CN110675377B - 一种变电站继电保护装置状态监测系统及方法 - Google Patents

Abstract

本发明公开了一种变电站继电保护装置状态监测系统及方法，根据平移变焦摄像机不间断拍摄得到的变电站实时画面，首先基于图像平滑进行去噪声处理，随后进行图像配准，再通过使用卷积神经网络技术对图像进行分析，可以准确地对装置是否出于正常状态进行鉴别。另一方面，摄像机可以在不中断配电服务的情况下进行安装和维护，且单个摄像机可以监控多个装置，因此这一方案在提高状态监测准确性的同时，也可以大幅节省整个系统的成本。进一步地，针对复杂自然环境下的模型鲁棒性问题，本发明的图像配准方案，使得模型可以在多变的光照条件下保持性能。

Description

一种变电站继电保护装置状态监测系统及方法

技术领域

本发明涉及一种变电站继电保护装置状态监测系统及方法。

背景技术

变电站是电力输送系统的重要组成部分，负责将高电压转换为中低电压，并将电力引导至配电线路。变电站中的继电保护装置对于变电站安全具有不可替代的意义，当变电站设备发生故障时，可以通过继电保护装置及时报警并隔离故障设施，维持电网系统的正常运行。因此，保持变电站继电保护装置的正常工作状态对于电力安全至关重要。但通常情况下，一个城市可能有几十个变电站，而一个变电站内也可能有多个继电保护装置，这使得实时地人为监测所有继电保护装置并不可行。因此，传统的做法是依赖定期地进行人工检查，这不仅耗费大量人力物力，且可能由于各种因素存在一些难以发现的故障，例如由于恶劣天气、光照条件或杂乱的环境导致的检查失误。而变电站巡视机器人或无人机等方案虽然可以一定程度上节省人工成本，但机器人与无人机本身具有较高的造价，因此很难做到全面的实时检测。

随着人工智能技术的流行，出现了各种使用计算机视觉等技术的变电站巡视机制用于克服人工检查的局限。例如，使用实时红外图像分析变电站各类设备的老化情况，以及识别隔离开关的状态等。这类方法在小规模的数据集上取得了一定的效果，但并不适合复杂外部环境下的使用场景。

发明内容

针对上述现有技术，本发明提出一种变电站继电保护装置状态监测系统及方法，可以准确地对装置是否出于正常状态进行鉴别。

包括安装在变电站中的至少一台平移变焦摄像机，以及与所述平移变焦摄像机连接的计算机，所述至少一台平移变焦摄像机用于对变电站继电保护装置进行不间断拍摄并采集得到图像，所述计算机包括存储有执行以下程序的存储器：

步骤1：对采集到的图像进行图像降噪；

步骤2：对降噪处理后的图像采用相位相关算法进行图像配准，包括对降噪后的图像在梯度场G上做离散周期信号变换，配准对象为像素之间的差值；

步骤3：对配准后的图像采用尺度不变换特征变换描述子进行图像特征提取；

步骤4：根据步骤3提取的特征，采用基于卷积神经网络模型进行继电保护装置的状态识别，输出识别结果。

进一步的，在所述系统部署时，首先需要人工对带有继电保护装置的变电站图像进行标注，具体是在图像上用线框标记出继电保护装置的位置；其中，需要使用各种光照自然条件下的图像。

进一步的，所述步骤1中，图像降噪方法为使用多次连续拍摄到的图像的平均值输入到识别模型。

进一步的，所述步骤2中，对降噪后的图像f在梯度场G上做离散周期信号变换得到：

其中，(x,y)表示像素在图像中的坐标，G_x(x,y)与G_y(x,y)分别是图像f的偏导数，计算方式为：

G_x(x,y)＝f(x+1,y)-f(x-1,y)

G_y(x,y)＝f(x,y+1)-f(x,y-1)。

(x,y)表示图像像素的坐标，f(x,y)表示坐标为(x,y)的图像像素。

进一步的，所述步骤3包括如下具体步骤：生成图像的尺度空间、检测尺度空间的极值点、定位极值点、为每个关键点指定梯度和方向参数、生成关键点描述子。

进一步的，所述步骤4中，在训练卷积神经网络模型时，训练样本包括在各种照明和天气条件的包括继电保护装置各种状态的图像，还包括对样本图像添加随机修改；其中，所述修改具体包括裁剪，模糊，镜像操作和更改亮度。

