卿松,劉明紅，王鵬朝

(國網(wǎng)新疆電力有限公司經(jīng)濟技術(shù)研究院，新疆，烏魯木齊 830002)

0 引言

近年來，隨著中國社會經(jīng)濟的進步，三維可視化技術(shù)得到了蓬勃發(fā)展[1-3]，越來越多的三維可視化產(chǎn)品已應(yīng)用于電力行業(yè)電網(wǎng)運行檢修、電網(wǎng)安全作業(yè)、電網(wǎng)培訓等領(lǐng)域[4-5]。變電站是電力系統(tǒng)中電壓變化的重要環(huán)節(jié)。變電站內(nèi)包括變壓器、高壓斷路器、隔離開關(guān)、避雷器、電容器、母線、繼電保護裝置等一、二次設(shè)備[6-7]，傳統(tǒng)的變電站中監(jiān)測中，僅對電氣、環(huán)境、安全數(shù)據(jù)進行二維監(jiān)測。數(shù)據(jù)結(jié)果不直觀，不能完整的反映變電站的真實運行情況，若能將變電站一、二次設(shè)備進行三維可視化，則可對變電站的完整運行情況進行多維監(jiān)測，增強變電站的安全生產(chǎn)保障能力，提高變電站運行檢修精益管理水平。

許多學者對變電站三維可視化進行了研究，文獻[8]提出了一種基于三維激光雷達的智能變電站三維可視化方法，通過激光感知變電站的全貌和變化特征。文獻[9]提出了一種基于虛擬現(xiàn)實的變電站三維可視化方法，通過功能與虛擬現(xiàn)實互動的方式實現(xiàn)變電站信息的三維展示。文獻[10]提出了層次節(jié)點和遠程云計算的變電站三維建模方式，通過虛擬仿真，實現(xiàn)變電站的三維可視化功能。文獻[11]提出了一種基于ARM和Linux操作系統(tǒng)的變電站視頻可視化系統(tǒng)，通過背景過濾法和三維差分方式，實現(xiàn)了變電站的三維監(jiān)視。文獻[12]提出了一種基于魯棒控制的變電站三維可視化方法，通過三層系統(tǒng)結(jié)構(gòu)，處理變電站的三維場景。文獻[13]提出了基于漫游方式的變電站三維視景分析，通過開源仿真環(huán)境，構(gòu)建了變電站的三維分析模型。由此可見，變電站三維可視化方法多樣，且取得了一定的成果，但變電站三維可視化存在一、二次設(shè)備位置移動后識別準確率低，跨變電站移植模型準確率低的問題。

針對傳統(tǒng)變電站三維可視化中存在的識別準確率低，可移植性差的問題。本文提出了一種基于Faster R-CNN深度學習的變電站三維可視化方法。通過圖形數(shù)據(jù)預(yù)處理，過濾與現(xiàn)場設(shè)備無關(guān)的數(shù)據(jù)[14-15]，減少噪聲數(shù)據(jù)對變電站現(xiàn)三維可視化帶來的影響。然后采用SIFT算法在不同時空尺度上提取變電站設(shè)備特征，在此基礎(chǔ)上構(gòu)建變電站三維可視化場景。最后通過實例驗證了本方法的有效和可行性。

1 三維可視化框架

本文所述的基于Faster R-CNN深度學習的變電站三維可視化方法框架組主要包括變電站視頻數(shù)據(jù)預(yù)處理、多尺度設(shè)備特征提取和Faster R-CNN深度學習三維可視化場景構(gòu)建，如圖1所示。

圖1 變電站三維可視化框架圖

由圖1可見，在變電站視頻數(shù)據(jù)預(yù)處理環(huán)節(jié)，對變電站的外部景色攝像頭、變電站一、二次設(shè)備攝像頭、變電站設(shè)備紅外溫度攝像頭數(shù)據(jù)進行預(yù)處理。在預(yù)處理中，將過濾與現(xiàn)場設(shè)備無關(guān)的數(shù)據(jù)和噪聲數(shù)據(jù)，減少噪聲數(shù)據(jù)對變電站現(xiàn)三維可視化帶來的影響。在多尺度設(shè)備特征提取環(huán)節(jié)，采用尺度不變特征變換(SIFT)算法在不同時間和變電站的空間尺度上提取變電站設(shè)備特征，消除變電站設(shè)備移動造成的設(shè)備視頻識別不準確問題，為變電站三維可視化提供數(shù)據(jù)基礎(chǔ)。在Faster R-CNN深度學習三維可視化場景構(gòu)建環(huán)節(jié)，通過Faster R-CNN深度學習算法對多時間尺度發(fā)生空間變化的三維場景進行分析，并構(gòu)建變電站三維可視化場景。

