基于视频图像技术的变电站智能化应用系统研究*

何书毅， 何启远， 郑 丁， 黄美琴， 李 强， 汪金礼

(1. 海南电网有限责任公司信息通信分公司， 海南 海口 570203； 2. 安徽南瑞继远电网技术有限公司， 安徽 合肥 230088)

0 引 言

随着“互联网+”时代的来临， 以及视频分析识别技术、 大数据分析等技术的应用发展， 海量视频数据智能化应用成为各行各业视频监控的研究热点[1]. 随着视频采集设备在人们日常生活中使用越来越多， 视频图像数据每时每刻都在产生， 与此同时， 视频图像数据的应用技术也变得越来越重要[1-5]. 我们不仅仅只是关注视频图像能看到什么， 而且更加感兴趣的是准确获取图像信息表达的语义信息[6]. 特别是在电力生产管理活动中， 过去通过构建视频图像监控系统实现远程场景在线， 主要集中在防盗等安全防范领域. 随着智能设备、 视频图像技术的发展以及变电站辅助监控系统建设的进一步完善， 当前变电站存储了海量的视频图像信息. 因此， 结合变电站日常工作要求， 如何利用好这些视频图像数据成为当前变电站运维管理工作的一项重要内容[5].

在变电站的日常工作中， 存在以下几个值得研究的课题， 一是由于刀闸一次设备的生命周期较长， 使用年限较久的设备存在动作机械结构动作不到位情况， 这些状态只能通过现场巡视的方式加以确认； 二是监测变电主设备的在线监测装置虽然能够给出一次设备的一些工作信息， 当发生数据异常时， 需要人工经验进行故障判断， 为获取设备真实运行场景视频信息， 必须通过视频监控平台观看， 不能实现系统一体化管理和故障信息的智能预警； 三是变电站作业现场人员管理难问题， 习惯性违章情况监管不力等现象频繁. 面对上述问题， 随着视频识别分析技术的发展应用， 本文通过构建一套基于视频图像分析的变电站智能化应用系统， 通过多源数据和视频图像的融合， 再结合视频图像分析技术实现变电站智能化管理.

1 系统架构

系统采用层次化设计， 软件功能模块化封装， 总体架构如图 1 所示： 分为硬件层、 操作系统层、 通讯总线层、 数据库层、 公共服务层、 中间件服务层和应用层. 在软件平台的基础上， 通过ICE中间件服务实现了对web， CS、 移动终端等不同类型客户端的支持.

图 1 系统软件结构图Fig.1 System structure diagram

2 关键技术研究

2.1 ICE中间件

根据跨平台技术选择特点和多语言混合编写应用系统实际情况， 在系统设计中设计了中间件服务接口， 该接口采用ICE中间件实现[7]. ICE结构如图 2 所示， 包括客户端和服务端、 ICE核心、 ICE API、 对象适配器、 ICE代理和ICE骨架等部分， 其中客户ICE核心、 服务器核心和对象适配器来自于库文件， 代理和骨架由Slice语言产生， 客户应用和服务器应用由上层应用程序员编写.

图 2 ICE结构Fig.2 ICE structure

ICE接口为分布式应用提供了一整套强大的特征和功能支持， 适用于异构网络环境的面向对象的中间件， 复杂性低， Slice语言定义接口易于使用. 通过ICE中间件， 开发人员不用关注跨平台、 网络底层通信和分布式对象， 可以将更多的精力放在业务逻辑代码处理上. 通过ICE中间件技术将平台网络总线消息发送至接收接口、 数据库操作接口、 信令交互等不同编写语言实现的调用接口进行ICE封装， 业务代码只需关注业务， 进行初始化客户端或者服务端后， 按照一般接口调用实现即可. 如本文通过Slice语言定义实现的主要有数据的读删改查、 视频分析信令交互、 消息发送与接收功能， 定义为

module data{

class DataUtil{

string getObj(string json,string tablename); //读取数据记录

int deleteObj(string json,string tablename);//删除数据记录

int editObj(string objjson,string tablename);//修改数据记录

string insertObj(string objjson,string tablename);//插入数据记录

bool SendVideoAnalysis(string buffer );//视频分析

int mbSendMessage(int sendType,int reportType,string destHost,string destProcessName,string dataBuf,int length); //发送消息

string mbReceiveMessage(int reportType);//接收消息

};

};

2.2 联动方案

采用基于逻辑图的可视化逻辑流程建模， 并结合脚本驱动技术， 达到智能联动控制的目的. 针对联动功能的实现， 系统采用了基于任务、 事件、 网关等模型建立的逻辑图， 进行可视化编辑的逻辑流程建模， 实现联动逻辑的灵活设计， 并结合脚本驱动技术， 达到设备的智能联动控制目的， 具体图像界面配置如图 3 所示.

图 3 联动逻辑配置Fig.3 Logical linkage configuration

该技术有以下特点： ① 采用基于任务、 事件、 网关等逻辑模型的联动控制服务,其中事件模型是联动逻辑的触发条件,任务模型是联动的具体执行动作,网关模型则实现联动的逻辑分支； ② 系统支持系统内和跨系统的设备联动； ③ 提供了基于逻辑图的联动逻辑建模方法， 并支持可视化的组态编辑； ④ 通过逻辑关系的组合， 系统可以支持联动动作的串、 并、 混合执行、 脚本驱动、 闭锁判断和动态干预等丰富的联动功能.

