袁天霖，田斌，朱剛，劉佳杰，周龍偉

（1.國(guó)網(wǎng)浙江省電力有限公司寧?？h供電公司，浙江寧波 315600；2.寧?？h雁蒼山電力建設(shè)有限公司，浙江 寧波 315600）

隨著電力需求的逐年增加，輸配變電容量缺口越發(fā)巨大，因此新建變電站和配套輸變電設(shè)備也不可或缺。然而變電站主設(shè)備大多為專用設(shè)備，需要專業(yè)廠家生產(chǎn)后通過(guò)大件運(yùn)輸配送到站，故長(zhǎng)途運(yùn)輸不可避免[1-2]。在此過(guò)程中，大件設(shè)備需控制其運(yùn)輸速度、三軸加速度以及傾斜角等問(wèn)題，以避免因運(yùn)輸而導(dǎo)致的設(shè)備損壞，從而影響整體的工程進(jìn)度[3-5]。

但在傳統(tǒng)的電氣設(shè)備運(yùn)輸過(guò)程中，難以實(shí)時(shí)監(jiān)控三維加速度、溫濕度、壓力、碰撞次數(shù)與強(qiáng)度以及姿態(tài)角度等狀態(tài)指標(biāo)。因此，文中基于數(shù)據(jù)挖掘與預(yù)警技術(shù)提出了一套電氣設(shè)備運(yùn)輸狀態(tài)識(shí)別方法。該方法通過(guò)部署的視頻采集點(diǎn)全方位獲取運(yùn)輸過(guò)程中的狀態(tài)圖像，采用支持向量機(jī)(Support Vector Machine，SVM)和改進(jìn)ResNet-18 網(wǎng)絡(luò)深度挖掘圖像信息。同時(shí)，還針對(duì)性地分析了在此運(yùn)輸狀態(tài)下電氣設(shè)備可能出現(xiàn)的異常狀況，以保證設(shè)備運(yùn)輸?shù)陌踩⒖煽俊?/p>

1 系統(tǒng)設(shè)計(jì)

電氣設(shè)備在運(yùn)輸過(guò)程中的狀態(tài)通常由裝載在運(yùn)輸車輛上的攝像頭、各種傳感設(shè)備等監(jiān)測(cè)獲取。但該方式僅能獲取部分圖像數(shù)據(jù)，且裝載的監(jiān)測(cè)設(shè)備可能存在被損壞或篡改的風(fēng)險(xiǎn)。因此，該文利用輸電桿塔、高層建筑等來(lái)部署監(jiān)測(cè)設(shè)備，以全面獲取電氣設(shè)備在運(yùn)輸中的狀態(tài)。電氣設(shè)備運(yùn)輸狀態(tài)識(shí)別系統(tǒng)，如圖1 所示。

圖1 系統(tǒng)總架構(gòu)

通過(guò)由通信鐵塔、高清攝像頭、分布式存儲(chǔ)模塊等組成的前端系統(tǒng)，實(shí)現(xiàn)對(duì)電氣設(shè)備運(yùn)輸中視頻等信息的采集、存儲(chǔ)及上傳。而在系統(tǒng)中采用可見(jiàn)光攝像機(jī)、熱成像攝像機(jī)等主要設(shè)備獲取電氣設(shè)備在運(yùn)輸過(guò)程中的狀態(tài)圖像，且通過(guò)傳輸網(wǎng)絡(luò)上傳至云中心進(jìn)行分析識(shí)別。最終，將得到的狀態(tài)信息用于指導(dǎo)中心人員的管控決策。

2 電氣設(shè)備運(yùn)輸狀態(tài)識(shí)別技術(shù)

傳統(tǒng)的狀態(tài)識(shí)別技術(shù)主要通過(guò)設(shè)置關(guān)鍵因素的閾值，以判定是否存在異常情況。一旦超出閾值，電氣設(shè)備有可能存在損壞的風(fēng)險(xiǎn)便會(huì)發(fā)送預(yù)警[6]。但該技術(shù)在具體實(shí)施中，容易產(chǎn)生預(yù)警誤報(bào)的情況。因此所提方法綜合多個(gè)關(guān)鍵因素，利用SVM 劃分電氣設(shè)備類型，再根據(jù)各個(gè)設(shè)備的特性，針對(duì)性地設(shè)計(jì)狀態(tài)識(shí)別模型。該識(shí)別流程如圖2 所示。

