高精度配電網(wǎng)電氣設(shè)備故障識(shí)別檢測(cè)方法*

趙 歡， 陽(yáng) 浩， 何 亮， 魏恩偉， 鄭 杰

(中國(guó)南方電網(wǎng) 深圳供電局電力科學(xué)研究院， 廣東 深圳 518000)

配電網(wǎng)電氣設(shè)備是保障電力系統(tǒng)安全、穩(wěn)定運(yùn)行的重要設(shè)備，對(duì)于電氣設(shè)備運(yùn)行狀態(tài)的監(jiān)測(cè)是電力巡檢工作中的重要一環(huán).采用傳統(tǒng)的人工巡檢，依靠經(jīng)驗(yàn)判斷潛在隱患的工作方式已經(jīng)難以滿(mǎn)足現(xiàn)代電力系統(tǒng)的運(yùn)行要求.隨著圖像識(shí)別和人工智能技術(shù)的發(fā)展[1-2]，基于各種人工智能算法的高清視頻檢測(cè)[3-4]、紅外熱成像[5-6]等監(jiān)測(cè)手段在電力系統(tǒng)中獲得了廣泛應(yīng)用.

受技術(shù)條件的限制，紅外圖像往往清晰度較低，且噪聲較多，目標(biāo)識(shí)別和特征提取困難.為解決這一問(wèn)題，研究人員對(duì)此開(kāi)展了廣泛的研究.鄒輝等[7]以電力設(shè)備的紅外圖像為研究對(duì)象，利用可見(jiàn)光和紅外圖像，采用基于圖片的灰度值快速模板匹配算法，解決了紅外圖像的偽色彩問(wèn)題，實(shí)現(xiàn)了對(duì)電力設(shè)備紅外圖像的多目標(biāo)定位.張浩等[8]針對(duì)傳統(tǒng)的灰度匹配算法存在的計(jì)算量過(guò)大的問(wèn)題，采用隔行隔列粗略匹配再結(jié)合精確匹配技術(shù)，實(shí)現(xiàn)了遠(yuǎn)程數(shù)字視頻監(jiān)控對(duì)變壓器快速定位識(shí)別的目標(biāo).余彬等[9]為了解決紅外圖像噪聲大、邊緣模糊的問(wèn)題，對(duì)紅外圖像進(jìn)行了R、G、B三通道光源的不均勻性校正，并將其轉(zhuǎn)換為L(zhǎng)ab色彩空間，采用密度相似因子算法實(shí)現(xiàn)了對(duì)紅外圖像的濾噪分割.馮振興等[10]為解決紅外圖像中目標(biāo)邊界模糊導(dǎo)致的提取效果差的問(wèn)題，從灰度相似聚類(lèi)的角度出發(fā)，提出了一種改進(jìn)算法，實(shí)現(xiàn)了對(duì)電力設(shè)備故障區(qū)域的準(zhǔn)確識(shí)別.

上述研究多是通過(guò)目標(biāo)匹配的方式來(lái)提高目標(biāo)檢測(cè)的準(zhǔn)確率，缺少對(duì)圖像特征參數(shù)的應(yīng)用，通用性有待提高.本文在現(xiàn)有研究基礎(chǔ)上，利用卷積神經(jīng)網(wǎng)絡(luò)模型實(shí)現(xiàn)了對(duì)配電網(wǎng)設(shè)備的圖像識(shí)別，并充分利用灰度-梯度信息矩陣提取紅外圖像的紋理信息特征，采用主成分分析的方法完成了對(duì)設(shè)備發(fā)熱故障的診斷.該方法結(jié)合可見(jiàn)光圖像和紅外圖像，充分利用圖像的灰度、紋理信息和卷積神經(jīng)網(wǎng)絡(luò)的特征識(shí)別能力，實(shí)現(xiàn)了對(duì)配電網(wǎng)電氣設(shè)備故障的識(shí)別檢測(cè).

1 基于CNN的電氣設(shè)備檢測(cè)技術(shù)

基于熱成像的紅外檢測(cè)技術(shù)能夠在遠(yuǎn)距離實(shí)現(xiàn)對(duì)配電網(wǎng)電氣設(shè)備的在線(xiàn)監(jiān)測(cè).卷積神經(jīng)網(wǎng)絡(luò)(CNN)是目前圖像識(shí)別領(lǐng)域的重要算法之一，利用卷積神經(jīng)網(wǎng)絡(luò)模型的特征識(shí)別能力，可實(shí)現(xiàn)對(duì)配電網(wǎng)設(shè)備的準(zhǔn)確識(shí)別.

