基于机器视觉的智慧变电站运行状态监测方法

李金鑫 王大力 邹 胤 董泽强 陈家辉

（贵州电网有限责任公司遵义供电局）

0 引言

当下，随着城市化进程的快速推进，能源需求不断增加。特别是在中国这样的新兴经济体中，城市化进程更为迅猛。城市化带来了巨大的电力需求，要保证供电的可靠性和稳定性，电网系统必须不断扩大和升级。为了满足这种需求，变电站的规模数量迅速扩大［1］。然而，传统的变电站监测方法存在许多问题和挑战。首先，传统监测手段主要依靠巡视和定期检修，无法实现对设备运行状态进行连续、实时的监测。其次，传统监测方式通常需要人工操作，不仅效率低下，而且存在安全隐患。此外，传统监测方法还面临着数据获取困难、数据处理复杂以及无法准确预测故障等问题。为了解决这些问题，智慧变电站运行状态监测方法逐渐兴起，以及时发现故障和异常。为此，相关领域研究人员展开了研究。

王博等人［2］提出智能变电站机械状态自动监测方法。采集机械状态下振动信号；通过小波阈值滤除信号噪声，再对信号进行特征提取，最后构建状态实时监测模型，完成状态监测。该方法监测速度较快，但误差较高，监测效果较差。因此，为提高智慧变电站运行状态监测效果，为人员提供及时的故障诊断和安全预警，提出基于机器视觉的智慧变电站运行状态监测方法研究。

1 智慧变电站运行状态采集及预处理

机器视觉是一种利用摄像机和计算机视觉算法结合，实现对图像或视频数据进行分析、处理的技术。机器视觉可以快速采集和处理大量的图像数据，并进行实时监测，及时发现运行中潜在的异常状况。其无需物理接触被监测的设备或场景，降低了人员操作风险，提高了监测的安全性与可靠性。为实现后续的智慧变电站运行状态监测，展开智慧变电站运行状态采集。

选择高分辨率的工业级摄像机采集图像，该相机需具备良好的防尘防水性能，能够适应变电站复杂的光照条件。通过安装多个摄像头覆盖不同的设备和角度，以获取多视角的图像数据，获取变电站的全面信息。同时，选择高速硬盘阵列的数据存储设备，确保对大量采集的图像进行稳定和可靠的存储。并通过以太网连接摄像机，使用协议如TCP/ⅠP来传输图像数据，支持实时监测。为提高后续监测的准确性，需提高图像质量，接下来进行图像的预处理操作。

首先，进行图像滤波操作，以消除噪声成分［3］。假设f（x，y）表示原图像，g（x，y）表示处理后的图像，采用线性滤波器实现去噪处理，其原理如下图1所示。

图1 线性滤波示意图

f（x，y）原始图像与正方形掩膜h（x，y）进行卷积生成图像g（x，y），即图像g（x，y）中红色标记的像素是根据图像f（x，y）绿色标记的像素与掩膜h（x，y）计算得到的。由此，滤波系数可由下述公式（1）获得：

基于所获得的滤波系数，完成对图像的滤波处理。利用式（2）可完成原始图像f（x，y）到滤波处理图像g（x，y）的转换。其公式表达式如下所示：

为了使滤波后的图像有更自然的平滑效果，实现图像的增强，可以通过改变掩膜的权重值大小来修正滤波处理造成的图像模糊。一种有效的权重分配思想是根据像素点与掩膜中心点的距离来分配权重，使得滤波权重的值与像素点和掩膜中心的距离成反比，即距离掩膜中心越远，滤波权重值越小，基于这种权重值分配的滤波方法可以保证图像中心点的像素值与其距离相近的位置的像素值接近，从而减小了均值滤波处理后图像的模糊效应。这种像素点与掩膜中心距离相关的滤波掩膜称为高斯掩膜，以高斯掩膜滤波的方式就是高斯滤波。高斯滤波根据二维高斯函数对滤波权重值进行分配，由此任意大小的高斯掩膜均可通过一个奇数尺寸的矩阵w来表示，式（3）为标准高斯滤波掩膜，式中k为非负整数。

式中，σ2表示方差。

综上，可获得增强后的图像，其表示如下：

2 智慧变电站运行状态监测特征提取

在处理图像的过程中，应保留图像中有用的像素点，其余进行剔除，以提高后续处理的效率。一种简单的处理思想是选择一个可以起到临界区分作用的像素值，将图像中的每个像素值与该临界像素值做比较，按照像素值对比的大小将结果分为两类。图像阈值化处理方法就是按照这种思想提出的一种方法，该方法是一种基于灰度图像的处理方法，所选择的起到区分作用的像素值称为阈值，该方法可以将一幅灰度图像转换为一幅仅含两类易于区分的颜色的图像。一般情况下阈值化将图像转换为一幅非黑即白的图像，图像阈值化处理方法又叫灰度阈值变换或二值化。式（5）是阈值化的数学公式，其中S(x，y)表示处理后的图像，Td表示所选的阈值，MaxValue和MinValue是二值化后的两类像素值，当MaxValue和MinValue的值分别为255和0时的图像阈值操作也称为图像的二值化操作，对图像进行阈值化处理，能快速的提取出图像的感兴趣特征，则其表示如下：

