国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于智能感知與深度學(xué)習(xí)的智能變電站設(shè)備 狀態(tài)檢測(cè)方法*

2022-08-06 08:43:58李遠(yuǎn)松丁津津湯漢松單榮榮
電氣工程學(xué)報(bào) 2022年2期
關(guān)鍵詞:像素卷積變電站

李遠(yuǎn)松 丁津津 徐 晨 高 博 湯漢松 單榮榮

(1. 國(guó)網(wǎng)安徽省電力有限公司電力科學(xué)研究院 合肥 230601; 2. 安徽新力電業(yè)科技咨詢有限責(zé)任公司 合肥 230022; 3. 江蘇凌創(chuàng)電氣自動(dòng)化股份有限公司 鎮(zhèn)江 212009; 4. 國(guó)電南瑞科技股份有限公司 南京 211106)

1 引言

隨著用電量不斷增長(zhǎng),電力系統(tǒng)需要通過變電站實(shí)現(xiàn)輸配電線路的大規(guī)?;ヂ?lián),以滿足用戶需求。一旦變電站設(shè)備故障,電網(wǎng)超負(fù)荷運(yùn)行下容易出現(xiàn)異常情況,進(jìn)而影響系統(tǒng)的穩(wěn)定可靠性[1]。因此需要在變電站內(nèi)配置監(jiān)控設(shè)備,以實(shí)時(shí)監(jiān)測(cè)站內(nèi)設(shè)備狀態(tài),并在發(fā)現(xiàn)設(shè)備異常時(shí)上報(bào)工作人員[2]。

自20世紀(jì)70年代以來,電力系統(tǒng)中絕緣子故障一直是常見的設(shè)備問題,由于電力變壓器、配電絕緣體等變電設(shè)備的套管絕緣失效,造成電力中斷,給電網(wǎng)造成嚴(yán)重?fù)p失[3-4]。但依靠人工檢查監(jiān)測(cè)變電站設(shè)備的狀態(tài)是一項(xiàng)很耗時(shí)的工作,并且很難全面地查找出設(shè)備故障。而使用熱像儀監(jiān)測(cè)變電站設(shè)備狀態(tài)能夠獲取較為準(zhǔn)確的圖像,工作人員根據(jù)圖像掌握設(shè)備狀態(tài)以采取適當(dāng)?shù)拇胧?。但該監(jiān)測(cè)方式周期較長(zhǎng),而微小故障持續(xù)時(shí)間長(zhǎng),缺乏對(duì)其連續(xù)監(jiān)測(cè)可能會(huì)導(dǎo)致危險(xiǎn)的發(fā)生[5]。而目前常用的措施是在變電站上方安裝低功率熱像儀以監(jiān)測(cè)設(shè)備,利用熱像儀采集熱信號(hào),并進(jìn)行狀態(tài)監(jiān)測(cè)分析,而數(shù)據(jù)分析方法的性能對(duì)設(shè)備狀態(tài)的準(zhǔn)確獲取至關(guān)重要。

