蘇磊, 黃華, 秦倫明, 趙文彬

(1.國網(wǎng)上海市電力公司電力科學研究院，上海 200437；2.上海電力大學 a.電子與信息工程學院；b.電氣工程學院，上海 200090)

為了響應國家大力發(fā)展新能源發(fā)電的號召，越來越多光伏電站和風電場接入電網(wǎng)，但其在緩解能源匱乏和環(huán)境污染的同時，也給電網(wǎng)帶來了諸多威脅，尤其是一些新能源電站為節(jié)約成本，要求直接接入變電站低壓側，再通過變電站向更高電壓等級變電站輸送電能。因此，新能源對電網(wǎng)的不利影響便會直接施加在變電站中的電力變壓器上。變壓器作為電力系統(tǒng)的上游關鍵設備，不僅價格昂貴，還承擔著電壓變換、電能分配和傳輸?shù)热蝿?，其運行可靠性影響著電網(wǎng)的運行安全。變壓器一旦發(fā)生故障，可能導致大規(guī)模停電事故，造成巨大的直接和間接經(jīng)濟損失[1]。因此，研究電力變壓器的早期故障檢測及健康狀態(tài)評估對提高電力變壓器可靠性，保證電網(wǎng)安全穩(wěn)定運行具有極為重要的意義。

隨著智能化技術的進步[2]，對變壓器的維護逐漸采用狀態(tài)檢修代替?zhèn)鹘y(tǒng)的定期檢修和事故后維修。狀態(tài)檢修主要根據(jù)對變壓器運行狀態(tài)的監(jiān)測結果確定維修策略，從而縮減設備維修成本，降低停機損耗并有效預防故障的發(fā)生[3]。當前，變壓器狀態(tài)評估方法主要分為在線監(jiān)測和離線檢測2大類。在線監(jiān)測時變壓器不需要停止運行，能夠節(jié)省人力、物力，具有明顯優(yōu)勢。常用的電力變壓器在線監(jiān)測方法主要有低壓脈沖法、頻率響應分析法、變壓器油中溶解氣體的氣相色譜分析法、局部放電在線監(jiān)測法以及振動分析法等[4]。其中振動分析法的一大優(yōu)點是檢測系統(tǒng)不與被測變壓器發(fā)生任何形式的電氣連接，不會影響電網(wǎng)的正常運行，充分保障了在線監(jiān)測的安全性，并且克服了頻率響應分析法、短路電抗法等只能離線監(jiān)測變壓器機械故障的不足。振動分析法屬于體外檢測分析方法，利用振動傳感器獲取變壓器油箱表面的振動信號，進而提取其中包含的時頻域特征，實現(xiàn)變壓器在線狀態(tài)監(jiān)測。20世紀90年代中后期，基于振動分析法進行變壓器運行狀態(tài)在線監(jiān)測的設想被提出，雖然目前僅有俄羅斯將該方法應用到現(xiàn)場，但使用結果證明振動分析法可用于任何類型的變壓器，且準確率相對較高。由于未深入研究繞組和鐵心的振動特性，且缺乏經(jīng)驗，該方法在監(jiān)測繞組和鐵心故障時仍有很大局限性[5-6]。

針對變壓器振動分析法的深入研究:Berler等對變壓器進行空載和負載對照試驗，獲得了鐵心和繞組單獨作用時變壓器箱體的振動，將實驗室研究向前推進了一大步[3];Garcia和Burgos等研究了振動幅值和相位與運行電壓、負載電流、溫度之間的關系，建立了基頻振幅與運行電壓、負載電流、溫度三者的數(shù)學模型，并得到繞組和鐵心振動基頻幅值分別與負載電流、運行電壓的平方成正比的關系，該結論對后續(xù)變壓器研究起到了重要的指導作用[7-8]。