由此，实现图像的感兴趣特征提取。

3 智慧变电站运行状态监测的实现

支持向量机具有较强的泛化能力和非线性分类能力，与传统的线性分类器相比，SVM可以更好地处理非线性数据，并通过核函数的选择将样本映射到高维空间来实现更复杂的分类决策。为提高支持向量机的分类性能，确保监测结果的准确性，采用灰狼优化算法搜索最优的SVM参数组合，找到更合适的参数配置，提高SVM模型的性能。首先收集智慧变电站运行中所出现的故障状态数据，通过此数据来训练支持向量机，在训练阶段，SVM会基于已标记（有类别标签）的训练样本学习如何进行分类，SVM分类模型表示如下：

式中，C为惩罚因子，K(x，xi)为高斯径向基核函数，b为偏置，l为待识别图像数量，sign(∙)为符号函数，Yi为训练数据样本的类别标签。

其中K(x，xi)和C的取值会对分类模型的结果产生较大的影响，为提高监测结果的准确性，接下来将采用灰狼优化算法展开对SVM分类模型参数的寻优，以找到更合适的参数配置，提高SVM模型的性能。其寻优的具体实现步骤描述如下：

（1）确定参数空间随机初始种群α、β和δ的位置，如下所示：

（2）更新灰狼位置，表示如下：

式中，Xα、Xβ、Xδ分别为α、β和δ的位置。

（3）灰狼优化算法在迭代过程中，易陷入局部最优解，降低定位准确度。为此，采用莱维飞行来实现对灰狼优化算法的改进。在利用改进后的灰狼优化算法时，计算狼群的参数向量A模的值，根据比较结果得到最优值，当∣A∣≥0.5时更新灰狼位置，则更新公式为：

式中，⊕为点对点乘法；l为控制步长权重；Levi(.)为莱维分布随机搜索路径。

（4）寻优过程中将交叉验证函数作为适应度函数，其表示如下：

式中，s为随机整数，M为最大迭代次数，n为当前迭代次数，best表示最佳适应度，avg表示平均适应度。

（5）计算各位置的适应度值，若更新后位置的适应度值小于上一位置的适应度值，则输出寻优后的结果，若大于则返回步骤（3）。

综上，完成对核函数K和惩罚因子C的寻优，将寻优后的结果代回到公式（6）中，实现对智慧变电站运行状态的监测。

4 实验测试

本章实验程序采用VisuаlC++6.0软件在Windows平台下编写，设核函数K(x，xi)和惩罚因子C的搜索范围分别为[2-2，24]和[2-4，24]，种群数量为20，最大迭代数为100次。实验中采集100张智慧变电站运行状态的图像进行测试，随机选取35幅图像用作测试。为实现对所提方法有效性的验证，将其与文献［2］中的方法展开对比测试，将测试误差作为指标来衡量两种方法对智慧变电站运行状态监测的准确性，其测试结果如下表1所示。

表1 监测误差测试结果

由表1所得的测试结果可知，采用所提方法进行智慧变电站运行状态监测，其监测误差始终低于0.3，而采用文献［2］方法进行智慧变电站运行状态监测，其监测误差始终在0.5以上。对比两种方法所得结果可知，所提方法监测误差更低，监测更加准确。由此说明，采用所提方法对智慧变电站运行状态监测，具有更高的监测效果。

5 结束语

为解决传统监测手段无法准确监测变电站运行状态故障等问题，提出基于机器视觉的智慧变电站运行状态监测方法。首先采用高分辨率的工业级摄像机采集图像，并利用线性滤波处理方法进行去噪，为进一步提高处理后的图像质量，通过改变掩膜的权重值大小来修正滤波处理造成的图像模糊，使处理后的图像有更自然的平滑效果，实现图像的增强。其次，利用二值化快速提取出图像的感兴趣特征。最后，采用支持向量机来实现对智慧变电站运行状态图像的分类，为提高分类准确性，采用灰狼优化算法搜索最优的SVM参数组合，找到更合适的参数配置，提高SVM模型的性能，实现智慧变电站运行状态监测。实验结果表明，所提方法监测误差可控制在0.3以下，监测准确性较高，具有较好的监测效果，可以为人员提供即时的精准的故障诊断和安全预警。