基于数据挖掘与预警的电气设备运输状态识别技术研究

袁天霖，田斌，朱刚，刘佳杰，周龙伟

（1.国网浙江省电力有限公司宁海县供电公司，浙江宁波 315600；2.宁海县雁苍山电力建设有限公司，浙江 宁波 315600）

随着电力需求的逐年增加，输配变电容量缺口越发巨大，因此新建变电站和配套输变电设备也不可或缺。然而变电站主设备大多为专用设备，需要专业厂家生产后通过大件运输配送到站，故长途运输不可避免[1-2]。在此过程中，大件设备需控制其运输速度、三轴加速度以及倾斜角等问题，以避免因运输而导致的设备损坏，从而影响整体的工程进度[3-5]。

但在传统的电气设备运输过程中，难以实时监控三维加速度、温湿度、压力、碰撞次数与强度以及姿态角度等状态指标。因此，文中基于数据挖掘与预警技术提出了一套电气设备运输状态识别方法。该方法通过部署的视频采集点全方位获取运输过程中的状态图像，采用支持向量机(Support Vector Machine，SVM)和改进ResNet-18 网络深度挖掘图像信息。同时，还针对性地分析了在此运输状态下电气设备可能出现的异常状况，以保证设备运输的安全、可靠。

1 系统设计

电气设备在运输过程中的状态通常由装载在运输车辆上的摄像头、各种传感设备等监测获取。但该方式仅能获取部分图像数据，且装载的监测设备可能存在被损坏或篡改的风险。因此，该文利用输电杆塔、高层建筑等来部署监测设备，以全面获取电气设备在运输中的状态。电气设备运输状态识别系统，如图1 所示。

图1 系统总架构

通过由通信铁塔、高清摄像头、分布式存储模块等组成的前端系统，实现对电气设备运输中视频等信息的采集、存储及上传。而在系统中采用可见光摄像机、热成像摄像机等主要设备获取电气设备在运输过程中的状态图像，且通过传输网络上传至云中心进行分析识别。最终，将得到的状态信息用于指导中心人员的管控决策。

2 电气设备运输状态识别技术

传统的状态识别技术主要通过设置关键因素的阈值，以判定是否存在异常情况。一旦超出阈值，电气设备有可能存在损坏的风险便会发送预警[6]。但该技术在具体实施中，容易产生预警误报的情况。因此所提方法综合多个关键因素，利用SVM 划分电气设备类型，再根据各个设备的特性，针对性地设计状态识别模型。该识别流程如图2 所示。

图2 电气设备运输状态识别流程

由于各个电气设备在运输过程中有不同的要求，例如变压器的倾斜角度不能超过15°等。因此结合各个设备的运输特性，利用改进ResNet-18 网络构建状态识别模型，且通过不断地学习及分析，获得相应运输状态并发出必要的预警。

2.1 图像预处理

在采集运输过程中的电气设备图像时，由于各种因素的影响，噪声点可能会出现在原始图像上，从而导致图像模糊，不利于对其运输状态进行精准识别。因此，文中利用均值滤波算法(Mean Filtering，MF)[7-8]进行图像去噪，通过滤波窗口逐一移动像素，并取窗口的像素平均值直接替代原始图像的灰度值。经过滤波去噪后的图像G(x,y)为：

式中，g(i,j)是中心点像素为(i,j)的原始图像；s为所有邻域像素集合；N为s内像素点的总数。

图像经去噪后可有效抑制噪声，但会造成边缘细节信息的模糊化。因此还需要进行图像边缘的增强处理，即采用自适应增强方法处理图像边缘，以获得清晰的电气设备运输图像。

2.2 基于数据挖掘的设备分类

SVM 作为一种数据挖掘技术，在模式识别、图像分类中获得了广泛应用[9-12]。同时，该技术也能解决小样本、非线性等问题。而电气设备的运输图像样本较少，故将其用于电气设备的图像分类可达到最佳效果，且对低维与高维数据均具有良好的表现。

SVM 是一种基于监督学习的分类器，能够解决线性和非线性的分类问题。基于SVM 构建的图像分类模型，其最佳分类面可表示为：

式中，aj、bj分别为图像核心特征因子及描述图像特征因子；ϑ为分类器；ϖ、τ为模型参数。

为了获取最佳分类面，需要判断参数ϖ、τ的值，此时引入负松弛变量μj进行求解，具体可表征如下：

同时，引入惩罚因子ζ＞0 以提高分类面建立的效率。则最佳分类面的表示可转化为：

图像分类是一个多分类的过程，假设经过样本和特性的选择，得到电气设备在运输中的图像集为{b1,a1,φ(a1)},…,{bm,am,φ(am)}，则图像的多分类模型表示如下：

式中，φ(aj)为图像类型函数。

通过SVM 对去噪后的电气设备运输图像进行分类学习，从而确定运行中的设备类型，包括变压器、绝缘子、断路器、互感器、及电缆等设备。

2.3 基于改进残差网络的运输状态识别

在应用深度神经网络[13]识别电气设备运输状态时，一般通过加深网络以提高其识别效果，但该种处理方式会导致梯度弥散，从而影响最终的网络性能。因此，所提方法采用结构简化且性能更优的ResNet-18 网络[14]进行运输状态识别，且将Softmax Loss 和Center Loss 相结合并作为网络的损失层，以更好地区分相似图像的特性。

