陳超人 冉夢東 郜曉娜 田 地 陳家輝

（貴州電網(wǎng)有限責(zé)任公司遵義供電局）

0 引言

電網(wǎng)規(guī)模擴(kuò)大，變電站運(yùn)行方式也需要升級，建設(shè)智能的變電站是構(gòu)建智能電網(wǎng)的重要環(huán)節(jié)。穩(wěn)定的電力運(yùn)行是保證社會經(jīng)濟(jì)建設(shè)的重要環(huán)節(jié)，這與人們的日常生活息息相關(guān)，而變電站的相關(guān)儀器是保證電能損耗正常運(yùn)行、提高電力使用效率的關(guān)鍵一環(huán)［1］。戶外變電站與電網(wǎng)運(yùn)行是當(dāng)下需要關(guān)注的重點(diǎn)，若日常的維護(hù)工作沒有跟上進(jìn)度，變電站的設(shè)備就會出現(xiàn)故障，影響整體電網(wǎng)系統(tǒng)運(yùn)行。為了減少變電站發(fā)生事故的概率，平日巡視的環(huán)節(jié)就異常重要。數(shù)據(jù)集成以及無人化的自動巡視技術(shù)是智能變電站現(xiàn)在配備的標(biāo)準(zhǔn)應(yīng)用。視頻識別的AI技術(shù)可以應(yīng)用在智能變電站的安全監(jiān)控，在變電站實(shí)際工程中智能的AI技術(shù)也可以抵抗惡劣天氣環(huán)境造成的干擾，智能變電站巡視方法可以針對特定場景制定AI智能化方案［2］。視頻AI識別主要是根據(jù)變電站設(shè)備巡視要求進(jìn)行操作，利用高清傳感器將巡視的視頻傳輸?shù)胶笈_，后臺處理并記錄巡視的數(shù)據(jù)，若是監(jiān)測到異常情況則發(fā)出警告。視頻AI識別的巡視監(jiān)測，可以清晰地處理收錄的視頻圖像信息點(diǎn)，并針對目標(biāo)進(jìn)行進(jìn)一步的分析，最后將分析的數(shù)據(jù)傳到總部，達(dá)到巡視的目的。

1 智能變電站巡視方法

1.1 視頻圖像采集及預(yù)處理

變電站的氣壓表指針以及開關(guān)刀閘分合閘等細(xì)小的變化就能引發(fā)安全問題，若想通過遠(yuǎn)程監(jiān)控進(jìn)行巡視的安全檢查，就需要提前對目標(biāo)進(jìn)行視頻采集。視頻采集是智能變電站安全巡視的首要任務(wù)，以變電站的氣壓表為例，視頻采集需要錄入氣壓表盤的信息，將表盤變化通過智能化的技術(shù)顯示出來［3］。通過攝像頭獲取的視頻是BGR色彩組成的多個圖像疊加的，這些彩色視頻的像素點(diǎn)主要由紅色、藍(lán)色和綠色構(gòu)成。采集的彩色圖像的每個像素點(diǎn)的圖像信息由于疊加的通道色階增加了視頻處理的難度，因此需要在攝像頭對視頻進(jìn)行一系列的圖像采集后集中灰度化處理?；叶然幚砟軐⒓t綠藍(lán)三色通道信息轉(zhuǎn)換為黑白信息，剔除彩色顏色特征的圖像會減少圖像處理的運(yùn)算量。色彩圖像轉(zhuǎn)化為單通道灰度化的操作一般選擇最大值法測定，具體的計(jì)算公式如下：

式中，Gray（i，j）表示采集視頻相關(guān)圖像的灰度值；R表示攝像頭采集的視頻紅色通道數(shù)值；G表示采集彩色視頻圖像的綠色通道數(shù)值；B表示采集彩色視頻圖像的藍(lán)色通道數(shù)值。三種通道的最大值為采集圖像的灰度值，但這樣處理得到整體灰度也會偏大，容易丟失細(xì)節(jié)，因此需要對采集視頻目標(biāo)進(jìn)行前景提?。?］。針對攝像頭采集的變電站的表盤視頻，確定具體表針指向表盤的相關(guān)數(shù)據(jù)，剔除其他干擾背景，本文采用的視頻圖像分割，是將視頻圖像的前景和背景進(jìn)行切割，得到高精度的前景圖層。視頻的邊緣分割，主要是根據(jù)視頻圖像的某些特征劃分出相似點(diǎn)和不同點(diǎn)，一般來說，灰度值的邊緣檢測是圖像邊緣分割的首選。圖像邊緣分割選取視頻圖像中心點(diǎn)像素點(diǎn)，設(shè)定水平方向和垂直方向，以網(wǎng)格形式得到對應(yīng)的亮度差分相近值［5］。動態(tài)視頻圖像灰度化處理的每個關(guān)鍵幀都進(jìn)行邊緣切分的操作后，才完成對變電站巡視視頻圖像的預(yù)處理。

