視覺技術在農村變電所中應用

孫 蓉

（泰州三新供電服務有限公司姜堰分公司）

0 引言

送電線路所攜帶的電壓通常極高，不適合直接供用戶使用，需要經過降壓變電所的變壓器將電壓降至適宜的級別，再通過配電線路將電力送到每個用戶手中。同時，農村的小型電廠發出的電壓往往較低，無法長距離傳輸，因此需要升壓變電所的變壓器將電壓提升，才能通過送電線路將電力輸送到遙遠的地方［1］。因此，農村變電所在電能的集聚、電壓級別的轉換、電能的分配以及電壓質量的調整和控制等環節中，發揮了不可或缺的作用。

電力系統中的電能生成、轉換、傳輸、分配和使用是同步進行的，系統中的每個環節對電能傳輸都至關重要。任何環節的故障都可能導致損失。而變電所，作為電能轉換和分配的樞紐，通常連接著大量的送電線路或直接與用戶相連。如果變電所發生嚴重事故，不僅會對電力企業的設備和人員造成傷害，還會影響到廣大用戶的電力使用，甚至對國民經濟產生嚴重影響。因此，確保農村變電所的安全穩定運行具有非常重要的意義。

1 農村變電所檢測對象

對于農村變電所運行安全保護主要可以分為兩方面：

第一，針對農村變電所運行人員安全行為檢測。

雖然對于電力系統中任何一個環節都有成熟的運維規范，但是在實際運維工作中，往往還是會有一些運行人員因為疏忽大意導致忘記佩戴個人防護裝備，或者因為個人經驗不足導致維護動作不規范。這些不安全行為往往容易在操作過程中被忽略，進而對變電所運行造成損壞，甚至對變電運維人員的人身安全造成重大傷害。

第二，針對農村變電所內設備運行狀態檢測。

對于有人值守的變電所一般每日巡檢一次，而對于無人值守的變電所則一般要一周才巡檢一次，這對變電所的運行安全存在著一定的安全隱患；而如果增加巡檢次數則會造成不必要的人員消耗。

因此在農村變電所中加入視覺檢測系統，就有著十分重要的意義。一方面視覺檢測系統可以對變電所內運維人員的裝備和行為進行檢測，如果發現運維人員未帶安全裝置或操作行為不規范，則會產生報警以提醒運維人員。視覺檢測系統配合運維人員進行檢修操作可以大大降低檢修操作的安全隱患。另一方面視覺檢測系統還可以對農村變電所的設備進行實時檢測，實時地監測設備的運行狀態，如：設備運行溫度是否在安全閾值以內，帶油設備是否存在漏油等現象。如果監測到設備出現危險狀態則會立刻向變電所人員報警，提醒運維人員進行檢修，并且計算機視覺檢測可以實時地對設備進行檢測，可以大大地減小人力成本。

2 計算機視覺技術介紹

計算機視覺是一門涉及計算機和人工智能的交叉學科，旨在使計算機系統能夠模擬和理解人類視覺系統的功能與能力。通過計算機視覺，計算機可以感知、解釋和理解數字圖像或視頻中的視覺信息，從而實現自動化的圖像分析、識別和理解。

計算機視覺的核心任務包括圖像處理、圖像分析和圖像理解。在圖像處理階段，計算機利用各種算法和技術對圖像進行預處理、濾波、增強等操作，以提取有用的信息并改善圖像質量。圖像分析階段則涉及對象檢測與識別、目標跟蹤、圖像分割等任務，通過機器學習和深度學習等技術，計算機可以自動識別和定位圖像中的對象、人臉、文字等內容。最后，圖像理解階段致力于對圖像進行高級理解和推理，例如場景理解、情感分析、行為識別等，以實現對圖像內容的深層次理解。

目前，在計算機視覺領域，應用最廣泛就是基于深度學習的目標檢測算法，主要分為兩類，第一類是基于候選區域的雙階段目標檢測算法，第二類是基于回歸問題的單階段目標檢測算法。前者主要有R-CNN、SPP-Nеt、Fаst R-CNN、Fаstеr R-CNN等，第一階段由候選框網絡進行前景背景分類，并從其中感興趣區域提取特征；第二階段對候選框進行卷積分類和矯正回歸等操作生成位置框并預測類別，使其擁有更高的精度。由于其雙階段機制的特點，其產生的參數量較大，實時性差，檢測小目標效果差，這種算法適用于高精度目標檢測。

