基于智能感知與深度學習的智能變電站設備 狀態檢測方法*

李遠松 丁津津 徐 晨 高 博 湯漢松 單榮榮

(1. 國網安徽省電力有限公司電力科學研究院 合肥 230601； 2. 安徽新力電業科技咨詢有限責任公司 合肥 230022； 3. 江蘇凌創電氣自動化股份有限公司 鎮江 212009； 4. 國電南瑞科技股份有限公司 南京 211106)

1 引言

隨著用電量不斷增長，電力系統需要通過變電站實現輸配電線路的大規?；ヂ?，以滿足用戶需求。一旦變電站設備故障，電網超負荷運行下容易出現異常情況，進而影響系統的穩定可靠性[1]。因此需要在變電站內配置監控設備，以實時監測站內設備狀態，并在發現設備異常時上報工作人員[2]。

自20世紀70年代以來，電力系統中絕緣子故障一直是常見的設備問題，由于電力變壓器、配電絕緣體等變電設備的套管絕緣失效，造成電力中斷，給電網造成嚴重損失[3-4]。但依靠人工檢查監測變電站設備的狀態是一項很耗時的工作，并且很難全面地查找出設備故障。而使用熱像儀監測變電站設備狀態能夠獲取較為準確的圖像，工作人員根據圖像掌握設備狀態以采取適當的措施。但該監測方式周期較長，而微小故障持續時間長，缺乏對其連續監測可能會導致危險的發生[5]。而目前常用的措施是在變電站上方安裝低功率熱像儀以監測設備，利用熱像儀采集熱信號，并進行狀態監測分析，而數據分析方法的性能對設備狀態的準確獲取至關重要。

紅外圖像處理通過數據處理獲得表征設備運行狀態的特征量，并利用自適應神經模糊推理系統、深度學習等方法實現設備狀態的分類或識別[6]。文獻[7]針對傳統方法在變電站設備故障修復、被動維護以及預防性維護方面的劣勢，深入分析了設備故障的典型案例，提出了一種有效的電網設備監測維護策略，提高了智能主站對電網設備安全監控的能力，進一步保障了電網安全穩定性。文獻[8]提出了基于核主成分分析模型(Kernel principal component analysis，KPCA)的在線油色譜裝置異常狀態快速識別方法，根據Hotelling-T2及Squared Prediction Error統計量快速識別異常數據，結合數據特征即可實現在線監測裝置工作狀態的快速辨識。實際測試結果顯示，所提方法能準確判斷在線監測裝置的工作狀態，對故障情況作出預警。文獻[9]針對變電站典型的網絡攻擊和流量異常，對變電站站控層網絡流量行為特性進行了分析，提出另一種分形自回歸積分滑動平均(Fractional autoregressive integrated moving average，FARIMA)的網絡流量閾值模型，計算了典型網絡異常概率，從而實現了變電站在網絡攻擊情形下的安全態勢評價。但現有研究大多側重于二次設備、輸電線路等設備，對站內其他設備的研究相對較少，且缺乏對復雜環境下設備狀態的分析，實用性有待加強。

為此，提出一種基于智能感知與深度學習的智能變電站設備狀態監測方法，以實現站內復雜環境下設備狀態的實時檢測。

2 基于熱像圖的變電站設備狀態檢測系統

變電站監控系統架構如圖1所示。圖中展示的是一個110/11 kV變電站，并在站內四個角落距離地面8 m的高度安裝了熱像儀，此熱像儀能夠在水平和垂直面上圍繞中心旋轉360°，以確保變電站設備的全方位檢測。熱像儀能夠持續捕捉設備的熱像，而獲取的圖像會被傳送至安裝在變電站內的遠程終端單元(Remote terminal unit，RTU)，并在RTU內使用數字圖像處理技術作進一步的分析。

圖1 變電站監控系統示意圖

采用圖像處理方法從每幅圖像中提取加速魯棒特征(Speeded-up robust features，SURF)，并在像素強度(即設備溫度)超過閾值時檢測出臨界故障狀態。一旦像素強度的增加明確了故障的發生，有關此類設備狀況的關鍵信息會通過調制解調器即時發送到變電站監控中心(Substation monitoring control center，SMCC)，工作人員根據故障狀態的嚴重程度采取適當的措施。所提方法提高了智能變電站的可靠性，并降低因設備故障和停電而造成的經濟損失。

3 基于智能感知與深度學習的變電站設備狀態檢測方法

基于智能感知與深度學習的智能變電站設備狀態檢測方法在利用熱像儀獲得設備圖像的基礎上，采用深度學習對圖像特征進行分類，根據分類結果了解設備狀態，以采取相應措施。所提方法的流程如圖2所示。

