用于描述电力设备图像特征的通用数据建模

张秋雁，代湘蓉，李鹏程，吴才远，王蓝苓，张 驰，张海永，钱 威

(1.贵州电网有限责任公司电力科学研究院，贵阳 550002；2.贵州电网有限责任公司，贵阳 550001； 3.南京太司德智能电气有限公司，南京 211000)

0 引 言

随着电网规模的不断扩大，电网接入设备种类和数量庞大，基于语音识别、图像深度学习及图像识别等人工智能技术的智能巡检设备在电力运维中日益普及，如高压线路巡检无人机、变电站室外巡检机器人、变电站10 kV室内轨道巡检机器人、AR智能穿戴巡检设备等[1-5]。

目前，电力智能巡检设备会对电力系统的重要一次、二次设备进行定期巡检，在巡检过程中采集电力设备图片进行故障识别诊断[6-7]。对于巡检采集获得的大量电力设备图片，各厂家智能巡检设备的处理方式不同。部分智能巡检设备在本地直接进行图像识别检测，不保存巡检图片；另一部分智能巡检设备将巡检图片暂存到巡检后台系统，但也无法永久存储图片(后台服务器硬盘空间限制，需要定期清理旧图片)。因此，大量电力设备图像数据无法有效保存记录下来，造成了历史巡检运维图像数据的浪费。

同时，电科院等检测部门对机器视觉类智能终端的检测比较笼统，没有统一的规范标准，无法实现数据量化的视觉功能及精度检测。例如，变电站巡检机器人在检测过程中，需要让机器人巡检某个10 kV开关柜，识别出开关位置指示灯、故障指示灯等信息。即使机器人的图像识别算法的目标预测值设置的门槛值比较低，机器人也能识别出目标信息，但检测人员无法得知该巡检机器人对这些目标识别的预测值是多少，无法对其精度做出评判，无法对机器人的图像识别优化提出要求。

针对电力设备的图像特征数据愈发重要，而电力设备的图像信息存在难以保存的问题，电力行业需要一种用于描述电力设备图像特征的通用数据模型。本文根据图像识别技术的特点和电力设备外观的统一性，提出对电力设备图像特征数据模型的设计要求，规定数据模型的结构和覆盖的电力设备范围。以用电信息采集系统集中器设备为例，通过图像特征数据建模的实例化，以说明此数据模型的可行性。

1 数据模型的设计要求

AR穿戴设备或巡检机器人等智能设备在定期巡检的过程中会对电力设备进行图像采集，并进行图像识别，以此判断电力设备是否正常工作。图像识别技术的关键在于图像中设备特征的提取和识别[8],因此，在面对大量的巡检拍摄图片的存储问题上，应该关注这些图像素材中的特征信息。

在图像识别技术中，图像特征信息是图像素材的最重要也是最主要的信息。并且图像特征信息与图像的分辨率无关，与图像素材本身的存储大小无关，是一种可以数据化的图像属性。

针对电力设备的图像素材，其图像特征应该是能够判别该电力设备是否正常运行的数据信息，如断路器图像中的刀闸位置信息[9]、电能表图像中电源指示灯的状态信息等。

因此，所设计的电力设备图像特征的通用数据模型设计要求：

1)模型中的图像特征由能够反映电力设备运行状态的图像特征组成，对判断电力设备运行状态无效的图像不予记录；

2)以统一外观的电力设备为对象，设计的电力设备图像特征数据模型具有通用性；

3)为准确记录电力设备的运行状态，设备的图像特征属性需要尽可能的全面，需要覆盖设备的整个外观；

4)数据模型中图像特征的描述应该尽可能的简单和准确，仅使用浮点数、整数或少量的字符串，以实现大量电力设备图片素材在数据模型下的极小存储占用量。

2 通用数据模型的结构

2.1 数据模型结构

根据图像特征数据模型的设计要求，结合计量领域常用的电力设备的外观，将数据模型的结构设计为表1的形式。

该图像特征数据模型由特征属性组成，电力设备的图像特征的定义规范包括特征属性项、属性项英文名、特征数据类型和属性要求，特征属性项包括特征提取时间、设备厂家、设备型号以及设备面板上的其余信息，特征数据类型包括字符串S、浮点数F和整数I等。属性要求为该特征属性项的内容描述，例如设备型号的名称、指示灯的亮灭状态等。

对AR穿戴设备、巡检机器人等智能设备定期巡检过程中采集的大量电力设备图片进行识别，将其中的图像特征数据按上述数据格式，形成设备图像特征数据并存储起来。大量的图片在提取特征后被转换成了结构化数据，大大“压缩”了图像数据，便于存储至数据库，从而形成大容量的电力设备图像数据库，具有了统一的数据模型基础。

