汪 洋， 黎恒烜， 鄂士平， 王成智， 張侃君

(國網(wǎng)湖北省電力有限公司 a.設(shè)備管理部， b. 電力科學(xué)研究院， 武漢 430000)

隨著電網(wǎng)的大規(guī)模建設(shè)，變電站也在不斷進(jìn)行升級、改造，但電網(wǎng)的調(diào)度與控制安全仍面臨著巨大挑戰(zhàn)[1].為了避免誤調(diào)度和誤操作的發(fā)生，一鍵順控作為一種新的智能變電運檢技術(shù)正在逐漸推廣應(yīng)用[2-3].

變電站為了實現(xiàn)設(shè)備狀態(tài)的切換，使用倒閘操作將設(shè)備切換至檢修、熱備用、冷備用和運行四種狀態(tài)[4].但變電站通常存在較高的電壓，在倒閘操作中出現(xiàn)誤操作不僅會危害人身與設(shè)備安全，嚴(yán)重的更會導(dǎo)致電力系統(tǒng)的崩潰[5].一鍵順控即操作人員在一體化信息平臺下達(dá)任務(wù)，可按順序一次性實現(xiàn)操作項目軟件預(yù)制、任務(wù)模塊搭建、設(shè)備狀態(tài)識別和操作步驟一鍵啟動與執(zhí)行的指令[6].傳統(tǒng)的一鍵順控系統(tǒng)使用遙信采集的信號來判斷設(shè)備的運行狀態(tài)，并使用智能防護(hù)系統(tǒng)來判斷程序化操作是否到位.然而，在實際變電站的一鍵順控停、送電操作中，由于操作不當(dāng)，容易出現(xiàn)錯誤的投退操作.而傳統(tǒng)的信號監(jiān)測方法，難以及時發(fā)現(xiàn)這些錯誤[7].

基于深度學(xué)習(xí)的數(shù)據(jù)分析方法作為人工智能的重要研究領(lǐng)域，正廣泛應(yīng)用于工程的各個方面.如文獻(xiàn)[8]提出使用深度學(xué)習(xí)算法自動分析變電站設(shè)備的周圍環(huán)境，實現(xiàn)防火、防盜以及變電站的無人值守；文獻(xiàn)[9]使用深度學(xué)習(xí)算法設(shè)計目標(biāo)檢測網(wǎng)絡(luò)，實現(xiàn)輸變電設(shè)備異常發(fā)熱點紅外圖片的檢測；文獻(xiàn)[10]使用基于深度學(xué)習(xí)的分類算法，實現(xiàn)發(fā)電機故障狀態(tài)的挖掘；文獻(xiàn)[11]使用長短時記憶(LSTM)網(wǎng)絡(luò)、門循環(huán)單元(GRU)神經(jīng)網(wǎng)絡(luò)和棧式自編碼器(SAE)實現(xiàn)電力負(fù)荷預(yù)測.

為了解決一鍵順控系統(tǒng)中不能精確判斷目標(biāo)設(shè)備工作的狀態(tài)及硬壓板狀態(tài)監(jiān)視可靠性低的問題，本文提出了一種基于圖像識別的“雙確認(rèn)”方式.該方法使用監(jiān)控系統(tǒng)采集的目標(biāo)設(shè)備圖像信息進(jìn)行判別處理，使用一個多任務(wù)神經(jīng)網(wǎng)絡(luò)同時完成硬壓板位置檢測、投切狀態(tài)檢測和硬壓板標(biāo)識檢測三個任務(wù).

1 多任務(wù)學(xué)習(xí)的硬壓板檢測與識別

為了有效檢測與識別出不同的硬壓板，本文提出一個多任務(wù)學(xué)習(xí)網(wǎng)絡(luò).該網(wǎng)絡(luò)不僅需要檢測出硬壓板區(qū)域，且需要根據(jù)硬壓板下面的唯一文字描述對硬壓板進(jìn)行標(biāo)識區(qū)分.圖1為本文方法的整體框架，對于給定的輸入圖片，該網(wǎng)絡(luò)首先使用一個共享卷積層提取出共享特征；然后使用一個文字檢測網(wǎng)絡(luò)檢測并識別出文字，采用一個識別框檢測出硬壓板區(qū)域，并對其投切狀態(tài)進(jìn)行分類識別.

圖1 硬壓板檢測與識別整體框架Fig.1 Overall framework of detection and recognition of hard platens

1.1 特征共享網(wǎng)絡(luò)

由于硬壓板與其下面的文字標(biāo)識位置上存在關(guān)聯(lián)關(guān)系，因此本文基于多任務(wù)學(xué)習(xí)的硬壓板檢測與識別網(wǎng)絡(luò)，使用一個特征共享網(wǎng)絡(luò)提取表達(dá)能力更強的特征，其具體架構(gòu)如圖2所示.圖2中，f表示特征，conv block 64，/2表示含有64個通道的卷積層，并進(jìn)行2倍下采樣；up sampling表示上采樣，×2為2倍上采樣層；3×3表示卷積核大小為3×3；concat表示數(shù)組合并.

