基于Mask R-CNN 的电力关键设备载波运行状态检测

杜海红，陈黎明，王冬冬，石 卓

（1.国网安徽省电力有限公司，安徽合肥 230041；2.国网阜阳供电公司，安徽阜阳 236000；3.国网合肥供电公司，安徽合肥 230061）

检测关键电力设备时，载波技术的实施不受所选应用元件的限制，只要有电线，就可以实现数据信息的传输[1]。然而电力载波信号的波动能力较强，当其波动水平超过既定数值标准时，会造成电力设备运行状态检测失准问题。为解决上述问题，有学者根据极化/去极化电流法原则，计算电容器绝缘状态下的特征参量，通过求解载波信号波动系数的方法确定赋值参量的取值区间[2]。然而该方法在提升电力设备运行状态检测准确性方面的促进作用相对较弱。

Mask R-CNN 是一个实例分割算法，其应用目的在于将所得目标检测结果分割成多个关联成分。在构建主体网络的过程中，主机元件会同时定义多个Mask R-CNN节点样本以供下级设备元件选择，由于关联网络层次之间的连接关系满足深度残差筛选原则，因此随着待测对象存储量的增大，网络主体中的信息互传关系不会发生改变[3-4]。Mask R-CNN网络体系增大了输入节点的连接个数，在协调目标对象之间信息传输关系的同时，求解Mask 指标参量的具体数值，不但能够避免数据信息文本出现过度溢出的情况，还可以更改输出节点所处的位置，节约目标数据的实际传输时长。为此，文中将该方法应用于电力关键设备载波运行状态检测中，以优化电力关键设备运行状态检测效果。

1 Mask R-CNN网络模型

检测电力关键设备载波运行状态时，Mask R-CNN网络模型负责定义具体的电力载波信号编码协议，可以根据网络空间布局形式调节Align 节点所处的连接位置，将RPN 协议进行独立处理，使得整个协议作用区域成为样本空间，以保证R-CNN 网络主体能够对载波信号进行准确提取[5-6]。完整的Mask R-CNN网络模型布局结构如图1 所示。

图1 Mask R-CNN网络模型结构图

由于Mask R-CNN 网络模型的构建以R-CNN网络主体为基础，因此Mask R-CNN 网络模型保留了R-CNN 网络主体对于载波信号的处理能力。

2 电力设备载波运行状态检测

2.1 定义小波基

在电力系统中，电力载波信号的传输行为与正弦波类似，但由于信号波段中包含了大量的振荡成分，直接检测会导致波动幅值无限扩张[7]。而小波基样本的选取则可以将信号波段中的振荡成分完全挑选出来，在保证信号样本传输完整性的同时，将赋值波动量控制在既定数值范围之内，定义式如下：

其中，χ表示正弦波动系数，c表示电力载波信号的完整度特征，Z表示振荡样本取值系数，取值区间为[1,N]，α表示电力载波信号的波动指数。小波基定义作为检测电力设备载波运行状态的关键步骤，不但可以将波段振荡成分提取出来，还可以将这些信号参量整合成数据集合的形式，从而减少主机元件提取检测样本时对波段振荡参量的二次识别次数[8]。

2.2 电力载波暂态系数

电力载波暂态系数可以分析载波信号的传输能力。在Mask R-CNN 网络模型中，由于小波基样本值始终保持不变，因此,检测主机可以根据电力载波暂态系数取值结果判断电力关键设备的实际运行状态[9-10]。设a1,a2,…,an表示n个不相等的小波基样本特征，且a1,a2,…,an均不等于0 的取值条件同时成立。

设λ表示载波信号暂态判别系数，s表示载波信号波动向量的初始赋值，ϕ表示载波传输信号的分类系数，由此得到电力载波暂态系数求解结果为：

为稳定电力载波信号在Mask R-CNN 网络模型中的传输能力，要求暂态系数取值应属于(0,1]的数值区间。

2.3 电量阻抗特征

电量阻抗特征是指电力关键设备对载波信号波动传输特性的抑制作用能力，在Mask R-CNN 网络模型中，由于电力载波暂态系数的取值区间相对较为局限，因此阻抗特征指标的计算数值越大，表示电力关键设备对载波信号波动传输特性的抑制作用能力越强[11-12]。电量阻抗特征求解表达式为：

式中，ΔG表示电力载波信号的单位输出总量，f表示信号波段划分系数，γ表示波幅导向量，φ表示波频导向量。电量阻抗特征的求解需要以电力载波暂态系数为基础，因此在定义计算表达式时，要求导向量γ、φ的取值参考波动系数等于1 时的信号传输波动特性。

