和10%。在此基礎上，使用YOLOv3算法進行開關運行狀態檢測，結果如表2 所示。

表2 中的數據顯示， 利用YOLOv3進行的開關狀態檢測研究取得了顯著成果，其準確率為98.90%，展示了YOLOv3在復雜圖像處理任務中的卓越能力。該模型被訓練以識別并分類電柜開關的不同狀態，包括開啟、關閉以及半開狀態，展現了其在實時檢測電力系統中開關狀態方面的實用性和準確性，這對于保障電力系統的安全運行和自動化監控具有重要意義。

4 結語

隨著電力系統的發展和變電所設備的不斷革新，對設備運行狀態的準確監測和及時預警顯得尤為重要。本文提出了融合LSD算法和深度學習技術對變電所設備運行狀態進行監測的方法，基于LSD算法的開關電柜邊緣檢測有效提高了設備結構和細節的識別能力，同時生成的大量數據可以為后續檢測提供基礎；基于深度學習的設備運行狀態監測則實現了高精度的狀態識別和預測。實驗結果顯示，結合這兩種技術可以更全面地監測變電所設備的運行狀態。未來，更多的人工智能監測技術有機會進一步革新電力系統的運維模式，實現更加智能化和自動化的變電所管理。