紅外圖像處理通過數(shù)據(jù)處理獲得表征設(shè)備運(yùn)行狀態(tài)的特征量,并利用自適應(yīng)神經(jīng)模糊推理系統(tǒng)、深度學(xué)習(xí)等方法實(shí)現(xiàn)設(shè)備狀態(tài)的分類或識(shí)別[6]。文獻(xiàn)[7]針對(duì)傳統(tǒng)方法在變電站設(shè)備故障修復(fù)、被動(dòng)維護(hù)以及預(yù)防性維護(hù)方面的劣勢(shì),深入分析了設(shè)備故障的典型案例,提出了一種有效的電網(wǎng)設(shè)備監(jiān)測(cè)維護(hù)策略,提高了智能主站對(duì)電網(wǎng)設(shè)備安全監(jiān)控的能力,進(jìn)一步保障了電網(wǎng)安全穩(wěn)定性。文獻(xiàn)[8]提出了基于核主成分分析模型(Kernel principal component analysis,KPCA)的在線油色譜裝置異常狀態(tài)快速識(shí)別方法,根據(jù)Hotelling-T2及Squared Prediction Error統(tǒng)計(jì)量快速識(shí)別異常數(shù)據(jù),結(jié)合數(shù)據(jù)特征即可實(shí)現(xiàn)在線監(jiān)測(cè)裝置工作狀態(tài)的快速辨識(shí)。實(shí)際測(cè)試結(jié)果顯示,所提方法能準(zhǔn)確判斷在線監(jiān)測(cè)裝置的工作狀態(tài),對(duì)故障情況作出預(yù)警。文獻(xiàn)[9]針對(duì)變電站典型的網(wǎng)絡(luò)攻擊和流量異常,對(duì)變電站站控層網(wǎng)絡(luò)流量行為特性進(jìn)行了分析,提出另一種分形自回歸積分滑動(dòng)平均(Fractional autoregressive integrated moving average,F(xiàn)ARIMA)的網(wǎng)絡(luò)流量閾值模型,計(jì)算了典型網(wǎng)絡(luò)異常概率,從而實(shí)現(xiàn)了變電站在網(wǎng)絡(luò)攻擊情形下的安全態(tài)勢(shì)評(píng)價(jià)。但現(xiàn)有研究大多側(cè)重于二次設(shè)備、輸電線路等設(shè)備,對(duì)站內(nèi)其他設(shè)備的研究相對(duì)較少,且缺乏對(duì)復(fù)雜環(huán)境下設(shè)備狀態(tài)的分析,實(shí)用性有待加強(qiáng)。

為此,提出一種基于智能感知與深度學(xué)習(xí)的智能變電站設(shè)備狀態(tài)監(jiān)測(cè)方法,以實(shí)現(xiàn)站內(nèi)復(fù)雜環(huán)境下設(shè)備狀態(tài)的實(shí)時(shí)檢測(cè)。

2 基于熱像圖的變電站設(shè)備狀態(tài)檢測(cè)系統(tǒng)

變電站監(jiān)控系統(tǒng)架構(gòu)如圖1所示。圖中展示的是一個(gè)110/11 kV變電站,并在站內(nèi)四個(gè)角落距離地面8 m的高度安裝了熱像儀,此熱像儀能夠在水平和垂直面上圍繞中心旋轉(zhuǎn)360°,以確保變電站設(shè)備的全方位檢測(cè)。熱像儀能夠持續(xù)捕捉設(shè)備的熱像,而獲取的圖像會(huì)被傳送至安裝在變電站內(nèi)的遠(yuǎn)程終端單元(Remote terminal unit,RTU),并在RTU內(nèi)使用數(shù)字圖像處理技術(shù)作進(jìn)一步的分析。

圖1 變電站監(jiān)控系統(tǒng)示意圖

采用圖像處理方法從每幅圖像中提取加速魯棒特征(Speeded-up robust features,SURF),并在像素強(qiáng)度(即設(shè)備溫度)超過閾值時(shí)檢測(cè)出臨界故障狀態(tài)。一旦像素強(qiáng)度的增加明確了故障的發(fā)生,有關(guān)此類設(shè)備狀況的關(guān)鍵信息會(huì)通過調(diào)制解調(diào)器即時(shí)發(fā)送到變電站監(jiān)控中心(Substation monitoring control center,SMCC),工作人員根據(jù)故障狀態(tài)的嚴(yán)重程度采取適當(dāng)?shù)拇胧K岱椒ㄌ岣吡酥悄茏冸娬镜目煽啃?,并降低因設(shè)備故障和停電而造成的經(jīng)濟(jì)損失。

3 基于智能感知與深度學(xué)習(xí)的變電站設(shè)備狀態(tài)檢測(cè)方法

基于智能感知與深度學(xué)習(xí)的智能變電站設(shè)備狀態(tài)檢測(cè)方法在利用熱像儀獲得設(shè)備圖像的基礎(chǔ)上,采用深度學(xué)習(xí)對(duì)圖像特征進(jìn)行分類,根據(jù)分類結(jié)果了解設(shè)備狀態(tài),以采取相應(yīng)措施。所提方法的流程如圖2所示。