圖2 電氣設(shè)備運(yùn)輸狀態(tài)識(shí)別流程

由于各個(gè)電氣設(shè)備在運(yùn)輸過(guò)程中有不同的要求，例如變壓器的傾斜角度不能超過(guò)15°等。因此結(jié)合各個(gè)設(shè)備的運(yùn)輸特性，利用改進(jìn)ResNet-18 網(wǎng)絡(luò)構(gòu)建狀態(tài)識(shí)別模型，且通過(guò)不斷地學(xué)習(xí)及分析，獲得相應(yīng)運(yùn)輸狀態(tài)并發(fā)出必要的預(yù)警。

2.1 圖像預(yù)處理

在采集運(yùn)輸過(guò)程中的電氣設(shè)備圖像時(shí)，由于各種因素的影響，噪聲點(diǎn)可能會(huì)出現(xiàn)在原始圖像上，從而導(dǎo)致圖像模糊，不利于對(duì)其運(yùn)輸狀態(tài)進(jìn)行精準(zhǔn)識(shí)別。因此，文中利用均值濾波算法(Mean Filtering，MF)[7-8]進(jìn)行圖像去噪，通過(guò)濾波窗口逐一移動(dòng)像素，并取窗口的像素平均值直接替代原始圖像的灰度值。經(jīng)過(guò)濾波去噪后的圖像G(x,y)為：

式中，g(i,j)是中心點(diǎn)像素為(i,j)的原始圖像；s為所有鄰域像素集合；N為s內(nèi)像素點(diǎn)的總數(shù)。

圖像經(jīng)去噪后可有效抑制噪聲，但會(huì)造成邊緣細(xì)節(jié)信息的模糊化。因此還需要進(jìn)行圖像邊緣的增強(qiáng)處理，即采用自適應(yīng)增強(qiáng)方法處理圖像邊緣，以獲得清晰的電氣設(shè)備運(yùn)輸圖像。

2.2 基于數(shù)據(jù)挖掘的設(shè)備分類

SVM 作為一種數(shù)據(jù)挖掘技術(shù)，在模式識(shí)別、圖像分類中獲得了廣泛應(yīng)用[9-12]。同時(shí)，該技術(shù)也能解決小樣本、非線性等問(wèn)題。而電氣設(shè)備的運(yùn)輸圖像樣本較少，故將其用于電氣設(shè)備的圖像分類可達(dá)到最佳效果，且對(duì)低維與高維數(shù)據(jù)均具有良好的表現(xiàn)。

SVM 是一種基于監(jiān)督學(xué)習(xí)的分類器，能夠解決線性和非線性的分類問(wèn)題?；赟VM 構(gòu)建的圖像分類模型，其最佳分類面可表示為：

式中，aj、bj分別為圖像核心特征因子及描述圖像特征因子；?為分類器；?、τ為模型參數(shù)。

為了獲取最佳分類面，需要判斷參數(shù)?、τ的值，此時(shí)引入負(fù)松弛變量μj進(jìn)行求解，具體可表征如下：

同時(shí)，引入懲罰因子ζ＞0 以提高分類面建立的效率。則最佳分類面的表示可轉(zhuǎn)化為：

圖像分類是一個(gè)多分類的過(guò)程，假設(shè)經(jīng)過(guò)樣本和特性的選擇，得到電氣設(shè)備在運(yùn)輸中的圖像集為{b1,a1,φ(a1)},…,{bm,am,φ(am)}，則圖像的多分類模型表示如下：

式中，φ(aj)為圖像類型函數(shù)。

通過(guò)SVM 對(duì)去噪后的電氣設(shè)備運(yùn)輸圖像進(jìn)行分類學(xué)習(xí)，從而確定運(yùn)行中的設(shè)備類型，包括變壓器、絕緣子、斷路器、互感器、及電纜等設(shè)備。

2.3 基于改進(jìn)殘差網(wǎng)絡(luò)的運(yùn)輸狀態(tài)識(shí)別

在應(yīng)用深度神經(jīng)網(wǎng)絡(luò)[13]識(shí)別電氣設(shè)備運(yùn)輸狀態(tài)時(shí)，一般通過(guò)加深網(wǎng)絡(luò)以提高其識(shí)別效果，但該種處理方式會(huì)導(dǎo)致梯度彌散，從而影響最終的網(wǎng)絡(luò)性能。因此，所提方法采用結(jié)構(gòu)簡(jiǎn)化且性能更優(yōu)的ResNet-18 網(wǎng)絡(luò)[14]進(jìn)行運(yùn)輸狀態(tài)識(shí)別，且將Softmax Loss 和Center Loss 相結(jié)合并作為網(wǎng)絡(luò)的損失層，以更好地區(qū)分相似圖像的特性。

