基于云計算的電力設(shè)備智能監(jiān)測系統(tǒng)*

鐘建栩, 余少鋒, 廖崇陽, 馬一寧

(南方電網(wǎng)調(diào)峰調(diào)頻發(fā)電有限公司 信息通信分公司,廣東 廣州 510000)

1 引言

電力監(jiān)測系統(tǒng)[1-3]是一種集視覺、紅外和聲音傳感器于一體，可以對電力設(shè)備的熱缺陷、斷電狀態(tài)和異?，F(xiàn)象進行監(jiān)測的系統(tǒng).隨著科技的發(fā)展，近年來許多學(xué)者對智能電力監(jiān)測系統(tǒng)進行了研究；如，喻洋等[4]將智能巡檢機器人技術(shù)與新能源場站相結(jié)合，設(shè)計實現(xiàn)了一套針對光伏電站的電力巡檢機器人；康林賢等[5]對智能變電站輔助綜合監(jiān)控系統(tǒng)的原理和結(jié)構(gòu)進行研究，提出了一種改進的基于平均背景的幀間差分方法，實現(xiàn)智能變電站輔助綜合監(jiān)控.在某些電力設(shè)施中，一般有多個智能體(無人機、巡檢機器人及其他信息采集單元)在監(jiān)測系統(tǒng)中工作，對于智能體捕捉的圖像或視頻，大部分檢驗工作由工作人員在監(jiān)控中心進行，執(zhí)行任務(wù)能力嚴重受限.基于此，本文提出了一種基于云計算[6]的電力設(shè)備智能監(jiān)測系統(tǒng)，準確識別智能體獲得的目標監(jiān)控圖像，根據(jù)建立的目標特征庫縮小捕獲圖像的搜索范圍，并輸入到視覺注意網(wǎng)絡(luò)進行檢測.

2 基于云計算的電力設(shè)備智能監(jiān)測系統(tǒng)

2.1 系統(tǒng)方案

圖1為融合云計算技術(shù)的監(jiān)測系統(tǒng)架構(gòu).按功能劃分，該架構(gòu)可分為底層和云端兩部分；底層主要由傳感器、電機驅(qū)動器和通信模塊等物理設(shè)備構(gòu)成的分布式巡檢智能體；云端包括三種云服務(wù)模式：基礎(chǔ)設(shè)施即服務(wù)(IaaS)、平臺即服務(wù)(PaaS)和軟件即服務(wù)(SaaS).按層級劃分，系統(tǒng)分為物理層、控制層、信息共享層、API接口及應(yīng)用層；其中物理層屬于底層，由眾多物理設(shè)備或基礎(chǔ)設(shè)施構(gòu)成；控制層、信息共享層、API接口及應(yīng)用層屬于云端，主要完成信息通信、共享、計算及展示等.

系統(tǒng)中分配給某個分布式巡檢智能體的虛擬機(VM)對應(yīng)于服務(wù)模式IaaS.該系統(tǒng)還為相關(guān)智能體二次應(yīng)用開發(fā)提供了平臺，即為PaaS類.應(yīng)用軟件將通過SaaS模式共享給不同的用戶.在云端，VM是動態(tài)分配的，一旦智能體連接到云中，就會根據(jù)存儲服務(wù)器中存儲的相關(guān)數(shù)據(jù)創(chuàng)建相應(yīng)的VM，這些數(shù)據(jù)主要包括系統(tǒng)配置數(shù)據(jù)、算法和歷史數(shù)據(jù)等.用戶可以通過應(yīng)用層的用戶界面與系統(tǒng)進行交互.當(dāng)一個任務(wù)包含大量的計算部分時，智能體VMs會請求并行計算集群中的計算節(jié)點協(xié)調(diào)完成任務(wù).

圖1 監(jiān)測系統(tǒng)架構(gòu)

2.2 系統(tǒng)工作過程

系統(tǒng)在工作過程中，分布式智能體或信息采集單元監(jiān)測的對象會隨著任務(wù)要求的變化而變化，如儀表監(jiān)控時主要采集表盤信息，電力線巡檢時主要采集電力線信息，為此通過自適應(yīng)學(xué)習(xí)模塊建立目標特征庫，同時將監(jiān)測任務(wù)的對象特征及相關(guān)識別算法都存儲在云中.當(dāng)智能體或信息采集單元將圖像發(fā)送到云端，根據(jù)云端命令采用基于視覺注意的目標檢測算法進行目標檢測，從而提高圖像匹配的效率.此外，系統(tǒng)利用多核、PC集群和GPUs計算等并行計算技術(shù)，將云端的數(shù)據(jù)按需共享給多個分布式智能體.

3 多尺度視覺注意網(wǎng)絡(luò)檢測

3.1 目標特征庫

特征庫存儲了目標顯著性的統(tǒng)計信息，其中包含了目標的感興趣區(qū)域(Region of Interest，ROI)，該信息描述了特征在ROI顯著性圖中的重要性，檢測算法中表示相應(yīng)特征映射的權(quán)重.在監(jiān)測過程中，通過激發(fā)顯著特征(大權(quán)重)和抑制其他顯著特征(小權(quán)重)，從而提高監(jiān)測精度與識別準確率.考慮到室外工作的多個智能體采集的圖像中同一物體無法保持相同的方向，因此在特征庫中沒有考慮方向特征.

