基于圖像識別的變電站智能巡視平臺研究與應用＊

劉鑫 郝韓兵 汪太平

（國網安徽省電力有限公司檢修分公司，安徽合肥 231100）

0.引言

“十三五”期間，國家電網公司進一步推進智能電網的建設，越來越多的智能變電站正在投入運行，原有的常規變電站也在加大智能化改造力度。變電站數量的激增，使變電運維人員承擔的操作、巡視工作強度也在增加，長時間繁重的視覺工作會導致工作人員精神狀態疲乏，致使工作產生失誤。此外，巡檢質量也受到工作人員主觀經驗和責任心的影響，常常導致漏檢、誤檢情況的發生，甚至有些工作人員為了減少工作量，在未進行巡視的情況下進行數據偽造[1]。

隨著智能化進程的不斷推進，變電站實施并應用了許多與傳統變電站不同的運維技術，如高清攝像頭巡檢技術等，這些新技術在降低變電站運維成本和運維人員勞動強度，提高運維管理的智能化水平上發揮了重要作用，為智能站提供了更新穎有效的技術檢測方法，保證了智能站的安全[2-3]。但由于變電站巡檢環境復雜多樣，存在無法實時獲取變電設備全面的狀態信息，并且運行人員在分析復雜設備故障信息時，需要逐一梳理相關信息并利用專業知識作出判斷，不能確判別結果的準確性，導致事故發生無法預判并及時進行處理。

本文圍繞變電站設備圖像識別算法進行研究，打造基于圖像識別的變電站智能巡視平臺，實現變電設備多種狀態、運行環境以及人員異常行為監測，實現變電站無人狀態巡視。

1.智能巡視概述

1.1 總體思路

運用人工智能、大數據分析和深度學習等技術，構建基于圖像識別的變電站智能巡視平臺，利用高清攝像機完成變電站設備全覆蓋巡檢，實現正常巡視、專線巡視、特殊巡視和全面巡視替代。同步拓展視頻智能識別技術，完成對變電站現場設備狀態、環境狀態和人員狀態等智能管控，實現變電站的無人值守和智能化改造，以及降低變電站內工作人員的安全風險。

1.2 圖像識別原理

圖像識別前提是通過標準圖像獲取典型圖像數據庫和圖像的高維向量集，具體流程為對標準圖像通過視覺辨別實現前景分離，對分離后的圖像進行圖像處理得到可辨別圖像，可辨別圖像一方面經過數據壓縮形成典型圖像數據庫，另一方面經過特征提取和無監督神經網絡分類得到高維向量集。圖像識別原理如圖1所示。平臺圖像識別流程如下：

圖1 圖像識別原理

步驟1：通過高清攝像頭對變電站中設備、環境和人員信息進行視頻及圖片信息采集；

步驟2：將待分析圖像經過視覺辨識、圖像處理、特征提取獲取待分析圖像的特征向量集；

步驟3：將待分析圖像特征向量集與標準圖像的高維向量集進行對比判斷。如果狀態評估異常則進行預警并提高圖像采集頻率，同時返回步驟1；如果狀態正常則分析下一幀圖像。

2.智能巡視平臺

2.1 平臺架構

依據變電站巡視需求，對平臺相關的技術進行研究，設計開發了基于圖像識別的變電站智能巡視平臺。平臺利用變電站部署的高清攝像頭為基礎建立全面巡視體系，實現智能巡視、智能安監、變電事故預警、智能聯動功能。

平臺架構由接入層、數據層、平臺業務層3部分構成。接入層主要負責變電站現場攝像頭接入；數據層負責圖像數據分析及計算工作；展示層負責信息展示及異常告警等功能展現。如圖2所示。

圖2 平臺架構

2.2 平臺功能

基于圖像識別的變電站智能巡視平臺包含智能巡視、智能安監、變電事故預警、智能聯動等功能，如圖3所示。通過高清攝像頭采集變電站巡視圖像對變電站設備狀態、環境狀態、人員狀態進行全面感知，有異常時智能聯動，對采集的圖像進行綜合診斷與分析，分析結果和報告進行綜合展示。

圖3 平臺功能

2.2.1 智能巡視

變電站智能巡視一般分為正常巡視、專線巡視、特殊巡視和全面巡視四種類型[4-5]。

（1）正常巡視。正常巡視為變電站內設備的狀態指示、表計、外觀和運行環境等方面定期開展的巡視稱為正常巡視。

（2）專項巡視。專項巡視為專門對某一特定情況進行的巡視任務。比如油位油溫表、SF6壓力表、紅外測溫、液壓表、避雷器表計、位置狀態識別等。

（3）特殊巡視。特殊巡視是指天氣劇變、設備異常或信號發出等情況進行的針對性重點巡視。

（4）全面巡視。全面巡視是指對變電站內設備狀態指示、表計、外觀及輔助設施外觀、接頭溫度、運行環境等進行的全覆蓋式巡視。

每種巡視都由系統根據預置條件智能觸發，無需人工干預。巡視的觸發條件分周期觸發（正常巡視、專項巡視、全面巡視多為周期觸發，一般周期為日、周或者月）和條件觸發（特殊巡視為條件觸發，一般在惡劣天氣后或者設備異常時觸發）兩種。

2.2.2 智能管控

實現對作業現場人員行為和變電站運行環境狀態的智能管控。

作業現場人員行為管控主要包括人員作業安全、人員行為安全和虛擬圍欄越界告警3種。人員作業安全監測違規穿戴安全帽、安全帶、工作服等行為；人員行為安全監測吸煙、動火等異常行為；虛擬圍欄越界告警監測表現為根據工作票劃定虛擬圍欄，越線報警。

變電站運行環境狀態管控包括掛空漂浮物檢測、異物（小動物）入侵檢測、煙火檢測、墻體滲漏檢測、周界安全管控、車輛安全管控。

2.2.3 變電事故預警

變電事故預警模塊會對圖像識別后的表計示數、位置狀態指示、異常情況和溫度值等各種數據進行圖像識別處理和數據分析計算，對設備、環境和人員的可能異常做出推斷和預警，并結合異常處理導則和專家系統知識庫，給出原因分析和處理建議。具體數據如表1。

表1 預警數據內容

2.2.4 智能聯動

利用智能聯動實現對變電站進行全天候實時監測，并根據設備狀態、環境狀態和人員狀態告警信息聯動相關攝像機，調動相關攝像頭運動至預置位，同時平臺自動彈出告警現場攝像頭圖像信息并輔以識別結果，以方便運維人員對現場情況的及時研判[6]。

3.應用案例

在安徽某220kV變電站開展了基于圖像識別的變電站智能巡視平臺應用。通過平臺應用全年減少到站正常巡視26站次、專項巡視12次，工作效率提高了30%以上；平臺批量自動識別隱患或缺陷，平均每次巡視可節省90%以上的數據處理及核查時間，同時由傳統的2人搭配核查的工作方式優化為1人核查，減少了人力投入。

4.結論

本文采用大數據分析、深度學習和圖像識別等技術，構建了基于圖像識別的變電站智能巡視平臺，實現對變電站設備狀態、環境狀態和人員狀態進行狀態感知，提高故障診斷準確率及巡視效率，實現狀態實時監測，對強化電力系統運行的可靠性具有十分重要的意義。下一步將持續以圖像識別為抓手，充分利用智能電網的建設成果，融合各個維度的數據，更加全面地對變電設備的運行狀態進行實時監控。