卷積神經(jīng)網(wǎng)絡(luò)模型包含了卷積層、池化層和全連接層3個(gè)部分.其中，卷積層是對(duì)圖像特征的強(qiáng)化，池化層則可以有效降低數(shù)據(jù)處理的復(fù)雜度，加快圖像識(shí)別的計(jì)算速度.因此，利用卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行圖像識(shí)別的核心是對(duì)圖像進(jìn)行卷積層和池化層不斷交替運(yùn)算，最后，由全連接層通過(guò)概率運(yùn)算預(yù)測(cè)圖像的類(lèi)別.

1.1 卷積層設(shè)計(jì)

圖像識(shí)別的準(zhǔn)確率和網(wǎng)絡(luò)層數(shù)量、卷積核的大小、激活函數(shù)等參數(shù)有關(guān).與卷積層輸出有關(guān)的主要參數(shù)包括卷積核的大小、步幅以及零值填充數(shù)量.其中，卷積核的尺寸對(duì)應(yīng)于處理圖像的范圍，步長(zhǎng)控制則隨卷積窗口的移動(dòng)變化步幅，零值填充的大小控制卷積輸出.

數(shù)據(jù)處理過(guò)程中通?？蓪⒕矸e核的大小設(shè)置為3×3像素或者5×5像素，然后采用不同步長(zhǎng)依次滑動(dòng)完成對(duì)圖像的處理.在進(jìn)行卷積神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)過(guò)程中，對(duì)圖形進(jìn)行卷積處理之后通常配合池化層使用.一般情況下，池化層的尺寸可選擇2×2像素，也可以根據(jù)實(shí)際情況進(jìn)行調(diào)整.越大的池化層，丟失圖像信息的可能性就越大.

對(duì)于相同大小的圖像，采用多層卷積和疊加的方式能夠?qū)崿F(xiàn)對(duì)一定圖像范圍內(nèi)的圖片信息的非線(xiàn)性化處理，這樣更有利于圖像特征的提取，而避免信息丟失.因此，在進(jìn)行卷積策略的選擇過(guò)程中，在圖像進(jìn)行初步處理時(shí)可采用較大的卷積核以及較少的層數(shù)，有利于降低運(yùn)算量.而在處理后期，則可以采用較小的卷積核以及較多的層數(shù)，從而盡可能地保留圖像特征.基于上述分析得到本文特征提取網(wǎng)絡(luò)參數(shù)如表1所示.

表1 特征提取網(wǎng)絡(luò)參數(shù)Tab.1 Network parameters of feature extraction

1.2 目標(biāo)候選設(shè)計(jì)

圖像的分割和目標(biāo)候選區(qū)域的選擇是實(shí)現(xiàn)圖像識(shí)別的第一步，本文采用選擇搜索算法對(duì)得到的1 080×1 527像素圖片進(jìn)行分割，將結(jié)果作為CNN模型訓(xùn)練識(shí)別的樣本.本文選定的目標(biāo)分割圖像的個(gè)數(shù)為500個(gè)，原始圖像樣本以及部分候選目標(biāo)提取圖如圖1所示.

圖1 樣本圖片以及候選目標(biāo)提取效果Fig.1 Sample image and extraction effect of candidate target

為了提升目標(biāo)識(shí)別的準(zhǔn)確度，降低目標(biāo)候選區(qū)域和真實(shí)目標(biāo)之間的差異，需要采用邊框回歸的方式對(duì)目標(biāo)進(jìn)行調(diào)整和定位[11].目標(biāo)候選框的調(diào)整輸出可由向量A=(Ax，Ay，Aw，Ah)來(lái)表示，與之對(duì)應(yīng)的真實(shí)值為B=(Bx，By，Bw，Bh)，其中，Ax，Ay和Bx，By分別為目標(biāo)候選框及真實(shí)圖像左下角的像素坐標(biāo)位置；Aw，Ah和Bw，Bh分別為候選區(qū)域與真實(shí)圖像區(qū)域的寬與高.

