基于轻量化卷积神经网络的变电站高压断路器分合状态检测

摘要：变电站内的高压断路器对维护电力系统的稳定意义重大，其分合状态直接控制着高压线路和电气设备的运行工况。针对现有变电站断路器分合状态识别精度低、抗噪性弱、计算效率低等问题，提出了一种基于轻量化卷积神经网络（MobileNet）的变电站高压断路器分合状态检测方法，采集多种复杂场景下的高压断路器分合状态图像，构建检测数据集，并进行模型的训练和验证。实验结果表明，MobileNet模型在识别高压断路器“分” “合”状态时，准确率高达96.25%，精准率、召回率均显著优于SVM、朴素贝叶斯等经典的二分类模型，可为变电站断路器状态的自动化检测提供理论支持。

关键词：变电站；高压断路器；分合状态检测；轻量化卷积神经网络

中图分类号：TP391.43 文献标志码：A 文章编号：1671-0797（2024）20-0009-03

DOI：10.19514/j.cnki.cn32-1628/tm.2024.20.003

0 引言

高压断路器是变电站内一种重要的电气设备，主要用于控制和保护电力系统中的高压线路和电气设备。在电力系统正常运行条件下，高压断路器可以根据操作指令接通或断开高压电路，控制电力的输送和分配；若变电站内发生短路、过载等故障，高压断路器能即刻发出分闸指令，控制操作机构动作，使动静触头分离，迅速断开故障电路，以防故障扩大，确保电力系统和设备的安全。

高压断路器包括分合指示、气体压力、操作电源状态、机械位置指示、电流、电压等多个运行状态量，其中分合指示是监控断路器运行状态的直接手段。随着电力自动化、智能化升级，电力巡检机器人搭载高清摄像头和红外热成像仪，具备了对高压断路器分合状态进行检测的基本功能。由于不同型号的高压断路器对“分” “合”状态的标识类型不同，字体、大小、颜色、形状标准不统一，且存在年久褪色、模糊的情况，目前识别效果不佳[1]。

近年来，随着机器学习和计算机视觉技术的迅猛发展，卷积神经网络（Convolutional Neural Network，CNN）、支持向量机等主流模型已成功应用于变电站高压断路器状态识别领域。例如，文献[2]采用YOLOv4算法检测断路器的分合状态，文献[3]优化了卷积神经网络诊断高压断路器故障，文献[4]选择PCA联合支持向量机模型评估断路器工况等。轻量化卷积神经网络（MobileNet）具有强大的特征学习能力，可以从任何背景中学习到具有辨识性的文字特征，无须人为再提供特征匹配模板，具备速度快、易部署、抗噪强等优势。

鉴于此，本文研究了基于轻量化卷积神经网络的变电站高压断路器分合状态检测方法，期望在各种难易场景下的高压断路器图像中精准识别断路器的分合状态，以解决变电站断路器分合状态识别精度低等问题，为后续变电站运维全自动化操作提供理论基础。

1 基于轻量化卷积神经网络的变电站高压断路器分合状态检测模型

1.1 CNN理论

CNN是深度学习中的一种重要模型，通过模拟生物视觉系统的工作原理，利用卷积层、池化层和全连接层等基本单元，实现对图像的特征提取和分类。其中，卷积层是CNN的核心组块，包含了一系列的卷积核，通过在输入图像上滑动计算出局部区域的加权和，以实现对图像局部特征的提取。池化层用于对卷积层提取的特征图进行下采样，减小特征图的尺寸，以降低计算复杂度和防止过拟合。全连接层则是将卷积和池化层提取的特征展平，后接Softmax层输出各类别的概率分布。CNN的结构如图1所示。

1.2 轻量化卷积神经网络结构

MobileNet是专为在资源受限的终端设备上（如电力巡检机器人）高效推理而设计的一种CNN结构。相比CNN，MobileNet引入了深度可分离卷积，能显著减少模型的参数量和计算量。深度可分离卷积的原理如图2所示。

由图2可见，深度可分离卷积拆分成了深度卷积和逐点卷积。假设输入图的尺寸为DF×DF×M，深度卷积核的尺寸为DK×DK，逐点卷积核的尺寸为1×1×M×N，则深度可分离卷积的计算量和参数量如表1所示。

