基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的變電站高壓斷路器分合狀態(tài)檢測

摘要：變電站內(nèi)的高壓斷路器對維護(hù)電力系統(tǒng)的穩(wěn)定意義重大，其分合狀態(tài)直接控制著高壓線路和電氣設(shè)備的運(yùn)行工況。針對現(xiàn)有變電站斷路器分合狀態(tài)識別精度低、抗噪性弱、計算效率低等問題，提出了一種基于輕量化卷積神經(jīng)網(wǎng)絡(luò)（MobileNet）的變電站高壓斷路器分合狀態(tài)檢測方法，采集多種復(fù)雜場景下的高壓斷路器分合狀態(tài)圖像，構(gòu)建檢測數(shù)據(jù)集，并進(jìn)行模型的訓(xùn)練和驗證。實(shí)驗結(jié)果表明，MobileNet模型在識別高壓斷路器“分” “合”狀態(tài)時，準(zhǔn)確率高達(dá)96.25%，精準(zhǔn)率、召回率均顯著優(yōu)于SVM、樸素貝葉斯等經(jīng)典的二分類模型，可為變電站斷路器狀態(tài)的自動化檢測提供理論支持。

關(guān)鍵詞：變電站；高壓斷路器；分合狀態(tài)檢測；輕量化卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號：TP391.43 文獻(xiàn)標(biāo)志碼：A 文章編號：1671-0797（2024）20-0009-03

DOI：10.19514/j.cnki.cn32-1628/tm.2024.20.003

0 引言

高壓斷路器是變電站內(nèi)一種重要的電氣設(shè)備，主要用于控制和保護(hù)電力系統(tǒng)中的高壓線路和電氣設(shè)備。在電力系統(tǒng)正常運(yùn)行條件下，高壓斷路器可以根據(jù)操作指令接通或斷開高壓電路，控制電力的輸送和分配；若變電站內(nèi)發(fā)生短路、過載等故障，高壓斷路器能即刻發(fā)出分閘指令，控制操作機(jī)構(gòu)動作，使動靜觸頭分離，迅速斷開故障電路，以防故障擴(kuò)大，確保電力系統(tǒng)和設(shè)備的安全。

高壓斷路器包括分合指示、氣體壓力、操作電源狀態(tài)、機(jī)械位置指示、電流、電壓等多個運(yùn)行狀態(tài)量，其中分合指示是監(jiān)控斷路器運(yùn)行狀態(tài)的直接手段。隨著電力自動化、智能化升級，電力巡檢機(jī)器人搭載高清攝像頭和紅外熱成像儀，具備了對高壓斷路器分合狀態(tài)進(jìn)行檢測的基本功能。由于不同型號的高壓斷路器對“分” “合”狀態(tài)的標(biāo)識類型不同，字體、大小、顏色、形狀標(biāo)準(zhǔn)不統(tǒng)一，且存在年久褪色、模糊的情況，目前識別效果不佳[1]。

近年來，隨著機(jī)器學(xué)習(xí)和計算機(jī)視覺技術(shù)的迅猛發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）、支持向量機(jī)等主流模型已成功應(yīng)用于變電站高壓斷路器狀態(tài)識別領(lǐng)域。例如，文獻(xiàn)[2]采用YOLOv4算法檢測斷路器的分合狀態(tài)，文獻(xiàn)[3]優(yōu)化了卷積神經(jīng)網(wǎng)絡(luò)診斷高壓斷路器故障，文獻(xiàn)[4]選擇PCA聯(lián)合支持向量機(jī)模型評估斷路器工況等。輕量化卷積神經(jīng)網(wǎng)絡(luò)（MobileNet）具有強(qiáng)大的特征學(xué)習(xí)能力，可以從任何背景中學(xué)習(xí)到具有辨識性的文字特征，無須人為再提供特征匹配模板，具備速度快、易部署、抗噪強(qiáng)等優(yōu)勢。

