基于雙目視覺的智能變電站檢修區域全天候在線監測方法

王 楠 鄭 磊 鄒 胤 董澤強 廖 海

（貴州電網有限責任公司遵義供電局）

0 引言

智能變電站對電力系統的穩定性和安全性至關重要，而檢修工作是確保其穩定運行的重要環節。然而，傳統的檢修方式有限，無法實現全天候的在線監測。因此，基于雙目視覺技術的智能變電站檢修區域全天候在線監測方法備受關注。雙目視覺是一種利用兩個攝像頭同時獲取圖像并通過計算機算法進行分析的技術。在智能變電站中，檢修區域的全天候在線監測具有重要意義。傳統上，變電站的檢修通常需要人工巡檢和定期維護，這對于確保設備的正常運行非常關鍵。然而，人工巡檢存在時間成本高、效率低以及無法實現全天候實時監測等問題。因此，利用雙目視覺技術來實現智能變電站檢修區域的全天候在線監測具有很大的優勢和意義。

近年來，有學者對智能變電站檢修區域全天候在線監測方法進行了研究。例如，文獻［1］提出了基于實時分布式計算平臺的智能變電站設備在線監測研究，而文獻［2］則提出了智能變電站隔離開關機械狀態自動監測方法。然而，這些方法存在監測準確率低的問題。

為解決這一問題，本文提出了一種基于雙目視覺的智能變電站檢修區域全天候在線監測方法。該方法利用雙目視覺技術實現對檢修區域的實時監測和故障診斷。通過該方法，可以有效地提高智能變電站的檢修效率和故障診斷準確性。

1 智能變電站檢修區域全天候在線監測方法設計

1.1 雙目相機測距原理

雙目相機由兩個攝像頭組成，它們同時拍攝同一場景，形成兩張2D圖像。當同一個物體同時出現在左右兩張圖像中時，由于攝像頭之間的基線距離，它在兩個圖像中的位置會有所偏移，這種偏移量稱為視差。視差可以通過計算兩張圖像中對應像素點的距離差來得到。通過視差，可以得到同一物體在兩張圖像中對應像素點的距離差，同時已知兩個攝像頭的基線距離和視角等參數［3］。因此，雙目相機可以通過測量視差和已知的基線距離和視角參數來測量物體的距離，具體如圖1所示。

圖1 雙目相機測距原理

1.2 智能變電站檢修區域圖像采集

智能變電站檢修區域圖像采集是實現全天候在線監測的重要步驟之一。為了確保采集的圖像清晰、穩定且具有代表性，通常需要使用高分辨率、高靈敏度的相機進行拍攝。在智能變電站中，由于存在大量的電磁干擾和信號干擾，相機的選擇也需要考慮到這些因素。在圖像采集過程中，相機的設置和調整也是非常重要的。通常需要調整相機的曝光時間、光圈大小、ⅠSO感光度等參數，以確保拍攝的畫面質量符合要求。相機參數如表1所示。

表1 相機參數

在智能變電站檢修區域中，由于環境和光照條件比較復雜，需要采用多種不同的光源和照射角度來保證圖像的質量和穩定性。在拍攝過程中，通常需要使用閃光燈進行補光，同時需要根據不同的環境和光照條件調整光源的位置和角度。此外，為了確保拍攝的畫面清晰穩定，還需要使用三腳架或其他固定設備來固定相機和燈光的位置。其采集環境如圖2所示。

圖2 智能變電站檢修區域圖像采集環境

圖3 實驗現場圖

1.3 智能變電站檢修區域圖像預處理

智能變電站檢修區域圖像預處理是圖像分析的重要環節，旨在消除噪聲和改善圖像質量，以便更準確地提取特征信息。在灰度化過程中，可以使用以下公式對彩色圖像進行轉換：

式中，g(i，j)表示灰度圖像中像素點(i，j)處的灰度值，r(i，j)、g(i，j)、b(i，j)分別表示彩色圖像中像素點(i，j)處的紅、綠、藍三個通道的像素值。

中值濾波可以通過以下公式實現：

式中，N表示經過濾波后的新像素；(Q1，Q2，...，Qn)表示為經過濾波像素點集合。

綜上所述，智能變電站檢修區域圖像采集是實現全天候在線監測的重要環節之一。通過對圖像的采集和處理，可以實現對檢修區域的故障診斷和狀態監測，為電力設備的穩定運行提供有力的保障。

1.4 智能變電站檢修區域危險事件特征提取

智能變電站檢修區域危險事件特征提取是實現故障診斷和狀態監測的關鍵環節之一。通過對圖像和視頻數據的分析，可以提取出危險事件的特征，從而判斷出是否存在安全隱患。邊緣是圖像中像素值發生顯著變化的位置，通過邊緣檢測來判斷智能變電站檢修區域圖像中的變化，可以通過以下公式實現：