2.4 连续阈值区间

连续阈值区间是一个不间断的阈值指标取值范围，在该区间内，电力载波信号的波动能力相对较弱，故而波动特征参量的取值始终等于1。在不考虑最小阈值节点、最大阈值节点的情况下，可认为连续阈值区间内的电力载波信号的波动特征取值完全相等。规定在Mask R-CNN 网络模型中，阈值节点定义系数小于零表示求解连续阈值区间时，该节点不在参考范围之内[13-14]。设Imin表示最小阈值节点定义系数，Imax表示最大阈值节点定义系数，其取值均小于0。由此，将连续阈值区间定义式表示为：

2.5 奇异值检测系数

奇异值检测系数影响电力载波信号的分布状态，在连续阈值区间内，奇异值指标的取值越大，载波信号的分布越集中。在Mask R-CNN 网络模型连接形式保持不变的情况下，奇异值检测系数求解受到阶段载波值、波段检测参量两项物理指标的直接影响[15-16]。

设E1、E2表示两个不相等的阶段载波值，且E1∈W、E2∈W的取值条件恒成立，表示载波E1与E2的平均值，若电力关键设备运行状态保持不变，则阶段载波值取值也保持不变。波段检测参量可表示为，在连续阈值区间内，系数取值恒大于自然数1。

奇异值检测系数定义式为：

式中，θ表示载波运行状态评估系数。对于电力关键设备载波运行状态的检测应以Mask R-CNN网络模型为基础，在联合小波基参量、电量阻抗特征等物理指标的同时，完成对奇异值检测系数的准确计算。根据奇异值检测系数计算结果，实现电力关键设备载波运行状态的检测。

3 实验与结果分析

实验选择LTC2943CDD-1#TRPBF 型号的电量计元件作为实验对象，将其与ADE7758ARW 逻辑器相连，置于220 V 的电压环境中，调节滑动变阻器，使得电力回路中的电流等于22.3 A。表1 所示为实验相关器件的参数情况。

表1 实验参数设置

利用Mask R-CNN 网络模型控制搭载Win 10 操作系统的检测主机，将主机元件接入电力检测回路中，闭合控制开关，所得变量记为实验组数据；将各个电力设备示数归零，断开控制开关；利用极化/去极化电流法控制实验主机，再次闭合控制开关，所得变量记为对照组数据；对比实验组、对照组变量数据，总结实验规律。

电力载波信号波动幅度用来描述电力主机对关键设备元件运行状态的检测能力。在图2 所示电量回路中，电力载波信号的波动幅度越大，表示传输信号的波动能力越强，此情况下，电力主机更难实现对关键设备元件运行状态的准确检测。

图2 电量回路

图3 反映了实验组、对照组电力载波信号波幅在正、负传输方向上的数值变化情况（时间轴上半部分表示电力载波信号在正传输方向上的波动幅值，下半部分表示电力载波信号在负传输方向上的波动幅值）。

图3 实验组波动幅值

分析图3 可知，实验组电力载波信号在正传输方向上的波幅最大值为16.7 dB，在负传输方向上的波幅最大值为15.9 dB，二者差值仅为0.8 dB。

分析图4 可知，对照组电力载波信号的传输频率与实验组一致。对照组电力载波信号在正传输方向上的波幅最大值为21.5 dB，与实验组最大值相比，增大了4.8 dB；电力载波信号在负传输方向上的波幅最大值为28.0 dB。

图4 对照组波动幅值

综合图3 和图4 可知，对照组与实验组最大值相比，增大了12.1 dB。整个实验过程中，对照组电力载波信号在正、负传输方向上的波幅差值为6.5 dB，高于实验组差值水平，即实验组方法对于电力载波信号波动传输行为的控制能力更强。

综上可知，基于Mask R-CNN 的检测方法能够有效控制电力载波信号在正、负传输方向上的波动情况，使其波幅呈现出较为对称的分布状态，且可以将波幅数值保持在较低水平。即所提方法能够更好地解决因载波信号大幅波动而造成的电力设备运行状态检测失准问题。

4 结束语

在Mask R-CNN 网络模型的基础上，电力关键设备载波运行状态检测方法重新定义了小波基向量，联合电力载波暂态系数求解电量阻抗特征，通过建立连续阈值区间的方法，确定奇异值检测系数的取值范围。实验结果表明，所提方法能够有效控制电力载波信号的波动能力，解决因载波信号大幅波动而造成的电力设备运行状态检测失准问题，对于维护电力关键设备的稳定运行起到一定的促进作用。