基于智能感知與深度學(xué)習(xí)的智能變電站設(shè)備 狀態(tài)檢測方法*

李遠(yuǎn)松 丁津津 徐 晨 高 博 湯漢松 單榮榮

(1. 國網(wǎng)安徽省電力有限公司電力科學(xué)研究院 合肥 230601； 2. 安徽新力電業(yè)科技咨詢有限責(zé)任公司 合肥 230022； 3. 江蘇凌創(chuàng)電氣自動(dòng)化股份有限公司 鎮(zhèn)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(tǒng)需要通過變電站實(shí)現(xiàn)輸配電線路的大規(guī)?；ヂ?lián)，以滿足用戶需求。一旦變電站設(shè)備故障，電網(wǎng)超負(fù)荷運(yùn)行下容易出現(xiàn)異常情況，進(jìn)而影響系統(tǒng)的穩(wěn)定可靠性[1]。因此需要在變電站內(nèi)配置監(jiān)控設(shè)備，以實(shí)時(shí)監(jiān)測站內(nèi)設(shè)備狀態(tài)，并在發(fā)現(xiàn)設(shè)備異常時(shí)上報(bào)工作人員[2]。

自20世紀(jì)70年代以來，電力系統(tǒng)中絕緣子故障一直是常見的設(shè)備問題，由于電力變壓器、配電絕緣體等變電設(shè)備的套管絕緣失效，造成電力中斷，給電網(wǎng)造成嚴(yán)重?fù)p失[3-4]。但依靠人工檢查監(jiān)測變電站設(shè)備的狀態(tài)是一項(xiàng)很耗時(shí)的工作，并且很難全面地查找出設(shè)備故障。而使用熱像儀監(jiān)測變電站設(shè)備狀態(tài)能夠獲取較為準(zhǔn)確的圖像，工作人員根據(jù)圖像掌握設(shè)備狀態(tài)以采取適當(dāng)?shù)拇胧?。但該監(jiān)測方式周期較長，而微小故障持續(xù)時(shí)間長，缺乏對其連續(xù)監(jiān)測可能會(huì)導(dǎo)致危險(xiǎn)的發(fā)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(jiān)測設(shè)備，利用熱像儀采集熱信號，并進(jìn)行狀態(tài)監(jiān)測分析，而數(shù)據(jù)分析方法的性能對設(shè)備狀態(tài)的準(zhǔn)確獲取至關(guān)重要。

紅外圖像處理通過數(shù)據(jù)處理獲得表征設(shè)備運(yùn)行狀態(tài)的特征量，并利用自適應(yīng)神經(jīng)模糊推理系統(tǒng)、深度學(xué)習(xí)等方法實(shí)現(xiàn)設(shè)備狀態(tài)的分類或識別[6]。文獻(xiàn)[7]針對傳統(tǒng)方法在變電站設(shè)備故障修復(fù)、被動(dòng)維護(hù)以及預(yù)防性維護(hù)方面的劣勢，深入分析了設(shè)備故障的典型案例，提出了一種有效的電網(wǎng)設(shè)備監(jiān)測維護(hù)策略，提高了智能主站對電網(wǎng)設(shè)備安全監(jiān)控的能力，進(jìn)一步保障了電網(wǎng)安全穩(wěn)定性。文獻(xiàn)[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(tài)快速識別方法，根據(jù)Hotelling-T2及Squared Prediction Error統(tǒng)計(jì)量快速識別異常數(shù)據(jù)，結(jié)合數(shù)據(jù)特征即可實(shí)現(xiàn)在線監(jiān)測裝置工作狀態(tài)的快速辨識。實(shí)際測試結(jié)果顯示，所提方法能準(zhǔn)確判斷在線監(jiān)測裝置的工作狀態(tài)，對故障情況作出預(yù)警。文獻(xiàn)[9]針對變電站典型的網(wǎng)絡(luò)攻擊和流量異常，對變電站站控層網(wǎng)絡(luò)流量行為特性進(jìn)行了分析，提出另一種分形自回歸積分滑動(dòng)平均(Fractional autoregressive integrated moving average，F(xiàn)ARIMA)的網(wǎng)絡(luò)流量閾值模型，計(jì)算了典型網(wǎng)絡(luò)異常概率，從而實(shí)現(xiàn)了變電站在網(wǎng)絡(luò)攻擊情形下的安全態(tài)勢評價(jià)。但現(xiàn)有研究大多側(cè)重于二次設(shè)備、輸電線路等設(shè)備，對站內(nèi)其他設(shè)備的研究相對較少，且缺乏對復(fù)雜環(huán)境下設(shè)備狀態(tài)的分析，實(shí)用性有待加強(qiáng)。