1.2 AI識別目標(biāo)及目標(biāo)匹配

經(jīng)過上述視頻圖像預(yù)處理后，對預(yù)處理后的目標(biāo)進(jìn)行分析。目標(biāo)分析的關(guān)鍵是將變電站所有的設(shè)備都要一一識別出來，并標(biāo)注出設(shè)備所在的位置和狀態(tài)。視頻AI識別可以在視頻中找到目標(biāo)并進(jìn)行分類，視頻AI識別在對目標(biāo)進(jìn)行分析時，通過綜合的攝像頭點(diǎn)位將目標(biāo)進(jìn)行全覆蓋，檢測到變電站的各個開關(guān)，再對巡視的點(diǎn)位進(jìn)行循環(huán)的巡視，視頻AI識別目標(biāo)監(jiān)測只需要一次掃描就能完成目標(biāo)的分析。視頻AI識別結(jié)合特征網(wǎng)絡(luò)提取目標(biāo)，特征網(wǎng)絡(luò)框架如圖1所示。

圖1 AI特征網(wǎng)絡(luò)框架

整個卷積神經(jīng)網(wǎng)絡(luò)共分為三部分，分別為3×3卷積層、BN激活層和RelU池化層，最終輸出神經(jīng)網(wǎng)絡(luò)的分類結(jié)果。視頻AI識別網(wǎng)絡(luò)通過不斷地深度學(xué)習(xí)完成對目標(biāo)的識別，具體如下：卷積層結(jié)構(gòu)對輸入的視頻完成特征提取，在卷積結(jié)構(gòu)中確保AI視頻提取的各層的關(guān)鍵點(diǎn)的尺寸相同，這是為了前一層的輸出與后一層輸出的向量，各個變電站特征圖像或者輸入的視頻進(jìn)行右移運(yùn)行，設(shè)置移動窗口向右移動和向下移動的步幅進(jìn)行卷積的操作。每一層的深度必須和上一層輸出視頻數(shù)據(jù)的深度保持一致。進(jìn)行此層操作還需設(shè)置激活層，所有的輸出AI運(yùn)算使用相應(yīng)的激活函數(shù)［6］。在神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中如果不使用激活層，輸出的信息只有線性的變化，也就失去意義。通過激活層的使用，可以使視頻AI神經(jīng)網(wǎng)絡(luò)能夠理解復(fù)雜的和非線性的數(shù)據(jù)信息，使網(wǎng)絡(luò)增加非線性的特性。池化層主要進(jìn)行輸出維度的縮小和冗雜信息的去除。對數(shù)據(jù)進(jìn)行特征提取之后，此層會對提取之后的數(shù)據(jù)進(jìn)行維度的縮小，完成對視頻特征的壓縮以及簡化。在卷積輸出的特征圖上根據(jù)指定的池化窗口選擇窗口中數(shù)據(jù)最大值，然后滑動窗口再繼續(xù)選擇下一個窗口最大值，并且保留網(wǎng)絡(luò)結(jié)構(gòu)模型的復(fù)雜度。再提取到輸入數(shù)據(jù)高層的語義信息，此層將優(yōu)化的視頻特征得到的信息反饋到前臺，完成對視頻提取到的目標(biāo)點(diǎn)信息進(jìn)行分類［7］。

提取完視頻的特征點(diǎn)，為了區(qū)分特征點(diǎn)的特性，每個特征點(diǎn)的對應(yīng)向量描述也就是視頻目標(biāo)象征點(diǎn)的關(guān)鍵，以變電站的表盤為例，表針的走動角度就是變電站儀表的特征點(diǎn)。特征點(diǎn)的方向和大小通過小波響應(yīng)表示出來，小波濾波器示意如圖2所示。

圖2 小波濾波器模板示意圖

黑色數(shù)值為-1，白色數(shù)值為1，這兩個濾波器分別計(jì)算小波響應(yīng)，計(jì)算小波響應(yīng)合成水平強(qiáng)度和豎直強(qiáng)度，并生成一張小波響應(yīng)的點(diǎn)位圖。點(diǎn)位圖以扇形窗口形式進(jìn)行滑動，扇形圖層涵蓋視頻特征點(diǎn)主方向。確定主方向后，需要在特征點(diǎn)周圍提取像素變化的趨勢，根據(jù)像素點(diǎn)變化情況匹配特征點(diǎn)［8］。

特征點(diǎn)是否匹配，這需要計(jì)算描述向量的差異大小。匹配算法采用歐式距離衡量方法，歐式距離放置在二維和三維坐標(biāo)系中，主要是判斷坐標(biāo)點(diǎn)直線物理距離的變化情況。對于特征向量DESa和DESb來說，歐式距離計(jì)算公式如下：