式中，f(i，j)表示變化后的像素值，g(i，j)表示原始圖像中像素點(i，j)處的灰度值，g(i，j)-g(i-1，j)表示相鄰像素點的灰度值。

設S表示圖像中的像素點集合，S=｛（r1，g1，b1），（r2，g2，b2），…，（rn，gn，bn）｝，(rn，gn，bn)表示像素點n處的RGB值。通過計算像素點集合中各像素點之間的距離、角度、梯度等信息，可以提取出已經出現變化的圖像中存在的紋理特征，相當于智能變電站檢修區域圖像中出現的危險事件的特征。其中，變化前后圖像像素點之間的距離可以由歐幾里得距離公式計算：

式中，(x1，y1)和(x2，y2)是兩個像素點的坐標。

變化前后圖像像素點之間的角度可以由兩個像素點之間的向量夾角計算：

式中，аrctаn表示反正切函數。

變化前后圖像像素點之間的梯度可以由灰度值差分計算：

式中，g(x1，y1)）和g(x2，y2)是兩個像素點的灰度值。

由此對智能變電站檢修區域危險事件特征進行提取，計算公式如下：

通過以上特征提取方法，可以提取出智能變電站檢修區域危險事件的特征，為故障診斷和狀態監測提供更準確的數據支持。

1.5 基于雙目視覺的全天候在線監測

將已經提取的智能變電站檢修區域危險事件特征作為輸入樣本，輸入用于圖像分類的卷積神經網絡模型中，將w(l-)1j作為卷積神經網絡中第l-1層中第j個危險事件特征圖經過卷積后輸出的像素矩陣，結合損失函數loss ，進行變電站檢修區域危險事件分類，實現智能變電站檢修區域全天候在線監測，計算公式如下：

式中，δ表示模型輸出結果，即監測出的變電站檢修區域危險事件；J表示卷積層；t表示危險事件持續時間；C表示池化層；b表示卷積核；q表示偏置加權；α表示學習參數。

至此，完成基于雙目視覺實現智能變電站檢修區域全天候在線監測方法的設計，可實現變電站檢修區域危險事件的在線監控，提高智能變電站運行的可靠性和安全性。

2 實驗

2.1 實驗環境

文章選取某智能變電站作為研究對象，分別采用本文方法，文獻［1］、［2］方法進行智能變電站檢修區域全天候在線監測。其具體的實驗現場圖如3所示。

2.2 實驗結果分析

在上述實驗環境下，為了驗證本文方法的高效性，以檢測時間作為指標，分別采用文獻［1］、［2］方法進行監測，對比三種方法的監測效率。具體對比結果如表2所示。

表2 三種方法的監測效率的對比結果

分析表2可知，本文方法用于智能變電站檢修區域監測的時間最高只需40ms，而其他兩種方法所需的時間最低分別為310ms和325ms。這表明本文方法在提智能變電站檢修區域監測效率方面具有顯著優勢。通過減少監測時間，可以更快地發現和應對潛在的故障，從而降低了智能變電站檢修的安全風險。

為驗證本文方法的可靠性，研究對智能變電站檢修區域進行監測，并與文獻中的方法進行對比。具體比較結果見圖4。

圖4 三種方法的電力設備狀態監測準確率對比結果

經過對圖4的分析，可以觀察到本文方法在智能變電站檢修區域監測中具有顯著優勢。發現，本文方法的監測準確率始終保持在95%以上的高水平，而其他兩種方法的準確率都低于70%。這表明本文方法在檢測目標物時具有較低的誤報風險，能夠更準確地識別出變電站檢修區域中的異常情況。高準確率是評估監測方法可靠性的重要指標之一。本文方法在監測準確率方面表現出色，說明它能夠提供可靠且準確的監測結果，有助于及時發現并處理潛在的故障和問題。這將對變電站的運行安全性和可靠性產生積極的影響。

3 結束語

本研究基于雙目視覺技術提出了一種智能變電站檢修區域全天候在線監測方法。通過使用雙目攝像頭獲取的圖像數據，并利用圖像處理和計算機視覺算法進行分析，能夠實時監測變電站的檢修區域。通過提取和分析圖像中的設備狀態。實驗結果表明，該方法能夠高效準確地監測智能變電站檢修區域中發生的危險事件。通過實施該方法，能夠加強變電站的運行安全性和可靠性，減少潛在的故障風險，并提升整個電力系統的運行效率。在未來的工作中，將進一步改進和優化該方法，提高監測的準確性和響應速度。同時，還將探索更多的技術手段，如人工智能和大數據分析，以進一步提升智能變電站的監測能力和管理水平。