陳立斌

（國網(wǎng)宜興市供電公司，江蘇 無錫 214200）

0 引 言

電網(wǎng)的規(guī)劃建設及其在建設中多種現(xiàn)代化技術的引進，提高了現(xiàn)有變電站的自動化水平與智能化水平。為滿足變電巡檢工作要求，有關機構開發(fā)了巡檢智能機器人，以此輔助單位機構執(zhí)行巡檢任務。但在深入研究中發(fā)現(xiàn)，主流的“五遙式”巡檢模式仍無法及時、快速解決變電站作業(yè)現(xiàn)場的異常問題，盡管此種作業(yè)模式在很大程度上解決了變電站運行疏漏，降低了巡檢作業(yè)的人力成本，但漏檢、誤檢等現(xiàn)象仍屢見不鮮。目前，市場內較為主流的巡檢智能模型，仍需要人工參與或輔助的方式完成巡檢任務，但人工干預的過程會導致巡檢行為受到參與者主觀認知偏差的影響[1]。例如，在人工設定智能巡檢路徑后，人為的主觀意識認定某區(qū)域不會出現(xiàn)設備故障與異常，從而忽視或忽略對此區(qū)域的安全檢查。此外，早期的智能巡檢還會在實際應用中存在巡檢行為不規(guī)范、巡檢路徑非最優(yōu)等問題。因此，本文將在現(xiàn)有設計成果的基礎上，引進視覺導航技術，設計針對變電站巡檢的智能優(yōu)化模型，以期提高現(xiàn)有巡檢作業(yè)模式的可靠度。

1 基于視覺導航的變電巡檢智能優(yōu)化模型設計

1.1 基于視覺導航的變電巡檢導航線提取

為確保對變電站巡檢工作的全面優(yōu)化，應在開展相關研究前，引進視覺導航技術，提高變電巡檢導航線提取效率。而提取變電巡檢導航線的過程指在巡檢環(huán)境中對執(zhí)行巡檢路徑進行主動提取的過程，可以將此過程作為對圖像分割處理的過程[2]。在分割時，將變電巡檢線路中的設備作為“物體”，將環(huán)境中的其他內容作為“背景”，應用機器視覺技術對環(huán)境中RGB空間色彩進行轉換，使巡檢環(huán)境中的導航線模型轉換成色調-飽和度-亮度（Hue-Intensity-Saturation，HIS）模型。

為確保提取結果具有高精度優(yōu)勢，可設定視覺導航的有效范圍在30.0°～90.0°范圍內，且視覺的變化不會隨著空間場景的變化而發(fā)生變化[3]。在此基礎上，對所提取內容的背景環(huán)境閾值進行設定，根據(jù)變電站巡檢作業(yè)的需求，設定背景的有效閾值在0～180.0°之間。將所提取的導航線表示“1”，將導航線所在的背景表示“0”，選擇場景中的中心線，按照從遠到近、從中心到邊緣的方式進行全局視覺導向檢索，檢索的過程計算公式為

式中：Energy表示變電巡檢導航線視覺檢索過程；C表示檢索中的關鍵視覺特征節(jié)點；i表示橫向檢索節(jié)點；j表示縱向檢索節(jié)點。按照上述方式進行變電巡檢導航檢索，獲取在檢索中的關鍵信息，實現(xiàn)基于視覺導航的變電巡檢導航線提取。

1.2 設計變電巡檢智能優(yōu)化模型邊界條件

完成上述研究后，考慮到變電巡檢空間基于智能化認知角度是呈現(xiàn)二維效果的，而要實現(xiàn)對模型的構建，應進行變電巡檢智能優(yōu)化模型邊界條件的設計[4]。使用清晰度較高的電荷耦合元件（Chargecoupled Device，CCD）攝像頭，進行巡檢路徑信息的收集，建立巡檢路徑GRB空間目標結構，結構中G表示巡檢作業(yè)現(xiàn)場環(huán)境的色度；R表示巡檢作業(yè)環(huán)境的飽和度；B表示環(huán)境亮度。對GRB結構進行轉換，使其成為一個三維視域下的空間結構，轉換過程計算公式為

式中：γ表示巡檢作業(yè)空間結構的三維表達方式。在轉換過程中，歸一化處理GRB結構，保證在二維巡檢平面中的所有目標值在[0，1]范圍內，在此基礎上，設定空間目標值的2個分量，定義2個空間值的分量為S與H，此分量為智能優(yōu)化模型的2個邊界。計算分量為建模提供邊界條件，計算公式為

