基于機(jī)器視覺的智慧變電站運(yùn)行狀態(tài)監(jiān)測(cè)方法

0引言當(dāng)下，隨著城市化進(jìn)程的快速推進(jìn)，能源需求不斷增加。特別是在中國(guó)這樣的新興經(jīng)濟(jì)體中，城市化進(jìn)程更為迅猛。城市化帶來了巨大的電力需求，要保證供電的可靠性和穩(wěn)定性，電網(wǎng)系統(tǒng)必須不斷擴(kuò)大和升級(jí)。為了滿足這種需求，變電站的規(guī)模數(shù)量迅速擴(kuò)大［1］。然而，傳統(tǒng)的變電站監(jiān)測(cè)方法存在許多問題和挑戰(zhàn)。首先，傳統(tǒng)監(jiān)測(cè)手段主要依靠巡視和定期檢修，無法實(shí)現(xiàn)對(duì)設(shè)備運(yùn)行狀態(tài)進(jìn)行連續(xù)、實(shí)時(shí)的監(jiān)測(cè)。其次，傳統(tǒng)監(jiān)測(cè)方式通常需要人工操作，不僅效率低下，而且存在安全隱患。此外，傳統(tǒng)監(jiān)測(cè)方法還面臨著數(shù)據(jù)獲取困難、數(shù)據(jù)處理復(fù)雜以及無法準(zhǔn)確預(yù)測(cè)故障等問題。為了解決這些問題，智慧變電站運(yùn)行狀態(tài)監(jiān)測(cè)方法逐漸興起，以及時(shí)發(fā)現(xiàn)故障和異常。為此，相關(guān)領(lǐng)域研究人員展開了研究。王博等人［2］提出智能變電站機(jī)械狀態(tài)自動(dòng)監(jiān)測(cè)方法。采集機(jī)械狀態(tài)下振動(dòng)信號(hào)；通過小波閾值濾除信號(hào)噪聲，再對(duì)信號(hào)進(jìn)行特征提取，最后構(gòu)建狀態(tài)實(shí)時(shí)監(jiān)測(cè)模型，完成狀態(tài)監(jiān)測(cè)。該方法監(jiān)測(cè)速度較快，但誤差較高，監(jiān)測(cè)效果較差。因此，為提高智慧變電站運(yùn)行狀態(tài)監(jiān)測(cè)效果，為人員提供及時(shí)的故障診斷和安全預(yù)警，提出基于機(jī)器視覺的智慧變電站運(yùn)行狀態(tài)監(jiān)測(cè)方法研究。1智慧變電站運(yùn)行狀態(tài)采集及預(yù)處理機(jī)器視覺是一種利用攝像機(jī)和計(jì)算機(jī)視覺算法結(jié)合，實(shí)現(xiàn)對(duì)圖像或視頻數(shù)據(jù)進(jìn)行分析、處理的技術(shù)。機(jī)器視覺可以快速采集和處理大量的圖像數(shù)據(jù)，并進(jìn)行實(shí)時(shí)監(jiān)測(cè)，及時(shí)發(fā)現(xiàn)運(yùn)行中潛在的異常狀況。其無需物理接觸被監(jiān)測(cè)的設(shè)備或場(chǎng)景，降低了人員操作風(fēng)險(xiǎn)，提高了監(jiān)測(cè)的安全性與可靠性。為實(shí)現(xiàn)后續(xù)的智慧變電站運(yùn)行狀態(tài)監(jiān)測(cè)，展開智慧變電站運(yùn)行狀態(tài)采集。選擇高分辨率的工業(yè)級(jí)攝像機(jī)采集圖像，該相機(jī)需具備良好的防塵防水性能，能夠適應(yīng)變電站復(fù)雜的光照條件。通過安裝多個(gè)攝像頭覆蓋不同的設(shè)備和角度，以獲取多視角的圖像數(shù)據(jù)，獲取變電站的全面信息。同時(shí)，選擇高速硬盤陣列的數(shù)據(jù)存儲(chǔ)設(shè)備，確保對(duì)大量采集的圖像進(jìn)行穩(wěn)定和可靠的存儲(chǔ)。并通過以太網(wǎng)連接攝像機(jī)，使用協(xié)議如TCP/ⅠP來傳輸圖像數(shù)據(jù)，支持實(shí)時(shí)監(jiān)測(cè)。為提高后續(xù)監(jiān)測(cè)的準(zhǔn)確性，需提高圖像質(zhì)量，接下來進(jìn)行圖像的預(yù)處理操作。首先，進(jìn)行圖像濾波操作，以消除噪聲成分［3］。假設(shè)f（x，y）表示原圖像，g（x，y）表示處理后的圖像，采用線性濾波器實(shí)現(xiàn)去噪處理，其原理如下圖1所示。