由表1可见，相比于CNN模型所用的普通卷积核，MobileNet采用的深度可分离卷积大幅减少了计算量和参数量，且保持了优秀的特征提取能力。

1.3 基于MobileNet的变电站高压断路器分合状态检测流程

MobileNet的主体结构以及变电站高压断路器分合状态检测流程如图3所示。

首先，使用摄像头采集高压断路器的分合状态图像，并为图像打上“分” “合”标签；其次，将采集的图像输入MobileNet模型，通过卷积层、深度可分离卷积层、池化层等进行文字特征的提取；最后，全连接层输出图像的分类值，并根据分类值确定断路器状态。

2 案例分析

2.1 案例背景

本案例以滁州市琅琊区变电站为主体，采集了不同气候、白昼黑夜、部分遮挡等各种场景下的高压断路器分合指示图像总计400张，其中223张显示为“分”，177张显示为“合”，正负样本较为均衡。随机抽取80%的图像作为MobileNet模型的训练集，其余20%作为测试集。使用one-hot编码标记图像标签，设定“合”为[1，0]，“分”为[0，1]。

2.2 评价指标

基于MobileNet的变电站高压断路器分合状态检测模型在形式上为“分” “合”的二分类模型，通过二分类混淆矩阵可计算出准确率、召回率、精准率等三类指标，计算公式如下：

准确率= （1）

召回率= （2）

精准率= （3）

式中：TP为真正类；TN为真负类；FP为假正类；FN为假负类；准确率表示识别正确的正负样本数占总样本数的比例；召回率表示所有正类样本中被正确识别为正类的比例；精准率表示所有被预测为正类的样本中实际为正类的比例。

此外，ROC曲线通过绘制召回率和假正率之间的关系曲线，可评估二分类模型性能，属于一种图形化展示方式。AUC则是ROC曲线下面积，代表了模型区分“分” “合”两种状态的能力，AUC值越接近于1，代表模型的性能越强。

假正率= （4）

2.3 实验结果

令“分”为正类，“合”为负类，图4的混淆矩阵、ROC曲线以及表2展示了基于MobileNet的变电站高压断路器分合状态检测模型在测试集上的指标。

此外，为了对比本文所建的深度网络与其他经典二分类模型在识别高压断路器分合状态上的性能，另外使用了支持向量机（SVM）、朴素贝叶斯、CNN网络对相同数据集做反复实验，获得各项评价指标，并将其结果纳入表2展示。

由表2、图4可见，在测试集上，MobileNet深度网络识别“分” “合”状态的精准率高达95.7%，召回率为97.8%，AUC高达0.975 6，这说明模型在检测“分”类样本时，误检率和漏检率均为低水平。

此外，MobileNet对两类别识别的总体准确率为96.25%，在所有检测算法中指标最优。这说明，本文所建模型具备有效区分不同场景下高压断路器分合状态的能力，能够满足电力自动化、智能化巡检的实际需求。

3 结束语

本文提出了基于轻量化卷积神经网络的变电站高压断路器分合状态检测方法，通过采集和标注多种复杂场景下的断路器图像，训练并验证模型的有效性。实验结果表明，该模型在识别高压断路器“分” “合”状态时的精准率、召回率、准确率等指标均优于其他经典的二分类模型，且轻量化的网络结构设计使得其在资源受限的电力智能化巡检设备上高效运行成为可能。

[参考文献]

[1] 李天伟.变电站智能巡检图像识别技术研究与工程实践[D].南京：东南大学，2021.

[2] 韩懈.基于深度学习的高压断路器分合状态识别方法研究[D].镇江：江苏大学，2022.

[3] 姜楠，罗林，王乔，等.结构优化深度网络的高压断路器机械故障诊断[J].辽宁石油化工大学学报，2023，43（3）：91-96.

[4] 娄杲，田行军，闫辉，等.基于知识与数据联合驱动的断路器状态评估系统研究[J].国外电子测量技术，2023，42（6）：63-69.

收稿日期：2024-05-27

作者简介：张为国（1996—），男，山东济南人，硕士，助理工程师，研究方向：光伏并网逆变器的控制策略。

王健（1997—），男，安徽滁州人，硕士，助理工程师，研究方向：微电网能量管理策略。