基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的變電站高壓斷路器分合狀態(tài)檢測(cè)

0引言

高壓斷路器是變電站內(nèi)一種重要的電氣設(shè)備,主要用于控制和保護(hù)電力系統(tǒng)中的高壓線路和電氣設(shè)備。在電力系統(tǒng)正常運(yùn)行條件下,高壓斷路器可以根據(jù)操作指令接通或斷開(kāi)高壓電路,控制電力的輸送和分配;若變電站內(nèi)發(fā)生短路、過(guò)載等故障,高壓斷路器能即刻發(fā)出分閘指令,控制操作機(jī)構(gòu)動(dòng)作,使動(dòng)靜觸頭分離,迅速斷開(kāi)故障電路,以防故障擴(kuò)大,確保電力系統(tǒng)和設(shè)備的安全。

高壓斷路器包括分合指示、氣體壓力、操作電源狀態(tài)、機(jī)械位置指示、電流、電壓等多個(gè)運(yùn)行狀態(tài)量,其中分合指示是監(jiān)控?cái)嗦菲鬟\(yùn)行狀態(tài)的直接手段。隨著電力自動(dòng)化、智能化升級(jí),電力巡檢機(jī)器人搭載高清攝像頭和紅外熱成像儀,具備了對(duì)高壓斷路器分合狀態(tài)進(jìn)行檢測(cè)的基本功能。由于不同型號(hào)的高壓斷路器對(duì)“分”“合”狀態(tài)的標(biāo)識(shí)類型不同,字體、大小、顏色、形狀標(biāo)準(zhǔn)不統(tǒng)一,且存在年久褪色、模糊的情況, 目前識(shí)別效果不佳^[1]。

近年來(lái),隨著機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)技術(shù)的迅猛發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)、支持向量機(jī)等主流模型已成功應(yīng)用于變電站高壓斷路器狀態(tài)識(shí)別領(lǐng)域。例如,文獻(xiàn) [2]采用 YOLOv4算法檢測(cè)斷路器的分合狀態(tài),文獻(xiàn)[3]優(yōu)化了卷積神經(jīng)網(wǎng)絡(luò)診斷高壓斷路器故障,文獻(xiàn)[4]選擇 PCA聯(lián)合支持向量機(jī)模型評(píng)估斷路器工況等。輕量化卷積神經(jīng)網(wǎng)絡(luò)(MobileNet)具有強(qiáng)大的特征學(xué)習(xí)能力,可以從任何背景中學(xué)習(xí)到具有辨識(shí)性的文字特征,無(wú)須人為再提供特征匹配模板,具備速度快、易 部署、抗噪強(qiáng)等優(yōu)勢(shì)。

鑒于此,本文研究了基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的變電站高壓斷路器分合狀態(tài)檢測(cè)方法,期望在各種難易場(chǎng)景下的高壓斷路器圖像中精準(zhǔn)識(shí)別斷路器的分合狀態(tài),以解決變電站斷路器分合狀態(tài)識(shí)別精度低等問(wèn)題,為后續(xù)變電站運(yùn)維全自動(dòng)化操作提供理論基礎(chǔ)。

1基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的變電站高壓斷 路器分合狀態(tài)檢測(cè)模型

1.1CNN理論

CNN是深度學(xué)習(xí)中的一種重要模型,通過(guò)模擬生物視覺(jué)系統(tǒng)的工作原理,利用卷積層、池化層和全連接層等基本單元,實(shí)現(xiàn)對(duì)圖像的特征提取和分類。其中,卷積層是CNN的核心組塊,包含了一系列的卷積核,通過(guò)在輸入圖像上滑動(dòng)計(jì)算出局部區(qū)域的加權(quán)和,以實(shí)現(xiàn)對(duì)圖像局部特征的提取。池化層用于對(duì)卷積層提取的特征圖進(jìn)行下采樣,減小特征圖的尺寸,以降低計(jì)算復(fù)雜度和防止過(guò)擬合。全連接層則是將卷積和池化層提取的特征展平,后接Softmax層輸出各類別的概率分布。CNN的結(jié)構(gòu)如圖1所示。

1.2 輕量化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

MobileNet是專為在資源受限的終端設(shè)備上(如電力巡檢機(jī)器人)高效推理而設(shè)計(jì)的一種CNN結(jié)構(gòu)。相比CNN,MobileNet引入了深度可分離卷積,能顯著減少模型的參數(shù)量和計(jì)算量。深度可分離卷積的原理如圖2所示。

由圖2可見(jiàn),深度可分離卷積拆分成了深度卷積和逐點(diǎn)卷積。假設(shè)輸入圖的尺寸為D_F×D_F×M,深度卷積核的尺寸為D_k×D_k,逐點(diǎn)卷積核的尺寸為1×1×M×N,則深度可分離卷積的計(jì)算量和參數(shù)量如表1所示。

由表1可見(jiàn),相比于CNN模型所用的普通卷積核,MobileNet采用的深度可分離卷積大幅減少了計(jì)算量和參數(shù)量,且保持了優(yōu)秀的特征提取能力。

1.3 基于MobileNet的變電站高壓斷路器分合狀態(tài)檢測(cè)流程

MobileNet的主體結(jié)構(gòu)以及變電站高壓斷路器分合狀態(tài)檢測(cè)流程如圖3所示。

首先,使用攝像頭采集高壓斷路器的分合狀態(tài)圖像,并為圖像打上“分”“合”標(biāo)簽;其次,將采集的圖像輸入MobileNet模型,通過(guò)卷積層、深度可分離卷積層、池化層等進(jìn)行文字特征的提取;最后,全連接層輸出圖像的分類值,并根據(jù)分類值確定斷路器狀態(tài)。

