汪 洋， 黎恒烜， 鄂士平， 王成智， 張侃君

(國(guó)網(wǎng)湖北省電力有限公司 a.設(shè)備管理部， b. 電力科學(xué)研究院， 武漢 430000)

隨著電網(wǎng)的大規(guī)模建設(shè)，變電站也在不斷進(jìn)行升級(jí)、改造，但電網(wǎng)的調(diào)度與控制安全仍面臨著巨大挑戰(zhàn)[1].為了避免誤調(diào)度和誤操作的發(fā)生，一鍵順控作為一種新的智能變電運(yùn)檢技術(shù)正在逐漸推廣應(yīng)用[2-3].

變電站為了實(shí)現(xiàn)設(shè)備狀態(tài)的切換，使用倒閘操作將設(shè)備切換至檢修、熱備用、冷備用和運(yùn)行四種狀態(tài)[4].但變電站通常存在較高的電壓，在倒閘操作中出現(xiàn)誤操作不僅會(huì)危害人身與設(shè)備安全，嚴(yán)重的更會(huì)導(dǎo)致電力系統(tǒng)的崩潰[5].一鍵順控即操作人員在一體化信息平臺(tái)下達(dá)任務(wù)，可按順序一次性實(shí)現(xiàn)操作項(xiàng)目軟件預(yù)制、任務(wù)模塊搭建、設(shè)備狀態(tài)識(shí)別和操作步驟一鍵啟動(dòng)與執(zhí)行的指令[6].傳統(tǒng)的一鍵順控系統(tǒng)使用遙信采集的信號(hào)來判斷設(shè)備的運(yùn)行狀態(tài)，并使用智能防護(hù)系統(tǒng)來判斷程序化操作是否到位.然而，在實(shí)際變電站的一鍵順控停、送電操作中，由于操作不當(dāng)，容易出現(xiàn)錯(cuò)誤的投退操作.而傳統(tǒng)的信號(hào)監(jiān)測(cè)方法，難以及時(shí)發(fā)現(xiàn)這些錯(cuò)誤[7].

基于深度學(xué)習(xí)的數(shù)據(jù)分析方法作為人工智能的重要研究領(lǐng)域，正廣泛應(yīng)用于工程的各個(gè)方面.如文獻(xiàn)[8]提出使用深度學(xué)習(xí)算法自動(dòng)分析變電站設(shè)備的周圍環(huán)境，實(shí)現(xiàn)防火、防盜以及變電站的無人值守；文獻(xiàn)[9]使用深度學(xué)習(xí)算法設(shè)計(jì)目標(biāo)檢測(cè)網(wǎng)絡(luò)，實(shí)現(xiàn)輸變電設(shè)備異常發(fā)熱點(diǎn)紅外圖片的檢測(cè)；文獻(xiàn)[10]使用基于深度學(xué)習(xí)的分類算法，實(shí)現(xiàn)發(fā)電機(jī)故障狀態(tài)的挖掘；文獻(xiàn)[11]使用長(zhǎng)短時(shí)記憶(LSTM)網(wǎng)絡(luò)、門循環(huán)單元(GRU)神經(jīng)網(wǎng)絡(luò)和棧式自編碼器(SAE)實(shí)現(xiàn)電力負(fù)荷預(yù)測(cè).

為了解決一鍵順控系統(tǒng)中不能精確判斷目標(biāo)設(shè)備工作的狀態(tài)及硬壓板狀態(tài)監(jiān)視可靠性低的問題，本文提出了一種基于圖像識(shí)別的“雙確認(rèn)”方式.該方法使用監(jiān)控系統(tǒng)采集的目標(biāo)設(shè)備圖像信息進(jìn)行判別處理，使用一個(gè)多任務(wù)神經(jīng)網(wǎng)絡(luò)同時(shí)完成硬壓板位置檢測(cè)、投切狀態(tài)檢測(cè)和硬壓板標(biāo)識(shí)檢測(cè)三個(gè)任務(wù).