鑒于此，本文研究了基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的變電站高壓斷路器分合狀態(tài)檢測方法，期望在各種難易場景下的高壓斷路器圖像中精準(zhǔn)識別斷路器的分合狀態(tài)，以解決變電站斷路器分合狀態(tài)識別精度低等問題，為后續(xù)變電站運(yùn)維全自動化操作提供理論基礎(chǔ)。

1 基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的變電站高壓斷路器分合狀態(tài)檢測模型

1.1 CNN理論

CNN是深度學(xué)習(xí)中的一種重要模型，通過模擬生物視覺系統(tǒng)的工作原理，利用卷積層、池化層和全連接層等基本單元，實(shí)現(xiàn)對圖像的特征提取和分類。其中，卷積層是CNN的核心組塊，包含了一系列的卷積核，通過在輸入圖像上滑動計算出局部區(qū)域的加權(quán)和，以實(shí)現(xiàn)對圖像局部特征的提取。池化層用于對卷積層提取的特征圖進(jìn)行下采樣，減小特征圖的尺寸，以降低計算復(fù)雜度和防止過擬合。全連接層則是將卷積和池化層提取的特征展平，后接Softmax層輸出各類別的概率分布。CNN的結(jié)構(gòu)如圖1所示。

1.2 輕量化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

MobileNet是專為在資源受限的終端設(shè)備上（如電力巡檢機(jī)器人）高效推理而設(shè)計的一種CNN結(jié)構(gòu)。相比CNN，MobileNet引入了深度可分離卷積，能顯著減少模型的參數(shù)量和計算量。深度可分離卷積的原理如圖2所示。

由圖2可見，深度可分離卷積拆分成了深度卷積和逐點(diǎn)卷積。假設(shè)輸入圖的尺寸為DF×DF×M，深度卷積核的尺寸為DK×DK，逐點(diǎn)卷積核的尺寸為1×1×M×N，則深度可分離卷積的計算量和參數(shù)量如表1所示。

由表1可見，相比于CNN模型所用的普通卷積核，MobileNet采用的深度可分離卷積大幅減少了計算量和參數(shù)量，且保持了優(yōu)秀的特征提取能力。

1.3 基于MobileNet的變電站高壓斷路器分合狀態(tài)檢測流程

MobileNet的主體結(jié)構(gòu)以及變電站高壓斷路器分合狀態(tài)檢測流程如圖3所示。

首先，使用攝像頭采集高壓斷路器的分合狀態(tài)圖像，并為圖像打上“分” “合”標(biāo)簽；其次，將采集的圖像輸入MobileNet模型，通過卷積層、深度可分離卷積層、池化層等進(jìn)行文字特征的提取；最后，全連接層輸出圖像的分類值，并根據(jù)分類值確定斷路器狀態(tài)。

2 案例分析

2.1 案例背景

本案例以滁州市瑯琊區(qū)變電站為主體，采集了不同氣候、白晝黑夜、部分遮擋等各種場景下的高壓斷路器分合指示圖像總計400張，其中223張顯示為“分”，177張顯示為“合”，正負(fù)樣本較為均衡。隨機(jī)抽取80%的圖像作為MobileNet模型的訓(xùn)練集，其余20%作為測試集。使用one-hot編碼標(biāo)記圖像標(biāo)簽，設(shè)定“合”為[1，0]，“分”為[0，1]。

2.2 評價指標(biāo)

基于MobileNet的變電站高壓斷路器分合狀態(tài)檢測模型在形式上為“分” “合”的二分類模型，通過二分類混淆矩陣可計算出準(zhǔn)確率、召回率、精準(zhǔn)率等三類指標(biāo)，計算公式如下：

