基于Mask R-CNN 的电力关键设备运行状态检测

吕超，杨德宇，刘文杰，张克胜

（内蒙古电力科学研究院，内蒙古呼和浩特 011200）

完整的电力网络由关键设备、传输线路、内阻三部分共同组成。传输线路的阻值水平相对较低，且不具备供应电量的能力，故而其对于传输电压的负载能力也就相对较弱；内阻是电力设备的内部负载电阻。在电力网络中，已接入电力设备越多，连接内阻的数值也就越大。当内阻数值达到一定标准时，其对于传输电压的负载能力也就无法被忽略不计。

电力关键设备是指在电力网络中起到主要供电作用的设备元件，如常见的发电机、变压器、断路器等，其最主要功能是提供电量信号，因此，其对于传输电压的负载能力也相对较强[1-2]。

基于上述分析，相关研究人员提出了电力关键设备两端负载电压、内阻消耗电压之和应等于干路总电压数值的猜想。

Mask R-CNN 网络模型是一个两阶段框架结构，第一个阶段可以根据数据对象识别结果，生成提议条件；第二阶段则可以在已生成提议条件的基础上，确定数据对象的实际取值范围[3-4]。Mask R-CNN 检测框架以Faster R-CNN 模型为基础，但相较于后者，前者能够更好控制网络体系对数据信息样本造成的退化性影响，从而使得待测数据辨识特征在整个传输过程中不会发生改变。由于Mask R-CNN 框架对于数据样本的提取完全遵循深度残差特征，所以随着样本输入量的增大，检测主机对于数据信息参量的提取结果也始终不会发生改变。因此，为验证上述猜想，针对基于Mask R-CNN 的电力关键设备运行状态检测方法展开研究。

1 运行状态检测模型

对于电力关键设备运行状态的检测，可以在Mask R-CNN 网络的基础上，确定电量信号的时域与频域取值范围，并根据负荷阻抗特征表达式，求解交流参数，从而构建完整的连续相关函数。

1.1 建立Mask R-CNN网络

完整的Mask R-CNN 网络检测框架结构如图1所示。

图1 Mask R-CNN网络检测框架结构

Mask R-CNN 网络检测框架由特征提取、特征组合、区域提交、ROIAlign、功能统计五部分组成。其中，特征提取结构承担了主要的数据运算任务，可以根据电力关键设备运行状态的不同，选择不同的数据信息作为变量指标。特征组合结构则可以按照信息相关性，将网络主机所获取的数据变量整合成多个独立存储结构[5-6]。区域提交结果负责将电力关键设备运行状态数据反馈给既定检测主机。ROIAlign结构可以提供大量连接节点，以供检测主机自由选择。功能统计结构可以确定电力关键设备运行状态数据的单位输出量。

由于Mask R-CNN 网络检测框架对数据的承载能力有限，因此还需考虑电量信号的时域与频域传输范围。

1.2 判断时域范围

时域范围是指电量信号在时间方面的分布特性。利用Mask R-CNN 网络框架检测电力关键设备运行状态数据时，若不能保障电量信号在时间方面的分布稳定性，则会对电力关键设备运行状态数据的传输能力造成影响[7-8]。在求解时域范围表达式时，要求电量信号传输系数e1的取值必须大于波动系数u1，状态数据时域范围求解过程为：

1.3 判断频域范围

频域范围是指电量信号在频率方面的分布特性。随着待测电力关键设备运行状态数据存储量的增大，其在频域方面的波动能力也会不断增强，此时为获得准确的频域范围定义结果，应将电量信号波长特征限定在(0,1]的数值范围之内[9-10]。假设δ表示电量信号频率波动系数的初始赋值，表示电量信号在既定频域区间内的波动特征，表示信号参量的实时存储系数，表示电量信号的波动频率度量值，联立上述物理量，得到状态数据频域范围求解过程为：

在Mask R-CNN 检测网络中，电量信号的波动行为并不能保持稳定，故而系数的取值必须属于(0,+∞)的数值区间。

1.4 获取负荷阻抗特征

负荷阻抗特征是指在检测电力关键设备运行状态数据时，波动信号之间的电荷负载关系。波动信号之间的电荷负载关系越突出，负荷阻抗特征的计算取值也就越大[11-12]。电信号负荷参量直接影响负荷阻抗特征的求解结果，二者间关系如下：

式中，ϕ表示电信号波动向量，φ表示单位波动幅度，u表示电量信号输出系数。在式（3）的基础上，设λ表示电量波动信号的传输导向系数，表示电力关键设备运行状态数据的传输量均值，γ表示方向性传输系数，得到负荷阻抗特征为：