為了降低信息的冗余，提高圖像識(shí)別的準(zhǔn)確率，可以通過(guò)邊框平移和圖像縮放找到一種映射f，使得f(Ax，Ay，Aw，Ah)≈(Bx，By，Bw，Bh).圖像位移和尺度變換因子可表示為

(1)

(2)

式中，dx(A)，dy(A)，dw(A)，dh(A)分別為向量A在x，y，w，h維度的變化.目標(biāo)函數(shù)可表示為

B′x=Awdx(A)+Ax

(3)

B′y=Ahdy(A)+Ay

(4)

B′w=Awedw(A)

(5)

B′h=Ahedh(A)

(6)

由式(3)～(6)可知，需要尋找合適的dx(A)，dy(A)，dw(A)，dh(A)才能實(shí)現(xiàn)輸出值和真實(shí)值之間的映射.基于CNN模型的邊框回歸階段，其輸入量為原始圖像的特征向量和目標(biāo)信息矩陣，輸出量為預(yù)測(cè)的邊框位置.

定義目標(biāo)函數(shù)為

(7)

式中：f(A)為輸入候選框的特征向量；C(x，y，w，h)為變換參數(shù).定義信息損失函數(shù)為

(8)

式中，ti為相對(duì)于邊框回歸窗口預(yù)測(cè)尺度的變化量，優(yōu)化目標(biāo)為

(9)

1.3 模型訓(xùn)練和調(diào)參

訓(xùn)練樣本為1 000張現(xiàn)場(chǎng)拍攝的配電網(wǎng)照片，并將樣本調(diào)整為統(tǒng)一的512×512像素圖片，然后針對(duì)樣本進(jìn)行訓(xùn)練.設(shè)置學(xué)習(xí)速率為0.005，選擇PreLU作為激活函數(shù)，并使用MSRA進(jìn)行初始化，損失函數(shù)變化曲線(xiàn)如圖2所示.由圖2可知，隨著迭代周期的增加，損失函數(shù)值逐步趨于穩(wěn)定.訓(xùn)練和測(cè)試的準(zhǔn)確率變化曲線(xiàn)如圖3所示，準(zhǔn)確率分別能夠達(dá)到95%和90%以上.

圖2 損失函數(shù)變化圖Fig.2 Variation diagram of loss function

圖3 準(zhǔn)確率變化圖Fig.3 Variation diagram of accuracy rate

2 故障判斷

配電網(wǎng)電氣設(shè)備的紅外圖像包含了設(shè)備的發(fā)熱信息，為了對(duì)設(shè)備是否存在發(fā)熱故障進(jìn)行判斷，本文在對(duì)目標(biāo)識(shí)別的基礎(chǔ)上，提取紅外圖像的灰度信息和梯度信息的紋理特征，完成對(duì)設(shè)備的故障判斷.

2.1 特征提取

采用灰度-梯度信息矩陣提取紅外圖像的紋理信息時(shí)，首先需要對(duì)圖像信息矩陣進(jìn)行歸一化處理.設(shè)g(m，n)為像素點(diǎn)(m，n)的梯度值，h(m，n)為像素點(diǎn)(m，n)的灰度值，提取表達(dá)式為

(10)

(11)

式中：gmax為最大梯度值；Ng為歸一化后的梯度級(jí)最大值；hmax為最大灰度值；Nh為圖像歸一化后的灰度級(jí)最大值.本文取Ng和Nh為16.

統(tǒng)計(jì)滿(mǎn)足H(m，n)=i和G(m，n)=j的像素個(gè)數(shù)，并將其作為灰度-梯度共生矩陣T(i，j)值，得到歸一化的灰度-梯度矩陣T′為

(12)

式中，a、b為圖像的像素大小.

結(jié)合紅外熱像的特點(diǎn)，本文列出了13項(xiàng)主要的紋理特征參數(shù)，包括灰度-梯度矩陣的小梯度優(yōu)勢(shì)、紋理特征參數(shù)的灰度分布不均勻性、梯度分布不均勻性、能量、灰度平均值、梯度平均值、灰度均方差、梯度均方差、相關(guān)性、灰度熵、梯度熵、混合熵及差分矩.