變壓器振動信號檢測是分析和評判變壓器運行狀態(tài)和故障診斷的重要前提。目前，振動信號檢測廣泛應用于機械、車輛、建筑、航空航天等各類工程中，已經(jīng)成為工程測量領域中的重要研究方向[9]。振動信號的檢測方法大體可分為接觸式測振和非接觸式測振2類。傳統(tǒng)接觸式測振主要采用現(xiàn)場安裝傳感器的方式，由于需要逐點布置，測量范圍有限，且進行位移監(jiān)測時還需要尋找固定的參照物或參考點，該方法存在諸多缺陷。常用的非接觸測振主要有激光測振和基于視頻圖像的視覺測振方法2類。激光測振方法主要依據(jù)光的干涉原理，具有精度和靈敏度極高、測量距離遠、測量頻率高等優(yōu)點。當前激光測振相關設備售價均非常昂貴，對操作人員專業(yè)性的要求也較高，極大制約了其大范圍推廣和應用，目前常用于航空航天和機械制造領域?；谝曈X的振動檢測作為新興的振動測量方法，受到國內(nèi)外學者的廣泛關注[10-19]。視頻圖像監(jiān)測是一種既能進行位移、應變等靜態(tài)測量，也適用于動態(tài)特性測量的非接觸式監(jiān)測方法，具有操作簡便、非接觸、無損、不產(chǎn)生附加質量、可實現(xiàn)遠距離大范圍多點監(jiān)測等優(yōu)點，但也存在需要設置標靶、監(jiān)測設備要求高、對環(huán)境光線和背景要求高等問題。

針對上述研究的不足，本文提出一種基于視頻的振動檢測方法，旨在實現(xiàn)高比例可再生能源接入情況下變壓器實時狀態(tài)評估?；谧儔浩饕曨l信號，首先利用遷移學習思想和YOLOv4模型檢測圖中變壓器所在位置作為感興趣區(qū)域(region of interest，ROI)，避免手動設置標靶。采用Shi-Tomasi方法在ROI內(nèi)提取特征點，計算變壓器振動矢量，從而避免環(huán)境光線、背景因素的干擾。為了提高變壓器振動矢量的計算精度，采用金字塔LK(Lucas-Kanade)稀疏光流法計算感興趣區(qū)域內(nèi)所有特征點的振動矢量，然后使用大津算法(OTSU法)計算振動矢量的閾值，進而濾除模值較小的振動矢量。最后，對剩余的振動矢量進行求和平均，所得均值作為變壓器振動矢量的最終結果。

1 研究背景

1.1 YOLOv4模型

YOLOv4是一種高效且功能強大的目標檢測算法，結合了大量現(xiàn)有技術進行創(chuàng)新，以實現(xiàn)檢測速度和檢測精度之間的完美平衡。YOLOv4模型包括4個部分：輸入(Input)、特征提取主干網(wǎng)絡(BackBone)、特征增強網(wǎng)絡(Neck)和預測網(wǎng)絡(Prediction)，其結構如圖1所示。

圖1 YOLOv4模型結構

YOLOv4的特征提取主干網(wǎng)絡為CSPDarknet53網(wǎng)絡，是在Darknet53的基礎上，結合跨階段局部網(wǎng)絡(cross stage partial network，CSPNet)改進得到的。CSPNet將梯度變化統(tǒng)一集成到特征圖中，解決了其他特征提取網(wǎng)絡梯度信息重復的問題，并減少了模型參數(shù)量和FLOPs數(shù)值。特征增強網(wǎng)絡對來自主干網(wǎng)絡的多個層級的特征圖進行融合，增強其表達能力，并將圖像特征輸出到預測網(wǎng)絡。YOLOv4的特征增強網(wǎng)絡使用了空間金字塔池化(spatial pyramid pooling，SPP)結構以增大感受野，并使用路徑聚合網(wǎng)絡結構(path aggregation network，PANet)代替特征金字塔網(wǎng)絡(feature pyramid network，F(xiàn)PN)進行參數(shù)聚合以適應不同層級的目標檢測。YOLOv4的預測網(wǎng)絡對提取的3個特征層進行預測，并對預測結果進行解碼得到預測框的位置。此外，YOLOv4還使用了Mosaic數(shù)據(jù)增強、類標簽平滑(label smoothing)、DropBlock正則化和學習率余弦退火衰減等訓練策略，提升了模型性能。