步驟1:熱像儀同時(shí)采集設(shè)備的實(shí)時(shí)熱像和原始彩色圖像,并應(yīng)用光學(xué)識(shí)別方法,找出圖像中的最高和最低溫度。

步驟2:計(jì)算行和列像素強(qiáng)度,檢查強(qiáng)度是否超過設(shè)備的原始閾值,將大于閾值的像素轉(zhuǎn)換為白色,剩余像素轉(zhuǎn)換為黑色。

步驟3:應(yīng)用中值濾波和侵蝕技術(shù),得到以矩形盒為界的可能斷層區(qū)域,并根據(jù)方框裁剪圖像,提取裁剪圖像的表面。

圖2 顯示上述算法的流程圖及詳細(xì)步驟

步驟4:通過訓(xùn)練好的深度學(xué)習(xí)模型,對(duì)提取的SURF進(jìn)行高級(jí)閾值處理,以區(qū)分臨界和微小故障。如果檢測(cè)到嚴(yán)重故障,則在熱像上用矩形框標(biāo)記,并重疊到原始彩色圖像上,然后將必要的信息連同圖像一起發(fā)送到SMCC。

步驟5:如果未檢測(cè)到故障或檢測(cè)到微小故障,則從步驟1開始迭代過程。

3.1 RTU熱圖像處理

在RTU內(nèi),利用數(shù)字圖像處理技術(shù)分析熱像儀獲得的圖像。首先,應(yīng)用光學(xué)識(shí)別方法計(jì)算圖像中的最高和最低溫度,然后應(yīng)用中值濾波和侵蝕技術(shù),得到溫度(臨界故障)可能升高的興趣區(qū)域(Region of interest,ROI),該區(qū)域設(shè)置成矩形盒[10]。熱圖像沿著ROI的邊緣裁剪,從裁剪后的圖像中提取五種不同的表面。

處理RTU的熱圖像時(shí),首先通過光學(xué)識(shí)別功能獲得設(shè)備的閾值溫度,從而求出熱圖像的原始閾值像素強(qiáng)度,且大于閾值的像素強(qiáng)度被轉(zhuǎn)換為白色,剩余像素則被轉(zhuǎn)換為黑色。然后利用中值濾波技術(shù)對(duì)圖像進(jìn)行降噪處理。中值濾波器考慮圖像中的像素,并將其與鄰近像素進(jìn)行比較,以檢查其是否代表周圍像素。然后用相鄰像素值的中值替換每個(gè)像素值。

侵蝕技術(shù)應(yīng)用于中值濾波后得到的具有低噪聲的圖像,通過侵蝕具有白色像素區(qū)域的邊界以獲取包圍可能故障區(qū)域的矩形盒。該技術(shù)使用兩個(gè)數(shù)據(jù)集作為輸入,一個(gè)數(shù)據(jù)集是被侵蝕的圖像,另一個(gè)是指定侵蝕影響輸入圖像精度的坐標(biāo)點(diǎn)集。

3.2 SURF

所提方法基于Matlab對(duì)應(yīng)用中值濾波和侵蝕技術(shù)得到的圖像進(jìn)行裁剪,從具有較高臨界潛在故障概率的圖像中提取出SURF,并將圖像特征輸入經(jīng)過訓(xùn)練的深度學(xué)習(xí)分類器,以獲得設(shè)備狀態(tài)。

SURF是一種特征檢測(cè)器,可用于檢測(cè)物體的識(shí)別、排列或三維再現(xiàn),并通過使用預(yù)先配置基本圖片的三個(gè)整數(shù)運(yùn)算進(jìn)行圖像處理[11]。SURF描述子用于發(fā)現(xiàn)和感知物體,由個(gè)體再現(xiàn)三維場(chǎng)景,集中追蹤物體。其中興趣點(diǎn)檢測(cè)和尺度表示如下。

(1) 興趣點(diǎn)檢測(cè)。SURF使用方形濾波器進(jìn)行高斯平滑的估計(jì),其特征是

式中,W(i,j)為圖像中的點(diǎn)坐標(biāo)。利用不可替代的圖像可以快速地對(duì)矩形內(nèi)主圖像進(jìn)行求和。

該特征利用Hessian矩陣的blob標(biāo)識(shí)符識(shí)別關(guān)鍵點(diǎn),SURF沒有使用Hessian-Laplacian定位器,而是使用Hessian的行列式選擇比例尺,由Lindeberg完成定位。假設(shè)圖W中的點(diǎn)P= (x,y)具有標(biāo)度ω和點(diǎn)P的Hessian矩陣H(P,ω)的特征是