圖2 特征共享網(wǎng)絡(luò)架構(gòu)Fig.2 Architecture of feature sharing network

特征共享網(wǎng)絡(luò)使用ResNet-50作為基礎(chǔ)網(wǎng)絡(luò)，并使用特征金字塔結(jié)構(gòu)(FPN)融合高、低分辨率的特征來整合全局與局部信息.特征融合過程滿足

(1)

(2)

式中：gi與hi分別為待融合特征圖和融合后的特征圖；unpool為上采樣操作；conv為卷積層操作.在特征融合時為了保證特征圖的大小一致，將最后一個階段的特征圖進(jìn)行上采樣操作，增加一倍的尺寸；隨后，將其與當(dāng)前層的特征進(jìn)行串接，并使用一個1×1卷積層來減小特征通道數(shù)；最后，使用一個3×3卷積操作得到融合的結(jié)果.

進(jìn)行上述特征提取與特征融合操作后，將提取出的共享特征分別送入硬壓板檢測網(wǎng)絡(luò)與文字檢測網(wǎng)絡(luò)進(jìn)行硬壓板和文字的檢測與識別.

1.2 文字檢測網(wǎng)絡(luò)

本文使用EAST網(wǎng)絡(luò)進(jìn)行文字的檢測，該網(wǎng)絡(luò)可以準(zhǔn)確、有效地檢測各種場景下的文字目標(biāo).EAST網(wǎng)絡(luò)消除了不必要的網(wǎng)絡(luò)操作，能夠直接預(yù)測任意方向的文本行.

圖3為本文檢測分支網(wǎng)絡(luò)的具體架構(gòu).該分支使用FPN提取的特征作為輸入，使用一個1×1卷積層將輸出分支劃分為一個得分通道和預(yù)測通道.得分通道用來預(yù)測每一個文字框中的特征是正樣本的可能性，預(yù)測通道用來指示檢測框的相對橫、縱坐標(biāo)值.得到每個檢測框的得分與相對坐標(biāo)后，即可使用非極大值抑制來搜索出局部極大值，再抑制非極大值結(jié)果，最終保留一個最理想的檢測框.因此，文本檢測網(wǎng)絡(luò)的目標(biāo)函數(shù)可以表示為

Ldt=λsLs+λregLreg

(3)

式中：Ls與Lreg分別為得分通道和預(yù)測通道的損失；λs與λreg分別為兩損失的權(quán)重，本文將其值直接設(shè)為1.

圖3 EAST檢測分支架構(gòu)Fig.3 Architecture of EAST detection branch

得分通道的損失函數(shù)為交叉熵?fù)p失，其表達(dá)式為

(4)

(5)

式中，Y∈Y*為隨機采樣樣本.

(6)

1.3 文字識別網(wǎng)絡(luò)

為了便于對文字進(jìn)行識別，本文首先使用放射變換層對檢測出的文字區(qū)域進(jìn)行變換，以得到軸對稱的檢測結(jié)果.這一操作需要保證輸出高度固定，且檢測結(jié)果的長寬比不變.放射變換主要包括兩個步驟：1)使用檢測框的預(yù)測坐標(biāo)來計算放射參數(shù)；2)對所有特征區(qū)域進(jìn)行放射變換，以得到標(biāo)準(zhǔn)水平的特征.其中，第1)步的計算操作為

(7)

式中：M為要求的放射變換矩陣；ht、wt為變換后輸出的高和寬；(t，b，l，r)為文本框左上、左下、右上和右下四個坐標(biāo)；θ為文本方向角度.

使用變換矩陣M，即可實現(xiàn)所有區(qū)域的放射變換，即

(8)

對文本區(qū)域進(jìn)行放射變換后，本文使用文字識別分支對檢測框中的文本進(jìn)行識別.考慮到文字識別分支檢測的文本框中包含的文字長度不同，本文使用LSTM網(wǎng)絡(luò)沿著原始圖像的共享特征進(jìn)行識別.文中文字識別網(wǎng)絡(luò)包含一個雙向LSTM層、一個全連接層和一個CTC解碼層.

(9)

式中，B為所有可能帶有空格的標(biāo)簽到e*的多對一映射.

文字識別網(wǎng)絡(luò)的目的是最大化式(9)求和的對數(shù)概率，損失函數(shù)可表示為

(10)

1.4 硬壓板檢測與識別網(wǎng)絡(luò)

本文使用Faster R-CNN構(gòu)建硬壓板的檢測和分類網(wǎng)絡(luò)，并直接將硬壓板的投切狀態(tài)作為硬壓板的類別信息.