為此，提出一種基于智能感知與深度學(xué)習(xí)的智能變電站設(shè)備狀態(tài)監(jiān)測方法，以實(shí)現(xiàn)站內(nèi)復(fù)雜環(huán)境下設(shè)備狀態(tài)的實(shí)時(shí)檢測。

2 基于熱像圖的變電站設(shè)備狀態(tài)檢測系統(tǒng)

變電站監(jiān)控系統(tǒng)架構(gòu)如圖1所示。圖中展示的是一個(gè)110/11 kV變電站，并在站內(nèi)四個(gè)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(zhuǎn)360°，以確保變電站設(shè)備的全方位檢測。熱像儀能夠持續(xù)捕捉設(shè)備的熱像，而獲取的圖像會(huì)被傳送至安裝在變電站內(nèi)的遠(yuǎn)程終端單元(Remote terminal unit，RTU)，并在RTU內(nèi)使用數(shù)字圖像處理技術(shù)作進(jìn)一步的分析。

圖1 變電站監(jiān)控系統(tǒng)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(qiáng)度(即設(shè)備溫度)超過閾值時(shí)檢測出臨界故障狀態(tài)。一旦像素強(qiáng)度的增加明確了故障的發(fā)生，有關(guān)此類設(shè)備狀況的關(guān)鍵信息會(huì)通過調(diào)制解調(diào)器即時(shí)發(fā)送到變電站監(jiān)控中心(Substation monitoring control center，SMCC)，工作人員根據(jù)故障狀態(tài)的嚴(yán)重程度采取適當(dāng)?shù)拇胧?。所提方法提高了智能變電站的可靠性，并降低因設(shè)備故障和停電而造成的經(jīng)濟(jì)損失。

3 基于智能感知與深度學(xué)習(xí)的變電站設(shè)備狀態(tài)檢測方法

基于智能感知與深度學(xué)習(xí)的智能變電站設(shè)備狀態(tài)檢測方法在利用熱像儀獲得設(shè)備圖像的基礎(chǔ)上，采用深度學(xué)習(xí)對圖像特征進(jìn)行分類，根據(jù)分類結(jié)果了解設(shè)備狀態(tài)，以采取相應(yīng)措施。所提方法的流程如圖2所示。

步驟1：熱像儀同時(shí)采集設(shè)備的實(shí)時(shí)熱像和原始彩色圖像，并應(yīng)用光學(xué)識別方法，找出圖像中的最高和最低溫度。

步驟2：計(jì)算行和列像素強(qiáng)度，檢查強(qiáng)度是否超過設(shè)備的原始閾值，將大于閾值的像素轉(zhuǎn)換為白色，剩余像素轉(zhuǎn)換為黑色。

步驟3：應(yīng)用中值濾波和侵蝕技術(shù)，得到以矩形盒為界的可能斷層區(qū)域，并根據(jù)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(xì)步驟

步驟4：通過訓(xùn)練好的深度學(xué)習(xí)模型，對提取的SURF進(jìn)行高級閾值處理，以區(qū)分臨界和微小故障。如果檢測到嚴(yán)重故障，則在熱像上用矩形框標(biāo)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(fā)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(nèi)，利用數(shù)字圖像處理技術(shù)分析熱像儀獲得的圖像。首先，應(yīng)用光學(xué)識別方法計(jì)算圖像中的最高和最低溫度，然后應(yīng)用中值濾波和侵蝕技術(shù)，得到溫度(臨界故障)可能升高的興趣區(qū)域(Region of interest，ROI)，該區(qū)域設(shè)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(shí)，首先通過光學(xué)識別功能獲得設(shè)備的閾值溫度，從而求出熱圖像的原始閾值像素強(qiáng)度，且大于閾值的像素強(qiáng)度被轉(zhuǎn)換為白色，剩余像素則被轉(zhuǎn)換為黑色。然后利用中值濾波技術(shù)對圖像進(jìn)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(jìn)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(gè)像素值。

侵蝕技術(shù)應(yīng)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(qū)域的邊界以獲取包圍可能故障區(qū)域的矩形盒。該技術(shù)使用兩個(gè)數(shù)據(jù)集作為輸入，一個(gè)數(shù)據(jù)集是被侵蝕的圖像，另一個(gè)是指定侵蝕影響輸入圖像精度的坐標(biāo)點(diǎn)集。