2.3 视频分析算法

视频图像算法分析目前主要还是通过传统检测方法实现， 如图 4 所示， 主要分为3个流程： 建立区域、 特征提取、 分类识别[1]. 这些基本方法在许多工作中采用. 本文根据变电站应用场合特点， 主要是在特征表示这一块开展核心工作， 通过选择合适特征模型映射区域为特征向量后， 从训练样本学习到的分类器进行分类， 进行所属判断. 并且通过手工设计和自动学习的方法训练样本， 提升特征模型的表示能力. 针对电力智能化应用， 本文展示了区域检测、 攀高分析和安全帽识别的算法实现示意图， 如图 4 所示.

图 4 视频分析算法过程示意图Fig.4 Video algorithm analysis schematic diagram

3 智能化应用与实现

针对本文提出的3个研究课题， 通过基于视频图像分析技术的变电站智能化应用系统实现了基本功能， 具体功能验证如下所述.

1) 刀闸识别

当“一键操作”远方遥控指令下达后， 系统联动相应动作设备的多维度实时视频预置位， 针对操作前设备状态、 设备动作视频、 操作后状态进行图像自动抓拍、 录像， 并结合图像分析算法实现状态识别， 为顺控操作提供视频源的验证， 支持异常告警， 保证远方一键操作的可靠性. 验收效果如图 5 所示.

2) 智能联动

当在线监测设备的数据异常时， 结合实时监控系统(SCADA)运行数据和生产管理系统(PMS)台账数据， 智能化应用系统专家库程序通过设备状态评估分析模型分析结果， 向告警服务程序推送异常信息， 触发智能联动推理机服务程启动相应处理流程. 通过联动将监控一次设备的视频图像， 直接形象展示给用户， 用户不但获取了台账数据、 监测数据、 运行数据和告警数据， 而且还能够实时获取设备场景图像， 让我们的运维人员全方位掌控设备的信息数据.

3) 作业行为

变电站作业人员较多， 管理难度大， 通过变电站智能化系统通过视频分析模块主动对作业环境的人员行为进行分析统计， 将作业过程中的违章违规行为， 习惯性错误情况进行主动记录. 监管人员只需通过系统调阅即可获取作业过程中的情况， 并将分析结果和作业抓图保存下来， 随时调看. 图 6 展示了进入变电站内没有正确佩戴安全帽的分析结果.

图 5 刀闸识别校核Fig.5 Auxiliary breaker status video checking

图 6 安全帽检测Fig.6 Safety helmet detection

4 结束语

随着“云、 大、 物、 移”等新技术的不断推进发展和智能化建设迫切需要， 如何将先进的视频技术与电力系统的工作特性相结合， 寻求建设智能电网特色的智能视频分析， 从海量的视频中自动挖掘蕴含一次生产设备的健康状况、 安全生产业务价值信息等， 提升智能化系统实用性、 创新性和管理性的问题有待深入研究. 本文从基础应用开始了相关的课题研究工作， 下一步将通过深度学习等方法进一步研究视频图像技术. 通过视频技术的应用做出更加适合变电站智能化应用的优势系统.

[1] 张慧, 王坤峰, 王飞跃. 深度学习在目标视觉检测中的应用进展与展望[J]. 自动化学报, 2017, 43(8): 1289-1305.

Zhang Hui, Wang Kunfeng, Wang Feiyue. Advances and perspectives on applications of deep learning in visual object detection[J]. Acta Automatica Sinica, 2017, 43(8)： 1289-1305 (in Chinese)

[2] 王向东, 张丽红. 基于动静态特征结合的改进模糊支持向量机行为识别[J]. 测试技术学报, 2017, 31(2)： 125-130.

Wang Xiangdong, Zhang Lihong. Behavior recognition base on improved FSVM employing dynamic and static characteristics[J]. Journal of Test and Measurement Technology, 2017, 31(2)： 125-130. (in Chinese)

[3] 徐勤军, 吴镇扬. 视频序列中的行为识别研究进展[J]. 电子测量与仪器学报, 2014(4)： 343-351.

Xu Qinjun,Wu Zhenyang. Research progress on activity recognition in video[J]. Journal of Electronic Measurement and Instrumentation, 2014 (4)： 343-351.(in Chinese)

[4] 郭玉杰. 基于视频的目标感知与行为识别[D]. 太原： 中北大学, 2014.

[5] 唐超, 王文剑, 李伟, 等. 基于多学习器协同训练模型的人体行为识别方法[J]. 软件学报, 2015, 26(11)： 2939-2950.

Tang Chao, Wang Wenjian, Li Wei, et al. Multi-learner co-training model for Human action recognition[J]. Journal of Software, 2015, 26(11)： 2939-2950.(in Chinese)

[6] 沈海平, 姚楠, 黄薛凌. 基于智能视觉的变电站设备状态智能巡视[J]. 现代电子技术, 2017, 40(9)： 169-172.

Shen Haiping, Yao Nan, Huang Xueling. Substation equipment state intelligent patrol based on intelligent vision[J]. Modern Electronics Technique, 2017, 40(9)： 169-172.(in Chinese)

[7] 赵义奎, 李惠民, 王乐挺, 等. ICE 在配网自动化主站中的应用[J]. 电力系统保护与控制, 2014, 42(1)： 102-107.

Zhao Yikui, Li Huimin, Wang Leting, et al. Application of ICE in the master station of distribution automation[J]. Power System Protection and Control, 2014, 42(1)： 102-107.(in Chinese)