2 三維可視化建模

2.1 變電站視頻數(shù)據(jù)預(yù)處理

變電站視頻數(shù)據(jù)主要包括外部景像攝像頭、變電站一、二次設(shè)備攝像頭、變電站設(shè)備紅外溫度攝像頭數(shù)據(jù)。視頻數(shù)據(jù)的噪聲主要來自于物體干擾、視頻采集干擾和視頻傳輸感染三部分。其中物體干擾數(shù)據(jù)來自于飛鳥、老鼠等小動物對視頻數(shù)據(jù)采集帶來的影響，造成攝像頭獲取的視頻數(shù)據(jù)不準確。在視頻采集干擾方面，攝像頭采用的電荷耦合器件(CCD)或者互補金屬氧化物半導(dǎo)體(CMOS)的芯片，在數(shù)據(jù)采集時，會受到氣溫、天氣狀況等影響；在攝像頭的視頻數(shù)據(jù)傳輸過程中，會受到各種電磁耦合信號的干擾。

本文采用高斯函數(shù)對攝像頭采集的視頻數(shù)據(jù)進行清洗，設(shè)ks為未受干擾的數(shù)據(jù)，噪聲數(shù)據(jù)為ka，則未受干擾的數(shù)據(jù)和噪聲數(shù)據(jù)疊加后的攝像頭視頻數(shù)據(jù)kt為

kt=ks+ka

(1)

在高斯變化后，數(shù)據(jù)清洗得到的數(shù)據(jù)f(k)為

(2)

由上式可見，通過高斯變化，可有效對變電站的外部景色攝像頭、變電站一、二次設(shè)備攝像頭、變電站設(shè)備紅外溫度攝像頭數(shù)據(jù)進行清洗，過濾掉與設(shè)備無關(guān)的數(shù)據(jù)，為后續(xù)三維建模提供基礎(chǔ)數(shù)據(jù)支撐。

2.2 多尺度設(shè)備特征提取

變電站內(nèi)一、二次設(shè)備眾多，其中一次設(shè)備有變壓器、壓斷路器、隔離開關(guān)、避雷器、電容器、母線等，二次設(shè)備有繼電保護裝置、測溫裝置、消防系統(tǒng)等。對以上設(shè)備進行多尺度的特征提取，需要在時間、空間上進行考慮。

本文采用的SIFT特征提取方法，具有變電站多時間維度和視頻角度的恒定性，在變電站一、二次設(shè)備旋轉(zhuǎn)角度，或者天氣、光線變化的情況下，均能很好的提取變電站一、二次設(shè)備的有效特征。

(1) 構(gòu)建變電站特征提取尺度空間

本步驟完成變電站模擬圖像數(shù)據(jù)的多尺度特征。

設(shè)變電站一共有n個一、二次設(shè)備，每個設(shè)備長、寬、高描述為C(x,y,z)，圖像平滑度為β，分辨率為γ，構(gòu)建的尺度空間A(x,y,z)為

(3)

(2) 檢測多尺度空間關(guān)鍵節(jié)點

為檢測變電站多尺度空間的關(guān)鍵節(jié)點，采用每一個采集的圖像節(jié)點都和相近的節(jié)點進行比較，檢驗其圖像此圖是否為中心關(guān)鍵節(jié)點。

設(shè)關(guān)鍵點附近的節(jié)點為ψa，邊緣值為Fc，則關(guān)鍵節(jié)點Lo為

(4)

(3) 給變電站多尺度特征點賦值

在變電站一、二次設(shè)備的圖像關(guān)鍵點檢測后，通過SIFT特征區(qū)域確定變電站設(shè)備的具體位置、所在的尺度空間和具體發(fā)方位信息?？蔀楹罄m(xù)的三維可視化場景建模提供有效的數(shù)據(jù)基礎(chǔ)。