1.2 金字塔LK光流法

1.2.1 基本假設

光流法研究的是連續(xù)圖像中目標的位移情況，為此需要在2幀圖像之間建立聯(lián)系。光流法的實現(xiàn)需要2個基本假設作為前提：首先，圖像強度不變。本文將彩色圖像轉為灰度處理，可理解為目標上某一像素點在圖像上發(fā)生位移時，其灰度值不變。其次，目標運動幅度較小，也即目標位置在相鄰2幀圖像之間不會發(fā)生明顯變化。基于這2個假設可以將2幀之間的同一目標聯(lián)系起來。

1.2.2 約束方程

光流法所研究的基本問題用圖2表示。圖2中：I為某一像素點光強，其相關參數(shù)為空間位置(x,y)和時間t，即I(x,y,t)；在下一幀圖像中，該像素移動了(dx,dy)的距離，間隔時間為dt。

圖2 光流法研究問題示意圖

依據(jù)1.2.1節(jié)中的第1個假設，建立如下方程：

I(x,y,t)=I(x+dx,y+dy,t+dt).

(1)

為了去除公共項，對式(1)等式右邊部分進行泰勒展開后簡化可得：

I(x+dx,y+dy,t+dt)=

(2)

將式(2)除以dt得

(3)

式中u=dx/dt、v=dy/dt是需要求解的2個未知變量。?I/?x, ?I/?y、?I/?t分別為圖像中像素點的灰度沿x、y、t方向的偏導數(shù)，可根據(jù)實際圖像數(shù)據(jù)求出。由于只有1個約束方程式(3)，無法求解2個未知量，需要引入一些方法(如Lucas-Kanade算法)來解決這個問題。

1.2.3 LK光流法

主流光流算法可分為稠密光流法和稀疏光流法2類。稠密光流法會對圖像上的每一個像素點進行匹配，計算其偏移量，對運動目標的配準精度較高，但計算量較大。本文采用的LK光流法是稀疏光流法中的一種典型算法，相較于稠密光流法，該算法不會對所有像素進行逐點計算，而是跟蹤1組數(shù)量相對較少的特征點。這些特征點通常由一些特定的角點檢測算法(如Shi-Tomasi算法)計算得出，用其表示目標的整體運動情況。

LK光流法在原光流法的2個基本假設上，新增了“空間一致”的假設，即在一定區(qū)域內(nèi)相鄰像素有著近似的移動。根據(jù)這個假設，可以在特征點周圍劃出一個N×N的小窗，并認定小窗內(nèi)的所有像素點都有相同的移動，如圖3所示。

圖3 利用LK光流法對黑色像素點的光流進行估計

上述LK光流法可用以下公式來描述：

(4)

式中：q1,q2,…,qn為小窗內(nèi)包含的像素(例如當窗口大小為3×3時，n=9)；Ix(qi)、Iy(qi)和It(qi)分別為像素qi的光強I在x、y、t方向上的偏導數(shù)；Vx=u=dx/dt為x方向上的移動速度，Vy=v=dy/dt為y方向上的移動速度。式(4)可用以下矩陣形式表示：

(5)

在基本的光流法中，因為只有1個約束方程，無法解出2個未知量。而在LK光流法中則出現(xiàn)了n個方程(n>2)，變成了超定方程組。利用最小二乘法求解該方程組可得：

(6)

1.2.4 金字塔LK光流法

LK光流法是建立在物體運動幅度較小的假設之上，在1.2.2節(jié)計算約束方程的過程中，式(2)進行泰勒展開時只保留了一階項，而當物體運動幅度較大時會出現(xiàn)較大誤差。為此，使用金字塔法對LK光流法進行改進。

