劉 超，韓 懈

（江蘇大學(xué)電氣信息工程學(xué)院，江蘇鎮(zhèn)江 212013）

0 引言

如今對(duì)電力系統(tǒng)穩(wěn)定運(yùn)行的要求越來越高，因此具有保護(hù)和控制作用的斷路器在系統(tǒng)中具有重要作用。斷路器不僅需要保證電力系統(tǒng)的正常運(yùn)行，而且要保證當(dāng)電路發(fā)生故障時(shí)可及時(shí)切斷電源，防止電力系統(tǒng)因故障而損壞［1-3］，所以實(shí)時(shí)監(jiān)測(cè)并識(shí)別電力系統(tǒng)中斷路器的工作狀態(tài)非常重要。

在日常工作中，隨著智能電力系統(tǒng)的發(fā)展，倒閘的操作已開始朝遠(yuǎn)程操作的方向發(fā)展，但在運(yùn)行過程中仍需要人工到現(xiàn)場(chǎng)識(shí)別斷路器、隔離開關(guān)等位置是否正常，操作完成是否正確等。這種工作方式雖然減輕了工作人員手動(dòng)合閘的工作強(qiáng)度，減少了工作時(shí)間，但對(duì)工作人員的主觀判斷有較強(qiáng)的依賴性。因?yàn)殡娏ο到y(tǒng)的復(fù)雜性，工作人員在檢查時(shí)容易出現(xiàn)誤檢、漏檢等現(xiàn)象，并且人工檢查還存在很高的危險(xiǎn)性，從而嚴(yán)重影響了電力系統(tǒng)的正常工作。截至目前，電力系統(tǒng)還沒有實(shí)現(xiàn)真正意義上的智能控制，監(jiān)控臺(tái)需要工作人員到現(xiàn)場(chǎng)確認(rèn)斷路器開關(guān)的分合狀態(tài)后，再根據(jù)收到的信息進(jìn)行操作。因此，在電力系統(tǒng)中實(shí)現(xiàn)一種全天候、全天時(shí)的斷路器分合狀態(tài)識(shí)別已成為一個(gè)必然的需求［4-6］。

1 相關(guān)工作

隨著深度學(xué)習(xí)算法在目標(biāo)檢測(cè)領(lǐng)域的發(fā)展，對(duì)圖像的處理識(shí)別能力有了較大提升。相比傳統(tǒng)方法，深度學(xué)習(xí)能夠更高效地提取圖像特征信息。目前深度學(xué)習(xí)己被廣泛應(yīng)用于圖像識(shí)別、目標(biāo)檢測(cè)、分類等領(lǐng)域。近年來，Girshick 等［7］首先將基于區(qū)域建議的卷積神經(jīng)網(wǎng)絡(luò)（Regionbased Convolutional Network，R-CNN）應(yīng)用于目標(biāo)檢測(cè)，使目標(biāo)檢測(cè)的精度有了明顯提升。R-CNN 主要由候選窗口模塊、特征提取模塊和支持向量機(jī)（Support Vector Machine，SVM）［8-9］分類器模塊組成。R-CNN 的工作流程是通過選擇性搜索生成候選框，然后將其全部輸入到神經(jīng)網(wǎng)絡(luò)中進(jìn)行目標(biāo)特征提取，最后在SVM 分類器上進(jìn)行候選框的分類和回歸操作。雖然R-CNN 在目標(biāo)檢測(cè)方面極大地提升了檢測(cè)性能，但是由于R-CNN 是兩階段的檢測(cè)器，所以檢測(cè)速度較慢。隨后Faster-RCNN（Faster Regionbased Convolutional Neural Networks）［10］、FPN（Feature Pyramid Networks）［11］、SSD（Single Shot Detection）［12］、YOLO（You Only Look Once）［13］等優(yōu)秀的目標(biāo)檢測(cè)算法相繼被提出，使目標(biāo)檢測(cè)技術(shù)得到了迅速發(fā)展。