1 多任務(wù)學(xué)習(xí)的硬壓板檢測(cè)與識(shí)別

為了有效檢測(cè)與識(shí)別出不同的硬壓板，本文提出一個(gè)多任務(wù)學(xué)習(xí)網(wǎng)絡(luò).該網(wǎng)絡(luò)不僅需要檢測(cè)出硬壓板區(qū)域，且需要根據(jù)硬壓板下面的唯一文字描述對(duì)硬壓板進(jìn)行標(biāo)識(shí)區(qū)分.圖1為本文方法的整體框架，對(duì)于給定的輸入圖片，該網(wǎng)絡(luò)首先使用一個(gè)共享卷積層提取出共享特征；然后使用一個(gè)文字檢測(cè)網(wǎng)絡(luò)檢測(cè)并識(shí)別出文字，采用一個(gè)識(shí)別框檢測(cè)出硬壓板區(qū)域，并對(duì)其投切狀態(tài)進(jìn)行分類識(shí)別.

圖1 硬壓板檢測(cè)與識(shí)別整體框架Fig.1 Overall framework of detection and recognition of hard platens

1.1 特征共享網(wǎng)絡(luò)

由于硬壓板與其下面的文字標(biāo)識(shí)位置上存在關(guān)聯(lián)關(guān)系，因此本文基于多任務(wù)學(xué)習(xí)的硬壓板檢測(cè)與識(shí)別網(wǎng)絡(luò)，使用一個(gè)特征共享網(wǎng)絡(luò)提取表達(dá)能力更強(qiáng)的特征，其具體架構(gòu)如圖2所示.圖2中，f表示特征，conv block 64，/2表示含有64個(gè)通道的卷積層，并進(jìn)行2倍下采樣；up sampling表示上采樣，×2為2倍上采樣層；3×3表示卷積核大小為3×3；concat表示數(shù)組合并.

圖2 特征共享網(wǎng)絡(luò)架構(gòu)Fig.2 Architecture of feature sharing network

特征共享網(wǎng)絡(luò)使用ResNet-50作為基礎(chǔ)網(wǎng)絡(luò)，并使用特征金字塔結(jié)構(gòu)(FPN)融合高、低分辨率的特征來整合全局與局部信息.特征融合過程滿足

(1)

(2)

式中：gi與hi分別為待融合特征圖和融合后的特征圖；unpool為上采樣操作；conv為卷積層操作.在特征融合時(shí)為了保證特征圖的大小一致，將最后一個(gè)階段的特征圖進(jìn)行上采樣操作，增加一倍的尺寸；隨后，將其與當(dāng)前層的特征進(jìn)行串接，并使用一個(gè)1×1卷積層來減小特征通道數(shù)；最后，使用一個(gè)3×3卷積操作得到融合的結(jié)果.

進(jìn)行上述特征提取與特征融合操作后，將提取出的共享特征分別送入硬壓板檢測(cè)網(wǎng)絡(luò)與文字檢測(cè)網(wǎng)絡(luò)進(jìn)行硬壓板和文字的檢測(cè)與識(shí)別.

1.2 文字檢測(cè)網(wǎng)絡(luò)

本文使用EAST網(wǎng)絡(luò)進(jìn)行文字的檢測(cè)，該網(wǎng)絡(luò)可以準(zhǔn)確、有效地檢測(cè)各種場(chǎng)景下的文字目標(biāo).EAST網(wǎng)絡(luò)消除了不必要的網(wǎng)絡(luò)操作，能夠直接預(yù)測(cè)任意方向的文本行.

圖3為本文檢測(cè)分支網(wǎng)絡(luò)的具體架構(gòu).該分支使用FPN提取的特征作為輸入，使用一個(gè)1×1卷積層將輸出分支劃分為一個(gè)得分通道和預(yù)測(cè)通道.得分通道用來預(yù)測(cè)每一個(gè)文字框中的特征是正樣本的可能性，預(yù)測(cè)通道用來指示檢測(cè)框的相對(duì)橫、縱坐標(biāo)值.得到每個(gè)檢測(cè)框的得分與相對(duì)坐標(biāo)后，即可使用非極大值抑制來搜索出局部極大值，再抑制非極大值結(jié)果，最終保留一個(gè)最理想的檢測(cè)框.因此，文本檢測(cè)網(wǎng)絡(luò)的目標(biāo)函數(shù)可以表示為

Ldt=λsLs+λregLreg

(3)

式中：Ls與Lreg分別為得分通道和預(yù)測(cè)通道的損失；λs與λreg分別為兩損失的權(quán)重，本文將其值直接設(shè)為1.

