基于輕量化卷積神經(jīng)網(wǎng)絡的變電站高壓斷路器分合狀態(tài)檢測
0引言
高壓斷路器是變電站內(nèi)一種重要的電氣設備,主要用于控制和保護電力系統(tǒng)中的高壓線路和電氣設備。在電力系統(tǒng)正常運行條件下,高壓斷路器可以根據(jù)操作指令接通或斷開高壓電路,控制電力的輸送和分配;若變電站內(nèi)發(fā)生短路、過載等故障,高壓斷路器能即刻發(fā)出分閘指令,控制操作機構(gòu)動作,使動靜觸頭分離,迅速斷開故障電路,以防故障擴大,確保電力系統(tǒng)和設備的安全。
高壓斷路器包括分合指示、氣體壓力、操作電源狀態(tài)、機械位置指示、電流、電壓等多個運行狀態(tài)量,其中分合指示是監(jiān)控斷路器運行狀態(tài)的直接手段。隨著電力自動化、智能化升級,電力巡檢機器人搭載高清攝像頭和紅外熱成像儀,具備了對高壓斷路器分合狀態(tài)進行檢測的基本功能。由于不同型號的高壓斷路器對“分”“合”狀態(tài)的標識類型不同,字體、大小、顏色、形狀標準不統(tǒng)一,且存在年久褪色、模糊的情況, 目前識別效果不佳[1]。
近年來,隨著機器學習和計算機視覺技術(shù)的迅猛發(fā)展,卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network, CNN)、支持向量機等主流模型已成功應用于變電站高壓斷路器狀態(tài)識別領(lǐng)域。例如,文獻 [2]采用 YOLOv4算法檢測斷路器的分合狀態(tài),文獻[3]優(yōu)化了卷積神經(jīng)網(wǎng)絡診斷高壓斷路器故障,文獻[4]選擇 PCA聯(lián)合支持向量機模型評估斷路器工況等。輕量化卷積神經(jīng)網(wǎng)絡(MobileNet)具有強大的特征學習能力,可以從任何背景中學習到具有辨識性的文字特征,無須人為再提供特征匹配模板,具備速度快、易 部署、抗噪強等優(yōu)勢。
鑒于此,本文研究了基于輕量化卷積神經(jīng)網(wǎng)絡的變電站高壓斷路器分合狀態(tài)檢測方法,期望在各種難易場景下的高壓斷路器圖像中精準識別斷路器的分合狀態(tài),以解決變電站斷路器分合狀態(tài)識別精度低等問題,為后續(xù)變電站運維全自動化操作提供理論基礎。
1基于輕量化卷積神經(jīng)網(wǎng)絡的變電站高壓斷 路器分合狀態(tài)檢測模型
1.1CNN理論
CNN是深度學習中的一種重要模型,通過模擬生物視覺系統(tǒng)的工作原理,利用卷積層、池化層和全連接層等基本單元,實現(xiàn)對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,通過在輸入圖像上滑動計算出局部區(qū)域的加權(quán)和,以實現(xiàn)對圖像局部特征的提取。池化層用于對卷積層提取的特征圖進行下采樣,減小特征圖的尺寸,以降低計算復雜度和防止過擬合。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)絡結(jié)構(gòu)
MobileNet是專為在資源受限的終端設備上(如電力巡檢機器人)高效推理而設計的一種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)量和計算量。深度可分離卷積的原理如圖2所示。
由圖2可見,深度可分離卷積拆分成了深度卷積和逐點卷積。假設輸入圖的尺寸為DF×DF×M,深度卷積核的尺寸為Dk×Dk,逐點卷積核的尺寸為1×1×M×N,則深度可分離卷積的計算量和參數(shù)量如表1所示。
由表1可見,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”標簽;其次,將采集的圖像輸入MobileNet模型,通過卷積層、深度可分離卷積層、池化層等進行文字特征的提取;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、部分遮擋等各種場景下的高壓斷路器分合指示圖像總計400張,其中223張顯示為“分”,177張顯示為“合”,正負樣本較為均衡。隨機抽取80%的圖像作為MobileNet模型的訓練集,其余20%作為測試集。使用one—hot編碼標記圖像標簽,設定“合”為[1,0],“分”為[0,1]。
2.2評價指標
基于MobileNet的變電站高壓斷路器分合狀態(tài)檢 測模型在形式上為“分”“合”的二分類模型,通過二 分類混淆矩陣可計算出準確率、召回率、精準率等三類指標,計算公式如下:
式中:TP為真正類;TN為真負類;FP為假正類;FN為假負類;準確率表示識別正確的正負樣本數(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別為正類的比例;精準率表示所有被預測為正類的樣本中實際為正類的比例。
此外,ROC曲線通過繪制召回率和假正率之間的關(guān)系曲線,可評估二分類模型性能,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。
2.3 實驗結(jié)果
令“分”為正類,“合”為負類,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)檢測模型在測試集上的指標。
此外,為了對比本文所建的深度網(wǎng)絡與其他經(jīng)典二分類模型在識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(SVM)、樸素貝葉斯、 CNN網(wǎng)絡對相同數(shù)據(jù)集做反復實驗,獲得各項評價指標,并將其結(jié)果納入表2展示。
由表2、圖4可見,在測試集上,MobileNet深度網(wǎng) 絡識別“分”“合”狀態(tài)的精準率高達95.7%,召回率 為97.8%,AUC高達0.9756,這說明模型在檢測“分”類樣本時,誤檢率和漏檢率均為低水平。
此外,MobileNet對兩類別識別的總體準確率為96.25%,在所有檢測算法中指標最優(yōu)。這說明,本文所建模型具備有效區(qū)分不同場景下高壓斷路器分合狀態(tài)的能力,能夠滿足電力自動化、智能化巡檢的實際需求。
3 結(jié)束語
本文提出了基于輕量化卷積神經(jīng)網(wǎng)絡的變電站高壓斷路器分合狀態(tài)檢測方法,通過采集和標注多種復雜場景下的斷路器圖像,訓練并驗證模型的有效性。實驗結(jié)果表明,該模型在識別高壓斷路器“分”“合”狀態(tài)時的精準率、召回率、準確率等指標均優(yōu)于其他經(jīng)典的二分類模型,且輕量化的網(wǎng)絡結(jié)構(gòu)設計使得其在資源受限的電力智能化巡檢設備上高效運行成為可能。
[參考文獻]
[1]李天偉.變電站智能巡檢圖像識別技術(shù)研究與工程實踐[D].南京:東南大學,2021.
[2]韓懈.基于深度學習的高壓斷路器分合狀態(tài)識別方法研究[D].鎮(zhèn)江:江蘇大學,2022.
[3]姜楠,羅林,王喬,等.結(jié)構(gòu)優(yōu)化深度網(wǎng)絡的高壓斷路器機械故障診斷[J].遼寧石油化工大學學報,2023,43 (3):91-96.
[4]婁杲,田行軍,閆輝,等.基于知識與數(shù)據(jù)聯(lián)合驅(qū)動的斷路器狀態(tài)評估系統(tǒng)研究[J].國外電子測量技術(shù),2023,42(6):63-69.
2024年第20期第3篇
下載文檔