式中,Lxx(P,ω)等為灰度圖中的二階導(dǎo)數(shù)。

(2) 比例尺空間表示和興趣點(diǎn)區(qū)域。興趣點(diǎn)可以在不同的比例尺空間中找出。在不同的特征檢測(cè)算法中,維度的面積通??煽闯梢粋€(gè)圖像金字 塔[12]。SURF利用高斯濾波器對(duì)圖像區(qū)域進(jìn)行多次平滑處理,然后對(duì)其進(jìn)行采樣,以得到金字塔的更高層次,即興趣點(diǎn)區(qū)域。

3.3 深度學(xué)習(xí)

相較于淺層機(jī)器學(xué)習(xí)模型存在過度依賴人工經(jīng)驗(yàn)、特征選取等問題,并且模型分析準(zhǔn)確度較低,深度學(xué)習(xí)通過構(gòu)建具備多個(gè)隱藏層的機(jī)器學(xué)習(xí)模型和大量數(shù)據(jù)學(xué)習(xí)更有效的特征,克服了淺層機(jī)器學(xué)習(xí)模型的不足[13-15]。卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural network,CNN)是目前在廣泛應(yīng)用的一種深度學(xué)習(xí)模型,而所提方法基于CNN 完成變電站設(shè)備紅外圖像的分類,以識(shí)別其設(shè)備狀態(tài)。

CNN由輸入層、卷積層、激勵(lì)層、池化層、全連接層和輸出層組成[16],如圖3所示。

由于在圖像分類領(lǐng)域中模型包括大量結(jié)構(gòu)高度復(fù)雜的網(wǎng)絡(luò),易增加過度擬合的風(fēng)險(xiǎn),因此所提方法采用規(guī)模相對(duì)較小的一種CNN[17]。其中卷積層使用卷積核對(duì)輸入的圖像或上一層輸出作卷積運(yùn)算,獲得一個(gè)特征圖。一個(gè)卷積核能夠通過卷積運(yùn)算得到多個(gè)特征圖,則第l卷積層j個(gè)特征圖表示為

式中,Mj為特征圖集;為卷積核;為偏置量;?為卷積運(yùn)算;f(x)為激活函數(shù)。

圖3 CNN結(jié)構(gòu)

激勵(lì)層采用線性整流激活函數(shù);池化層采用最大池化方法,即將顏色一致的區(qū)域看成一個(gè)池化區(qū)域,區(qū)域內(nèi)的最大值則是輸出值,以此重組特征圖;全連接層綜合經(jīng)卷積和池化后得到的特征,以及將其送至分類器。

3.4 模型訓(xùn)練

CNN 的訓(xùn)練過程即參數(shù)更新過程依然遵循誤差反向傳播思想,常用的算法為梯度下降法,所提方法中采用隨機(jī)梯度下降法(Stochastic gradient descent,SGD)訓(xùn)練網(wǎng)絡(luò)模型。

SGD方法構(gòu)造的誤差函數(shù)e為

式中,m為輸出層神經(jīng)元的個(gè)數(shù);yj為輸出值;tj為標(biāo)準(zhǔn)值。

4 試驗(yàn)結(jié)果與分析

試驗(yàn)中,深度學(xué)習(xí)模型使用Python語言基于開源深度學(xué)習(xí)庫(kù)Tensorflow搭建,在圖像特征提取部分使用了著名的開源圖像處理庫(kù)OpenCV。全部試驗(yàn)在Ubuntu 14.04.5環(huán)境中進(jìn)行。硬件配置上,使用一臺(tái)32 GB的計(jì)算機(jī),并借助一塊NVIDIA 2080Ti GPU以加速網(wǎng)絡(luò)的訓(xùn)練過程。

