基于機器視覺的智慧變電站運行狀態(tài)監(jiān)測方法

0引言當(dāng)下，隨著城市化進程的快速推進，能源需求不斷增加。特別是在中國這樣的新興經(jīng)濟體中，城市化進程更為迅猛。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)必須不斷擴大和升級。為了滿足這種需求，變電站的規(guī)模數(shù)量迅速擴大［1］。然而，傳統(tǒng)的變電站監(jiān)測方法存在許多問題和挑戰(zhàn)。首先，傳統(tǒng)監(jiān)測手段主要依靠巡視和定期檢修，無法實現(xiàn)對設(shè)備運行狀態(tài)進行連續(xù)、實時的監(jiān)測。其次，傳統(tǒng)監(jiān)測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)測故障等問題。為了解決這些問題，智慧變電站運行狀態(tài)監(jiān)測方法逐漸興起，以及時發(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］提出智能變電站機械狀態(tài)自動監(jiān)測方法。采集機械狀態(tài)下振動信號；通過小波閾值濾除信號噪聲，再對信號進行特征提取，最后構(gòu)建狀態(tài)實時監(jiān)測模型，完成狀態(tài)監(jiān)測。該方法監(jiān)測速度較快，但誤差較高，監(jiān)測效果較差。因此，為提高智慧變電站運行狀態(tài)監(jiān)測效果，為人員提供及時的故障診斷和安全預(yù)警，提出基于機器視覺的智慧變電站運行狀態(tài)監(jiān)測方法研究。1智慧變電站運行狀態(tài)采集及預(yù)處理機器視覺是一種利用攝像機和計算機視覺算法結(jié)合，實現(xiàn)對圖像或視頻數(shù)據(jù)進行分析、處理的技術(shù)。機器視覺可以快速采集和處理大量的圖像數(shù)據(jù)，并進行實時監(jiān)測，及時發(fā)現(xiàn)運行中潛在的異常狀況。其無需物理接觸被監(jiān)測的設(shè)備或場景，降低了人員操作風(fēng)險，提高了監(jiān)測的安全性與可靠性。為實現(xiàn)后續(xù)的智慧變電站運行狀態(tài)監(jiān)測，展開智慧變電站運行狀態(tài)采集。選擇高分辨率的工業(yè)級攝像機采集圖像，該相機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，選擇高速硬盤陣列的數(shù)據(jù)存儲設(shè)備，確保對大量采集的圖像進行穩(wěn)定和可靠的存儲。并通過以太網(wǎng)連接攝像機，使用協(xié)議如TCP/ⅠP來傳輸圖像數(shù)據(jù)，支持實時監(jiān)測。為提高后續(xù)監(jiān)測的準(zhǔn)確性，需提高圖像質(zhì)量，接下來進行圖像的預(yù)處理操作。首先，進行圖像濾波操作，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，實現(xiàn)圖像的增強，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)像素點與掩膜中心點的距離來分配權(quán)重，使得濾波權(quán)重的值與像素點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)對濾波權(quán)重值進行分配，由此任意大小的高斯掩膜均可通過一個奇數(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，可獲得增強后的圖像，其表示如下：2智慧變電站運行狀態(tài)監(jiān)測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，其余進行剔除，以提高后續(xù)處理的效率。一種簡單的處理思想是選擇一個可以起到臨界區(qū)分作用的像素值，將圖像中的每個像素值與該臨界像素值做比較，按照像素值對比的大小將結(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時的圖像閾值操作也稱為圖像的二值化操作，對圖像進行閾值化處理，能快速的提取出圖像的感興趣特征，則其表示如下：由此，實現(xiàn)圖像的感興趣特征提取。3智慧變電站運行狀態(tài)監(jiān)測的實現(xiàn)支持向量機具有較強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現(xiàn)更復(fù)雜的分類決策。為提高支持向量機的分類性能，確保監(jiān)測結(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，在訓(xùn)練階段，SVM會基于已標(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為待識別圖像數(shù)量，sign(?)為符號函數(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的取值會對分類模型的結(jié)果產(chǎn)生較大的影響，為提高監(jiān)測結(jié)果的準(zhǔn)確性，接下來將采用灰狼優(yōu)化算法展開對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)的具體實現(xiàn)步驟描述如下：（1）確定參數(shù)空間隨機初始種群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，采用萊維飛行來實現(xiàn)對灰狼優(yōu)化算法的改進。在利用改進后的灰狼優(yōu)化算法時，計算狼群的參數(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時更新灰狼位置，則更新公式為：式中，⊕為點對點乘法；l為控制步長權(quán)重；Levi(.)為萊維分布隨機搜索路徑。（4）尋優(yōu)過程中將交叉驗證函數(shù)作為適應(yīng)度函數(shù)，其表示如下：式中，s為隨機整數(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，實現(xiàn)對智慧變電站運行狀態(tài)的監(jiān)測。4實驗測試本章實驗程序采用VisuаlC++6.0軟件在Windows平臺下編寫，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。實驗中采集100張智慧變電站運行狀態(tài)的圖像進行測試，隨機選取35幅圖像用作測試。為實現(xiàn)對所提方法有效性的驗證，將其與文獻［2］中的方法展開對比測試，將測試誤差作為指標(biāo)來衡量兩種方法對智慧變電站運行狀態(tài)監(jiān)測的準(zhǔn)確性，其測試結(jié)果如下表1所示。表1監(jiān)測誤差測試結(jié)果由表1所得的測試結(jié)果可知，采用所提方法進行智慧變電站運行狀態(tài)監(jiān)測，其監(jiān)測誤差始終低于0.3，而采用文獻［2］方法進行智慧變電站運行狀態(tài)監(jiān)測，其監(jiān)測誤差始終在0.5以上。對比兩種方法所得結(jié)果可知，所提方法監(jiān)測誤差更低，監(jiān)測更加準(zhǔn)確。由此說明，采用所提方法對智慧變電站運行狀態(tài)監(jiān)測，具有更高的監(jiān)測效果。5結(jié)束語為解決傳統(tǒng)監(jiān)測手段無法準(zhǔn)確監(jiān)測變電站運行狀態(tài)故障等問題，提出基于機器視覺的智慧變電站運行狀態(tài)監(jiān)測方法。首先采用高分辨率的工業(yè)級攝像機采集圖像，并利用線性濾波處理方法進行去噪，為進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，實現(xiàn)圖像的增強。其次，利用二值化快速