表1 电力设备图像特征通用数据模型

2.2 覆盖设备范围

此图像特征数据模型可以覆盖电力系统中各种主要电力设备(每种电力设备已统一外观的)，并能规范定义这些设备的图像特征。目前，可用于图像识别及特征数据建模的电力设备包括：

1) 一次领域：变压器、高压线、断路器、刀闸、开关柜、环网柜；

2)二次领域：故障指示器、配变终端FTU/DTU、线路保护装置类、主变保护装置类；

3)计量领域：电能表类、数字化仪表类、集中器类、互感器类、采集器类、电测表计。

2.3 通用数据模型的存储方式

电力设备图像特征的数据模型可以采用可扩展标记语言(Extensible Markup Language，XML)的形式进行存储。XML是一种用于标记电子文件使其具有结构性的标记语言，XML被广泛用作跨平台之间交互数据的形式，主要针对数据的内容[10-11]。所设计的描述电力设备图像特征的数据模型主要由特征属性项组成，非常适合使用XML文件的形式进行存储。

此外，此数据模型还可以采用电网行业内的电力系统数据模型描述语言E进行存储。E语言继承自电力系统公用数据模型(Common Information Madel，CIM)和XML，能够高效地描述电力系统中大部分数据模型和数据交换格式。E语言所描述的数据量越大，其效率就越高。当描述同一个100节点的数据时，E语言可比XML效率高13.6倍[12-13]。

智能巡检设备每一次任务都会拍摄大量图片素材，这些图片日积月累将形成巨大的数据信息量。因此，电力设备图像特征信息具有数量庞大的特性，使用E语言存储相较于XML更具有优势，可以更有效地处理巨大的电力设备图像特征数据。

3 设计案例

以计量领域的集中器设备为例，集中器的设备外形如图1。集中器的面板上含有大量的指示灯，从指示灯的状态可以判断集中器的某一模块是否正常工作，进而判断集中器是否存在故障以及确定故障原因。

图1 集中器设备外观图

集中器的外形及各模块功能由国家电网公司或南方电网公司企业标准统一规定(如国家电网企业标准QGDW-1375.2—2013[14])，具有普遍性。图1中的集中器为Ⅰ型集中器，主要包含显示屏、集中器指示灯模块、GPRS模块(远程通信模块)、载波通信模块、设备条形码编号和型号编号等。运行指示灯描述该集中器的运行状态，集中器面板文字信息则描述该集中器的型号和编号等设备资产信息。这些信息在正常的智能巡检过程中都需要被识别，以确定设备运行状态的准确无误。包含完整图像特征的集中器类图像特征数据模型如表2所示。

表2 集中器类图像特征数据模型

同理，可以根据高压线路、10 kV开关柜等电力设备的图像特征，形成如表2的该类设备图像特征数据模型。

4 应用效果

根据图像识别技术的特点及电力设备的统一外观特性所设计的电力设备图像特征的通用数据模型，可用以解决图像识别技术在电力行业中存在的存储困难和难以规范性检测等问题。

1)将采集后形成的电力设备图像特征进行统一规范的数据建模，是形成电力设备图像库大数据的基础，便于电力设备故障统计、提升电力设备智能识别的准确率，大幅提高电力设备运维效果，进一步保障电力系统的安全稳定运行。

2)对AR穿戴设备、巡检机器人等智能设备定期巡检过程中采集的大量电力设备图片进行识别后，将其中的图像特征数据按数据模型形成设备该次图像特征数据存储起来。大量的特征数据形成大容量图像数据库，便于后期图像运维大数据的挖掘分析。

3)支持多厂家多设备之间图像特征数据的导入导出互操作。比如A智能采集设备完成图像识别，识别出特征后以语言数据格式存储并导出；B智能设备可以导入语言规范的数据格式数据，以此进行图像检索算法的实现。这样就实现了多厂家多设备之间图像特征数据的导入导出互操作，从而促进电力行业机器视觉类产品生态圈的发展。

4)电力设备图像识别是量化的评判标准,便于电科院等相关电力检测部门进行视觉检测。检测部门可以通过图像识别后特征数据的导入导出一致性进行互操作测试，以及实现数据量化的视觉功能及精度检测(即检测人员根据待识别设备种类的特征属性，各厂家设备识别后提交数据文件对结果进行评判)。例如某电力表计具有10个图像特征，不同厂家巡检机器人对这些特性进行图像识别并输出图像特征数据模型表，检测人员根据模型表中的参数即可快速有效地辨别不同厂家巡检机器人的性能质量。

5 结 语

所设计的描述电力设备图像特征的通用数据模型将电力设备图片的特征提取转换为结构化数据，并采用XML格式存储，大大“压缩”了图像数据，方便了电力设备图像信息数据库的建立。通用数据模型具有统一性和规范性，可广泛用于不同厂家同种设备的图像数据提取，未来可作为电科院等相关电力检测部门的电力图像识别量化评判标准。