进一步的，在进行所述卷积神经网络模型测试时，每个测试结果都是由五次测试的结果经过舍弃最高与最低值并取平均值得到。

一种变电站继电保护装置状态监测方法，采用上述变电站继电保护装置状态监测系统进行，所述方法其具体包括如下步骤：

步骤1：对采集到的图像进行图像降噪；

步骤2：对降噪处理后的图像采用相位相关算法进行图像配准，包括对降噪后的图像在梯度场G上做离散周期信号变换，配准对象为像素之间的差值；

步骤3：对配准后的图像采用尺度不变换特征变换描述子进行图像特征提取；

步骤4：根据步骤3提取的特征，采用基于卷积神经网络模型进行继电保护装置的状态识别，输出识别结果。

进一步的，所述步骤1中，图像降噪方法为使用多次连续拍摄到的图像的平均值输入到识别模型。

进一步的，所述步骤2中，对降噪后的图像f在梯度场G上做离散周期信号变换得到：

其中，(x,y)表示像素在图像中的坐标，G_x(x,y)与G_y(x,y)分别是图像f的偏导数，计算方式为：

G_x(x,y)＝f(x+1,y)-f(x-1,y)

G_y(x,y)＝f(x,y+1)-f(x,y-1)。

(x,y)表示图像像素的坐标，f(x,y)表示坐标为(x,y)的图像像素。

本发明的一种变电站继电保护装置状态监测系统及方法，根据平移变焦摄像机不间断拍摄得到的变电站实时画面，通过使用卷积神经网络技术对图像进行分析，可以准确地对装置是否出于正常状态进行鉴别。另一方面，摄像机可以在不中断配电服务的情况下进行安装和维护，且单个摄像机可以监控多个装置，因此这一方案在提高状态监测准确性的同时，也可以大幅节省整个系统的成本。进一步地，针对复杂自然环境下的模型鲁棒性问题，本发明的图像配准方案，不直接对原始图像做离散周期信号变换，而是在其梯度场G上做离散周期信号变换，使得模型可以在多变的光照条件下保持性能，有效地消除光照的变化带来的影响。

附图说明

图1为本发明系统结构示意图；

图2为本发明方法流程图。

具体实施方式

下面结合附图对本发明做更进一步的解释。

如图1所示，一种变电站继电保护装置状态监测系统，包括安装在变电站中的四台平移变焦摄像机，以及分别与四台平移变焦摄像机连接的计算机。本实施例中，平移变焦摄像机的分辨率为1920×1080。

本系统根据平移变焦摄像机的实时画面，首先进行图像去噪声处理，并对图像配准后提取图像特征，随后基于卷积神经网络进行状态识别。在系统部署时，首先需要人工对大量带有继电保护装置的变电站图像进行标注，具体是在图像上用线框标记出继电保护装置的位置。由于卷积神经网络具有很强的特征自动提取能力，因此标记可以是近似的矩形框，而不必准确勾勒出目标的范围。由于数据集的质量对模型训练的最终效果有较强影响，因此数据标注工作在保证一定数据量的同时，还需要保证图像的多样性和代表性，即需要使用各种光照等自然条件下的图片。

如图2所示，计算机包括存储有执行以下程序的存储器：

步骤1：对采集到的图像进行图像降噪。

为了减少平移变焦摄像机图像中的噪声，特别是低光照条件的模糊情形，输入到识别模型的每张图像都使用多次连续拍摄到的图像的平均值，本实施例中使用100次连续拍摄的平均值。这一处理使得在图像中快速移动通过的物体，如雨滴被充分平滑以至于几乎不可见。

步骤2：对降噪处理后的图像采用相位相关算法进行图像配准，包括对降噪后的图像在梯度场G上做离散周期信号变换，配准对象为像素之间的差值。

本发明适用于一般的拍摄情形，即允许摄像机处于一定距离外，且使用不同的平移变焦设置监控多个设备。这些设置在使用图像配准重建图像的过程中引入了一定随机性，一方面，这使得机器学习算法可以学习到多样的情形，避免发生过拟合；另一方面，这也增加了算法学习的难度。由于在测试中观察到的帧变化充分小，可以使用平移来近似，因此采用计算复杂度较低的相位相关算法用于对齐图像。算法基于以下思路：平移操作对傅立叶频谱的影响极小，但可以导致相位上出现可测量的变化。给定图像f与g，分别计算，记为F{f}与F{g}，并得到归一化的交叉功率谱密度C：

其中，F{g}表示复共轭。再取交叉功率谱密度C的傅立叶反变换得到空域表示c：

c＝F^-1{C} (2)