如圖4所示，金字塔LK光流法通過對圖像進行降采樣，可在高層金字塔圖像中縮小較大的位移，從而求得該尺度下較為準確的光流矢量。然后，從頂層逐層往下求解時按比例放大高層矢量作為下一層的初始指引。此時從高層放大的光流矢量所指引的目標位置和當前層的實際目標位置會存在誤差，但該誤差通常符合小運動的尺度，因此可在此基礎上計算獲得當前層的光流矢量，依次循環(huán)往下到達底層原圖時可獲得較為準確的大幅度運動下的光流矢量。

圖4 采用金字塔法從金字塔最高層(細節(jié)最少)向最低層(豐富細節(jié))進行跟蹤

2 本文方法

2.1 變壓器檢測

首先讀入變壓器的振動視頻，在首幀圖像中檢測出變壓器的具體位置，以便后續(xù)在ROI內(nèi)進行振動檢測。本文結合遷移學習和YOLOv4目標檢測模型進行變壓器檢測。由于變壓器圖片數(shù)量有限，如利用YOLOv4模型直接進行訓練，容易因過擬合導致模型在測試集上的性能表現(xiàn)較差。本文借鑒遷移學習的思想，利用大型數(shù)據(jù)集對YOLOv4模型進行預訓練，對訓練好的模型權重進行遷移應用，建立YOLOv4遷移學習模型；利用該模型對首幀圖像進行變壓器檢測，得到變壓器的位置區(qū)域。

2.2 特征點檢測

本文采用Shi-Tomasi方法計算特征點。由于變壓器邊緣以及外圍區(qū)域的特征點與變壓器振動無關，引入這些特征點容易引起干擾，有必要設定ROI作為特征點檢測的范圍。將第1幀圖像轉換為灰度圖像，依據(jù)YOLOv4模型的預測結果，得到變壓器位置及其中心點。本文按比例設定變壓器中心的一塊區(qū)域作為特征點檢測范圍，由此計算首幀中的變壓器特征點作為初始特征點。另外可通過設定最大特征點數(shù)量、特征點質量水平、相鄰特征點間最小距離、特征點運算區(qū)域尺寸等參數(shù)控制生成特征點的數(shù)量和質量。

2.3 變壓器振動檢測

利用金字塔LK稀疏光流法，根據(jù)首幀特征點以及后一幀圖像計算得到特征點在2幀間的位移矢量。由于在計算過程中會出現(xiàn)不可避免的誤差，不能簡單地取其中1個特征點的位移矢量代表變壓器整體的位移矢量。通常某一特定物體上會計算出多個特征點，而變壓器可看作剛性物體，即變壓器上的每一個特征點都會發(fā)生近似位移。

本文首先提取變壓器特定區(qū)域內(nèi)的特征點，通過金字塔LK稀疏光流法計算得到區(qū)域內(nèi)所有特征點的位移矢量；然后計算所有矢量的模，使用OTSU法求解矢量模的閾值，進而濾除模值較小的振動矢量；最后對剩余的振動矢量進行求和平均，得到的均值即為變壓器在圖像中的最終振動矢量。將每2幀之間的變壓器位移和時間間隔結合起來，即可計算得到變壓器的振動速度；進一步利用雙目視覺計算得到變壓器在三維空間中的振動特性。

3 實驗結果與分析

3.1 基于YOLOv4的變壓器檢測

3.1.1 實驗環(huán)境

本文利用YOLOv4建立變壓器目標檢測模型，實驗環(huán)境為Windows10、64位操作系統(tǒng)，CPU為 32核Intel Xeon E5-2695 v3，內(nèi)存32 GB，GPU型號為NVIDIA Grid P40-24Q，NVIDIA驅動版本為441.66，顯存大小為24 GB。使用的深度學習框架為TensorFlow-GPU 2.2，CUDA版本為10.1，CUDNN版本為7.6.5.32。