2.3 深度學習三維可視化場景構(gòu)建

Faster R-CNN深度學習可實現(xiàn)SIFT特征提取數(shù)據(jù)的網(wǎng)絡(luò)模型融合，同時，以此開展圖像訓練，獲取到變電站一、二次設(shè)備準確的三維場景，并構(gòu)建完整的變電站土建及一、二次設(shè)備的三維建模。

首先，通過Faster R-CNN深度學習構(gòu)建變電站三維區(qū)域網(wǎng)絡(luò)，從固定的尺度關(guān)系、固定的變化和固定的采集方式進行建立，設(shè)變電站一、二次設(shè)備用四個維度的向量來表示(x,y,z,s)，輸入信息為D，得到回歸模型映射G為

(5)

其次，構(gòu)建變電站一、二次設(shè)備的目標函數(shù)，設(shè)Tv為尺度的縮放值，Hv為尺度平移值，設(shè)變電站一共有n個一、二次設(shè)備，變電站三維場景構(gòu)建值Wd為

(6)

通過Faster R-CNN深度學習，可快速構(gòu)建完整的變電站三維可視化場景。

3 變電站三維可視化仿真流程

變電站三維可視化仿真流程如圖2所示。

步驟1 輸入變電站的多個視頻攝像頭數(shù)據(jù)。

步驟2 對變電站視頻數(shù)據(jù)進行預(yù)處理，過濾掉鳥類、老鼠等與現(xiàn)場設(shè)備無關(guān)的數(shù)據(jù)和噪聲數(shù)據(jù)。針對視頻攝像頭顯示的錯誤數(shù)據(jù)，采用預(yù)處理算法進行清洗補正。

步驟3 對變電站視頻數(shù)據(jù)進行特征提取。采用SIFT算法在不同時間和變電站的空間尺度上提取變電站設(shè)備特征，消除變電站設(shè)備移動造成的設(shè)備視頻識別不準確問題。

步驟4 構(gòu)建變電站三維可視化場景。通過Faster R-CNN深度學習算法對多時間尺度發(fā)生空間變化的三維場景進行分析，并構(gòu)建變電站三維可視化場景。

圖2 變電站三維可視化仿真圖

4 算例分析

采用本文所提的基于Faster R-CNN深度學習的變電站三維可視化方法，在某220 kV變電站進行測試，使用操作系統(tǒng)環(huán)境為Windows 10，CPU為Intel至強2.6 G，內(nèi)存為32 G、硬盤為8 T，顯存為4 G，選擇樣本數(shù)據(jù)為10、50、100、200、500、1000對比本Faster R-CNN深度學習的變電站三維可視化方法與移動立方體算法的性能。采用程序計時器，記錄變電站三維模型從運行到完成建立的時間，分析結(jié)果如表1所示。

表1 變電站三維可視化性能表

由表1可見，F(xiàn)aster R-CNN深度學習的變電站三維可視化方法三維模型的建立時間比移動立方體算法的時間短。

選擇樣本數(shù)據(jù)為10、50、100、200、500、1 000對比Faster R-CNN深度學習的變電站三維可視化方法與移動立方體算法的準確度，將兩種算法生成的三維模型與變電站實物進行比對，分析模型比例與實物尺寸比例的差異，從而獲得兩種算法的三維可視化準確度。分析結(jié)果如表2所示。

表2 變電站三維可視化準確度表

由表2可見，F(xiàn)aster R-CNN深度學習的變電站三維可視化方法三維模型的建立準確度比移動立方體算法更高。

5 總結(jié)

為解決傳統(tǒng)變電站三維可視化中存在的識別準確率低，可移植性差的問題。本文提出了一種基于Faster R-CNN深度學習的變電站三維可視化方法，設(shè)計了一種基于Faster R-CNN深度學習的變電站三維可視化工具，在對變電站一、二次設(shè)備進行數(shù)據(jù)清洗和多尺度特征提取的基礎(chǔ)上，進行深度學習，消除設(shè)備旋轉(zhuǎn)、光線變換問題帶來的三維可視化影響，然后對所提算法在220 kV變電站進行了仿真，仿真結(jié)果表明了本文所提變電站三維可視化方法可對變電站運行情況進行全息監(jiān)測，消除監(jiān)管死角。通過三維仿真推演，可提前發(fā)現(xiàn)變電站安全隱患，提高了變電站的精益化管理水平。

下一步，將結(jié)合輸電線路的跨越、山火等場景進行三維可視化研究。