基于Faster R-CNN深度学习的变电站三维可视化方法

卿松,刘明红，王鹏朝

(国网新疆电力有限公司经济技术研究院，新疆，乌鲁木齐 830002)

0 引言

近年来，随着中国社会经济的进步，三维可视化技术得到了蓬勃发展[1-3]，越来越多的三维可视化产品已应用于电力行业电网运行检修、电网安全作业、电网培训等领域[4-5]。变电站是电力系统中电压变化的重要环节。变电站内包括变压器、高压断路器、隔离开关、避雷器、电容器、母线、继电保护装置等一、二次设备[6-7]，传统的变电站中监测中，仅对电气、环境、安全数据进行二维监测。数据结果不直观，不能完整的反映变电站的真实运行情况，若能将变电站一、二次设备进行三维可视化，则可对变电站的完整运行情况进行多维监测，增强变电站的安全生产保障能力，提高变电站运行检修精益管理水平。

许多学者对变电站三维可视化进行了研究，文献[8]提出了一种基于三维激光雷达的智能变电站三维可视化方法，通过激光感知变电站的全貌和变化特征。文献[9]提出了一种基于虚拟现实的变电站三维可视化方法，通过功能与虚拟现实互动的方式实现变电站信息的三维展示。文献[10]提出了层次节点和远程云计算的变电站三维建模方式，通过虚拟仿真，实现变电站的三维可视化功能。文献[11]提出了一种基于ARM和Linux操作系统的变电站视频可视化系统，通过背景过滤法和三维差分方式，实现了变电站的三维监视。文献[12]提出了一种基于鲁棒控制的变电站三维可视化方法，通过三层系统结构，处理变电站的三维场景。文献[13]提出了基于漫游方式的变电站三维视景分析，通过开源仿真环境，构建了变电站的三维分析模型。由此可见，变电站三维可视化方法多样，且取得了一定的成果，但变电站三维可视化存在一、二次设备位置移动后识别准确率低，跨变电站移植模型准确率低的问题。

针对传统变电站三维可视化中存在的识别准确率低，可移植性差的问题。本文提出了一种基于Faster R-CNN深度学习的变电站三维可视化方法。通过图形数据预处理，过滤与现场设备无关的数据[14-15]，减少噪声数据对变电站现三维可视化带来的影响。然后采用SIFT算法在不同时空尺度上提取变电站设备特征，在此基础上构建变电站三维可视化场景。最后通过实例验证了本方法的有效和可行性。

1 三维可视化框架

本文所述的基于Faster R-CNN深度学习的变电站三维可视化方法框架组主要包括变电站视频数据预处理、多尺度设备特征提取和Faster R-CNN深度学习三维可视化场景构建，如图1所示。

图1 变电站三维可视化框架图

由图1可见，在变电站视频数据预处理环节，对变电站的外部景色摄像头、变电站一、二次设备摄像头、变电站设备红外温度摄像头数据进行预处理。在预处理中，将过滤与现场设备无关的数据和噪声数据，减少噪声数据对变电站现三维可视化带来的影响。在多尺度设备特征提取环节，采用尺度不变特征变换(SIFT)算法在不同时间和变电站的空间尺度上提取变电站设备特征，消除变电站设备移动造成的设备视频识别不准确问题，为变电站三维可视化提供数据基础。在Faster R-CNN深度学习三维可视化场景构建环节，通过Faster R-CNN深度学习算法对多时间尺度发生空间变化的三维场景进行分析，并构建变电站三维可视化场景。

2 三维可视化建模

2.1 变电站视频数据预处理

变电站视频数据主要包括外部景像摄像头、变电站一、二次设备摄像头、变电站设备红外温度摄像头数据。视频数据的噪声主要来自于物体干扰、视频采集干扰和视频传输感染三部分。其中物体干扰数据来自于飞鸟、老鼠等小动物对视频数据采集带来的影响，造成摄像头获取的视频数据不准确。在视频采集干扰方面，摄像头采用的电荷耦合器件(CCD)或者互补金属氧化物半导体(CMOS)的芯片，在数据采集时，会受到气温、天气状况等影响；在摄像头的视频数据传输过程中，会受到各种电磁耦合信号的干扰。

本文采用高斯函数对摄像头采集的视频数据进行清洗，设ks为未受干扰的数据，噪声数据为ka，则未受干扰的数据和噪声数据叠加后的摄像头视频数据kt为

kt=ks+ka

(1)

在高斯变化后，数据清洗得到的数据f(k)为

(2)

由上式可见，通过高斯变化，可有效对变电站的外部景色摄像头、变电站一、二次设备摄像头、变电站设备红外温度摄像头数据进行清洗，过滤掉与设备无关的数据，为后续三维建模提供基础数据支撑。

