基于智能感知与深度学习的智能变电站设备 状态检测方法*

李远松 丁津津 徐 晨 高 博 汤汉松 单荣荣

(1. 国网安徽省电力有限公司电力科学研究院 合肥 230601； 2. 安徽新力电业科技咨询有限责任公司 合肥 230022； 3. 江苏凌创电气自动化股份有限公司 镇江 212009； 4. 国电南瑞科技股份有限公司 南京 211106)

1 引言

随着用电量不断增长，电力系统需要通过变电站实现输配电线路的大规模互联，以满足用户需求。一旦变电站设备故障，电网超负荷运行下容易出现异常情况，进而影响系统的稳定可靠性[1]。因此需要在变电站内配置监控设备，以实时监测站内设备状态，并在发现设备异常时上报工作人员[2]。

自20世纪70年代以来，电力系统中绝缘子故障一直是常见的设备问题，由于电力变压器、配电绝缘体等变电设备的套管绝缘失效，造成电力中断，给电网造成严重损失[3-4]。但依靠人工检查监测变电站设备的状态是一项很耗时的工作，并且很难全面地查找出设备故障。而使用热像仪监测变电站设备状态能够获取较为准确的图像，工作人员根据图像掌握设备状态以采取适当的措施。但该监测方式周期较长，而微小故障持续时间长，缺乏对其连续监测可能会导致危险的发生[5]。而目前常用的措施是在变电站上方安装低功率热像仪以监测设备，利用热像仪采集热信号，并进行状态监测分析，而数据分析方法的性能对设备状态的准确获取至关重要。

红外图像处理通过数据处理获得表征设备运行状态的特征量，并利用自适应神经模糊推理系统、深度学习等方法实现设备状态的分类或识别[6]。文献[7]针对传统方法在变电站设备故障修复、被动维护以及预防性维护方面的劣势，深入分析了设备故障的典型案例，提出了一种有效的电网设备监测维护策略，提高了智能主站对电网设备安全监控的能力，进一步保障了电网安全稳定性。文献[8]提出了基于核主成分分析模型(Kernel principal component analysis，KPCA)的在线油色谱装置异常状态快速识别方法，根据Hotelling-T2及Squared Prediction Error统计量快速识别异常数据，结合数据特征即可实现在线监测装置工作状态的快速辨识。实际测试结果显示，所提方法能准确判断在线监测装置的工作状态，对故障情况作出预警。文献[9]针对变电站典型的网络攻击和流量异常，对变电站站控层网络流量行为特性进行了分析，提出另一种分形自回归积分滑动平均(Fractional autoregressive integrated moving average，FARIMA)的网络流量阈值模型，计算了典型网络异常概率，从而实现了变电站在网络攻击情形下的安全态势评价。但现有研究大多侧重于二次设备、输电线路等设备，对站内其他设备的研究相对较少，且缺乏对复杂环境下设备状态的分析，实用性有待加强。

为此，提出一种基于智能感知与深度学习的智能变电站设备状态监测方法，以实现站内复杂环境下设备状态的实时检测。

2 基于热像图的变电站设备状态检测系统

变电站监控系统架构如图1所示。图中展示的是一个110/11 kV变电站，并在站内四个角落距离地面8 m的高度安装了热像仪，此热像仪能够在水平和垂直面上围绕中心旋转360°，以确保变电站设备的全方位检测。热像仪能够持续捕捉设备的热像，而获取的图像会被传送至安装在变电站内的远程终端单元(Remote terminal unit，RTU)，并在RTU内使用数字图像处理技术作进一步的分析。

图1 变电站监控系统示意图

采用图像处理方法从每幅图像中提取加速鲁棒特征(Speeded-up robust features，SURF)，并在像素强度(即设备温度)超过阈值时检测出临界故障状态。一旦像素强度的增加明确了故障的发生，有关此类设备状况的关键信息会通过调制解调器即时发送到变电站监控中心(Substation monitoring control center，SMCC)，工作人员根据故障状态的严重程度采取适当的措施。所提方法提高了智能变电站的可靠性，并降低因设备故障和停电而造成的经济损失。

3 基于智能感知与深度学习的变电站设备状态检测方法

基于智能感知与深度学习的智能变电站设备状态检测方法在利用热像仪获得设备图像的基础上，采用深度学习对图像特征进行分类，根据分类结果了解设备状态，以采取相应措施。所提方法的流程如图2所示。

