繼電保護壓板狀態識別嵌入式智能設備的應用

黃日泉，周 恒，李新海，羅海鑫，廖偉全，易 婷，曾新雄

(廣東電網有限責任公司中山供電局，廣東 中山 528400)

0 引言

目前,變電站運維工作中繼電保護壓板狀態監視仍主要依靠人工定期巡檢完成。隨著計算機和通信技術的發展,利用智能化設備實現繼電保護壓板巡視的智能化具有重要意義。

1 智能化實現方案

實現繼電保護壓板的智能化嵌入式巡視需要解決的主要問題在于壓板狀態識別和信息數字化。目前有兩種繼電保護壓板狀態智能化嵌入式實現方案,一種是基于手持巡檢儀的半智能化巡視,一種是遠程“遙視”監測。基于手持巡檢儀的半智能化巡視通過手持巡檢儀與繼電保護壓板預先安裝的固定裝置進行信息交換,實現自動化采集、存儲和上傳壓板狀態信息；而遠程“遙視”監測通過變電站內攝像機采集繼電保護壓板圖像并傳輸到運維中心,以便運維人員觀察并及時作出判斷。

無論是基于手持巡檢儀的半智能化巡視,還是遠程“遙視”監測,都已經被應用到變電站繼電保護壓板巡視中。在實際應用中,基于手持巡檢儀的半智能化巡視需要依賴事先安裝固定裝置來達到識別壓板狀態的目的,智能化程度不足；而遠程“遙視”監測由于攝像機本身及拍攝角度限制,存在拍攝死角,導致圖像的采集受到一定限制,而且遙視本身并不具備圖像分析和壓板狀態識別等功能。

利用工業高清照相機、嵌入式單元和Mobile Net算法設計出的一種嵌入式設備,可實現對變電站繼電保護壓板狀態的智能識別。該設備具有變焦、自動對焦功能,巡檢人員可遠距離任意調整角度采集圖像；同時在Mobile Net算法和嵌入式AI加速芯片的支持下,繼電保護壓板狀態識別的準確率達可達100 %,對單張繼電保護壓板屏柜圖像中多個壓板的狀態識別平均耗時2400 ms左右,可有效提高變電站繼電保護壓板的巡視效率。

2 方案實施與測試

2.1 繼電保護壓板狀態識別嵌入式設備

新設計的一種手持式繼電保護壓板狀態識別嵌入式設備,由前殼體、觸摸顯示屏、嵌入式單元、電源模塊、后殼體、固定組件、高清鏡頭相機和手持手柄組成。

該嵌入設備中,前、后殼體為阻燃ABS塑料外殼；觸摸顯示屏為5寸高清高亮高分辨率電容觸摸屏,可實現多點觸控；嵌入式單元搭載了ARM全新Cortex-A72架構和六核64位高性能處理器,主頻高達1.8 GHz,集成四核Mali-T860 GPU,擁有強大的硬解碼能力,最大可支持4 K硬解,板載模塊化深度神經網絡學習加速器NPU,無需外部緩存,擁有強勁算力與超高效能,同時嵌入式單元支持以太網和USB有線通信,支持WiFi和藍牙無線通信；電源模塊主要由聚合物鋰電池和電壓轉換電路構成,具有可充電、輸入過壓保護、輸出過壓過流保護和過溫保護等功能,為嵌入式單元提供一個穩定、可靠的工作電源；高清照相機具有光學防抖、可變焦和自動對焦等功能,支持WiFi通信和NFC連接功能。該設備可通過WiFi通信,控制高清照相機對繼電保護壓板進行拍攝,并對拍攝圖像進行分析,識別出壓板狀態；同時可通過4G無線通信、USB接口、以太網口模塊,將拍攝的壓板圖像和識別結果上傳至服務器。