步驟1：熱像儀同時采集設備的實時熱像和原始彩色圖像，并應用光學識別方法，找出圖像中的最高和最低溫度。

步驟2：計算行和列像素強度，檢查強度是否超過設備的原始閾值，將大于閾值的像素轉換為白色，剩余像素轉換為黑色。

步驟3：應用中值濾波和侵蝕技術，得到以矩形盒為界的可能斷層區域，并根據方框裁剪圖像，提取裁剪圖像的表面。

圖2 顯示上述算法的流程圖及詳細步驟

步驟4：通過訓練好的深度學習模型，對提取的SURF進行高級閾值處理，以區分臨界和微小故障。如果檢測到嚴重故障，則在熱像上用矩形框標記，并重疊到原始彩色圖像上，然后將必要的信息連同圖像一起發送到SMCC。

步驟5：如果未檢測到故障或檢測到微小故障，則從步驟1開始迭代過程。

3.1 RTU熱圖像處理

在RTU內，利用數字圖像處理技術分析熱像儀獲得的圖像。首先，應用光學識別方法計算圖像中的最高和最低溫度，然后應用中值濾波和侵蝕技術，得到溫度(臨界故障)可能升高的興趣區域(Region of interest，ROI)，該區域設置成矩形盒[10]。熱圖像沿著ROI的邊緣裁剪，從裁剪后的圖像中提取五種不同的表面。

處理RTU的熱圖像時，首先通過光學識別功能獲得設備的閾值溫度，從而求出熱圖像的原始閾值像素強度，且大于閾值的像素強度被轉換為白色，剩余像素則被轉換為黑色。然后利用中值濾波技術對圖像進行降噪處理。中值濾波器考慮圖像中的像素，并將其與鄰近像素進行比較，以檢查其是否代表周圍像素。然后用相鄰像素值的中值替換每個像素值。

侵蝕技術應用于中值濾波后得到的具有低噪聲的圖像，通過侵蝕具有白色像素區域的邊界以獲取包圍可能故障區域的矩形盒。該技術使用兩個數據集作為輸入，一個數據集是被侵蝕的圖像，另一個是指定侵蝕影響輸入圖像精度的坐標點集。

3.2 SURF

所提方法基于Matlab對應用中值濾波和侵蝕技術得到的圖像進行裁剪，從具有較高臨界潛在故障概率的圖像中提取出SURF，并將圖像特征輸入經過訓練的深度學習分類器，以獲得設備狀態。

SURF是一種特征檢測器，可用于檢測物體的識別、排列或三維再現，并通過使用預先配置基本圖片的三個整數運算進行圖像處理[11]。SURF描述子用于發現和感知物體，由個體再現三維場景，集中追蹤物體。其中興趣點檢測和尺度表示如下。

(1) 興趣點檢測。SURF使用方形濾波器進行高斯平滑的估計，其特征是

式中，W(i,j)為圖像中的點坐標。利用不可替代的圖像可以快速地對矩形內主圖像進行求和。

該特征利用Hessian矩陣的blob標識符識別關鍵點，SURF沒有使用Hessian-Laplacian定位器，而是使用Hessian的行列式選擇比例尺，由Lindeberg完成定位。假設圖W中的點P= (x,y)具有標度ω和點P的Hessian矩陣H(P,ω)的特征是

式中，Lxx(P,ω)等為灰度圖中的二階導數。

(2) 比例尺空間表示和興趣點區域。興趣點可以在不同的比例尺空間中找出。在不同的特征檢測算法中，維度的面積通?？煽闯梢粋€圖像金字 塔[12]。SURF利用高斯濾波器對圖像區域進行多次平滑處理，然后對其進行采樣，以得到金字塔的更高層次，即興趣點區域。

3.3 深度學習

相較于淺層機器學習模型存在過度依賴人工經驗、特征選取等問題，并且模型分析準確度較低，深度學習通過構建具備多個隱藏層的機器學習模型和大量數據學習更有效的特征，克服了淺層機器學習模型的不足[13-15]。卷積神經網絡(Convolutional neural network，CNN)是目前在廣泛應用的一種深度學習模型，而所提方法基于CNN 完成變電站設備紅外圖像的分類，以識別其設備狀態。

CNN由輸入層、卷積層、激勵層、池化層、全連接層和輸出層組成[16]，如圖3所示。

由于在圖像分類領域中模型包括大量結構高度復雜的網絡，易增加過度擬合的風險，因此所提方法采用規模相對較小的一種CNN[17]。其中卷積層使用卷積核對輸入的圖像或上一層輸出作卷積運算，獲得一個特征圖。一個卷積核能夠通過卷積運算得到多個特征圖，則第l卷積層j個特征圖表示為

式中，Mj為特征圖集；為卷積核；為偏置量；?為卷積運算；f(x)為激活函數。

圖3 CNN結構

激勵層采用線性整流激活函數；池化層采用最大池化方法，即將顏色一致的區域看成一個池化區域，區域內的最大值則是輸出值，以此重組特征圖；全連接層綜合經卷積和池化后得到的特征，以及將其送至分類器。

3.4 模型訓練

CNN 的訓練過程即參數更新過程依然遵循誤差反向傳播思想，常用的算法為梯度下降法，所提方法中采用隨機梯度下降法(Stochastic gradient descent，SGD)訓練網絡模型。