式中：I表示空間維度。按照式（3）、式（4），計算得到S與H分量計算結果值，通過此種方式，確定變電巡檢智能優(yōu)化模型邊界。

1.3 基于導軌融合的模型訓練與變電巡檢異常點標注

為確保對變電巡檢工作的全面優(yōu)化，應在完成上述設計后，采用融合變電站巡檢有效軌道線的方式進行智能優(yōu)化模型預設巡檢路徑的訓練[5]。訓練時，獲取巡檢路徑中聲波矢量，反饋得到異常聲波的特征集合，通過此種方式生成一個巡檢路徑訓練編碼，按照編碼順序訓練模型，此過程計算公式為

式中：D表示模型訓練過程；i表示模型訓練迭代次數(shù)；M表示樣本矢量；d表示樣本訓練間距；n表示樣本異常值輸出量；X、Y表示樣本的橫向與縱向拓展過程。按照式（5）訓練模型，將變電巡檢導航線與線路中的相關信息以可變參數(shù)的方式輸入模型，在模型中進行反復訓練，輸出異常數(shù)值，匹配異常數(shù)值對應的巡檢路徑節(jié)點，將其作為變電巡檢異常點，使用計算機編碼的方式對異常點進行標注[6]。通過此種方式，實現(xiàn)對變電站的智能巡檢作業(yè)。

2 對比實驗

為驗證本文上述提出的基于視覺導航的優(yōu)化模型在實際應用中是否能夠實現(xiàn)對變電站的智能巡檢，按照上述論述完成對模型的建立，并將其應用到某變電站當中，驗證其使用性能。選擇該變電站現(xiàn)有的基于物聯(lián)網(wǎng)技術建立的巡檢模型作為對照組，將本文提出的優(yōu)化模型作為實驗組，設置對比實驗，對比2種模型的應用效果。選擇變電設備故障運行的環(huán)境作為實驗環(huán)境，如圖1所示。

圖1 戶外變壓器繞組變形

在實驗過程中，選擇將100幀幀長為230×120，幀速率為25 frames/s的現(xiàn)場畫面圖像作為2種模型的巡檢對象。針對上述異常狀態(tài)下的變電站進行巡檢，根據(jù)巡檢結果得出模型對異常干擾因素的抗干擾性能，并對比2種模型的巡檢精度。選擇將變電站在故障時放電位置定位精度作為巡檢精度，其異常放電位置定位精度計算公式為

式中：δ表示異常放電位置定位精度；x表示異常放電位置實際水平方向坐標；x'表示模型得出的異常放電位置水平方向坐標；y表示異常放電位置實際豎直方向坐標；y'表示模型得出的異常放電位置豎直方向坐標。根據(jù)式（2），計算得出2種巡檢模型的定位精度結果，如表1所示。

表1 實驗組與對照組巡檢結果定位精度對比

從表1中可以看出，實驗組在5次巡檢后得到的變電設備異常放電定位精度均在95.00%以上，而對照組巡檢結果的定位精度僅能夠控制在75.00%左右，同時在第3次和第5次巡檢時，對照組的巡檢結果定位精度出現(xiàn)了標號“*”后的數(shù)值，造成巡檢結果嚴重不符合實際的問題產生，影響了巡檢模型整體的運行精度。因此，通過上述得出的實驗結果證明，本文提出的巡檢智能優(yōu)化模型能夠實現(xiàn)對變電站的高精度智能巡檢，并且能夠自動繞開周圍干擾因素，保證模型在運行中能夠得到精度符合要求且穩(wěn)定性更好的巡檢結果。

3 結 論

為實現(xiàn)對變電站智能巡檢工作的全面優(yōu)化，提升巡檢作業(yè)的水平與質量，本文從變電巡檢導航線提取、設計變電巡檢智能優(yōu)化模型邊界條件、基于導軌融合的模型訓練與變電巡檢異常點標注3個方面，完成了變電站巡檢的智能優(yōu)化模型的建立。為檢驗所設計模型的可行性，在完成對此模型的理論設計后，將其應用到某變電站企業(yè)中，展開對比實驗研究。實驗結果表明，本文提出的智能優(yōu)化模型能夠實現(xiàn)對變電站設備的高精度智能巡檢，對變電設備異常放電定位精度均在95.00%以上，為變電站的安全運營提供了技術層面的指導與支持。