步骤1：热像仪同时采集设备的实时热像和原始彩色图像，并应用光学识别方法，找出图像中的最高和最低温度。

步骤2：计算行和列像素强度，检查强度是否超过设备的原始阈值，将大于阈值的像素转换为白色，剩余像素转换为黑色。

步骤3：应用中值滤波和侵蚀技术，得到以矩形盒为界的可能断层区域，并根据方框裁剪图像，提取裁剪图像的表面。

图2 显示上述算法的流程图及详细步骤

步骤4：通过训练好的深度学习模型，对提取的SURF进行高级阈值处理，以区分临界和微小故障。如果检测到严重故障，则在热像上用矩形框标记，并重叠到原始彩色图像上，然后将必要的信息连同图像一起发送到SMCC。

步骤5：如果未检测到故障或检测到微小故障，则从步骤1开始迭代过程。

3.1 RTU热图像处理

在RTU内，利用数字图像处理技术分析热像仪获得的图像。首先，应用光学识别方法计算图像中的最高和最低温度，然后应用中值滤波和侵蚀技术，得到温度(临界故障)可能升高的兴趣区域(Region of interest，ROI)，该区域设置成矩形盒[10]。热图像沿着ROI的边缘裁剪，从裁剪后的图像中提取五种不同的表面。

处理RTU的热图像时，首先通过光学识别功能获得设备的阈值温度，从而求出热图像的原始阈值像素强度，且大于阈值的像素强度被转换为白色，剩余像素则被转换为黑色。然后利用中值滤波技术对图像进行降噪处理。中值滤波器考虑图像中的像素，并将其与邻近像素进行比较，以检查其是否代表周围像素。然后用相邻像素值的中值替换每个像素值。

侵蚀技术应用于中值滤波后得到的具有低噪声的图像，通过侵蚀具有白色像素区域的边界以获取包围可能故障区域的矩形盒。该技术使用两个数据集作为输入，一个数据集是被侵蚀的图像，另一个是指定侵蚀影响输入图像精度的坐标点集。

3.2 SURF

所提方法基于Matlab对应用中值滤波和侵蚀技术得到的图像进行裁剪，从具有较高临界潜在故障概率的图像中提取出SURF，并将图像特征输入经过训练的深度学习分类器，以获得设备状态。

SURF是一种特征检测器，可用于检测物体的识别、排列或三维再现，并通过使用预先配置基本图片的三个整数运算进行图像处理[11]。SURF描述子用于发现和感知物体，由个体再现三维场景，集中追踪物体。其中兴趣点检测和尺度表示如下。

(1) 兴趣点检测。SURF使用方形滤波器进行高斯平滑的估计，其特征是

式中，W(i,j)为图像中的点坐标。利用不可替代的图像可以快速地对矩形内主图像进行求和。

该特征利用Hessian矩阵的blob标识符识别关键点，SURF没有使用Hessian-Laplacian定位器，而是使用Hessian的行列式选择比例尺，由Lindeberg完成定位。假设图W中的点P= (x,y)具有标度ω和点P的Hessian矩阵H(P,ω)的特征是

式中，Lxx(P,ω)等为灰度图中的二阶导数。

(2) 比例尺空间表示和兴趣点区域。兴趣点可以在不同的比例尺空间中找出。在不同的特征检测算法中，维度的面积通常可看成一个图像金字 塔[12]。SURF利用高斯滤波器对图像区域进行多次平滑处理，然后对其进行采样，以得到金字塔的更高层次，即兴趣点区域。

3.3 深度学习

相较于浅层机器学习模型存在过度依赖人工经验、特征选取等问题，并且模型分析准确度较低，深度学习通过构建具备多个隐藏层的机器学习模型和大量数据学习更有效的特征，克服了浅层机器学习模型的不足[13-15]。卷积神经网络(Convolutional neural network，CNN)是目前在广泛应用的一种深度学习模型，而所提方法基于CNN 完成变电站设备红外图像的分类，以识别其设备状态。

CNN由输入层、卷积层、激励层、池化层、全连接层和输出层组成[16]，如图3所示。

由于在图像分类领域中模型包括大量结构高度复杂的网络，易增加过度拟合的风险，因此所提方法采用规模相对较小的一种CNN[17]。其中卷积层使用卷积核对输入的图像或上一层输出作卷积运算，获得一个特征图。一个卷积核能够通过卷积运算得到多个特征图，则第l卷积层j个特征图表示为

式中，Mj为特征图集；为卷积核；为偏置量；⊗为卷积运算；f(x)为激活函数。

图3 CNN结构

激励层采用线性整流激活函数；池化层采用最大池化方法，即将颜色一致的区域看成一个池化区域，区域内的最大值则是输出值，以此重组特征图；全连接层综合经卷积和池化后得到的特征，以及将其送至分类器。

3.4 模型训练

CNN 的训练过程即参数更新过程依然遵循误差反向传播思想，常用的算法为梯度下降法，所提方法中采用随机梯度下降法(Stochastic gradient descent，SGD)训练网络模型。