3.1.2 數(shù)據(jù)集構建

篩選、整理變壓器圖片并制作標簽，構建變壓器目標檢測數(shù)據(jù)集。數(shù)據(jù)集包含不同類型、不同角度、不同環(huán)境下的變壓器圖片共489張，如圖5所示。將數(shù)據(jù)集隨機劃分為訓練集、驗證集和測試集，訓練集396張圖片，驗證集44張圖片，測試集49張圖片。在模型訓練過程中，對訓練集數(shù)據(jù)進行隨機數(shù)據(jù)增強，包括縮放、長寬扭曲、翻轉、色域扭曲等操作。

圖5 變壓器目標檢測數(shù)據(jù)集中變壓器圖片

3.1.3 模型性能及檢測結果

YOLOv4變壓器目標檢測模型的訓練引入了遷移學習的理念，使用YOLOv4在ImageNet上的預訓練權重幫助訓練模型。模型共迭代訓練100次，分為凍結訓練和解凍訓練2個階段。在第1階段的前50次迭代中，凍結預訓練模型前249層的權重，設置一次訓練所抓取的數(shù)據(jù)樣本數(shù)量(batch_size)為2，初始學習率lr=0.001。當驗證集loss連續(xù)3個迭代(epoch)不下降時，按lr減半自動減少學習率，當驗證集loss連續(xù)10個迭代不下降時，提前停止這一階段的訓練。在第2階段的后50次迭代中，對模型前249層權重進行解凍訓練，設置batch_size為2，初始學習率為0.000 1，學習率下降及訓練早停方法同第1階段。YOLOv4模型在測試集上的類別平均精度(average precision，AP)曲線如圖6所示。

圖6 變壓器測試集AP曲線

YOLOv4模型在測試集上的AP為99.77%，可見YOLOv4能準確實現(xiàn)變壓器目標檢測。對單張變壓器圖片的檢測結果如圖7所示，圖中紅色方框內(nèi)的區(qū)域為檢測出的ROI。

圖7 YOLOv4模型單張圖片檢測結果

3.2 基于金字塔LK光流法和OTSU法的變壓器振動檢測

3.2.1 振動矢量檢測結果與分析

本文首先采用人工合成的變壓器振動視頻作為測試數(shù)據(jù)，將變壓器圖像作為前景嵌入到背景圖像中，并預先設定變壓器在每幀中的位移矢量，與采用本文算法得出的位移矢量檢測結果進行對比，以評估算法效果。振動檢測算法運行環(huán)境為Windows10、64位操作系統(tǒng)，CPU型號為G4600，GPU型號為GTX1050，內(nèi)存容量大小為8 GB，輸入視頻圖像尺寸為666×666。

為減少干擾，本文未在整幅圖像區(qū)域內(nèi)計算特征點(如圖8所示，特征點以綠色圓點表示)，而是通過YOLOv4模型檢測變壓器位置，并選取變壓器中心的一塊區(qū)域來計算特征點(如圖9所示，特征點以綠色圓點表示)。在該區(qū)域內(nèi)計算的特征點更能代表變壓器本體，將其用于計算變壓器振動矢量的結果更為準確。之后，使用金字塔LK稀疏光流法計算這些特征點在相鄰2幀之間的振動位移矢量。然后，采用OTSU算法計算得到這些振動矢量的模的閾值，并濾除模值小于閾值的振動矢量以減少計算干擾。最后，計算所有剩余振動矢量的平均值作為變壓器振動矢量的最終結果。

圖8 整幅圖像區(qū)域內(nèi)的特征點

圖9 變壓器中心區(qū)域內(nèi)的特征點

本文合成的視頻盡可能還原了現(xiàn)實中變壓器的振動模式。對變壓器圖像進行了來回擺動操作，同時也驗證了不同振動幅度下的矢量計算結果，并與無目標檢測方法計算出的振動矢量結果進行比較。部分測試數(shù)據(jù)記錄見表1。