2 案例分析

2.1 案例背景

本案例以滁州市瑯琊區(qū)變電站為主體,采集了不同氣候、白晝黑夜、部分遮擋等各種場(chǎng)景下的高壓斷路器分合指示圖像總計(jì)400張,其中223張顯示為“分”,177張顯示為“合”,正負(fù)樣本較為均衡。隨機(jī)抽取80%的圖像作為MobileNet模型的訓(xùn)練集,其余20%作為測(cè)試集。使用one—hot編碼標(biāo)記圖像標(biāo)簽,設(shè)定“合”為[1,0],“分”為[0,1]。

2.2評(píng)價(jià)指標(biāo)

基于MobileNet的變電站高壓斷路器分合狀態(tài)檢 測(cè)模型在形式上為“分”“合”的二分類模型,通過(guò)二 分類混淆矩陣可計(jì)算出準(zhǔn)確率、召回率、精準(zhǔn)率等三類指標(biāo),計(jì)算公式如下:

式中:TP為真正類;TN為真負(fù)類;FP為假正類;FN為假負(fù)類;準(zhǔn)確率表示識(shí)別正確的正負(fù)樣本數(shù)占總樣本數(shù)的比例;召回率表示所有正類樣本中被正確識(shí)別為正類的比例;精準(zhǔn)率表示所有被預(yù)測(cè)為正類的樣本中實(shí)際為正類的比例。

此外,ROC曲線通過(guò)繪制召回率和假正率之間的關(guān)系曲線,可評(píng)估二分類模型性能,屬于一種圖形化展示方式。AUC則是ROC曲線下面積,代表了模型 區(qū)分“分”“合”兩種狀態(tài)的能力,AUC值越接近于1, 代表模型的性能越強(qiáng)。

2.3 實(shí)驗(yàn)結(jié)果

令“分”為正類,“合”為負(fù)類,圖4的混淆矩陣、 ROC曲線以及表2展示了基于MobileNet的變電站高壓斷路器分合狀態(tài)檢測(cè)模型在測(cè)試集上的指標(biāo)。

此外,為了對(duì)比本文所建的深度網(wǎng)絡(luò)與其他經(jīng)典二分類模型在識(shí)別高壓斷路器分合狀態(tài)上的性能,另外使用了支持向量機(jī)(SVM)、樸素貝葉斯、 CNN網(wǎng)絡(luò)對(duì)相同數(shù)據(jù)集做反復(fù)實(shí)驗(yàn),獲得各項(xiàng)評(píng)價(jià)指標(biāo),并將其結(jié)果納入表2展示。

由表2、圖4可見(jiàn),在測(cè)試集上,MobileNet深度網(wǎng) 絡(luò)識(shí)別“分”“合”狀態(tài)的精準(zhǔn)率高達(dá)95.7%,召回率 為97.8%,AUC高達(dá)0.9756,這說(shuō)明模型在檢測(cè)“分”類樣本時(shí),誤檢率和漏檢率均為低水平。

此外,MobileNet對(duì)兩類別識(shí)別的總體準(zhǔn)確率為96.25%,在所有檢測(cè)算法中指標(biāo)最優(yōu)。這說(shuō)明,本文所建模型具備有效區(qū)分不同場(chǎng)景下高壓斷路器分合狀態(tài)的能力,能夠滿足電力自動(dòng)化、智能化巡檢的實(shí)際需求。

3 結(jié)束語(yǔ)

本文提出了基于輕量化卷積神經(jīng)網(wǎng)絡(luò)的變電站高壓斷路器分合狀態(tài)檢測(cè)方法,通過(guò)采集和標(biāo)注多種復(fù)雜場(chǎng)景下的斷路器圖像,訓(xùn)練并驗(yàn)證模型的有效性。實(shí)驗(yàn)結(jié)果表明,該模型在識(shí)別高壓斷路器“分”“合”狀態(tài)時(shí)的精準(zhǔn)率、召回率、準(zhǔn)確率等指標(biāo)均優(yōu)于其他經(jīng)典的二分類模型,且輕量化的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)使得其在資源受限的電力智能化巡檢設(shè)備上高效運(yùn)行成為可能。

[參考文獻(xiàn)]

[1]李天偉.變電站智能巡檢圖像識(shí)別技術(shù)研究與工程實(shí)踐[D].南京:東南大學(xué),2021.

[2]韓懈.基于深度學(xué)習(xí)的高壓斷路器分合狀態(tài)識(shí)別方法研究[D].鎮(zhèn)江:江蘇大學(xué),2022.

[3]姜楠,羅林,王喬,等.結(jié)構(gòu)優(yōu)化深度網(wǎng)絡(luò)的高壓斷路器機(jī)械故障診斷[J].遼寧石油化工大學(xué)學(xué)報(bào),2023,43 (3):91-96.

[4]婁杲,田行軍,閆輝,等.基于知識(shí)與數(shù)據(jù)聯(lián)合驅(qū)動(dòng)的斷路器狀態(tài)評(píng)估系統(tǒng)研究[J].國(guó)外電子測(cè)量技術(shù),2023,42(6):63-69.

2024年第20期第3篇