基于卷積神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)斷路器分合狀態(tài)檢測(cè)目前已成為一個(gè)研究熱點(diǎn)。朱萌等［14］提出基于深度信念網(wǎng)絡(luò)的高壓斷路器故障識(shí)別算法，該深度信念網(wǎng)絡(luò)是一種非監(jiān)督的神經(jīng)網(wǎng)絡(luò)，由多個(gè)受限玻爾茲曼機(jī)疊加而成。工作過程是首先使用無標(biāo)簽的數(shù)據(jù)樣本自下而上地對(duì)各層受限玻爾茲曼機(jī)進(jìn)行貪婪學(xué)習(xí)訓(xùn)練，得到最優(yōu)參數(shù)，然后將此結(jié)果定為初始參數(shù)，將網(wǎng)絡(luò)展開成反向傳播結(jié)構(gòu)，再使用帶標(biāo)簽的數(shù)據(jù)進(jìn)行微調(diào)，最后得到深度信念分類網(wǎng)絡(luò)。其優(yōu)點(diǎn)是采用非監(jiān)督學(xué)習(xí)可自動(dòng)學(xué)習(xí)目標(biāo)的有效特征，但存在的問題是檢測(cè)精度相比有監(jiān)督學(xué)習(xí)略差。曹宇鵬等［15］提出一種基于卷積深度網(wǎng)絡(luò)的高壓真空斷路器機(jī)械故障診斷方法，該網(wǎng)絡(luò)利用卷積層對(duì)原始振動(dòng)數(shù)據(jù)進(jìn)行特征轉(zhuǎn)換，結(jié)合門控循環(huán)單元的局部時(shí)域特征表示能力對(duì)故障敏感特征進(jìn)行提取。其優(yōu)點(diǎn)是可充分發(fā)揮CNN 模型對(duì)于潛在特征值提取的優(yōu)勢(shì)，快速、準(zhǔn)確地提取大量有效的特征值。長(zhǎng)短期記憶神經(jīng)網(wǎng)絡(luò)模型能較好地?cái)M合機(jī)械振動(dòng)信號(hào)的時(shí)序性和復(fù)雜非線性關(guān)系，從而有效地對(duì)機(jī)械振動(dòng)狀態(tài)進(jìn)行識(shí)別，但存在的問題是需要較多樣本進(jìn)行訓(xùn)練。

以上方法都未對(duì)斷路器分合狀態(tài)方面作深入研究，而本文通過基于深度學(xué)習(xí)的方法對(duì)高壓斷路器分合狀態(tài)檢測(cè)進(jìn)行了深入研究，彌補(bǔ)了高壓斷路器分合狀態(tài)檢測(cè)研究的不足，有效提高了檢測(cè)精度。

2 網(wǎng)絡(luò)算法

2.1 YOLOv4

本文網(wǎng)絡(luò)采用改進(jìn)的YOLOv4算法進(jìn)行高壓斷路器分合狀態(tài)檢測(cè)［16-17］，其骨干網(wǎng)絡(luò)采用CSPDarknet-53，其中CSP 可增強(qiáng)網(wǎng)絡(luò)的學(xué)習(xí)能力，能夠在減輕網(wǎng)絡(luò)負(fù)擔(dān)的同時(shí)保證準(zhǔn)確性、降低計(jì)算開銷和內(nèi)存成本。Darknet-53 共有5 個(gè)大殘差塊，每個(gè)大殘差塊內(nèi)又包含多個(gè)小殘差單元，而CSPDarknet53 是在Darknet53 的每個(gè)大殘差塊上加上CSP（Cross Stage Partial Networks）結(jié)構(gòu)。網(wǎng)絡(luò)中使用Mish 函數(shù)作為激活函數(shù)，該激活函數(shù)具有無邊界的特點(diǎn)，可使其避免梯度封底而導(dǎo)致梯度流飽和。網(wǎng)絡(luò)中采用空間池化層（Spatial Pyramid Pooling，SPP）和路徑聚合網(wǎng)絡(luò)（Path Aggregation Network，PANnet）作為特征提取部分。SPP 的結(jié)構(gòu)可有效增加感受野，分離出顯著的特征信息。PANet 是通過自底向上的路徑增強(qiáng)，縮短底層到頂層信息的傳輸路徑。輸出部分使用3 個(gè)YOLO head 通過兩層卷積作預(yù)測(cè)輸出，本文算法在其主干中的Resblock（殘差模塊）中加入通道注意力機(jī)制（Squeeze-and-Excitation Networks，SENet）。殘差網(wǎng)絡(luò)學(xué)習(xí)恒等函數(shù)比較容易，而且不會(huì)降低網(wǎng)絡(luò)效率，有效提升了網(wǎng)絡(luò)性能。網(wǎng)絡(luò)信息處理流程是輸入圖像經(jīng)過主干網(wǎng)絡(luò)后提取其3 個(gè)有效特征層，之后經(jīng)過兩次上采樣和下采樣的處理，再進(jìn)行預(yù)測(cè)輸出?？傮w網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

