關鍵詞：深度學習；設備運行狀態(tài)監(jiān)測；變電所設備；人工智能

中圖分類號：TP391.41；TP18；TM63 文獻標識碼：A

0 引言

在電力系統(tǒng)中，確保變電所內開關電柜正常運行是維持電網穩(wěn)定和安全的關鍵[1]。隨著時代的進步，傳統(tǒng)的變電所設備監(jiān)測方法暴露出較大的弊端。盡管在很長一段時間里，人工巡檢和基本傳感器監(jiān)測為電力系統(tǒng)的維護與運行提供了支持，但它們也存在一些不足。人工巡檢耗時耗力，且極度依賴巡檢人員的專業(yè)技能和經驗，這不僅限制了監(jiān)測的頻率和效率，而且也增加了遺漏或誤判故障的風險。同時，雖然傳統(tǒng)傳感器提供的數(shù)據(jù)能夠反映一些設備的運行狀態(tài)，但其往往局限于特定的測點，缺乏對設備整體狀況的全面把握。更為關鍵的是，這些方法通常只能實現(xiàn)事后診斷，難以進行故障預測，導致維護響應滯后，無法有效預防故障的發(fā)生。因此，傳統(tǒng)監(jiān)測方法在保障電力系統(tǒng)高效穩(wěn)定運行方面，面臨著嚴峻的挑戰(zhàn)。對傳統(tǒng)監(jiān)測方法進行革新已成為提高電力系統(tǒng)可靠性和效率的重要途徑[2]。直線段檢測（line segment detector，LSD）算法結合深度學習技術的應用，為開關電柜狀態(tài)的監(jiān)測和分析提供了一種新的解決方案。

LSD 算法在這一過程中扮演著至關重要的角色，它能夠快速、準確地從變電所開關電柜的圖像中識別關鍵的直線信息，為后續(xù)的深度分析奠定基礎。該算法不僅可以精確定位開關電柜，還為深度學習模型分析開關狀態(tài)提供了重要的圖像數(shù)據(jù)支持。深度學習模型通過學習圖像數(shù)據(jù)集，實現(xiàn)了對開關電柜狀態(tài)的自動檢測，包括判斷開關是否處于閉合或斷開狀態(tài)，從而實現(xiàn)對電力系統(tǒng)關鍵設備的實時監(jiān)控和智能分析。

融合LSD 算法與深度學習模型的方法，不僅大幅提高了監(jiān)測的效率和準確性，還能夠通過持續(xù)的學習和優(yōu)化，對潛在故障和異常進行預測和預警。隨著研究的深入和技術的進步，將LSD 算法與深度學習結合的方法有望在電力行業(yè)中發(fā)揮更加重要的作用，推動電力系統(tǒng)監(jiān)測技術向著更高的智能化和自動化水平發(fā)展[3]。

1 基于LSD算法的開關電柜邊緣檢測

1.1 LSD 算法介紹

LSD 算法是一種高效的直線段檢測算法，旨在從圖像中自動檢測直線段。這種算法適用于需要快速、準確地識別圖像中直線結構的場景，如建筑物識別、道路檢測以及機器人導航等[4]。LSD 算法的核心思想是在不降低圖像分辨率的前提下，通過精確地評估梯度方向來檢測直線段。具體步驟如下。

（1）梯度計算：利用算法計算圖像中每個像素點的梯度強度和方向，其可以通過使用索貝爾算子或其他邊緣檢測算子來實現(xiàn)。

（2）角度量化：梯度方向被量化到一定的數(shù)量級，以降低計算復雜度。

（3）直線投票：算法將圖像中的每個像素點分配到相應的量化方向上，然后在這個方向上進行投票，以檢測可能的直線段。

（4）區(qū)域生長：在確定候選直線段的基礎上，通過區(qū)域生長的方式細化這些直線段的位置，確保準確、高效地檢測直線段。

在以上過程中，梯度強度的計算公式為：

式中，θ 為梯度方向。

1.2 基于LSD算法的開關電柜邊緣檢測流程

基于LSD算法的開關電柜邊緣檢測流程中，首先，通過對輸入的圖像進行預處理，使用LSD算法精確地識別圖像中的直線段；其次，通過篩選移除長度不符和傾斜度較大的直線段；最后，利用HSV[ 色調（hue）、飽和度（saturation）、亮度（value）] 顏色空間分析直線段周圍的顏色區(qū)域，過濾掉背景顏色不匹配的直線段。通過以上步驟有效縮小了開關邊緣判斷區(qū)域，實現(xiàn)了對開關電柜的高精度定位，從而提高了邊緣檢測的準確性，優(yōu)化了數(shù)據(jù)質量，為電柜開關狀態(tài)的準確監(jiān)測提供了堅實基礎。直線段檢測流程如圖1 所示。