將完成分類后的電氣設(shè)備圖像輸入至改進(jìn)的ResNet-18 網(wǎng)絡(luò)中進(jìn)行分析識(shí)別，根據(jù)每種設(shè)備的特性明確其在運(yùn)輸過(guò)程中是否存在傾倒、碰撞等有損設(shè)備健康的狀態(tài)。對(duì)于熱設(shè)備，根據(jù)紅外圖像測(cè)得的溫差進(jìn)行判定：若斷路器溫差在35～80 ℃內(nèi)，屬于一般異常；若在80～95 ℃內(nèi)，屬于嚴(yán)重異常；若大于95 ℃，則屬于緊急異常。而對(duì)于發(fā)生傾倒的變壓器設(shè)備：若傾倒角度在5°～10°內(nèi)，屬于一般異常；若在10°～45°內(nèi)，屬于嚴(yán)重異常；若傾倒角度大于45°，則為緊急異常。根據(jù)電氣設(shè)備具體的識(shí)別標(biāo)準(zhǔn)判定運(yùn)輸狀態(tài)并發(fā)出預(yù)警，有利于運(yùn)輸人員及時(shí)作出調(diào)整，進(jìn)而保證設(shè)備安全。ResNet-18 網(wǎng)絡(luò)的模型結(jié)構(gòu)，如圖3 所示。

圖3 ResNet-18網(wǎng)絡(luò)結(jié)構(gòu)

殘差網(wǎng)絡(luò)(Residual Network，ResNet)[15-16]由一系列殘差塊組成，而殘差塊的結(jié)構(gòu)設(shè)計(jì)能夠解決梯度彌散問(wèn)題，進(jìn)而保證網(wǎng)絡(luò)的識(shí)別性能。每個(gè)殘差塊均由直接映射部分與殘差部分構(gòu)成，其可表示為：

式中，F(xiàn)()xl,wl是殘差部分，通常由2～3 個(gè)卷積操作構(gòu)成；wl為權(quán)值參數(shù)，xl和xl+1分別為殘差塊的輸入及輸出。

由于在獲取電氣設(shè)備運(yùn)輸圖像時(shí)，可能會(huì)存在光照、拍攝角度等因素的干擾，進(jìn)而導(dǎo)致圖像特征難以辨識(shí)。為解決此問(wèn)題，引入了Center Loss 函數(shù)，其能增大類特征間距并縮小類內(nèi)特征間距，而Softmax Loss 則能夠有效區(qū)分特征。因此，所提方法將兩者結(jié)合且應(yīng)用于圖像狀態(tài)地識(shí)別。Softmax Loss 函數(shù)的計(jì)算如下：

式中，xi、wx+b分別為全連接層的輸入和輸出；yi為當(dāng)前的類別；I為batch 塊的大?。籎為類型總數(shù)。

Center Loss 函數(shù)計(jì)算如下：

式中，κyi為第yi個(gè)類別的特征中心。

綜上，總損失LΣ計(jì)算如下：

式中，λ為比重控制因子，通過(guò)調(diào)整其數(shù)值可優(yōu)化類內(nèi)間距。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)采用的硬件平臺(tái)是Dell 塔式工作站，操作系統(tǒng)為Ubuntu 16.04，且基于Python 平臺(tái)完成程序編寫(xiě)，其的GPU 為NVIDIA Geforce 1080Ti，顯存為11GB。同時(shí)，采用的圖像集是可見(jiàn)光與熱成像攝像機(jī)所獲取的電氣設(shè)備在運(yùn)輸過(guò)程中的圖像。此外，網(wǎng)絡(luò)參數(shù)的設(shè)置情況如下：迭代次數(shù)為100次，學(xué)習(xí)率為0.000 1，λ則為0.1。

3.1 損失函數(shù)

利用獲取的設(shè)備圖像集對(duì)改進(jìn)ResNet-18 網(wǎng)絡(luò)進(jìn)行訓(xùn)練，其識(shí)別模型的損失函數(shù)值如圖4 所示。