2.2 注意力機(jī)制

通道注意力如圖2 所示。通道注意力［18］主要是通過網(wǎng)絡(luò)學(xué)習(xí)特征權(quán)重，然后獲得對(duì)每個(gè)特征圖關(guān)注的重要程度，通過該程度給每一個(gè)特征通道賦予一個(gè)權(quán)重值，從而讓網(wǎng)絡(luò)重點(diǎn)關(guān)注重要的特征圖，給予有效特征圖的權(quán)重大，無效或效果差的特征圖權(quán)重小，使模型達(dá)到更好的效果。其原理是在數(shù)據(jù)后嵌入兩個(gè)特征層，第一層作為隱藏層，第二層用于輸出通道之間的權(quán)重。這兩層主要用來進(jìn)行編碼，對(duì)通道間進(jìn)行擬合操作，從而得到最終的注意力通道。

2.3 路徑聚合網(wǎng)絡(luò)

路徑聚合網(wǎng)絡(luò)的特點(diǎn)是對(duì)特征進(jìn)行反復(fù)提取，具有一條不到10 層的自底向上的路徑，底層特征信息可直接傳到頂層［19］。由于電力系統(tǒng)中斷路器所在位置背景的多樣性和復(fù)雜性，有時(shí)不能準(zhǔn)確提取特征信息，因此使用路徑聚合網(wǎng)絡(luò)可有效提取目標(biāo)特征。其可以很好地提取斷路器目標(biāo)的淺層特征，對(duì)目標(biāo)進(jìn)行準(zhǔn)確定位。

Fig.1 Overall network structure圖1 總體網(wǎng)絡(luò)結(jié)構(gòu)

Fig.2 Channel attention圖2 通道注意力

2.4 數(shù)據(jù)增強(qiáng)技術(shù)

由于訓(xùn)練集圖像中的目標(biāo)位置固定，但在實(shí)際測(cè)試時(shí)會(huì)出現(xiàn)較多變化，因此為了提高SE-YOLOv4（Squeezeand-Excitation YOLOv4）算法的可靠性，加入了數(shù)據(jù)增強(qiáng)技術(shù)［20］，通過改變圖像亮度、尺寸大小等方法使圖像變得更加多樣化。雖然其樣式發(fā)生了變化，但是實(shí)際上依然是斷路器。將增強(qiáng)后的圖像放到神經(jīng)網(wǎng)絡(luò)中進(jìn)行學(xué)習(xí)訓(xùn)練，可有效提高網(wǎng)絡(luò)算法的可靠性，并且降低其他因素對(duì)目標(biāo)檢測(cè)識(shí)別的影響。原圖像如圖3 所示，增強(qiáng)后的圖像如圖4所示。

Fig.3 Original image圖3 原圖像

3 應(yīng)用實(shí)驗(yàn)

3.1 實(shí)驗(yàn)環(huán)境

Fig.4 Enhanced image圖4 增強(qiáng)后圖像

本文實(shí)驗(yàn)基于Pytorch 框架搭建，使用NVIDIA 服務(wù)器的Ubuntu 18 04系統(tǒng)，GPU 為NVIDIA Tesla V100。

3.2 實(shí)驗(yàn)方法

實(shí)驗(yàn)評(píng)價(jià)指標(biāo)主要有精確率（Precision，P）、召回率（Recall，R）、F1 以及平均精確率（Average Precision，AP）。計(jì)算公式分別為：

