继电保护压板状态识别嵌入式智能设备的应用

2021-12-27黄日泉李新海罗海鑫廖伟全曾新雄

电力安全技术 2021年11期

关键词：压板高清嵌入式

黄日泉，周恒，李新海，罗海鑫，廖伟全，易婷，曾新雄

(广东电网有限责任公司中山供电局，广东中山 528400)

0 引言

目前,变电站运维工作中继电保护压板状态监视仍主要依靠人工定期巡检完成。随着计算机和通信技术的发展,利用智能化设备实现继电保护压板巡视的智能化具有重要意义。

1 智能化实现方案

实现继电保护压板的智能化嵌入式巡视需要解决的主要问题在于压板状态识别和信息数字化。目前有两种继电保护压板状态智能化嵌入式实现方案,一种是基于手持巡检仪的半智能化巡视,一种是远程“遥视”监测。基于手持巡检仪的半智能化巡视通过手持巡检仪与继电保护压板预先安装的固定装置进行信息交换,实现自动化采集、存储和上传压板状态信息；而远程“遥视”监测通过变电站内摄像机采集继电保护压板图像并传输到运维中心,以便运维人员观察并及时作出判断。

无论是基于手持巡检仪的半智能化巡视,还是远程“遥视”监测,都已经被应用到变电站继电保护压板巡视中。在实际应用中,基于手持巡检仪的半智能化巡视需要依赖事先安装固定装置来达到识别压板状态的目的,智能化程度不足；而远程“遥视”监测由于摄像机本身及拍摄角度限制,存在拍摄死角,导致图像的采集受到一定限制,而且遥视本身并不具备图像分析和压板状态识别等功能。

利用工业高清照相机、嵌入式单元和Mobile Net算法设计出的一种嵌入式设备,可实现对变电站继电保护压板状态的智能识别。该设备具有变焦、自动对焦功能,巡检人员可远距离任意调整角度采集图像；同时在Mobile Net算法和嵌入式AI加速芯片的支持下,继电保护压板状态识别的准确率达可达100 %,对单张继电保护压板屏柜图像中多个压板的状态识别平均耗时2400 ms左右,可有效提高变电站继电保护压板的巡视效率。

2 方案实施与测试

2.1 继电保护压板状态识别嵌入式设备

新设计的一种手持式继电保护压板状态识别嵌入式设备,由前壳体、触摸显示屏、嵌入式单元、电源模块、后壳体、固定组件、高清镜头相机和手持手柄组成。

该嵌入设备中,前、后壳体为阻燃ABS塑料外壳；触摸显示屏为5寸高清高亮高分辨率电容触摸屏,可实现多点触控；嵌入式单元搭载了ARM全新Cortex-A72架构和六核64位高性能处理器,主频高达1.8 GHz,集成四核Mali-T860 GPU,拥有强大的硬解码能力,最大可支持4 K硬解,板载模块化深度神经网络学习加速器NPU,无需外部缓存,拥有强劲算力与超高效能,同时嵌入式单元支持以太网和USB有线通信,支持WiFi和蓝牙无线通信；电源模块主要由聚合物锂电池和电压转换电路构成,具有可充电、输入过压保护、输出过压过流保护和过温保护等功能,为嵌入式单元提供一个稳定、可靠的工作电源；高清照相机具有光学防抖、可变焦和自动对焦等功能,支持WiFi通信和NFC连接功能。该设备可通过WiFi通信,控制高清照相机对继电保护压板进行拍摄,并对拍摄图像进行分析,识别出压板状态；同时可通过4G无线通信、USB接口、以太网口模块,将拍摄的压板图像和识别结果上传至服务器。

2.2 工业高清照相机

继电保护压板状态识别嵌入式设备采用分体式PixPro SL10高清照相机,设备摄像组件可方便拆卸安装。

油菜叶片是油菜最主要的生命活动场所，是直接反映油菜种类和生长状况的主要器官。油菜叶片颜色变化是进行油菜营养状况诊断的重要依据之一。近年来，随着计算机视觉技术在农作物营养诊断领域的不断应用，利用计算机视觉技术进行油菜营养诊断也不断发展[1]。但在各类应用中，由于常规方法很难去除油菜叶片图像中的叶脉部分，从而导致一般未考虑油菜叶片中的叶脉对营养诊断的影响。油菜主叶脉较大，在进行营养测定时均要去除主叶脉以免影响测定结果。因而，研究油菜叶片图像中主叶脉的去除方法具有重要意义。

工业高清照相机的选型主要考虑成像分辨率、变焦、防抖、便携、支持的通信方式等各项参数。

2.3 继电保护压板状态识别

继电保护压板状态识别嵌入式设备采用Mobile Net算法来进行识别,以下是针对该算法的说明。

2.3.1 Mobile Net网络

Mobile Net于2018年由谷歌发布,是为嵌入式和移动式深度学习应用而设计的网络,相比于传统的神经网络算法,占用资源更少、运算速度更快、准确率更高。同时,Mobile Net是基于CNN模型的算法,在嵌入式单元AI计算模块的AI加速芯片支持下,可进一步提高运算速度。

深度可分离卷积是Mobile Net的核心单元,它由两层构成：深度卷积和逐点卷积。深度卷积针对每一个输入通道用单个卷积核进行卷积,得到输入通道数的深度,然后运用逐点卷积,即应用一个简单的1×1卷积,对深度卷积中的输出进行线性结合。与传统卷积相比,深度可分离卷积减少了8～9倍的计算量。

使用中发现,深度卷积部分的卷积核很容易废掉,即卷积核参数大部分为0。因此,Mobile Net V2使用了倒转的残差结构,即在采用当时流行的残差结构的同时,在进入深度卷积前先将输入送入1×1的点卷积,把特征图的通道数“压”下来,再经过深度卷积,最后经过一个1×1的点卷积层,将特征图通道数再“扩张”回去,即先“压缩”,最后“扩张”回去。前两步的输出都采用ReLU激活函数处理,最后一步采用线性输出,可在一定程度上减少信息的丢失。

2.3.2 模型实现

(1) 图像转换。使用Python的Numpy库和Matplotlib库将拍摄的继电保护压板图像解码后,调整为规定的模型读取尺寸,再转化为三维的图像矩阵。一维、二维存放图像的空间特征,三维存放图像的颜色通道特征。

(2) 模型调用。调用深度学习算法,将图像矩阵投入神经网络,对输入矩阵在各隐藏层中进行卷积遍历、池化等操作,产生一个表示类别的一维矩阵,再使用Softmax函数将其Softmax向量化得出对应类别的概率向量,取最大概率为结果,得出对应的继电保护压板状态。

2.3.3 继电保护压板状态识别功能实现

系统环境：Linux系统；软件环境：Python3.5、Tensorflow-GPU 1.10.0。继电保护压板状态识别工作流程如图1所示。

图1 继电保护压板状态识别工作流程

2.3.4 实验测试

针对继电保护压板投入、退出、备用等3种状态进行识别测试,共采集40000张具有不同角度、不同光照条件的继电保护压板图像进行模型训练和测试,数据集随机分为训练集、验证集、测试集等3个子数据集。其中,训练集有32000张图像,验证集有4000张图像,测试集分为2个子集,分别为测试A集和测试B集,各有2000张图像。各测试指标情况见表1。

由表1可知,该嵌入式设备对继电保护压板状态识别的准确率达到100 %,平均一张图像的识别时间为2400 ms左右。