準(zhǔn)確率= （1）

召回率= （2）

精準(zhǔn)率= （3）

式中：TP為真正類；TN為真負(fù)類；FP為假正類；FN為假負(fù)類；準(zhǔn)確率表示識別正確的正負(fù)樣本數(shù)占總樣本數(shù)的比例；召回率表示所有正類樣本中被正確識別為正類的比例；精準(zhǔn)率表示所有被預(yù)測為正類的樣本中實(shí)際為正類的比例。

此外，ROC曲線通過繪制召回率和假正率之間的關(guān)系曲線，可評估二分類模型性能，屬于一種圖形化展示方式。AUC則是ROC曲線下面積，代表了模型區(qū)分“分” “合”兩種狀態(tài)的能力，AUC值越接近于1，代表模型的性能越強(qiáng)。

假正率= （4）

2.3 實(shí)驗結(jié)果

令“分”為正類，“合”為負(fù)類，圖4的混淆矩陣、ROC曲線以及表2展示了基于MobileNet的變電站高壓斷路器分合狀態(tài)檢測模型在測試集上的指標(biāo)。

此外，為了對比本文所建的深度網(wǎng)絡(luò)與其他經(jīng)典二分類模型在識別高壓斷路器分合狀態(tài)上的性能，另外使用了支持向量機(jī)（SVM）、樸素貝葉斯、CNN網(wǎng)絡(luò)對相同數(shù)據(jù)集做反復(fù)實(shí)驗，獲得各項評價指標(biāo)，并將其結(jié)果納入表2展示。

由表2、圖4可見，在測試集上，MobileNet深度網(wǎng)絡(luò)識別“分” “合”狀態(tài)的精準(zhǔn)率高達(dá)95.7%，召回率為97.8%，AUC高達(dá)0.975 6，這說明模型在檢測“分”類樣本時，誤檢率和漏檢率均為低水平。

此外，MobileNet對兩類別識別的總體準(zhǔn)確率為96.25%，在所有檢測算法中指標(biāo)最優(yōu)。這說明，本文所建模型具備有效區(qū)分不同場景下高壓斷路器分合狀態(tài)的能力，能夠滿足電力自動化、智能化巡檢的實(shí)際需求。

3 結(jié)束語

本文提出了基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的變電站高壓斷路器分合狀態(tài)檢測方法，通過采集和標(biāo)注多種復(fù)雜場景下的斷路器圖像，訓(xùn)練并驗證模型的有效性。實(shí)驗結(jié)果表明，該模型在識別高壓斷路器“分” “合”狀態(tài)時的精準(zhǔn)率、召回率、準(zhǔn)確率等指標(biāo)均優(yōu)于其他經(jīng)典的二分類模型，且輕量化的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計使得其在資源受限的電力智能化巡檢設(shè)備上高效運(yùn)行成為可能。

[參考文獻(xiàn)]

[1] 李天偉.變電站智能巡檢圖像識別技術(shù)研究與工程實(shí)踐[D].南京：東南大學(xué)，2021.

[2] 韓懈.基于深度學(xué)習(xí)的高壓斷路器分合狀態(tài)識別方法研究[D].鎮(zhèn)江：江蘇大學(xué)，2022.

[3] 姜楠，羅林，王喬，等.結(jié)構(gòu)優(yōu)化深度網(wǎng)絡(luò)的高壓斷路器機(jī)械故障診斷[J].遼寧石油化工大學(xué)學(xué)報，2023，43（3）：91-96.

[4] 婁杲，田行軍，閆輝，等.基于知識與數(shù)據(jù)聯(lián)合驅(qū)動的斷路器狀態(tài)評估系統(tǒng)研究[J].國外電子測量技術(shù)，2023，42（6）：63-69.

收稿日期：2024-05-27

作者簡介：張為國（1996—），男，山東濟(jì)南人，碩士，助理工程師，研究方向：光伏并網(wǎng)逆變器的控制策略。

王?。?997—），男，安徽滁州人，碩士，助理工程師，研究方向：微電網(wǎng)能量管理策略。