圖3 EAST檢測(cè)分支架構(gòu)Fig.3 Architecture of EAST detection branch

得分通道的損失函數(shù)為交叉熵?fù)p失，其表達(dá)式為

(4)

(5)

式中，Y∈Y*為隨機(jī)采樣樣本.

(6)

1.3 文字識(shí)別網(wǎng)絡(luò)

為了便于對(duì)文字進(jìn)行識(shí)別，本文首先使用放射變換層對(duì)檢測(cè)出的文字區(qū)域進(jìn)行變換，以得到軸對(duì)稱的檢測(cè)結(jié)果.這一操作需要保證輸出高度固定，且檢測(cè)結(jié)果的長(zhǎng)寬比不變.放射變換主要包括兩個(gè)步驟：1)使用檢測(cè)框的預(yù)測(cè)坐標(biāo)來計(jì)算放射參數(shù)；2)對(duì)所有特征區(qū)域進(jìn)行放射變換，以得到標(biāo)準(zhǔn)水平的特征.其中，第1)步的計(jì)算操作為

(7)

式中：M為要求的放射變換矩陣；ht、wt為變換后輸出的高和寬；(t，b，l，r)為文本框左上、左下、右上和右下四個(gè)坐標(biāo)；θ為文本方向角度.

使用變換矩陣M，即可實(shí)現(xiàn)所有區(qū)域的放射變換，即

(8)

對(duì)文本區(qū)域進(jìn)行放射變換后，本文使用文字識(shí)別分支對(duì)檢測(cè)框中的文本進(jìn)行識(shí)別.考慮到文字識(shí)別分支檢測(cè)的文本框中包含的文字長(zhǎng)度不同，本文使用LSTM網(wǎng)絡(luò)沿著原始圖像的共享特征進(jìn)行識(shí)別.文中文字識(shí)別網(wǎng)絡(luò)包含一個(gè)雙向LSTM層、一個(gè)全連接層和一個(gè)CTC解碼層.

(9)

式中，B為所有可能帶有空格的標(biāo)簽到e*的多對(duì)一映射.

文字識(shí)別網(wǎng)絡(luò)的目的是最大化式(9)求和的對(duì)數(shù)概率，損失函數(shù)可表示為

(10)

1.4 硬壓板檢測(cè)與識(shí)別網(wǎng)絡(luò)

本文使用Faster R-CNN構(gòu)建硬壓板的檢測(cè)和分類網(wǎng)絡(luò)，并直接將硬壓板的投切狀態(tài)作為硬壓板的類別信息.

硬壓板檢測(cè)與識(shí)別網(wǎng)絡(luò)的輸入為特征共享層提取的特征，輸出為硬壓板的坐標(biāo)值.對(duì)于給定的共享特征，首先采用3×3的滑動(dòng)操作得到9個(gè)錨框，這9個(gè)錨框具有3種不同的面積：1 282、2 562和5 122.得到錨框特征后，該網(wǎng)絡(luò)再使用1×1×256×18和1×1×256×36兩個(gè)卷積層分別得到一個(gè)18維的向量和一個(gè)36維的向量，進(jìn)而得到硬壓板的類別與坐標(biāo)值，檢測(cè)與識(shí)別網(wǎng)絡(luò)架構(gòu)如圖4所示.

圖4 硬壓板檢測(cè)與識(shí)別網(wǎng)絡(luò)架構(gòu)Fig.4 Network architecture of detection and recognition of hard platens

為了優(yōu)化硬壓板檢測(cè)與識(shí)別網(wǎng)絡(luò)，本文對(duì)候選檢測(cè)框及其類別進(jìn)行Softmax二分類，并設(shè)計(jì)了目標(biāo)函數(shù)為

(11)

(12)

(13)