圖1線性濾波示意圖f（x，y）原始圖像與正方形掩膜h（x，y）進(jìn)行卷積生成圖像g（x，y），即圖像g（x，y）中紅色標(biāo)記的像素是根據(jù)圖像f（x，y）綠色標(biāo)記的像素與掩膜h（x，y）計(jì)算得到的。由此，濾波系數(shù)可由下述公式（1）獲得：基于所獲得的濾波系數(shù)，完成對(duì)圖像的濾波處理。利用式（2）可完成原始圖像f（x，y）到濾波處理圖像g（x，y）的轉(zhuǎn)換。其公式表達(dá)式如下所示：為了使濾波后的圖像有更自然的平滑效果，實(shí)現(xiàn)圖像的增強(qiáng)，可以通過改變掩膜的權(quán)重值大小來修正濾波處理造成的圖像模糊。一種有效的權(quán)重分配思想是根據(jù)像素點(diǎn)與掩膜中心點(diǎn)的距離來分配權(quán)重，使得濾波權(quán)重的值與像素點(diǎn)和掩膜中心的距離成反比，即距離掩膜中心越遠(yuǎn)，濾波權(quán)重值越小，基于這種權(quán)重值分配的濾波方法可以保證圖像中心點(diǎn)的像素值與其距離相近的位置的像素值接近，從而減小了均值濾波處理后圖像的模糊效應(yīng)。這種像素點(diǎn)與掩膜中心距離相關(guān)的濾波掩膜稱為高斯掩膜，以高斯掩膜濾波的方式就是高斯濾波。高斯濾波根據(jù)二維高斯函數(shù)對(duì)濾波權(quán)重值進(jìn)行分配，由此任意大小的高斯掩膜均可通過一個(gè)奇數(shù)尺寸的矩陣w來表示，式（3）為標(biāo)準(zhǔn)高斯濾波掩膜，式中k為非負(fù)整數(shù)。式中，σ2表示方差。綜上，可獲得增強(qiáng)后的圖像，其表示如下：2智慧變電站運(yùn)行狀態(tài)監(jiān)測(cè)特征提取在處理圖像的過程中，應(yīng)保留圖像中有用的像素點(diǎn)，其余進(jìn)行剔除，以提高后續(xù)處理的效率。一種簡(jiǎn)單的處理思想是選擇一個(gè)可以起到臨界區(qū)分作用的像素值，將圖像中的每個(gè)像素值與該臨界像素值做比較，按照像素值對(duì)比的大小將結(jié)果分為兩類。圖像閾值化處理方法就是按照這種思想提出的一種方法，該方法是一種基于灰度圖像的處理方法，所選擇的起到區(qū)分作用的像素值稱為閾值，該方法可以將一幅灰度圖像轉(zhuǎn)換為一幅僅含兩類易于區(qū)分的顏色的圖像。一般情況下閾值化將圖像轉(zhuǎn)換為一幅非黑即白的圖像，圖像閾值化處理方法又叫灰度閾值變換或二值化。式（5）是閾值化的數(shù)學(xué)公式，其中S(x，y)表示處理后的圖像，Td表示所選的閾值，MaxValue和MinValue是二值化后的兩類像素值，當(dāng)MaxValue和MinValue的值分別為255和0時(shí)的圖像閾值操作也稱為圖像的二值化操作，對(duì)圖像進(jìn)行閾值化處理，能快速的提取出圖像的感興趣特征，則其表示如下：由此，實(shí)現(xiàn)圖像的感興趣特征提取。3智慧變電站運(yùn)行狀態(tài)監(jiān)測(cè)的實(shí)現(xiàn)支持向量機(jī)具有較強(qiáng)的泛化能力和非線性分類能力，與傳統(tǒng)的線性分類器相比，SVM可以更好地處理非線性數(shù)據(jù)，并通過核函數(shù)的選擇將樣本映射到高維空間來實(shí)現(xiàn)更復(fù)雜的分類決策。為提高支持向量機(jī)的分類性能，確保監(jiān)測(cè)結(jié)果的準(zhǔn)確性，采用灰狼優(yōu)化算法搜索最優(yōu)的SVM參數(shù)組合，找到更合適的參數(shù)配置，提高SVM模型的性能。首先收集智慧變電站運(yùn)行中所出現(xiàn)的故障狀態(tài)數(shù)據(jù)，通過此數(shù)據(jù)來訓(xùn)練支持向量機(jī)，在訓(xùn)練階段，SVM會(huì)基于已標(biāo)記（有類別標(biāo)簽）的訓(xùn)練樣本學(xué)習(xí)如何進(jìn)行分類，SVM分類模型表示如下：式中，C為懲罰因子，K(x，xi)為高斯徑向基核函數(shù)，b為偏置，l為待識(shí)別圖像數(shù)量，sign(?)為符號(hào)函數(shù)，Yi為訓(xùn)練數(shù)據(jù)樣本的類別標(biāo)簽。