式中，TP 表示預(yù)測(cè)為目標(biāo)，實(shí)際也是目標(biāo)的個(gè)數(shù)；FP表示實(shí)際為非目標(biāo)，但預(yù)測(cè)為目標(biāo)的個(gè)數(shù)；FN 表示實(shí)際為非目標(biāo)，但預(yù)測(cè)為目標(biāo)的個(gè)數(shù)。

3.3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)圖像數(shù)據(jù)采自揚(yáng)州市江都區(qū)轄區(qū)內(nèi)的110kV 變電站。本文所識(shí)別的斷路器型號(hào)為GW5-40.5DDW 戶外高壓斷路器，主要用于三相交流為50Hz、額定電壓為110kV 的電力配電系統(tǒng)中的高壓開關(guān)設(shè)備，該設(shè)備普遍應(yīng)用于城市輸電網(wǎng)及農(nóng)網(wǎng)等一些電力系統(tǒng)中。采用幀率為25 幀、分辨率為4 032*3 024 的攝像機(jī)，分別在清晨、中午、黃昏3 個(gè)時(shí)間段以及不同角度下對(duì)斷路器進(jìn)行拍攝，通過長(zhǎng)焦距攝像機(jī)可覆蓋整個(gè)斷路器區(qū)域。實(shí)驗(yàn)數(shù)據(jù)集共包括3 265 張圖像，將數(shù)據(jù)集按4：1 的比例劃分成訓(xùn)練集和測(cè)試集，其中訓(xùn)練集有2 612 張圖像，測(cè)試集有653 張圖像。實(shí)驗(yàn)結(jié)果比較如表1所示。

表1 中，1w 表示斷路器閉合狀態(tài)，2w 表示斷路器分離狀態(tài)。由以上對(duì)比結(jié)果可以看出，本文算法的精度為79.16%，相比原算法提升了1.72%，證明了本文算法的有效性。實(shí)驗(yàn)平均精度圖如圖5所示。

Table 1 Comparison of experimental results表1 實(shí)驗(yàn)結(jié)果比較

Fig.5 Mean average precision圖5 平均精度

本文對(duì)斷路器分合狀態(tài)進(jìn)行檢測(cè)識(shí)別，在不同環(huán)境、天氣和背景下的可視化結(jié)果如圖6 所示。從圖中可以看出，即使是在陰天昏暗或陽(yáng)光強(qiáng)烈的場(chǎng)景下，均能準(zhǔn)確檢測(cè)出斷路器的分合狀態(tài)。

Fig.6 Visualization results圖6 可視化結(jié)果

4 結(jié)語(yǔ)

針對(duì)斷路器分合狀態(tài)識(shí)別采用人工檢測(cè)方式，費(fèi)時(shí)費(fèi)力、誤差較大且安全系數(shù)較低的問題，本文提出基于SEYOLOv4 的變電站斷路器分合狀態(tài)識(shí)別方法。本文算法的主要?jiǎng)?chuàng)新點(diǎn)是在主干網(wǎng)絡(luò)中加入通道注意力機(jī)制以關(guān)注目標(biāo)位置，使用數(shù)據(jù)增強(qiáng)技術(shù)對(duì)數(shù)據(jù)集中的圖像進(jìn)行尺寸和位置變換，提高了算法的可靠性。該方法不但能降低人工檢測(cè)成本，而且能提高檢測(cè)效率，并通過結(jié)果對(duì)比證明了本文方法的有效性。未來可考慮將算法部署至邊緣設(shè)備或相機(jī)前端，將分析后的數(shù)據(jù)實(shí)時(shí)傳輸?shù)娇刂剖?，通過控制平臺(tái)進(jìn)行監(jiān)控，隨時(shí)發(fā)現(xiàn)問題并進(jìn)行處理。同時(shí)，可提升特征提取網(wǎng)絡(luò)效率，并通過優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)以減少網(wǎng)絡(luò)推理時(shí)間、降低網(wǎng)絡(luò)推理內(nèi)存。