2 基于深度學習的設備運行狀態(tài)監(jiān)測

深度學習通過模擬人腦的處理機制，已經在圖像識別、語音處理和自然語言理解等多個領域取得了較大的進展。其中，在對象檢測領域，YOLOv3（you only look once version 3） 以其卓越的檢測速度和準確性，成為這一技術進步的杰出代表。YOLOv3 的網絡架構采用Darknet-53 作為其特征提取的骨干網絡，該網絡含有53 個卷積層，輔以殘差連接以防止訓練過程中的梯度消失問題，保證了網絡深度和學習能力[5]。除此之外，YOLOv3 在設計時引入了以下關鍵的改進點。

（1）多尺度預測：YOLOv3 通過在網絡的多個層級添加預測分支來實現(xiàn)在3 個不同尺度上的預測，這使其能夠更有效地檢測不同大小的對象。這種方法類似于特征金字塔網絡，有利于捕捉更為細致的特征。

（2）類別預測改進：與之前版本相比，YOLOv3采用邏輯回歸來預測每個邊界框的對象類別，使得模型能夠同時處理多標簽類別，即一個物體可以同時屬于多個類別。

（3）錨框優(yōu)化：YOLOv3 通過聚類分析訓練數(shù)據(jù)集中的邊界框尺寸，選擇了9 種尺寸的錨框，并將它們分配到3 個尺度上，該方法的檢測結果更接近實際對象的形狀和尺寸，提高了檢測的準確性。

本文需要檢測的開關類別為橫向、縱向和斜向3 種情況。最終，YOLO 的損失函數(shù)可以表示為：

3 實驗結果與分析

3.1 開關電柜邊緣檢測結果

為了能夠驗證基于LSD算法的開關電柜邊緣檢測結果，本文使用霍夫直線檢測與LSD 算法檢測結果進行對比分析，兩種方法都是在Python 3.8.6環(huán)境下，利用OpenCV 庫進行比較，得到的結果如表1 所示。

由表1 數(shù)據(jù)可得，LSD算法表現(xiàn)出更高的效率。通過對檢測率、重復率、斷裂率、誤檢率和漏檢率等關鍵指標的對比分析，可以確定LSD 算法在精準定位電柜開關邊緣方面具有更優(yōu)異的性能。基于這些定量的評估結果，LSD 算法被選定為電柜開關邊緣檢測的首選方法，其大大降低了數(shù)據(jù)標注的時間。

3.2 開關運行狀態(tài)檢測結果

在使用LSD 算法生成開關狀態(tài)數(shù)據(jù)后，本文將數(shù)據(jù)分為訓練集、驗證集和測試集，所占比例分別為70%、20% 和10%。在此基礎上，使用YOLOv3算法進行開關運行狀態(tài)檢測，結果如表2 所示。

表2 中的數(shù)據(jù)顯示， 利用YOLOv3進行的開關狀態(tài)檢測研究取得了顯著成果，其準確率為98.90%，展示了YOLOv3在復雜圖像處理任務中的卓越能力。該模型被訓練以識別并分類電柜開關的不同狀態(tài)，包括開啟、關閉以及半開狀態(tài)，展現(xiàn)了其在實時檢測電力系統(tǒng)中開關狀態(tài)方面的實用性和準確性，這對于保障電力系統(tǒng)的安全運行和自動化監(jiān)控具有重要意義。

4 結語

隨著電力系統(tǒng)的發(fā)展和變電所設備的不斷革新，對設備運行狀態(tài)的準確監(jiān)測和及時預警顯得尤為重要。本文提出了融合LSD算法和深度學習技術對變電所設備運行狀態(tài)進行監(jiān)測的方法，基于LSD算法的開關電柜邊緣檢測有效提高了設備結構和細節(jié)的識別能力，同時生成的大量數(shù)據(jù)可以為后續(xù)檢測提供基礎；基于深度學習的設備運行狀態(tài)監(jiān)測則實現(xiàn)了高精度的狀態(tài)識別和預測。實驗結果顯示，結合這兩種技術可以更全面地監(jiān)測變電所設備的運行狀態(tài)。未來，更多的人工智能監(jiān)測技術有機會進一步革新電力系統(tǒng)的運維模式，實現(xiàn)更加智能化和自動化的變電所管理。