3.2 SURF

所提方法基于Matlab對應(yīng)用中值濾波和侵蝕技術(shù)得到的圖像進(jìn)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(jīng)過訓(xùn)練的深度學(xué)習(xí)分類器，以獲得設(shè)備狀態(tài)。

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(xiàn)，并通過使用預(yù)先配置基本圖片的三個(gè)整數(shù)運(yùn)算進(jìn)行圖像處理[11]。SURF描述子用于發(fā)現(xiàn)和感知物體，由個(gè)體再現(xiàn)三維場景，集中追蹤物體。其中興趣點(diǎn)檢測和尺度表示如下。

(1) 興趣點(diǎn)檢測。SURF使用方形濾波器進(jìn)行高斯平滑的估計(jì)，其特征是

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

該特征利用Hessian矩陣的blob標(biāo)識符識別關(guān)鍵點(diǎn)，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(shè)圖W中的點(diǎn)P= (x,y)具有標(biāo)度ω和點(diǎn)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(dǎo)數(shù)。

(2) 比例尺空間表示和興趣點(diǎn)區(qū)域。興趣點(diǎn)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，維度的面積通常可看成一個(gè)圖像金字 塔[12]。SURF利用高斯濾波器對圖像區(qū)域進(jìn)行多次平滑處理，然后對其進(jìn)行采樣，以得到金字塔的更高層次，即興趣點(diǎn)區(qū)域。

3.3 深度學(xué)習(xí)

相較于淺層機(jī)器學(xué)習(xí)模型存在過度依賴人工經(jīng)驗(yàn)、特征選取等問題，并且模型分析準(zhǔn)確度較低，深度學(xué)習(xí)通過構(gòu)建具備多個(gè)隱藏層的機(jī)器學(xué)習(xí)模型和大量數(shù)據(jù)學(xué)習(xí)更有效的特征，克服了淺層機(jī)器學(xué)習(xí)模型的不足[13-15]。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network，CNN)是目前在廣泛應(yīng)用的一種深度學(xué)習(xí)模型，而所提方法基于CNN 完成變電站設(shè)備紅外圖像的分類，以識別其設(shè)備狀態(tài)。

CNN由輸入層、卷積層、激勵(lì)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(lǐng)域中模型包括大量結(jié)構(gòu)高度復(fù)雜的網(wǎng)絡(luò)，易增加過度擬合的風(fēng)險(xiǎn)，因此所提方法采用規(guī)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(yùn)算，獲得一個(gè)特征圖。一個(gè)卷積核能夠通過卷積運(yùn)算得到多個(gè)特征圖，則第l卷積層j個(gè)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(yùn)算；f(x)為激活函數(shù)。

圖3 CNN結(jié)構(gòu)

激勵(lì)層采用線性整流激活函數(shù)；池化層采用最大池化方法，即將顏色一致的區(qū)域看成一個(gè)池化區(qū)域，區(qū)域內(nèi)的最大值則是輸出值，以此重組特征圖；全連接層綜合經(jīng)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(xùn)練

CNN 的訓(xùn)練過程即參數(shù)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(jī)梯度下降法(Stochastic gradient descent，SGD)訓(xùn)練網(wǎng)絡(luò)模型。

SGD方法構(gòu)造的誤差函數(shù)e為

式中，m為輸出層神經(jīng)元的個(gè)數(shù)；yj為輸出值；tj為標(biāo)準(zhǔn)值。

4 試驗(yàn)結(jié)果與分析

試驗(yàn)中，深度學(xué)習(xí)模型使用Python語言基于開源深度學(xué)習(xí)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(yàn)在Ubuntu 14.04.5環(huán)境中進(jìn)行。硬件配置上，使用一臺32 GB的計(jì)算機(jī)，并借助一塊NVIDIA 2080Ti GPU以加速網(wǎng)絡(luò)的訓(xùn)練過程。

通過三個(gè)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(nèi)拍攝的圖像作為訓(xùn)練樣本，并且為了擴(kuò)大樣本，通過旋轉(zhuǎn)、偏移等方式進(jìn)行圖像增強(qiáng)。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(jìn)行評價(jià)，采用準(zhǔn)確率和召回率兩個(gè)指標(biāo)，其中準(zhǔn)確率P和召回率R分別為