通過三個(gè)不同的案例論證所提方法的有效性,其中案例包括:① 電壓互感器連接用輸電線路抽頭部分臨界電位的故障檢測(cè);② 斷路器連接部分臨界電位的故障檢測(cè);③ 線路絕緣體臨界電位的故障 檢測(cè)。

利用熱像儀,從安裝在變電站(110 kV/11 kV)的RTU處獲得了四組原始彩色圖像,如圖4所示。將智能變電站內(nèi)拍攝的圖像作為訓(xùn)練樣本,并且為了擴(kuò)大樣本,通過旋轉(zhuǎn)、偏移等方式進(jìn)行圖像增強(qiáng)。其中選取絕緣子、斷路器、電壓互感器抽頭各2 000 張、共6 000張照片作為測(cè)試樣本。

圖4 RTU原始彩色圖像

為了對(duì)所提方法的性能進(jìn)行評(píng)價(jià),采用準(zhǔn)確率和召回率兩個(gè)指標(biāo),其中準(zhǔn)確率P和召回率R分別為

式中,TP為劃分準(zhǔn)確的樣本數(shù)量;FP為其他類別錯(cuò)誤劃分為本類別的樣本數(shù)量;FN為本類別錯(cuò)誤劃分為其他類別的樣本數(shù)量。

4.1 CNN網(wǎng)絡(luò)結(jié)構(gòu)分析

CNN的結(jié)構(gòu)可根據(jù)實(shí)際應(yīng)用需要?jiǎng)討B(tài)調(diào)整卷積層、激勵(lì)層和池化層數(shù)量,不同的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)智能變電站設(shè)備狀態(tài)檢測(cè)的性能均有一定的影響。采用準(zhǔn)確率與檢測(cè)時(shí)間兩個(gè)指標(biāo)進(jìn)行評(píng)估,結(jié)果如表1所示。

表1 不同網(wǎng)絡(luò)結(jié)構(gòu)下檢測(cè)方法的準(zhǔn)確率與執(zhí)行時(shí)間

從表1中可以看出,卷積層數(shù)越多,深度學(xué)習(xí)網(wǎng)絡(luò)架構(gòu)越復(fù)雜,所得到的檢測(cè)準(zhǔn)確度越高,但復(fù)雜的學(xué)習(xí)過程導(dǎo)致執(zhí)行時(shí)間較長(zhǎng),能耗較大。而3層卷積與2層池化的結(jié)構(gòu),其執(zhí)行時(shí)間較短,但模型太過簡(jiǎn)單,學(xué)習(xí)準(zhǔn)確度不夠。因此,選擇5層卷積與3層全連接時(shí)的檢測(cè)效果最佳。

4.2 變電站設(shè)備狀態(tài)檢測(cè)結(jié)果

在RTU處從熱像儀讀取的用于各個(gè)案例研究的圖像,經(jīng)過SURF特征提取,以及CNN分類辨識(shí),變電站設(shè)備狀態(tài)檢測(cè)結(jié)果如圖5所示。

圖5 案例分析結(jié)果

從圖5中可看出,經(jīng)SURF特征提取能夠大致判定故障區(qū)域,將圖像特征輸入CNN模型中,可以進(jìn)一步縮小故障范圍,從圖像中便可直觀準(zhǔn)確地掌握設(shè)備狀態(tài)。

同時(shí),采用選取的指標(biāo)對(duì)所得到的結(jié)果作定量分析,結(jié)果如表2所示。

表2 三個(gè)案例下檢測(cè)方法的準(zhǔn)確率和召回率

從表2可看出,所提方法在準(zhǔn)確率和召回率方面均表現(xiàn)出良好的性能,尤其是對(duì)于短路器等較大設(shè)備,性能更佳。綜合上述圖表可論證,在三個(gè)案例中,所提方法是有效的,能夠準(zhǔn)確檢測(cè)變電站內(nèi)設(shè)備狀態(tài),并且對(duì)于站內(nèi)其他設(shè)備也具備高精度的檢測(cè)水平,適用于智能變電站設(shè)備的實(shí)時(shí)狀態(tài)檢測(cè)。