1.5 求解交流参数

交流参数也叫交变参数，可用于描述电力关键设备运行状态数据在检测过程中的变化行为。由于Mask R-CNN 网络对于待测数据对象的承载能力有限，所以随着交流参数取值结果的增大，电力关键设备运行状态数据累积量也并不会出现无限增大的变化状态[13-14]。假设μ、ν表示两个随机选取的电量信号交变特征，Sμ表示基于特征指标μ的电力关键设备运行状态数据行为向量，Sν表示基于特征指标ν的电力关键设备运行状态数据行为向量，表示向量Sμ与Sν的平均值，ι表示常规导向系数。可将交流参数求解表达式定义为：

对于检测主机而言，保障交流参数取值结果的稳定，是实现对电力关键设备运行状态准确检测的基础。

1.6 建立连续相关函数

连续相关函数既可以用来描述电力关键设备运行状态数据之间的相似性，也可以用来描述同一数据参量现在值与过去值之间的相似性。对于检测主机而言，在Mask R-CNN 网络框架的作用下，可以根据现在值、过去值指标，确定电力关键设备运行状态数据的未来变化状态，在电信号波形极度相似的情况下，相关性函数条件是主机元件判断数据变量存在状态的关键因素[15-16]。假设Cov()ϖ表示连续性特征为ϖ时的关联性检测系数，在Mask R-CNN 网络框架中，系数ϖ的取值恒不等于零，θ表示相关性度量条件，表示电力关键设备运行状态数据的检测标记特征。联立上述物理量，可将连续相关函数表示为：

函数F取值为0 时表示Mask R-CNN 网络中当前所存储电力关键设备运行状态数据之间不存在明显的相互作用关系，此情况下对于这些数据变量的检测，仅需要考虑支路电压与总路电压之间的具体数值关系。

2 实验与结果分析

为验证基于Mask R-CNN 的电力关键设备运行状态检测方法的实际应用结果，设计如下验证过程。

2.1 提出猜想

探究电力关键设备两端负载电压与干路总电压之间的数值关系是检测电网设备运行状态的关键环节。根据式（7）可知（U表示负载电压，R表示电阻数值，I表示传输电流），在传输电流数值保持不变的情况下，电阻数值越大，负载电压的数值也就越大。

在电力网络中，因为电力关键设备的电阻数值一定小于干路总电阻数值，所以电力关键设备两端负载电压数值也一定小于干路总电压。在电网内阻消耗电压数值保持不变的情况下，随着电力设备接入量的增大，干路总电压数值也会不断增大，故而提出猜想：电力关键设备两端负载电压、内阻消耗电压之和等于干路总电压数值。

2.2 实验步骤

首先，搭建如图2 所示的电路，确保在没有短路、断路连接的情况下，闭环所有控制开关。

图2 实验电路图

然后，分别统计电力关键设备两端负载电压、内阻消耗电压，再根据干路电压表示数确定干路的总电压数值。最后，分析电力关键设备两端负载电压、内阻消耗电压、干路总电压之间的数值关系。

实验中：闭合开关S，电压表V1显示干路总电压，电压表V2显示关键耗电设备ARM Cortex-M3元件两端的负载电压，电压表V3 显示内阻R的消耗电压。

2.3 结果分析

图3、图4 分别记录了电力关键设备两端负载电压、内阻消耗电压的变化情况。

图3 电力关键设备两端负载电压

图4 内阻消耗电压

表1 记录了电压表V1 的示数变化情况（规定差值保持在1.5 V 之内，原假设成立）。

表1 电压数值统计

对比图3、图4 和表1 中的数值可知：

①R=50 Ω：当实验时间为30 min 时，电力关键设备两端负载电压、内阻消耗电压之和与干路总电压之间的差值达到最大，为0.8 V；

②R=100 Ω：当实验时间为20 min 时，设备两端负载电压、内阻消耗电压之和与干路总电压之间的差值达到最大，为0.6 V：

③R=150 Ω：当实验时间为30 min 时，设备两端负载电压、内阻消耗电压之和与干路总电压之间的差值达到最大，为1.0 V；

④R=200 Ω：当实验时间为30 min 时，设备两端负载电压、内阻消耗电压之和与干路总电压之间的差值达到最大，为0.9 V；

⑤R=250 Ω：当实验时间为20 min 时，设备两端负载电压、内阻消耗电压之和与干路总电压之间的差值达到最大，为0.6 V。

在整个实验过程中，电力关键设备两端负载电压、内阻消耗电压之和与干路总电压之间的差值始终不会超过1.5 V，说明电力关键设备两端负载电压、内阻消耗电压之和等于干路总电压数值的猜想成立，可以以该猜想为依据，检测电力关键设备运行状态是否在合理范围内。

3 结束语

基于Mask R-CNN 的电力关键设备运行状态检测方法通过定义时域范围、频域范围的方式，求解负荷阻抗特征的取值区间，再通过计算交流参数建立完整的连续相关函数表达式。应用该方法后，电力关键设备两端负载电压、内阻消耗电压之和等于干路总电压数值的猜想得到验证，并根据该验证检测电力关键设备运行状态是否正常。