分别取c的实部c_r和虚部c_i并计算矢量长度就可得到交叉相关图r(x,y)：

根据r(x,y)中峰值强度相对于原点的偏移可以估计出图像f与g之间的偏移，从而实现亚像素级别精度的图像插值，原点通常取图像的几何中心。

如果图像之间互为循环移位版本，即图像一侧的内容恰好被完整复制到相对的一侧，则这一方法可以精确地确定图像的偏移。而实际情形中由于时间差异或摄像机设置的变化，准确的循环移位并不存在。但真实场景下的测试表明，只要图像中的场景保持大致相同，就可以做到较好的估计。然而，在图像之间存在光照的强烈变化时，标准的图像配准做法难以处理这种情形。因此，本发明不直接对原始图像做离散周期信号变换，而是在其梯度场G上做离散周期信号变换，得到：

其中，(x,y)表示像素在图像中的坐标，G_x(x,y)与G_y(x,y)分别是图像f的偏导数，计算方式为：

G_x(x,y)＝f(x+1,y)-f(x-1,y) (5)

G_y(x,y)＝f(x,y+1)-f(x,y-1) (6)

由于目标边缘上的梯度较强，因此图像配准过程主要受场景结构与物体的形状而非具体的像素强度影响。通过对配准方案的这一改进，可以将配准的对象由像素变为像素之间的差值，从而有效地消除光照的变化带来的影响。

步骤3：对配准后的图像采用尺度不变换特征变换描述子进行图像特征提取，所述步骤3包括如下具体步骤：生成图像的尺度空间、检测尺度空间的极值点、定位极值点、为每个关键点指定梯度和方向参数、生成关键点描述子。

由于渐变的方向指示出对比度的变化方向，因此这种在这一修改下明-暗和暗-明转变的效果是相同的。这使得尺度不变换特征变换描述子不能表示出图像中得纹理，但在目标可能比背景更亮或更暗的情况下具有更高鲁棒性。同时也可以更为简洁，因为相比标准的尺度不变换特征变换，本发明只需要更少的直方图来覆盖相同的方向。

步骤4：根据步骤3提取的特征，包括图像的尺度空间、检测尺度空间的极值点、定位极值点、每个关键点指定梯度和方向参数、关键点描述子等等，采用基于卷积神经网络模型进行继电保护装置的状态识别，输出识别结果。

本发明采用卷积神经网络模型来识别继电保护装置的状态。尽管在图像分类领域中流行的模型包括大量结构高度复杂的网络，但实验表明这些模型反而容易陷入过拟合的困境。因此本发明实际采用的使规模相对较小的一类卷积神经网络，其部分参数见表1。

表1

其中，CV表示卷积层(convolutionlayer)，MP表示最大池化层(max poolinglayer)，LRN表示局部响应归一化层(local responsenormalization layer)，FC表示全连接层(fullyconnection layer)，ReLU表示线性整流激活函数(rectified linear unit)。

训练网络时考虑的一个重要因素是需要提供在各种照明和天气条件的包括继电保护装置各种状态的图像。由于图像中将有来自相同帧的多个样本，因此还可以对样本图像添加随机修改，以防止模型出现过拟合，可能的修改包括裁剪，模糊，镜像操作和更改亮度。

本发明所使用的卷积神经网络模型为Python语言给予开源深度学习库Tensorflow搭建，在图像去噪与特征提取部分使用了开源图像处理库OpenCV，全部实验在Ubuntu14.04.5环境中进行。硬件配置上，使用一台内存为32GB的计算机，并借助一块NVIDIA2080Ti GPU以加速模型的训练过程。

实验中所使用的数据集包括4台平移变焦摄像机收集到的图像，图像采集至在某变电站的一个月内拍摄到的实时照片，经过挑选，共保留18929张照片用于模型的训练与测试。数据集中包括了各种强度光照与各种天气条件下的照片，具有高度代表性与多样性。根据大致4:1的比例，随机地选择出3800张照片作为测试集，15129张照片作为训练集。

为检测本发明的实际表现，在训练集上对模型进行了训练并在测试集上进行评估。为尽可能消除数据集选择过程中的不确定性与卷积神经网络参数初始化中的不确定性，每个测试结果都是由五次测试的结果经过舍弃最高与最低值并取平均值得到的。为全面地评估模型的性能，考察了是否进行图像配准的情形，同时与经典的支持向量机(Support VectorMachine，SVM)方法做对比，表2给出了完整实验结果。

表2

从表中结果可以发现，两种模型在不同场景下都具有较高的准确度，但以卷积神经网络为代表的深度学习方法依然具有较明显的优势。并且，图像配准过程对于模型分类性能的提升有一定帮助，反映了数据集质量对预测结果的重要意义。然而，深度学习模型在有效提升精确率的同时，牺牲了一定的模型可解释性。