4.3 與其他方法的對(duì)比分析

為了進(jìn)一步論證所提方法的優(yōu)越性,將其與文獻(xiàn)[7-9]中方法進(jìn)行對(duì)比論證,準(zhǔn)確率和檢測(cè)速度的結(jié)果如圖6所示。

圖6 準(zhǔn)確率和檢測(cè)速度的對(duì)比結(jié)果

從圖6可看出,使用所提方法對(duì)目標(biāo)設(shè)備進(jìn)行檢測(cè),在準(zhǔn)確率和檢測(cè)速度上都優(yōu)于其他方法。文獻(xiàn)[9]利用卷積神經(jīng)網(wǎng)絡(luò)提取絕緣子特征的檢測(cè)性能也明顯優(yōu)于其他兩種方法,由于所提方法采用SURF提取圖像特征,因此檢測(cè)結(jié)果更加精確。卷積網(wǎng)絡(luò)能夠通過學(xué)習(xí)獲取適用于目標(biāo)檢測(cè)顏色、紋理等特征,文獻(xiàn)[8]僅采用一種特征,其算法表達(dá)性能較卷積網(wǎng)絡(luò)較差。文獻(xiàn)[7]利用灰度共生矩陣實(shí)現(xiàn)圖像邊緣紋理特征的提取,由于不同的設(shè)備需要構(gòu)建不同的特征向量,其應(yīng)用效果不理想,因此檢測(cè)性能較差。此外,所提方法在SURF獲取圖像特征的基礎(chǔ)上利用CNN對(duì)設(shè)備狀態(tài)進(jìn)行分類,加快了檢測(cè)速度。

5 結(jié)論

為了滿足智能變電站智能化、可靠性的需求,以及提高設(shè)備狀態(tài)檢測(cè)的準(zhǔn)確率,提出了一種基于智能感知與深度學(xué)習(xí)的智能變電站設(shè)備狀態(tài)檢測(cè) 方法。

(1) 為了降低變電站的運(yùn)維成本,所提方法采用低功率的熱像儀采集設(shè)備圖像,并且持續(xù)監(jiān)測(cè)提升了檢測(cè)系統(tǒng)的可靠性。

(2) 所提方法采用中值濾波和侵蝕技術(shù)對(duì)設(shè)備熱圖像進(jìn)行預(yù)處理,然后利用加速魯棒特征法初步提取圖像特征,加快了檢測(cè)速率。

(3) 由于現(xiàn)有方法的設(shè)備狀態(tài)檢測(cè)率不高,所提方法采用深度學(xué)習(xí)-卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)設(shè)備圖像特征進(jìn)行分類,以檢測(cè)出設(shè)備微小故障,很大程度上提高了檢測(cè)準(zhǔn)確率。

猜你喜歡
像素卷積變電站
趙運(yùn)哲作品
藝術(shù)家(2023年8期)2023-11-02 02:05:28
像素前線之“幻影”2000
基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
“像素”仙人掌
從濾波器理解卷積
電子制作(2019年11期)2019-07-04 00:34:38
關(guān)于變電站五防閉鎖裝置的探討
電子制作(2018年8期)2018-06-26 06:43:34
基于傅里葉域卷積表示的目標(biāo)跟蹤算法
超高壓變電站運(yùn)行管理模式探討
電子制作(2017年8期)2017-06-05 09:36:15
220kV戶外變電站接地網(wǎng)的實(shí)用設(shè)計(jì)
高像素不是全部
CHIP新電腦(2016年3期)2016-03-10 14:22:03
阜平县| 汨罗市| 鹤庆县| 南开区| 孝感市| 本溪| 嵩明县| 南靖县| 曲松县| 阿拉善盟| 伊通| 祁门县| 福鼎市| 封丘县| 汉寿县| 濮阳市| 屏南县| 陈巴尔虎旗| 普兰店市| 图木舒克市| 唐海县| 万山特区| 祁阳县| 宁武县| 镇安县| 五莲县| 桃园县| 抚远县| 平乐县| 巴彦淖尔市| 永嘉县| 余庆县| 安新县| 偃师市| 个旧市| 中阳县| 东阿县| 嘉鱼县| 汨罗市| 仙居县| 阿城市|