為保證特征點(diǎn)匹配的準(zhǔn)確性，算法加入了參數(shù)，具體如下：

式中，d1為待檢測視頻圖像特征點(diǎn)歐式距離最小的點(diǎn)；d2為待檢測圖像距離第二小的點(diǎn)。當(dāng)兩個點(diǎn)距離的比值大于一定值，兩個特征點(diǎn)沒有明顯的聯(lián)系，算法不會匹配。相反，兩個特征點(diǎn)在一定范圍值之內(nèi)，才看作匹配成功的特征點(diǎn)。實(shí)際應(yīng)用的范圍值在0.4～0.6之間。

完成特征點(diǎn)匹配后，將視頻圖像特征點(diǎn)的匹配坐標(biāo)代入式（4）中：

式中，［x y1］和［x＇y＇1］分別為監(jiān)測視頻儀器圖像和特征點(diǎn)匹配特征點(diǎn)的坐標(biāo)；H是透視矩陣，通過這個矩陣將映射的關(guān)鍵點(diǎn)坐標(biāo)［h11h12h13］等投入到待匹配的變電站視頻表盤圖像上，以此完成整體特征點(diǎn)匹配的工作。

1.3 反饋巡視的數(shù)據(jù)信息

在實(shí)現(xiàn)變電站視頻圖像處理和目標(biāo)特征點(diǎn)匹配后，需要將巡視到的數(shù)據(jù)反饋到主機(jī)上，方便工作人員對變電站進(jìn)行后期的管理和維護(hù)。變電站管理主控室集中一臺服務(wù)器，要遠(yuǎn)程管理多個設(shè)備，由于智能變電站視頻采集的關(guān)鍵幀的數(shù)量較多，內(nèi)部信息占據(jù)內(nèi)存過大，為了避免平臺崩潰，出現(xiàn)數(shù)據(jù)漏洞，反饋巡視數(shù)據(jù)信息要在無操作情況下讓傳輸基本保持休眠狀態(tài)。除此之外，還需要對視頻AI識別的持久數(shù)據(jù)層進(jìn)行備份處理，即使后期平臺出現(xiàn)故障，也能夠保證后備數(shù)據(jù)的查詢。這樣的處理，讓變電站的巡視數(shù)據(jù)可以完整運(yùn)行，從視頻圖像采集到目標(biāo)獲取之間實(shí)現(xiàn)科學(xué)的整合，提高變電站整體巡視信息運(yùn)輸效率，完成智能巡視服務(wù)的目標(biāo)。

2 對比實(shí)驗(yàn)

為了驗(yàn)證新設(shè)計(jì)的基于視頻AI識別的智能變電站巡視方法的有效性，測試變電站在傳統(tǒng)方法和結(jié)合視頻AI識別技術(shù)方法所耗費(fèi)的時間。哪種方法所耗時間越少，證明哪種方法的效率就越高。

2.1 實(shí)驗(yàn)準(zhǔn)備

基于視頻AI識別的智能變電站內(nèi)測需要部署在不同智能網(wǎng)關(guān)平臺上，具體配備的硬件環(huán)境如下表所示。

表 智能變電站網(wǎng)關(guān)硬件環(huán)境

測試的變電站與使用AI的相關(guān)電纜進(jìn)行對接后，實(shí)現(xiàn)并網(wǎng)和后續(xù)的測控。

2.2 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證所設(shè)計(jì)的方法的有效性，選取相同的變電站進(jìn)行多次實(shí)驗(yàn)，測試兩種巡視方法的所耗時間，具體的實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 實(shí)驗(yàn)對比結(jié)果

如圖3所示，結(jié)合視頻AI識別的智能變電站安全巡視方法所耗時間不超過20s，比傳統(tǒng)方法所耗時間減少了1／2。因此得出結(jié)論，新設(shè)計(jì)的基于視頻AI識別的智能變電站安全巡視方法更有效率，可以應(yīng)用在實(shí)際的變電站巡視環(huán)節(jié)中。

3 結(jié)束語

本文主要利用視頻AI識別技術(shù)完成針對變電站的智能巡視。視頻AI識別技術(shù)可以快速對巡視的視頻圖像進(jìn)行處理，通過AI算法抓取目標(biāo)關(guān)鍵點(diǎn)并對目標(biāo)的關(guān)鍵點(diǎn)進(jìn)行匹配，極大地提高了巡視處理的時間。盡管本文作者受到學(xué)術(shù)水平的限制，提出的操作性觀點(diǎn)還需要進(jìn)一步優(yōu)化，但還是希望本文設(shè)計(jì)的針對智能變電站的巡視方法可以應(yīng)用到實(shí)際中，提升變電站巡視的效率。