硬壓板檢測與識別網(wǎng)絡(luò)的輸入為特征共享層提取的特征，輸出為硬壓板的坐標(biāo)值.對于給定的共享特征，首先采用3×3的滑動操作得到9個錨框，這9個錨框具有3種不同的面積：1 282、2 562和5 122.得到錨框特征后，該網(wǎng)絡(luò)再使用1×1×256×18和1×1×256×36兩個卷積層分別得到一個18維的向量和一個36維的向量，進(jìn)而得到硬壓板的類別與坐標(biāo)值，檢測與識別網(wǎng)絡(luò)架構(gòu)如圖4所示.

圖4 硬壓板檢測與識別網(wǎng)絡(luò)架構(gòu)Fig.4 Network architecture of detection and recognition of hard platens

為了優(yōu)化硬壓板檢測與識別網(wǎng)絡(luò)，本文對候選檢測框及其類別進(jìn)行Softmax二分類，并設(shè)計了目標(biāo)函數(shù)為

(11)

(12)

(13)

2 實驗與結(jié)果

2.1 實驗設(shè)置

本文使用手工標(biāo)注的9 000張硬壓板目標(biāo)屏圖片訓(xùn)練所提出的檢測與識別網(wǎng)絡(luò).在標(biāo)注圖片中，每一個硬壓板下面包含一段文字框來描述硬壓板的具體信息.同時，每個硬壓板根據(jù)其投切狀態(tài)標(biāo)記為1(開)、0(合)兩個狀態(tài).圖5為本文采集的硬壓板圖片，本文從9 000張圖片中隨機選擇7 200張作為訓(xùn)練數(shù)據(jù)集，剩下的1 800張作為測試集.文中使用Pytorch框架實現(xiàn)所提出的網(wǎng)絡(luò)，并使用Adam進(jìn)行網(wǎng)絡(luò)優(yōu)化.設(shè)置初始學(xué)習(xí)率為0.001，每個訓(xùn)練Batch的大小為1，共訓(xùn)練50個周期.

圖5 硬壓板圖片F(xiàn)ig.5 Images of hard platens

2.2 評估指標(biāo)

為了評估所提出方法的性能，本文使用精確度P、召回率R和平均性能F三個指標(biāo)來表示網(wǎng)絡(luò)性能.其中，精確度與召回率從漏檢和誤檢的角度對性能進(jìn)行評估，而平均性能是對精確度與召回率的加權(quán)平均，即從總體性能上對算法進(jìn)行評估.三個指標(biāo)的具體定義為

(14)

式中：q為檢測值；G為真實硬壓板/文本框的集合；D為網(wǎng)絡(luò)輸出結(jié)果的集合.檢測結(jié)果與真實目標(biāo)的匹配規(guī)則為

(15)

式中：σij=(Gi∩Dj)/Gi；τij=(Gi∩Dj)/Dj.根據(jù)多次試驗結(jié)果設(shè)置T1=0.8，T2=0.2.

2.3 結(jié)果與分析

本文使用上述采集的數(shù)據(jù)集對所提出的算法進(jìn)行性能評估，表1為不同算法對硬壓板檢測與定位的精度比較結(jié)果.CTPN結(jié)合CNN與LSTM深度網(wǎng)絡(luò)，能有效檢測復(fù)雜場景的橫向分布的文字，SSTD為二值圖像數(shù)字水印算法.從表1中可以看出，所提出的算法相對于其他單獨的檢測算法具有更高的精度.

表1 不同算法在測試集上的檢測與識別精度Tab.1 Detection and recognition accuracy on test set with different algorithms %

圖6為本文硬壓板二次確認(rèn)具體實現(xiàn)效果圖.從圖6中可以看出，使用本方法能夠有效地對硬壓板位置進(jìn)行檢測，并實現(xiàn)硬壓板投切狀態(tài)的識別，提升了一鍵順控的操作精度.

圖6 硬壓板二次確認(rèn)具體實現(xiàn)效果圖Fig.6 Actual implementation effect diagram of secondary confirmation of hard platens

3 結(jié) 論

本文提出了一種基于深度學(xué)習(xí)的變電站硬壓板狀態(tài)檢測與識別算法.該算法采用一個多任務(wù)學(xué)習(xí)網(wǎng)絡(luò)，同時完成了硬壓板位置、投切狀態(tài)和硬壓板標(biāo)識檢測.其中，硬壓板位置檢測用于確定并提取出硬壓板坐標(biāo)；硬壓板標(biāo)識識別采用基于文字檢測與識別算法對硬壓板進(jìn)行區(qū)分；投切狀態(tài)檢測用于對檢測出的硬壓板狀態(tài)進(jìn)行分類，即開或合.測試結(jié)果表明，所提出的方法能夠提升硬壓板狀態(tài)識別精度，同時也保證了一鍵順控操作的安全性.