2 實(shí)驗(yàn)與結(jié)果

2.1 實(shí)驗(yàn)設(shè)置

本文使用手工標(biāo)注的9 000張硬壓板目標(biāo)屏圖片訓(xùn)練所提出的檢測(cè)與識(shí)別網(wǎng)絡(luò).在標(biāo)注圖片中，每一個(gè)硬壓板下面包含一段文字框來描述硬壓板的具體信息.同時(shí)，每個(gè)硬壓板根據(jù)其投切狀態(tài)標(biāo)記為1(開)、0(合)兩個(gè)狀態(tài).圖5為本文采集的硬壓板圖片，本文從9 000張圖片中隨機(jī)選擇7 200張作為訓(xùn)練數(shù)據(jù)集，剩下的1 800張作為測(cè)試集.文中使用Pytorch框架實(shí)現(xiàn)所提出的網(wǎng)絡(luò)，并使用Adam進(jìn)行網(wǎng)絡(luò)優(yōu)化.設(shè)置初始學(xué)習(xí)率為0.001，每個(gè)訓(xùn)練Batch的大小為1，共訓(xùn)練50個(gè)周期.

圖5 硬壓板圖片F(xiàn)ig.5 Images of hard platens

2.2 評(píng)估指標(biāo)

為了評(píng)估所提出方法的性能，本文使用精確度P、召回率R和平均性能F三個(gè)指標(biāo)來表示網(wǎng)絡(luò)性能.其中，精確度與召回率從漏檢和誤檢的角度對(duì)性能進(jìn)行評(píng)估，而平均性能是對(duì)精確度與召回率的加權(quán)平均，即從總體性能上對(duì)算法進(jìn)行評(píng)估.三個(gè)指標(biāo)的具體定義為

(14)

式中：q為檢測(cè)值；G為真實(shí)硬壓板/文本框的集合；D為網(wǎng)絡(luò)輸出結(jié)果的集合.檢測(cè)結(jié)果與真實(shí)目標(biāo)的匹配規(guī)則為

(15)

式中：σij=(Gi∩Dj)/Gi；τij=(Gi∩Dj)/Dj.根據(jù)多次試驗(yàn)結(jié)果設(shè)置T1=0.8，T2=0.2.

2.3 結(jié)果與分析

本文使用上述采集的數(shù)據(jù)集對(duì)所提出的算法進(jìn)行性能評(píng)估，表1為不同算法對(duì)硬壓板檢測(cè)與定位的精度比較結(jié)果.CTPN結(jié)合CNN與LSTM深度網(wǎng)絡(luò)，能有效檢測(cè)復(fù)雜場(chǎng)景的橫向分布的文字，SSTD為二值圖像數(shù)字水印算法.從表1中可以看出，所提出的算法相對(duì)于其他單獨(dú)的檢測(cè)算法具有更高的精度.

表1 不同算法在測(cè)試集上的檢測(cè)與識(shí)別精度Tab.1 Detection and recognition accuracy on test set with different algorithms %

圖6為本文硬壓板二次確認(rèn)具體實(shí)現(xiàn)效果圖.從圖6中可以看出，使用本方法能夠有效地對(duì)硬壓板位置進(jìn)行檢測(cè)，并實(shí)現(xiàn)硬壓板投切狀態(tài)的識(shí)別，提升了一鍵順控的操作精度.

圖6 硬壓板二次確認(rèn)具體實(shí)現(xiàn)效果圖Fig.6 Actual implementation effect diagram of secondary confirmation of hard platens

3 結(jié) 論

本文提出了一種基于深度學(xué)習(xí)的變電站硬壓板狀態(tài)檢測(cè)與識(shí)別算法.該算法采用一個(gè)多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)，同時(shí)完成了硬壓板位置、投切狀態(tài)和硬壓板標(biāo)識(shí)檢測(cè).其中，硬壓板位置檢測(cè)用于確定并提取出硬壓板坐標(biāo)；硬壓板標(biāo)識(shí)識(shí)別采用基于文字檢測(cè)與識(shí)別算法對(duì)硬壓板進(jìn)行區(qū)分；投切狀態(tài)檢測(cè)用于對(duì)檢測(cè)出的硬壓板狀態(tài)進(jìn)行分類，即開或合.測(cè)試結(jié)果表明，所提出的方法能夠提升硬壓板狀態(tài)識(shí)別精度，同時(shí)也保證了一鍵順控操作的安全性.