SGD方法构造的误差函数e为

式中，m为输出层神经元的个数；yj为输出值；tj为标准值。

4 试验结果与分析

试验中，深度学习模型使用Python语言基于开源深度学习库Tensorflow搭建，在图像特征提取部分使用了著名的开源图像处理库OpenCV。全部试验在Ubuntu 14.04.5环境中进行。硬件配置上，使用一台32 GB的计算机，并借助一块NVIDIA 2080Ti GPU以加速网络的训练过程。

通过三个不同的案例论证所提方法的有效性，其中案例包括：① 电压互感器连接用输电线路抽头部分临界电位的故障检测；② 断路器连接部分临界电位的故障检测；③ 线路绝缘体临界电位的故障 检测。

利用热像仪，从安装在变电站(110 kV/11 kV)的RTU处获得了四组原始彩色图像，如图4所示。将智能变电站内拍摄的图像作为训练样本，并且为了扩大样本，通过旋转、偏移等方式进行图像增强。其中选取绝缘子、断路器、电压互感器抽头各2 000 张、共6 000张照片作为测试样本。

图4 RTU原始彩色图像

为了对所提方法的性能进行评价，采用准确率和召回率两个指标，其中准确率P和召回率R分别为

式中，TP为划分准确的样本数量；FP为其他类别错误划分为本类别的样本数量；FN为本类别错误划分为其他类别的样本数量。

4.1 CNN网络结构分析

CNN的结构可根据实际应用需要动态调整卷积层、激励层和池化层数量，不同的网络结构对智能变电站设备状态检测的性能均有一定的影响。采用准确率与检测时间两个指标进行评估，结果如表1所示。

表1 不同网络结构下检测方法的准确率与执行时间

从表1中可以看出，卷积层数越多，深度学习网络架构越复杂，所得到的检测准确度越高，但复杂的学习过程导致执行时间较长，能耗较大。而3层卷积与2层池化的结构，其执行时间较短，但模型太过简单，学习准确度不够。因此，选择5层卷积与3层全连接时的检测效果最佳。

4.2 变电站设备状态检测结果

在RTU处从热像仪读取的用于各个案例研究的图像，经过SURF特征提取，以及CNN分类辨识，变电站设备状态检测结果如图5所示。

图5 案例分析结果

从图5中可看出，经SURF特征提取能够大致判定故障区域，将图像特征输入CNN模型中，可以进一步缩小故障范围，从图像中便可直观准确地掌握设备状态。

同时，采用选取的指标对所得到的结果作定量分析，结果如表2所示。

表2 三个案例下检测方法的准确率和召回率

从表2可看出，所提方法在准确率和召回率方面均表现出良好的性能，尤其是对于短路器等较大设备，性能更佳。综合上述图表可论证，在三个案例中，所提方法是有效的，能够准确检测变电站内设备状态，并且对于站内其他设备也具备高精度的检测水平，适用于智能变电站设备的实时状态检测。

4.3 与其他方法的对比分析

为了进一步论证所提方法的优越性，将其与文献[7-9]中方法进行对比论证，准确率和检测速度的结果如图6所示。

图6 准确率和检测速度的对比结果

从图6可看出，使用所提方法对目标设备进行检测，在准确率和检测速度上都优于其他方法。文献[9]利用卷积神经网络提取绝缘子特征的检测性能也明显优于其他两种方法，由于所提方法采用SURF提取图像特征，因此检测结果更加精确。卷积网络能够通过学习获取适用于目标检测颜色、纹理等特征，文献[8]仅采用一种特征，其算法表达性能较卷积网络较差。文献[7]利用灰度共生矩阵实现图像边缘纹理特征的提取，由于不同的设备需要构建不同的特征向量，其应用效果不理想，因此检测性能较差。此外，所提方法在SURF获取图像特征的基础上利用CNN对设备状态进行分类，加快了检测速度。

5 结论

为了满足智能变电站智能化、可靠性的需求，以及提高设备状态检测的准确率，提出了一种基于智能感知与深度学习的智能变电站设备状态检测 方法。

(1) 为了降低变电站的运维成本，所提方法采用低功率的热像仪采集设备图像，并且持续监测提升了检测系统的可靠性。

(2) 所提方法采用中值滤波和侵蚀技术对设备热图像进行预处理，然后利用加速鲁棒特征法初步提取图像特征，加快了检测速率。

(3) 由于现有方法的设备状态检测率不高，所提方法采用深度学习-卷积神经网络模型对设备图像特征进行分类，以检测出设备微小故障，很大程度上提高了检测准确率。