圖4 損失函數(shù)的收斂曲線

從圖4 中可以看出，隨著迭代次數(shù)的增加，改進(jìn)ResNet-18 網(wǎng)絡(luò)模型的損失函數(shù)值逐漸收斂。當(dāng)?shù)螖?shù)超過(guò)12 次后，損失函數(shù)值在0.05 附近小幅震蕩。由此證明，改進(jìn)ResNet-18 網(wǎng)絡(luò)模型能夠進(jìn)行有效收斂，其可應(yīng)用于設(shè)備狀態(tài)地識(shí)別。

3.2 設(shè)備分類

利用該文方法對(duì)運(yùn)輸途中的電氣設(shè)備進(jìn)行分類，結(jié)果如表1 所示。

表1 電氣設(shè)備分類結(jié)果

由表1 可知，通過(guò)SVM 分類方法對(duì)變壓器、絕緣子及斷路器等設(shè)備的分類正確率均超過(guò)94%。其中，形狀規(guī)則的變壓器和電纜分類準(zhǔn)確率高達(dá)98%。因此，結(jié)合圖像預(yù)處理以及SVM 分類器的分類方法具備理想的分類性能。

3.3 狀態(tài)識(shí)別結(jié)果分析

對(duì)于不同電氣設(shè)備，其運(yùn)輸狀態(tài)可分為正常、一般異常、嚴(yán)重異常和緊急異常。通過(guò)應(yīng)用所提技術(shù)得到的識(shí)別準(zhǔn)確率，如表2 所示。

表2 不同設(shè)備運(yùn)輸狀態(tài)的識(shí)別準(zhǔn)確率

從表2 可以看出，各個(gè)電氣設(shè)備的狀態(tài)識(shí)別準(zhǔn)確率均超過(guò)了90%。由于嚴(yán)重異常較易與一般或緊急異?；煜?，因此其識(shí)別準(zhǔn)確率相對(duì)偏低。由此表明，所提技術(shù)在利用SVM 劃分電氣設(shè)備類型的基礎(chǔ)上，采用改進(jìn)ResNet-18 網(wǎng)絡(luò)完成狀態(tài)識(shí)別，能夠較為精準(zhǔn)地區(qū)分各種運(yùn)輸狀態(tài)。

為了論證所提技術(shù)的性能，將其與BP 神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks，CNN)進(jìn)行對(duì)比。三種算法的識(shí)別準(zhǔn)確率結(jié)果，如圖5 所示。

圖5 狀態(tài)識(shí)別準(zhǔn)確率

從圖5 可看出，相較于對(duì)比算法，所提技術(shù)的識(shí)別準(zhǔn)確率約為97%，原因在于其將SVM 分類器與改進(jìn)ResNet-18 網(wǎng)絡(luò)相結(jié)合，從而保證了較優(yōu)的識(shí)別性能。BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)簡(jiǎn)單，對(duì)于復(fù)雜環(huán)境的圖像狀態(tài)識(shí)別效果不佳，故準(zhǔn)確率低于90%。而卷積神經(jīng)網(wǎng)絡(luò)與BP 神經(jīng)網(wǎng)絡(luò)相比，雖然性能有所提升，但易陷入局部極值，因此其識(shí)別準(zhǔn)確率僅為92%，仍有待進(jìn)一步提升。

4 結(jié)束語(yǔ)

隨著5G、物聯(lián)網(wǎng)技術(shù)的發(fā)展，設(shè)備圖像獲取的成本不斷減小。為了充分挖掘圖像數(shù)據(jù)的價(jià)值，文中采用多源視頻采集方法獲取電氣設(shè)備的運(yùn)輸狀態(tài)，并利用SVM 劃分設(shè)備類型，再采用改進(jìn)ResNet-18 網(wǎng)絡(luò)完成狀態(tài)識(shí)別和預(yù)警。基于圖像集的實(shí)驗(yàn)結(jié)果表明，所提技術(shù)的識(shí)別準(zhǔn)確率接近97%，且對(duì)各電氣設(shè)備的狀態(tài)識(shí)別準(zhǔn)確率均超過(guò)了90%，故具有良好的實(shí)際應(yīng)用價(jià)值。后期將挖掘系統(tǒng)其他運(yùn)輸數(shù)據(jù)，通過(guò)各種數(shù)據(jù)的融合進(jìn)一步提高狀態(tài)識(shí)別的準(zhǔn)確性。