式中，TP為劃分準(zhǔn)確的樣本數(shù)量；FP為其他類別錯(cuò)誤劃分為本類別的樣本數(shù)量；FN為本類別錯(cuò)誤劃分為其他類別的樣本數(shù)量。

4.1 CNN網(wǎng)絡(luò)結(jié)構(gòu)分析

CNN的結(jié)構(gòu)可根據(jù)實(shí)際應(yīng)用需要?jiǎng)討B(tài)調(diào)整卷積層、激勵(lì)層和池化層數(shù)量，不同的網(wǎng)絡(luò)結(jié)構(gòu)對智能變電站設(shè)備狀態(tài)檢測的性能均有一定的影響。采用準(zhǔn)確率與檢測時(shí)間兩個(gè)指標(biāo)進(jìn)行評估，結(jié)果如表1所示。

表1 不同網(wǎng)絡(luò)結(jié)構(gòu)下檢測方法的準(zhǔn)確率與執(zhí)行時(shí)間

從表1中可以看出，卷積層數(shù)越多，深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)越復(fù)雜，所得到的檢測準(zhǔn)確度越高，但復(fù)雜的學(xué)習(xí)過程導(dǎo)致執(zhí)行時(shí)間較長，能耗較大。而3層卷積與2層池化的結(jié)構(gòu)，其執(zhí)行時(shí)間較短，但模型太過簡單，學(xué)習(xí)準(zhǔn)確度不夠。因此，選擇5層卷積與3層全連接時(shí)的檢測效果最佳。

4.2 變電站設(shè)備狀態(tài)檢測結(jié)果

在RTU處從熱像儀讀取的用于各個(gè)案例研究的圖像，經(jīng)過SURF特征提取，以及CNN分類辨識，變電站設(shè)備狀態(tài)檢測結(jié)果如圖5所示。

圖5 案例分析結(jié)果

從圖5中可看出，經(jīng)SURF特征提取能夠大致判定故障區(qū)域，將圖像特征輸入CNN模型中，可以進(jìn)一步縮小故障范圍，從圖像中便可直觀準(zhǔn)確地掌握設(shè)備狀態(tài)。

同時(shí)，采用選取的指標(biāo)對所得到的結(jié)果作定量分析，結(jié)果如表2所示。

表2 三個(gè)案例下檢測方法的準(zhǔn)確率和召回率

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

4.3 與其他方法的對比分析

為了進(jìn)一步論證所提方法的優(yōu)越性，將其與文獻(xiàn)[7-9]中方法進(jìn)行對比論證，準(zhǔn)確率和檢測速度的結(jié)果如圖6所示。

圖6 準(zhǔn)確率和檢測速度的對比結(jié)果

從圖6可看出，使用所提方法對目標(biāo)設(shè)備進(jìn)行檢測，在準(zhǔn)確率和檢測速度上都優(yōu)于其他方法。文獻(xiàn)[9]利用卷積神經(jīng)網(wǎng)絡(luò)提取絕緣子特征的檢測性能也明顯優(yōu)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(jié)果更加精確。卷積網(wǎng)絡(luò)能夠通過學(xué)習(xí)獲取適用于目標(biāo)檢測顏色、紋理等特征，文獻(xiàn)[8]僅采用一種特征，其算法表達(dá)性能較卷積網(wǎng)絡(luò)較差。文獻(xiàn)[7]利用灰度共生矩陣實(shí)現(xiàn)圖像邊緣紋理特征的提取，由于不同的設(shè)備需要構(gòu)建不同的特征向量，其應(yīng)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(chǔ)上利用CNN對設(shè)備狀態(tài)進(jìn)行分類，加快了檢測速度。

5 結(jié)論

為了滿足智能變電站智能化、可靠性的需求，以及提高設(shè)備狀態(tài)檢測的準(zhǔn)確率，提出了一種基于智能感知與深度學(xué)習(xí)的智能變電站設(shè)備狀態(tài)檢測 方法。

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

(2) 所提方法采用中值濾波和侵蝕技術(shù)對設(shè)備熱圖像進(jìn)行預(yù)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(xiàn)有方法的設(shè)備狀態(tài)檢測率不高，所提方法采用深度學(xué)習(xí)-卷積神經(jīng)網(wǎng)絡(luò)模型對設(shè)備圖像特征進(jìn)行分類，以檢測出設(shè)備微小故障，很大程度上提高了檢測準(zhǔn)確率。