3.2 多尺度特征提取

一般情況下，較低的網(wǎng)絡(luò)層有較小的感受野，能夠更好地匹配小物體(如儀表盤、電力線和指示燈等)；相反，具有高級語義信息的更高層適合于大型對象的匹配(電力塔和光伏發(fā)電板等)，因此可從原始圖像中提取多尺度特征圖，充分利用各個層次的特征進行目標檢測.

采用下采樣操作逐步降低特征圖的分辨率并擴大感受野.在每兩個卷積層之后，對特征圖進行下采樣.網(wǎng)絡(luò)共包含4個級別的下采樣，因此特征金字塔包含原圖16倍信息.此外，為了得到輸入圖像的原始尺寸，對特征映射進行逐步上采樣，并自動學(xué)習(xí)上采樣參數(shù).為了融合不同尺度的特征并保留高頻信息，本文將子采樣前得到的特征映射疊加到上采樣后得到的特征映射上.每個向上采樣級別的疊加特征圖具有相同的分辨率.需注意，網(wǎng)絡(luò)中不使用最大池化或平均池化操作，而是使用單步卷積濾波操作來降低特征映射的分辨率，從而避免了梯度離散問題.

3.3 視覺注意網(wǎng)絡(luò)

3.3.1 網(wǎng)絡(luò)結(jié)構(gòu)

圖2所示為提出的視覺注意網(wǎng)絡(luò)結(jié)構(gòu).該網(wǎng)絡(luò)模型以不同尺度的特征圖作為輸入,采用五個連續(xù)卷積層進行特征提取，然后用一個卷積層將特征映射數(shù)減少為一個,最后網(wǎng)絡(luò)層為一個全連接層，從而實現(xiàn)分類(回歸),該網(wǎng)絡(luò)能夠根據(jù)目標庫突出待監(jiān)測物體的顯著特征，減少非顯著特征或背景的干擾.

圖2 視覺注意網(wǎng)絡(luò)結(jié)構(gòu)

3.3.2 損失函數(shù)

視覺注意網(wǎng)絡(luò)有兩個分支：分類和回歸.分類子網(wǎng)絡(luò)用于預(yù)測每個像素的概率值；回歸子網(wǎng)估計對象邊界框的左上角和右下角坐標.網(wǎng)絡(luò)工作時同時預(yù)測多個錨點，且這些錨點位于每個像素的中心，并與尺度和縱橫比相關(guān).此外，訓(xùn)練時采集大多數(shù)目標物體的尺度在35到350像素之間，如果小于30像素，則不將其用作訓(xùn)練樣本.

網(wǎng)絡(luò)在5122到322之間設(shè)置了5個錨，尺度步長設(shè)置為0.5.此外，錨的縱橫比設(shè)置為1∶1、1∶2和2∶1.因此，在每個像素處有A=15個錨.對于尺寸為W×H的特征圖，共有W×H×A個錨.IOU(Intersection Over Union)定義為兩個區(qū)域相交像素的百分比.為有效計算損失，具有最高IOU的錨為正樣本；與之相反，如果錨和所有邊界框之間的最高IOU小于0.3，則將其指定為負樣本.

為多尺度視覺注意網(wǎng)絡(luò)設(shè)計了一個損失函數(shù)

4 系統(tǒng)測試與分析

4.1 測試環(huán)境

仿真測試于某變電站內(nèi)進行，選取無人機圖像采集和微處理器處理方式將圖像發(fā)送到云端并接收云端的命令.

4.2 結(jié)果及分析

首先，將訓(xùn)練集、驗證集和測試集中的每幅圖像分割成16幅不重疊的375×375圖像，作為網(wǎng)絡(luò)的輸入.網(wǎng)絡(luò)訓(xùn)練時部分參數(shù)如表1所示.

表1 網(wǎng)絡(luò)訓(xùn)練參數(shù)

圖3 不同損失函數(shù)仿真對比結(jié)果Fig.3 Comparison of simulation results of different loss functions

圖3所示為所提模型的性能曲線，該模型使用本文所提的視覺注意損失函數(shù)和交叉熵損失函數(shù)進行訓(xùn)練，并在訓(xùn)練階段進行迭代.可以看出，使用本文所提損失函數(shù)訓(xùn)練的模型在35次迭代時可獲得最佳性能，而使用交叉熵損失函數(shù)訓(xùn)練的模型在78次迭代時可獲得最佳性能.由此可見，本文所提損失函數(shù)使得訓(xùn)練收斂速度更快，且模型性能更優(yōu).

表2所示為所提方法與BOW[8]、COPD[9]及RICNN[10]方法的運行時間和準確率對比結(jié)果.可以看出，本文所提方法性能有明顯提升，準確率達到90.1%，較傳統(tǒng)BOW方法提高30%左右.圖4所示為利用本文方法的檢測結(jié)果.可以看出，本文方法能夠?qū)⑵ヅ涞乃阉鲄^(qū)域縮小到最顯著區(qū)域(Most Significant Region，MSR)區(qū)域，進一步驗證了所提方法的有效性.

圖4 仿真結(jié)果Fig.4 Simulation results

表2 不同算法結(jié)果

5 結(jié)語

構(gòu)建了基于云計算技術(shù)的電力設(shè)備智能監(jiān)測系統(tǒng)，并對系統(tǒng)框架、運行模式和工作過程進行了設(shè)計.系統(tǒng)運行時未考慮網(wǎng)絡(luò)攻擊和通信安全等風(fēng)險.未來可研究區(qū)塊鏈和通信加密等提高系統(tǒng)安全性，降低信息泄露風(fēng)險.