2.2 工業高清照相機

繼電保護壓板狀態識別嵌入式設備采用分體式PixPro SL10高清照相機,設備攝像組件可方便拆卸安裝。

油菜葉片是油菜最主要的生命活動場所，是直接反映油菜種類和生長狀況的主要器官。油菜葉片顏色變化是進行油菜營養狀況診斷的重要依據之一。近年來，隨著計算機視覺技術在農作物營養診斷領域的不斷應用，利用計算機視覺技術進行油菜營養診斷也不斷發展[1]。但在各類應用中，由于常規方法很難去除油菜葉片圖像中的葉脈部分，從而導致一般未考慮油菜葉片中的葉脈對營養診斷的影響。油菜主葉脈較大，在進行營養測定時均要去除主葉脈以免影響測定結果。因而，研究油菜葉片圖像中主葉脈的去除方法具有重要意義。

工業高清照相機的選型主要考慮成像分辨率、變焦、防抖、便攜、支持的通信方式等各項參數。

2.3 繼電保護壓板狀態識別

繼電保護壓板狀態識別嵌入式設備采用Mobile Net算法來進行識別,以下是針對該算法的說明。

2.3.1 Mobile Net網絡

Mobile Net于2018年由谷歌發布,是為嵌入式和移動式深度學習應用而設計的網絡,相比于傳統的神經網絡算法,占用資源更少、運算速度更快、準確率更高。同時,Mobile Net是基于CNN模型的算法,在嵌入式單元AI計算模塊的AI加速芯片支持下,可進一步提高運算速度。

深度可分離卷積是Mobile Net的核心單元,它由兩層構成：深度卷積和逐點卷積。深度卷積針對每一個輸入通道用單個卷積核進行卷積,得到輸入通道數的深度,然后運用逐點卷積,即應用一個簡單的1×1卷積,對深度卷積中的輸出進行線性結合。與傳統卷積相比,深度可分離卷積減少了8～9倍的計算量。

使用中發現,深度卷積部分的卷積核很容易廢掉,即卷積核參數大部分為0。因此,Mobile Net V2使用了倒轉的殘差結構,即在采用當時流行的殘差結構的同時,在進入深度卷積前先將輸入送入1×1的點卷積,把特征圖的通道數“壓”下來,再經過深度卷積,最后經過一個1×1的點卷積層,將特征圖通道數再“擴張”回去,即先“壓縮”,最后“擴張”回去。前兩步的輸出都采用ReLU激活函數處理,最后一步采用線性輸出,可在一定程度上減少信息的丟失。

2.3.2 模型實現

(1) 圖像轉換。使用Python的Numpy庫和Matplotlib庫將拍攝的繼電保護壓板圖像解碼后,調整為規定的模型讀取尺寸,再轉化為三維的圖像矩陣。一維、二維存放圖像的空間特征,三維存放圖像的顏色通道特征。

(2) 模型調用。調用深度學習算法,將圖像矩陣投入神經網絡,對輸入矩陣在各隱藏層中進行卷積遍歷、池化等操作,產生一個表示類別的一維矩陣,再使用Softmax函數將其Softmax向量化得出對應類別的概率向量,取最大概率為結果,得出對應的繼電保護壓板狀態。

2.3.3 繼電保護壓板狀態識別功能實現

系統環境：Linux系統；軟件環境：Python3.5、Tensorflow-GPU 1.10.0。繼電保護壓板狀態識別工作流程如圖1所示。

圖1 繼電保護壓板狀態識別工作流程

2.3.4 實驗測試

針對繼電保護壓板投入、退出、備用等3種狀態進行識別測試,共采集40000張具有不同角度、不同光照條件的繼電保護壓板圖像進行模型訓練和測試,數據集隨機分為訓練集、驗證集、測試集等3個子數據集。其中,訓練集有32000張圖像,驗證集有4000張圖像,測試集分為2個子集,分別為測試A集和測試B集,各有2000張圖像。各測試指標情況見表1。

由表1可知,該嵌入式設備對繼電保護壓板狀態識別的準確率達到100 %,平均一張圖像的識別時間為2400 ms左右。

3 結束語

利用工業高清照相機、嵌入式單元和深度學習技術,針對繼電保護壓板狀態識別設計了一種在變電站繼電保護壓板巡視中識別壓板狀態的新設備,實現了繼電保護壓板狀態的智能化識別,而且識別速度更快、識別準確率高,極大地減少了巡視過程的資源投入。