将完成分类后的电气设备图像输入至改进的ResNet-18 网络中进行分析识别，根据每种设备的特性明确其在运输过程中是否存在倾倒、碰撞等有损设备健康的状态。对于热设备，根据红外图像测得的温差进行判定：若断路器温差在35～80 ℃内，属于一般异常；若在80～95 ℃内，属于严重异常；若大于95 ℃，则属于紧急异常。而对于发生倾倒的变压器设备：若倾倒角度在5°～10°内，属于一般异常；若在10°～45°内，属于严重异常；若倾倒角度大于45°，则为紧急异常。根据电气设备具体的识别标准判定运输状态并发出预警，有利于运输人员及时作出调整，进而保证设备安全。ResNet-18 网络的模型结构，如图3 所示。

图3 ResNet-18网络结构

残差网络(Residual Network，ResNet)[15-16]由一系列残差块组成，而残差块的结构设计能够解决梯度弥散问题，进而保证网络的识别性能。每个残差块均由直接映射部分与残差部分构成，其可表示为：

式中，F()xl,wl是残差部分，通常由2～3 个卷积操作构成；wl为权值参数，xl和xl+1分别为残差块的输入及输出。

由于在获取电气设备运输图像时，可能会存在光照、拍摄角度等因素的干扰，进而导致图像特征难以辨识。为解决此问题，引入了Center Loss 函数，其能增大类特征间距并缩小类内特征间距，而Softmax Loss 则能够有效区分特征。因此，所提方法将两者结合且应用于图像状态地识别。Softmax Loss 函数的计算如下：

式中，xi、wx+b分别为全连接层的输入和输出；yi为当前的类别；I为batch 块的大小；J为类型总数。

Center Loss 函数计算如下：

式中，κyi为第yi个类别的特征中心。

综上，总损失LΣ计算如下：

式中，λ为比重控制因子，通过调整其数值可优化类内间距。

3 实验结果与分析

实验采用的硬件平台是Dell 塔式工作站，操作系统为Ubuntu 16.04，且基于Python 平台完成程序编写，其的GPU 为NVIDIA Geforce 1080Ti，显存为11GB。同时，采用的图像集是可见光与热成像摄像机所获取的电气设备在运输过程中的图像。此外，网络参数的设置情况如下：迭代次数为100次，学习率为0.000 1，λ则为0.1。

3.1 损失函数

利用获取的设备图像集对改进ResNet-18 网络进行训练，其识别模型的损失函数值如图4 所示。

图4 损失函数的收敛曲线

从图4 中可以看出，随着迭代次数的增加，改进ResNet-18 网络模型的损失函数值逐渐收敛。当迭代次数超过12 次后，损失函数值在0.05 附近小幅震荡。由此证明，改进ResNet-18 网络模型能够进行有效收敛，其可应用于设备状态地识别。

3.2 设备分类

利用该文方法对运输途中的电气设备进行分类，结果如表1 所示。

表1 电气设备分类结果

由表1 可知，通过SVM 分类方法对变压器、绝缘子及断路器等设备的分类正确率均超过94%。其中，形状规则的变压器和电缆分类准确率高达98%。因此，结合图像预处理以及SVM 分类器的分类方法具备理想的分类性能。

3.3 状态识别结果分析

对于不同电气设备，其运输状态可分为正常、一般异常、严重异常和紧急异常。通过应用所提技术得到的识别准确率，如表2 所示。

表2 不同设备运输状态的识别准确率

从表2 可以看出，各个电气设备的状态识别准确率均超过了90%。由于严重异常较易与一般或紧急异常混淆，因此其识别准确率相对偏低。由此表明，所提技术在利用SVM 划分电气设备类型的基础上，采用改进ResNet-18 网络完成状态识别，能够较为精准地区分各种运输状态。

为了论证所提技术的性能，将其与BP 神经网络、卷积神经网络(Convolutional Neural Networks，CNN)进行对比。三种算法的识别准确率结果，如图5 所示。

图5 状态识别准确率

从图5 可看出，相较于对比算法，所提技术的识别准确率约为97%，原因在于其将SVM 分类器与改进ResNet-18 网络相结合，从而保证了较优的识别性能。BP 神经网络的结构简单，对于复杂环境的图像状态识别效果不佳，故准确率低于90%。而卷积神经网络与BP 神经网络相比，虽然性能有所提升，但易陷入局部极值，因此其识别准确率仅为92%，仍有待进一步提升。

4 结束语

随着5G、物联网技术的发展，设备图像获取的成本不断减小。为了充分挖掘图像数据的价值，文中采用多源视频采集方法获取电气设备的运输状态，并利用SVM 划分设备类型，再采用改进ResNet-18 网络完成状态识别和预警。基于图像集的实验结果表明，所提技术的识别准确率接近97%，且对各电气设备的状态识别准确率均超过了90%，故具有良好的实际应用价值。后期将挖掘系统其他运输数据，通过各种数据的融合进一步提高状态识别的准确性。