表1 人為設定的變壓器振動矢量與采用本文方法以及無目標檢測方法計算結果比較

由表1可見：本文方法計算得到的變壓器振動矢量與人為設定的數(shù)據(jù)之間誤差較小，精準度較高；將本文算法去除目標檢測算法后，振動矢量的計算結果大幅偏離設定值。在實際環(huán)境中同樣可以依據(jù)本文方法計算得到變壓器振動矢量數(shù)據(jù)，從而對變壓器的運行狀況進行可靠性分析。除首幀以外，單幀處理時間約為11 ms，充分保障了算法的實時性。

為了進一步驗證本文算法的準確性，引入歸一化均方根誤差(normalized root-mean-square error，NRMSE)、均方根誤差(root mean square error，RMSE)、平均絕對誤差(mean absolute error，MAE)、平均絕對百分比誤差(mean absolute percentage error，MAPE)、方差變化百分比(percentage change in variance，PCV)來計算振動矢量誤差率[20-21]。上述誤差度量η(下標代表不同的誤差類別)的定義分別如下：

(7)

(8)

(9)

(10)

(11)

表2 利用不同的誤差度量驗證本文算法的準確性

3.2.2 振動頻率檢測結果與分析

本節(jié)進一步計算特征點的振動頻率。首先根據(jù)振動矢量計算特征點的二維坐標，計算完指定幀數(shù)之后，進一步將由各幀特征點坐標組成的數(shù)列進行快速傅里葉變換得到振動頻譜。在濾除低頻干擾后，取幅值最高的頻率作為特征點的振動頻率。圖10(a)中，藍色曲線代表隨機選取的4個特征點的振動頻率，可以看到本文方法計算出的變壓器上不同特征點的振動頻率值皆穩(wěn)定在37.72 Hz，相較37.5 Hz的理論值差距很?。挥纱丝梢?，本文方法計算出的頻率隨時間變化較為穩(wěn)定，具備一定的抗干擾能力，且精度較高。圖10(b)中，藍色曲線是4個特征點依據(jù)合成視頻預先設定好的數(shù)值計算出的理論頻譜，紅色曲線是經(jīng)由本文方法計算出的頻譜，可以看出紅色頻譜與藍色的理論頻譜重合度較高，證實了本文方法在頻譜計算精度上有較好的表現(xiàn)。

圖10 變壓器4個特征點的頻率隨時間變化的曲線以及理論頻譜與本文方法計算的頻譜對比

圖11所示為真實視頻場景下的振動情況，圖11(a)為真實視頻中的振動音叉，圖11(b)為真實視頻中的振動鋼板，各自的振動頻率分別為280 Hz和440 Hz。其中綠色點為采用Shi-Tomasi方法計算得到的特征點。本文對音叉、鋼板視頻中隨機選取4個特征點計算實時振動頻率，并畫出各特征點頻率隨時間變化的曲線及頻譜圖，如圖12所示。圖12(a)和(c)分別為本文方法計算出的音叉及鋼板真實視頻中隨機選取的4個特征點的振動頻率隨時間變化的曲線。2個目標上的特征點振動頻率分別穩(wěn)定在279.46 Hz和439.12 Hz，與280 Hz和440 Hz的實際值差距很小。由圖12(b)和(d)可以看到同視頻中4個特征點的振動頻譜較為一致，這表明本文方法在真實視頻中同樣具有很好的計算精度及抗干擾性能，保證了其實用性。

圖11 真實振動視頻中的特征點

圖12 各特征點頻率隨時間變化的曲線及頻譜圖

4 結束語

本文提出一種基于視頻的變壓器實時振動信號檢測方法。首先通過YOLOv4模型以及遷移學習實現(xiàn)電力變壓器的精確定位，然后在ROI范圍內(nèi)利用金字塔LK稀疏光流法計算得到特征點振動矢量，進一步利用OTSU算法濾除振動矢量干擾項，最后通過矢量平均計算得到變壓器振動矢量。實驗結果表明，在人工合成的變壓器振動視頻中，本文算法可以實時準確地計算變壓器振動矢量及頻率，為變壓器的實時狀態(tài)評估提供重要分析依據(jù)。