一种变电站继电保护装置状态监测方法，采用上述的变电站继电保护装置状态监测系统进行，所述方法其具体包括如下步骤：

步骤1：对采集到的图像进行图像降噪；所述步骤1中，图像降噪方法为使用多次连续拍摄到的图像的平均值输入到识别模型。

步骤2：对降噪处理后的图像采用相位相关算法进行图像配准，包括对降噪后的图像在梯度场G上做离散周期信号变换，配准对象为像素之间的差值；

所述步骤2中，对降噪后的图像f在梯度场G上做离散周期信号变换得到：

其中，(x,y)表示像素在图像中的坐标，G_x(x,y)与G_y(x,y)分别是图像f的偏导数，计算方式为：

G_x(x,y)＝f(x+1,y)-f(x-1,y)

G_y(x,y)＝f(x,y+1)-f(x,y-1)。

(x,y)表示图像像素的坐标，f(x,y)表示坐标为(x,y)的图像像素。

步骤3：对配准后的图像采用尺度不变换特征变换描述子进行图像特征提取；

步骤4：根据步骤3提取的特征，采用基于卷积神经网络模型进行继电保护装置的状态识别，输出识别结果。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (8)

1.一种变电站继电保护装置状态监测系统，其特征在于，包括安装在变电站中的至少一台平移变焦摄像机，以及与所述平移变焦摄像机连接的计算机，所述至少一台平移变焦摄像机用于对变电站继电保护装置进行不间断拍摄并采集得到图像，所述计算机包括存储有执行以下步骤的程序的存储器：

步骤1：对采集到的图像进行图像降噪；

步骤2：对降噪处理后的图像采用相位相关算法进行图像配准，包括对降噪后的图像在梯度场G上做离散周期信号变换，配准对象为像素之间的差值；

步骤3：对配准后的图像采用尺度不变换特征变换描述子进行图像特征提取；

步骤4：根据步骤3提取的特征，基于卷积神经网络模型进行继电保护装置的状态识别，输出识别结果。

2.根据权利要求1所述的变电站继电保护装置状态监测系统，其特征在于，在所述系统部署时，首先需要人工对带有继电保护装置的变电站图像进行标注，具体是在图像上用线框标记出继电保护装置的位置；其中，需要使用各种光照自然条件下的图像。

3.根据权利要求1所述的变电站继电保护装置状态监测系统，其特征在于，所述步骤2中，对降噪后的图像f在梯度场G上做离散周期信号变换，梯度场G表示为：

其中，(x,y)表示像素在图像中的坐标，G_x(x,y)与G_y(x,y)分别是图像f的偏导数，计算方式为：

G_x(x,y)＝f(x+1,y)-f(x-1,y)

G_y(x,y)＝f(x,y+1)-f(x,y-1)

(x,y)表示图像像素的坐标，f(x,y)表示坐标为(x,y)的图像像素。

4.根据权利要求3所述的变电站继电保护装置状态监测系统，其特征在于，所述步骤3包括如下具体步骤：生成图像的尺度空间、检测尺度空间的极值点、定位极值点、为每个关键点指定梯度和方向参数、生成关键点描述子。

5.根据权利要求1所述的变电站继电保护装置状态监测系统，其特征在于，所述步骤4中，在训练卷积神经网络模型时，训练样本包括在各种照明和天气条件下继电保护装置各种状态的图像，还包括对样本图像添加随机修改；其中，所述修改具体包括裁剪，模糊，镜像操作和更改亮度。

6.根据权利要求5所述的变电站继电保护装置状态监测系统，其特征在于，在进行所述卷积神经网络模型测试时，每个测试结果都是由五次测试的结果经过舍弃最高与最低值并取平均值得到。

7.一种变电站继电保护装置状态监测方法，其特征在于：采用权利要求1-6中任一项所述的变电站继电保护装置状态监测系统进行，所述方法具体包括如下步骤：

步骤1：对采集到的图像进行图像降噪；

步骤2：对降噪处理后的图像采用相位相关算法进行图像配准，包括对降噪后的图像在梯度场G上做离散周期信号变换，配准对象为像素之间的差值；

步骤3：对配准后的图像采用尺度不变换特征变换描述子进行图像特征提取；

步骤4：根据步骤3提取的特征，采用卷积神经网络模型进行继电保护装置的状态识别，输出识别结果。

8.根据权利要求7所述的变电站继电保护装置状态监测方法，其特征在于，所述步骤2中，对降噪后的图像f在梯度场G上做离散周期信号变换，梯度场G表示为：

其中，(x,y)表示像素在图像中的坐标，G_x(x,y)与G_y(x,y)分别是图像f的偏导数，计算方式为：

G_x(x,y)＝f(x+1,y)-f(x-1,y)

G_y(x,y)＝f(x,y+1)-f(x,y-1)

(x,y)表示图像像素的坐标，f(x,y)表示坐标为(x,y)的图像像素。

Images