2.2 多尺度设备特征提取

变电站内一、二次设备众多，其中一次设备有变压器、压断路器、隔离开关、避雷器、电容器、母线等，二次设备有继电保护装置、测温装置、消防系统等。对以上设备进行多尺度的特征提取，需要在时间、空间上进行考虑。

本文采用的SIFT特征提取方法，具有变电站多时间维度和视频角度的恒定性，在变电站一、二次设备旋转角度，或者天气、光线变化的情况下，均能很好的提取变电站一、二次设备的有效特征。

(1) 构建变电站特征提取尺度空间

本步骤完成变电站模拟图像数据的多尺度特征。

设变电站一共有n个一、二次设备，每个设备长、宽、高描述为C(x,y,z)，图像平滑度为β，分辨率为γ，构建的尺度空间A(x,y,z)为

(3)

(2) 检测多尺度空间关键节点

为检测变电站多尺度空间的关键节点，采用每一个采集的图像节点都和相近的节点进行比较，检验其图像此图是否为中心关键节点。

设关键点附近的节点为ψa，边缘值为Fc，则关键节点Lo为

(4)

(3) 给变电站多尺度特征点赋值

在变电站一、二次设备的图像关键点检测后，通过SIFT特征区域确定变电站设备的具体位置、所在的尺度空间和具体发方位信息。可为后续的三维可视化场景建模提供有效的数据基础。

2.3 深度学习三维可视化场景构建

Faster R-CNN深度学习可实现SIFT特征提取数据的网络模型融合，同时，以此开展图像训练，获取到变电站一、二次设备准确的三维场景，并构建完整的变电站土建及一、二次设备的三维建模。

首先，通过Faster R-CNN深度学习构建变电站三维区域网络，从固定的尺度关系、固定的变化和固定的采集方式进行建立，设变电站一、二次设备用四个维度的向量来表示(x,y,z,s)，输入信息为D，得到回归模型映射G为

(5)

其次，构建变电站一、二次设备的目标函数，设Tv为尺度的缩放值，Hv为尺度平移值，设变电站一共有n个一、二次设备，变电站三维场景构建值Wd为

(6)

通过Faster R-CNN深度学习，可快速构建完整的变电站三维可视化场景。

3 变电站三维可视化仿真流程

变电站三维可视化仿真流程如图2所示。

步骤1 输入变电站的多个视频摄像头数据。

步骤2 对变电站视频数据进行预处理，过滤掉鸟类、老鼠等与现场设备无关的数据和噪声数据。针对视频摄像头显示的错误数据，采用预处理算法进行清洗补正。

步骤3 对变电站视频数据进行特征提取。采用SIFT算法在不同时间和变电站的空间尺度上提取变电站设备特征，消除变电站设备移动造成的设备视频识别不准确问题。

步骤4 构建变电站三维可视化场景。通过Faster R-CNN深度学习算法对多时间尺度发生空间变化的三维场景进行分析，并构建变电站三维可视化场景。

图2 变电站三维可视化仿真图

4 算例分析

采用本文所提的基于Faster R-CNN深度学习的变电站三维可视化方法，在某220 kV变电站进行测试，使用操作系统环境为Windows 10，CPU为Intel至强2.6 G，内存为32 G、硬盘为8 T，显存为4 G，选择样本数据为10、50、100、200、500、1000对比本Faster R-CNN深度学习的变电站三维可视化方法与移动立方体算法的性能。采用程序计时器，记录变电站三维模型从运行到完成建立的时间，分析结果如表1所示。

表1 变电站三维可视化性能表

由表1可见，Faster R-CNN深度学习的变电站三维可视化方法三维模型的建立时间比移动立方体算法的时间短。

选择样本数据为10、50、100、200、500、1 000对比Faster R-CNN深度学习的变电站三维可视化方法与移动立方体算法的准确度，将两种算法生成的三维模型与变电站实物进行比对，分析模型比例与实物尺寸比例的差异，从而获得两种算法的三维可视化准确度。分析结果如表2所示。

表2 变电站三维可视化准确度表

由表2可见，Faster R-CNN深度学习的变电站三维可视化方法三维模型的建立准确度比移动立方体算法更高。

5 总结

为解决传统变电站三维可视化中存在的识别准确率低，可移植性差的问题。本文提出了一种基于Faster R-CNN深度学习的变电站三维可视化方法，设计了一种基于Faster R-CNN深度学习的变电站三维可视化工具，在对变电站一、二次设备进行数据清洗和多尺度特征提取的基础上，进行深度学习，消除设备旋转、光线变换问题带来的三维可视化影响，然后对所提算法在220 kV变电站进行了仿真，仿真结果表明了本文所提变电站三维可视化方法可对变电站运行情况进行全息监测，消除监管死角。通过三维仿真推演，可提前发现变电站安全隐患，提高了变电站的精益化管理水平。

下一步，将结合输电线路的跨越、山火等场景进行三维可视化研究。