其中K(x，xi)和C的取值會(huì)對(duì)分類模型的結(jié)果產(chǎn)生較大的影響，為提高監(jiān)測(cè)結(jié)果的準(zhǔn)確性，接下來將采用灰狼優(yōu)化算法展開對(duì)SVM分類模型參數(shù)的尋優(yōu)，以找到更合適的參數(shù)配置，提高SVM模型的性能。其尋優(yōu)的具體實(shí)現(xiàn)步驟描述如下：（1）確定參數(shù)空間隨機(jī)初始種群α、β和δ的位置，如下所示：（2）更新灰狼位置，表示如下：式中，Xα、Xβ、Xδ分別為α、β和δ的位置。（3）灰狼優(yōu)化算法在迭代過程中，易陷入局部最優(yōu)解，降低定位準(zhǔn)確度。為此，采用萊維飛行來實(shí)現(xiàn)對(duì)灰狼優(yōu)化算法的改進(jìn)。在利用改進(jìn)后的灰狼優(yōu)化算法時(shí)，計(jì)算狼群的參數(shù)向量A模的值，根據(jù)比較結(jié)果得到最優(yōu)值，當(dāng)∣A∣≥0.5時(shí)更新灰狼位置，則更新公式為：式中，⊕為點(diǎn)對(duì)點(diǎn)乘法；l為控制步長(zhǎng)權(quán)重；Levi(.)為萊維分布隨機(jī)搜索路徑。（4）尋優(yōu)過程中將交叉驗(yàn)證函數(shù)作為適應(yīng)度函數(shù)，其表示如下：式中，s為隨機(jī)整數(shù)，M為最大迭代次數(shù)，n為當(dāng)前迭代次數(shù)，best表示最佳適應(yīng)度，avg表示平均適應(yīng)度。（5）計(jì)算各位置的適應(yīng)度值，若更新后位置的適應(yīng)度值小于上一位置的適應(yīng)度值，則輸出尋優(yōu)后的結(jié)果，若大于則返回步驟（3）。綜上，完成對(duì)核函數(shù)K和懲罰因子C的尋優(yōu)，將尋優(yōu)后的結(jié)果代回到公式（6）中，實(shí)現(xiàn)對(duì)智慧變電站運(yùn)行狀態(tài)的監(jiān)測(cè)。4實(shí)驗(yàn)測(cè)試本章實(shí)驗(yàn)程序采用VisuаlC++6.0軟件在Windows平臺(tái)下編寫，設(shè)核函數(shù)K(x，xi)和懲罰因子C的搜索范圍分別為[2-2，24]和[2-4，24]，種群數(shù)量為20，最大迭代數(shù)為100次。實(shí)驗(yàn)中采集100張智慧變電站運(yùn)行狀態(tài)的圖像進(jìn)行測(cè)試，隨機(jī)選取35幅圖像用作測(cè)試。為實(shí)現(xiàn)對(duì)所提方法有效性的驗(yàn)證，將其與文獻(xiàn)［2］中的方法展開對(duì)比測(cè)試，將測(cè)試誤差作為指標(biāo)來衡量?jī)煞N方法對(duì)智慧變電站運(yùn)行狀態(tài)監(jiān)測(cè)的準(zhǔn)確性，其測(cè)試結(jié)果如下表1所示。表1監(jiān)測(cè)誤差測(cè)試結(jié)果由表1所得的測(cè)試結(jié)果可知，采用所提方法進(jìn)行智慧變電站運(yùn)行狀態(tài)監(jiān)測(cè)，其監(jiān)測(cè)誤差始終低于0.3，而采用文獻(xiàn)［2］方法進(jìn)行智慧變電站運(yùn)行狀態(tài)監(jiān)測(cè)，其監(jiān)測(cè)誤差始終在0.5以上。對(duì)比兩種方法所得結(jié)果可知，所提方法監(jiān)測(cè)誤差更低，監(jiān)測(cè)更加準(zhǔn)確。由此說明，采用所提方法對(duì)智慧變電站運(yùn)行狀態(tài)監(jiān)測(cè)，具有更高的監(jiān)測(cè)效果。5結(jié)束語為解決傳統(tǒng)監(jiān)測(cè)手段無法準(zhǔn)確監(jiān)測(cè)變電站運(yùn)行狀態(tài)故障等問題，提出基于機(jī)器視覺的智慧變電站運(yùn)行狀態(tài)監(jiān)測(cè)方法。首先采用高分辨率的工業(yè)級(jí)攝像機(jī)采集圖像，并利用線性濾波處理方法進(jìn)行去噪，為進(jìn)一步提高處理后的圖像質(zhì)量，通過改變掩膜的權(quán)重值大小來修正濾波處理造成的圖像模糊，使處理后的圖像有更自然的平滑效果，實(shí)現(xiàn)圖像的增強(qiáng)。其次，利用二值化快速