SGD方法構造的誤差函數e為

式中，m為輸出層神經元的個數；yj為輸出值；tj為標準值。

4 試驗結果與分析

試驗中，深度學習模型使用Python語言基于開源深度學習庫Tensorflow搭建，在圖像特征提取部分使用了著名的開源圖像處理庫OpenCV。全部試驗在Ubuntu 14.04.5環境中進行。硬件配置上，使用一臺32 GB的計算機，并借助一塊NVIDIA 2080Ti GPU以加速網絡的訓練過程。

通過三個不同的案例論證所提方法的有效性，其中案例包括：① 電壓互感器連接用輸電線路抽頭部分臨界電位的故障檢測；② 斷路器連接部分臨界電位的故障檢測；③ 線路絕緣體臨界電位的故障 檢測。

利用熱像儀，從安裝在變電站(110 kV/11 kV)的RTU處獲得了四組原始彩色圖像，如圖4所示。將智能變電站內拍攝的圖像作為訓練樣本，并且為了擴大樣本，通過旋轉、偏移等方式進行圖像增強。其中選取絕緣子、斷路器、電壓互感器抽頭各2 000 張、共6 000張照片作為測試樣本。

圖4 RTU原始彩色圖像

為了對所提方法的性能進行評價，采用準確率和召回率兩個指標，其中準確率P和召回率R分別為

式中，TP為劃分準確的樣本數量；FP為其他類別錯誤劃分為本類別的樣本數量；FN為本類別錯誤劃分為其他類別的樣本數量。

4.1 CNN網絡結構分析

CNN的結構可根據實際應用需要動態調整卷積層、激勵層和池化層數量，不同的網絡結構對智能變電站設備狀態檢測的性能均有一定的影響。采用準確率與檢測時間兩個指標進行評估，結果如表1所示。

表1 不同網絡結構下檢測方法的準確率與執行時間

從表1中可以看出，卷積層數越多，深度學習網絡架構越復雜，所得到的檢測準確度越高，但復雜的學習過程導致執行時間較長，能耗較大。而3層卷積與2層池化的結構，其執行時間較短，但模型太過簡單，學習準確度不夠。因此，選擇5層卷積與3層全連接時的檢測效果最佳。

4.2 變電站設備狀態檢測結果

在RTU處從熱像儀讀取的用于各個案例研究的圖像，經過SURF特征提取，以及CNN分類辨識，變電站設備狀態檢測結果如圖5所示。

圖5 案例分析結果

從圖5中可看出，經SURF特征提取能夠大致判定故障區域，將圖像特征輸入CNN模型中，可以進一步縮小故障范圍，從圖像中便可直觀準確地掌握設備狀態。

同時，采用選取的指標對所得到的結果作定量分析，結果如表2所示。

表2 三個案例下檢測方法的準確率和召回率

從表2可看出，所提方法在準確率和召回率方面均表現出良好的性能，尤其是對于短路器等較大設備，性能更佳。綜合上述圖表可論證，在三個案例中，所提方法是有效的，能夠準確檢測變電站內設備狀態，并且對于站內其他設備也具備高精度的檢測水平，適用于智能變電站設備的實時狀態檢測。

4.3 與其他方法的對比分析

為了進一步論證所提方法的優越性，將其與文獻[7-9]中方法進行對比論證，準確率和檢測速度的結果如圖6所示。

圖6 準確率和檢測速度的對比結果

從圖6可看出，使用所提方法對目標設備進行檢測，在準確率和檢測速度上都優于其他方法。文獻[9]利用卷積神經網絡提取絕緣子特征的檢測性能也明顯優于其他兩種方法，由于所提方法采用SURF提取圖像特征，因此檢測結果更加精確。卷積網絡能夠通過學習獲取適用于目標檢測顏色、紋理等特征，文獻[8]僅采用一種特征，其算法表達性能較卷積網絡較差。文獻[7]利用灰度共生矩陣實現圖像邊緣紋理特征的提取，由于不同的設備需要構建不同的特征向量，其應用效果不理想，因此檢測性能較差。此外，所提方法在SURF獲取圖像特征的基礎上利用CNN對設備狀態進行分類，加快了檢測速度。

5 結論

為了滿足智能變電站智能化、可靠性的需求，以及提高設備狀態檢測的準確率，提出了一種基于智能感知與深度學習的智能變電站設備狀態檢測 方法。

(1) 為了降低變電站的運維成本，所提方法采用低功率的熱像儀采集設備圖像，并且持續監測提升了檢測系統的可靠性。

(2) 所提方法采用中值濾波和侵蝕技術對設備熱圖像進行預處理，然后利用加速魯棒特征法初步提取圖像特征，加快了檢測速率。

(3) 由于現有方法的設備狀態檢測率不高，所提方法采用深度學習-卷積神經網絡模型對設備圖像特征進行分類，以檢測出設備微小故障，很大程度上提高了檢測準確率。