2.2 設(shè)備故障識(shí)別

為了對(duì)設(shè)備是否存在發(fā)熱故障進(jìn)行判斷，降低信息冗余、提高運(yùn)算速度，本文采用主成分分析方法(PCA)對(duì)上述灰度圖像的13個(gè)特征參數(shù)進(jìn)行分析.從中提取出更具代表性的新特征因子來(lái)表征圖像特征，主成分分析的基本步驟如下：

1) 計(jì)算協(xié)方差矩陣.本文選擇配電網(wǎng)防雷設(shè)備的紅外圖像灰度紋理特征參數(shù)作為分析變量，對(duì)選定的初始變量構(gòu)造原始特征空間矩陣.假設(shè)X是p×q的原始樣本空間矩陣，由公式計(jì)算得到樣本空間的協(xié)方差矩陣C為

(13)

2) 計(jì)算特征值λ和特征向量E.計(jì)算協(xié)方差矩陣C的特征值λj(j=1，2，…，p)及其相對(duì)應(yīng)的特征向量E(正交方陣)，并將特征值從大到小排序，得到新的變換矩陣T，進(jìn)而可以得到p個(gè)特征參數(shù)Y，即

Y=XT

(14)

3) 確定主成分.在計(jì)算特征值的基礎(chǔ)上，利用單一貢獻(xiàn)率和累計(jì)貢獻(xiàn)率對(duì)主成分的權(quán)重進(jìn)行評(píng)價(jià).當(dāng)累計(jì)貢獻(xiàn)率超過(guò)85%，即可采用i個(gè)元素代替樣本的q個(gè)特征參數(shù)，特征矩陣Y的前i列元素(Y1，Y2，…，Yi)即為所要求的主成分.

本文以如圖4所示的樣本灰度圖像為例，選擇圖中檢測(cè)到的10個(gè)電力設(shè)備的灰度圖像作為數(shù)據(jù)樣本，構(gòu)成大小13×10的特征值數(shù)據(jù)矩陣X，所得到的特征值及特征向量的貢獻(xiàn)率如表2所示.

圖4 灰度圖像及目標(biāo)提取效果Fig.4 Gray level image and target extraction effect

表2 PCA特征值及貢獻(xiàn)率Tab.2 PCA eigenvalues and contribution ratios

由表2中數(shù)據(jù)可看出，選取前5個(gè)主分量對(duì)灰度圖像特征分析時(shí)，其累計(jì)貢獻(xiàn)率超過(guò)85%.因此，可以認(rèn)為這5個(gè)分量已經(jīng)攜帶了絕大多數(shù)的灰度圖像紋理特征信息，能夠?qū)崿F(xiàn)對(duì)電氣設(shè)備的發(fā)熱故障分析.

將特征參數(shù)作為輸入向量，以設(shè)備發(fā)熱狀況是否超過(guò)閾值作為神經(jīng)網(wǎng)絡(luò)模型分類(lèi)輸出向量，即輸入層為5個(gè)主成分分量節(jié)點(diǎn)，輸出層為設(shè)備發(fā)熱是否超標(biāo)2個(gè)節(jié)點(diǎn)，對(duì)故障進(jìn)行判斷.設(shè)置神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練要求精度為0.05%，對(duì)設(shè)備進(jìn)行發(fā)熱故障識(shí)別時(shí)，識(shí)別準(zhǔn)確率為85.56%.

3 結(jié) 論

本文研究了基于神經(jīng)網(wǎng)絡(luò)模型的圖像識(shí)別技術(shù)在配電網(wǎng)設(shè)備監(jiān)測(cè)中的應(yīng)用，主要結(jié)論如下：

1) 通過(guò)分析卷積核尺寸、步幅以及零值填充對(duì)卷積神經(jīng)網(wǎng)絡(luò)的影響，完成了對(duì)配電網(wǎng)設(shè)備圖像特征提取網(wǎng)絡(luò)的架構(gòu)設(shè)計(jì).采用5個(gè)卷積層搭建網(wǎng)絡(luò)模型，同時(shí)利用7×7，5×5，3×3的卷積核以獲取詳細(xì)的局部信息.

2) 采用邊框回歸算法實(shí)現(xiàn)了對(duì)圖像識(shí)別對(duì)象的準(zhǔn)確標(biāo)記.同時(shí)采用非極大值抑制的方法完成了對(duì)冗余信息的過(guò)濾，進(jìn)一步提高了圖像識(shí)別的準(zhǔn)確率.樣本訓(xùn)練和測(cè)試的準(zhǔn)確率能夠分別達(dá)到95%和90%以上.

3) 采用灰度-梯度信息矩陣提取了配電網(wǎng)設(shè)備紅外圖像的紋理信息特征參數(shù)，并利用主成分分析的方法得到了5個(gè)能夠表征特征參數(shù)的主成分分量.在此基礎(chǔ)上完成了對(duì)電氣設(shè)備發(fā)熱故障的識(shí)別，識(shí)別準(zhǔn)確率約為85%.