融合LSD算法与深度学习的变电所设备运行状态监测

关键词：深度学习；设备运行状态监测；变电所设备；人工智能

中图分类号：TP391.41；TP18；TM63 文献标识码：A

0 引言

在电力系统中，确保变电所内开关电柜正常运行是维持电网稳定和安全的关键[1]。随着时代的进步，传统的变电所设备监测方法暴露出较大的弊端。尽管在很长一段时间里，人工巡检和基本传感器监测为电力系统的维护与运行提供了支持，但它们也存在一些不足。人工巡检耗时耗力，且极度依赖巡检人员的专业技能和经验，这不仅限制了监测的频率和效率，而且也增加了遗漏或误判故障的风险。同时，虽然传统传感器提供的数据能够反映一些设备的运行状态，但其往往局限于特定的测点，缺乏对设备整体状况的全面把握。更为关键的是，这些方法通常只能实现事后诊断，难以进行故障预测，导致维护响应滞后，无法有效预防故障的发生。因此，传统监测方法在保障电力系统高效稳定运行方面，面临着严峻的挑战。对传统监测方法进行革新已成为提高电力系统可靠性和效率的重要途径[2]。直线段检测（line segment detector，LSD）算法结合深度学习技术的应用，为开关电柜状态的监测和分析提供了一种新的解决方案。

LSD 算法在这一过程中扮演着至关重要的角色，它能够快速、准确地从变电所开关电柜的图像中识别关键的直线信息，为后续的深度分析奠定基础。该算法不仅可以精确定位开关电柜，还为深度学习模型分析开关状态提供了重要的图像数据支持。深度学习模型通过学习图像数据集，实现了对开关电柜状态的自动检测，包括判断开关是否处于闭合或断开状态，从而实现对电力系统关键设备的实时监控和智能分析。

融合LSD 算法与深度学习模型的方法，不仅大幅提高了监测的效率和准确性，还能够通过持续的学习和优化，对潜在故障和异常进行预测和预警。随着研究的深入和技术的进步，将LSD 算法与深度学习结合的方法有望在电力行业中发挥更加重要的作用，推动电力系统监测技术向着更高的智能化和自动化水平发展[3]。

1 基于LSD算法的开关电柜边缘检测

1.1 LSD 算法介绍

LSD 算法是一种高效的直线段检测算法，旨在从图像中自动检测直线段。这种算法适用于需要快速、准确地识别图像中直线结构的场景，如建筑物识别、道路检测以及机器人导航等[4]。LSD 算法的核心思想是在不降低图像分辨率的前提下，通过精确地评估梯度方向来检测直线段。具体步骤如下。

（1）梯度计算：利用算法计算图像中每个像素点的梯度强度和方向，其可以通过使用索贝尔算子或其他边缘检测算子来实现。

（2）角度量化：梯度方向被量化到一定的数量级，以降低计算复杂度。

（3）直线投票：算法将图像中的每个像素点分配到相应的量化方向上，然后在这个方向上进行投票，以检测可能的直线段。

（4）区域生长：在确定候选直线段的基础上，通过区域生长的方式细化这些直线段的位置，确保准确、高效地检测直线段。

在以上过程中，梯度强度的计算公式为：

式中，θ 为梯度方向。

1.2 基于LSD算法的开关电柜边缘检测流程

基于LSD算法的开关电柜边缘检测流程中，首先，通过对输入的图像进行预处理，使用LSD算法精确地识别图像中的直线段；其次，通过筛选移除长度不符和倾斜度较大的直线段；最后，利用HSV[ 色调（hue）、饱和度（saturation）、亮度（value）] 颜色空间分析直线段周围的颜色区域，过滤掉背景颜色不匹配的直线段。通过以上步骤有效缩小了开关边缘判断区域，实现了对开关电柜的高精度定位，从而提高了边缘检测的准确性，优化了数据质量，为电柜开关状态的准确监测提供了坚实基础。直线段检测流程如图1 所示。

2 基于深度学习的设备运行状态监测

深度学习通过模拟人脑的处理机制，已经在图像识别、语音处理和自然语言理解等多个领域取得了较大的进展。其中，在对象检测领域，YOLOv3（you only look once version 3） 以其卓越的检测速度和准确性，成为这一技术进步的杰出代表。YOLOv3 的网络架构采用Darknet-53 作为其特征提取的骨干网络，该网络含有53 个卷积层，辅以残差连接以防止训练过程中的梯度消失问题，保证了网络深度和学习能力[5]。除此之外，YOLOv3 在设计时引入了以下关键的改进点。

（1）多尺度预测：YOLOv3 通过在网络的多个层级添加预测分支来实现在3 个不同尺度上的预测，这使其能够更有效地检测不同大小的对象。这种方法类似于特征金字塔网络，有利于捕捉更为细致的特征。

（2）类别预测改进：与之前版本相比，YOLOv3采用逻辑回归来预测每个边界框的对象类别，使得模型能够同时处理多标签类别，即一个物体可以同时属于多个类别。

（3）锚框优化：YOLOv3 通过聚类分析训练数据集中的边界框尺寸，选择了9 种尺寸的锚框，并将它们分配到3 个尺度上，该方法的检测结果更接近实际对象的形状和尺寸，提高了检测的准确性。

本文需要检测的开关类别为横向、纵向和斜向3 种情况。最终，YOLO 的损失函数可以表示为：

3 实验结果与分析

3.1 开关电柜边缘检测结果

为了能够验证基于LSD算法的开关电柜边缘检测结果，本文使用霍夫直线检测与LSD 算法检测结果进行对比分析，两种方法都是在Python 3.8.6环境下，利用OpenCV 库进行比较，得到的结果如表1 所示。

由表1 数据可得，LSD算法表现出更高的效率。通过对检测率、重复率、断裂率、误检率和漏检率等关键指标的对比分析，可以确定LSD 算法在精准定位电柜开关边缘方面具有更优异的性能。基于这些定量的评估结果，LSD 算法被选定为电柜开关边缘检测的首选方法，其大大降低了数据标注的时间。

3.2 开关运行状态检测结果

在使用LSD 算法生成开关状态数据后，本文将数据分为训练集、验证集和测试集，所占比例分别为70%、20% 和10%。在此基础上，使用YOLOv3算法进行开关运行状态检测，结果如表2 所示。

表2 中的数据显示， 利用YOLOv3进行的开关状态检测研究取得了显著成果，其准确率为98.90%，展示了YOLOv3在复杂图像处理任务中的卓越能力。该模型被训练以识别并分类电柜开关的不同状态，包括开启、关闭以及半开状态，展现了其在实时检测电力系统中开关状态方面的实用性和准确性，这对于保障电力系统的安全运行和自动化监控具有重要意义。

4 结语

随着电力系统的发展和变电所设备的不断革新，对设备运行状态的准确监测和及时预警显得尤为重要。本文提出了融合LSD算法和深度学习技术对变电所设备运行状态进行监测的方法，基于LSD算法的开关电柜边缘检测有效提高了设备结构和细节的识别能力，同时生成的大量数据可以为后续检测提供基础；基于深度学习的设备运行状态监测则实现了高精度的状态识别和预测。实验结果显示，结合这两种技术可以更全面地监测变电所设备的运行状态。未来，更多的人工智能监测技术有机会进一步革新电力系统的运维模式，实现更加智能化和自动化的变电所管理。