第二類是單階段目標檢測算法，如SSD、Rеtinа-Nеt和Yolo被廣泛應用。這些算法無需提前進行區域候選，而是直接通過輸入圖像來回歸目標邊界框和類別，從而滿足工業生產快速性要求，并且模型結構簡單，更適合移動和嵌入式設備應用。

對于變電所運維人員檢修行為和變電所設備的檢測，使用單階段目標檢測算法YOLO（You Only Look Oncе）算法是一個較好的選擇。原因如下：

（1）實時性：YOLO算法以單次前向傳播的方式進行目標檢測，因此具有較高的實時性。在變電所運維現場，實時監測和檢測是至關重要的，能夠快速發現異常行為或設備故障，及時采取措施，確保電網安全運行。

（2）多類別檢測：YOLO算法能夠同時檢測和識別圖像中的多個不同類別的目標。這對于變電所來說是重要的，因為需要檢測的目標可能包括運維人員的行為，如佩戴安全帽、正確操作設備等，以及變電所的設備，如變壓器、開關等。YOLO能夠一次性檢測多個目標，提供全面的場景分析。

（3）魯棒性和準確性：YOLO算法通過使用深度神經網絡和大規模數據集進行訓練，具有較高的魯棒性和準確性。它能夠處理復雜的場景、遮擋和不同角度的目標，并且在目標定位和邊界框預測方面表現良好。這對于變電所環境中可能存在的復雜背景和目標變化非常重要。

3 視覺技術的應用

針對變電所運維人員佩戴絕緣手套的檢測情況，王彥生等人［2］利用YOLOv5網絡，加入注意力機制和替換損失函數顯著地提升了網絡對絕緣手套佩戴的檢測精度；針對變電站人員異常行為，朱瑪等人［3］通過含有YOLOv4模型的аlрhарosе算法對視頻流中的操作人員姿態進行判斷和跟蹤，并使用操作人員異常行為大數據對YOLOv4模型進行深度學習網絡的訓練，使得訓練后的аlрhарosе算法可以對視頻流中操作人員異常行為進行檢測報警。

對于變電所內設備同樣可以使用YOLO網絡進行檢測，李家源等人［4］通過對YOLO網絡進行注意力機制、損失函數和上采樣方式等方面的改進，顯著提升了風力發電機內部設備的識別能力，同時結合相應傳感器數據對運行設備的溫度和傾角進行檢測，并且改進后的檢測速度仍達到0.7ms，可保證對電力設備實時檢測的要求。

4 結束語

在農村地區，變電所的運維和設備檢測對于電網的安全和穩定運行具有重要意義。本文通過介紹變電所的重要性以及對運維人員行為和設備的檢測需求，探討了計算機視覺技術在該領域的應用前景。

隨著計算機視覺技術的不斷發展，其在農村變電所的應用正日益受到關注。通過使用先進的算法和模型，如YOLO等，可以實現實時的目標檢測和識別，對運維人員的行為以及變電所設備進行全面監測。這種技術能夠幫助我們及時發現問題和異常情況，以便采取及時的措施，提高電網的安全性和可靠性。

農村變電所的特殊環境和工作條件使得視覺技術的應用具有挑戰性。然而，計算機視覺技術的快速發展和不斷優化的算法使其成為解決這些挑戰的有力工具。通過結合傳感器技術、圖像處理和深度學習等方法，我們可以實現對運維人員行為的監測，如佩戴安全帽、正確操作設備等。同時，也可以對變電所設備進行檢測，如變壓器、開關等的狀態和異常情況。

計算機視覺技術在農村變電所的應用不僅有助于提高電網的安全性和穩定性，還可以提高工作效率和降低運維成本。通過自動化的檢測和監測，可以減少人工巡檢的工作量，并及時發現潛在的故障和風險，提前進行維護和修復，避免事故的發生，保障農村電網的可靠供電。

然而，我們也要認識到計算機視覺技術在變電所應用中的局限性和挑戰。算法的準確性、魯棒性和實時性仍然是需要不斷改進和優化的方面。此外，隱私和數據安全等問題也需要引起足夠的關注和保護。

總之，計算機視覺技術在農村變電所的應用具有廣闊的前景和潛力。通過不斷的研究和創新，我們可以進一步發展和完善這些技術，為農村電網的安全和可靠運行做出更大的貢獻。通過技術的推動，我們相信農村變電所的運維和設備檢測將迎來更加智能化和高效的時代。