基于人工智能技术的变电站瓦斯继电器油液位置可视化系统平台

岳思凡 李奥 高珊 李楠 胡淼

1. 项目背景

变电站管理是现在电网急需进行完善与加强的地方之一，为了实现对变电站设备及人员的有效管理、检测和监控，让运检人员更加轻松准确的进行运行分析，故障抢修，帮助减少故障停电时间，保障电网稳定供电、设备安全运行和人员良好管理，增强供电服务保障能力，将智能平台与变电站相结合，尤为重要[1]。通过智能检测平台，可以实施监控变电站油液高度，及时的进行故障预警，实时监控;设置定时任务，在规定时间内进行设置好的任务，防止人员任务冲突[2];通过人员管理模块，可以实时的监控人员状态，有效管理人员变动，防止不明人员进入变电站。如今智能检测平台已经在多个省市进行推广，并取得较好的成果。某供电公司智能数字系统。如图一所示：

2. 主要研究内容

针对上述问题，为了更加精准的检测继电器油液高度，在不破坏原有容器的情况下，进行高清摄

像头架设，通过摄像头将油液图像实时传送至服务器处。通过深度学习算法精确识别油液高度，并传送至系统前端;在系统前端绘制实施油液高度波动图像，更加直观的呈现给相关人员，在油液高度超过警戒线时，系统会自动进行报警，避免设备故障，影响供电，及时的将情况反映给检修人员，进行维修处理，同时系统会控制相应供电单元关闭，防止设备损坏。

3. 主要结构及原理

由于摄像机传至后端的图像视频内的目标过多，我们需要克服一些干扰物，对图像进行分析。为此，我们将结合计算机视觉中的目标检测技术，图像分割技术，进行油液高度检测。我们使用目标检测技术中的区域卷积神经网络，通过将深度模型应用于目标检测，使用快速及准确的 FasterR-CNN[3]。FasterR-CNN 将选择性搜索替换成区域提议网络，从而减少提议区域的生成数量，并保证目标检测的精度。具体模型如图二所示：

具体来说区域提议网络的计算步骤如下：

· 使用填充为 1的 3×33times33×3卷積层变换卷积神经网络的输出，并将输出通道数记为 ccc。这样，卷积神经网络为图像抽取的特征图中的每个单元均得到一个长度为 ccc的新特征。

· 以特征图每个单元为中心，生成多个不同大小和宽高比的锚框并标注它们。

· 用锚框中心单元长度为 ccc的特征分别预测该锚框的二元类别（含目标还是背景）和边界框。

· 使用非极大值抑制，从预测类别为目标的预测边界框中移除相似的结果。最终输出的预测边界框即兴趣区域池化层所需要的提议区域

区域提议网络作为FasterR-CNN的一部分，是和整 示：

个模型一起训练得到的。也就是说，FasterR-CNN的目标函数既包括目标检测中的类别和边界框预测，又包括区域提议网络中锚框的二元类别和边界框预测。最终，区域提议网络能够学习到如何生成高质量的提议区域，从而在减少提议区域数量的情况下也能保证目标检测的精度。我们还使用基于边缘检测的图像分割方法，通过确定图像中的边缘像素，然后再把这些像素连接在一起就构成所需的区域边界。图像中一个区域的终结和另一个区域的开始，图像中相邻区域之间的像素集合构成了图像的边缘。所以，图像边缘可以理解为图像灰度发生空间突变的像素的集合。图像边缘有两个要素，即：方向和幅度。沿着边缘走向的像素值变化比较平缓;而沿着垂直于边缘的走向，像素值则变化得比较大。因此，根据这一变化特点，通常会采用一阶和二阶导数来描述和检测边缘。由于我们使用的图像并不复杂与细节并不丰富，所以图像分割可以更加精确的将油液高度划分出来。

4. 项目的创新点及应用情况

相比于单独使用 opencv中的图像处理方法，本系统将目标检测技术与图像分割技术相结合，经确 的排除干扰物，同时能够检测判断出设备是否故障， 并且经过目标检测技术分析图像后，将图像图形化 的呈现在系统界面上，进行多线程处理，可以同时检测多个油液高度。为了验证技术是否可行有效，我 们将国网过去数据图像拿来进行检测结果如图 3所

由图表可以看出，本系统检测十分稳定可靠，对不同情况处理符合国网要求，并且图像反应非常精准。

5. 主要成效分析

该项目主要的有益效果有：在可以 24小时全天进行检测，如果出现突发情况，可以及时关闭相应设备，防止设备故障，同时可以进行报警处理，及时呼叫相关人员进行故障处理。还可以提前示警相关人员，使相关人员做好设备突发状况准备。有效的防止因为油液过高导致其他设备故障，及时的进行设备修复，恢复供电，不影响用电人员的生活，工作需求。该系统的应用取得了明显的经济效益以及巨大的社会效益。

参考文献

[1]钱黎鸣.基于智能变电站运维及操作的研究与应用[J].低碳世界，2021，11（10）：133-134.DOI：10.16844/j.cnki.cn10-1007/tk.2021.10.065.

[2]Li Ning， "Analysis of artificial intelligence development in Internet age[J]"， Modern Electronics Technique， vol. 39， no. 07， pp. 112-114， 2016.

[3]R. B. Girshick， Fast R-CNN. In ICCV， pp. 1440-1448， 2015.