计算机视觉技术及其在电力系统自动化中的应用研究.pdf

Telecom Power Technology 81 Oct.10,2023,Vol.40 No.19 2023 年 10 月 10 日第 40 卷第 19 期电力技术应用DOI：10.19399/ki.tpt.2023.19.027计算机视觉技术及其在电力系统自动化中的应用研究王博锋，李继斌（国网陕西省电力有限公司汉中供电公司，陕西 汉中 723000）摘要：计算机视觉技术是一门利用计算机模拟人类视觉功能，从图像或视频数据中获取信息的学科。它在电力系统自动化中有着广泛的应用，如故障检测、设备识别、状态评估以及安全防护等。介绍计算机视觉技术的基本原理和方法，包括图像采集、图像预处理、图像分割、特征提取、特征匹配以及模式识别等，并给出相应的数学模型和技术指标。此外，探讨了计算机视觉技术在电力系统自动化中的典型应用方向，如故障检测和设备识别等，并分析了其优点和缺点，希望能够对电力系统自动化的研究和发展有所帮助与启发。关键词：计算机视觉；电力系统；自动化Research on Computer Vision Technology and Its Application in Power System AutomationWANG Bofeng,LI Jibin(State Grid Shaanxi Electric Power Co.,Ltd.Hanzhong Power Supply Company,Hanzhong 723000,China)Abstract:Computer vision technology is a subject that uses computer to simulate human visual function and obtain information from image or video data.It is widely used in power system automation,such as fault detection,equipment identification,state evaluation and safety protection.This paper introduces the basic principles and methods of computer vision technology,including image acquisition,image preprocessing,image segmentation,feature extraction,feature matching and pattern recognition,and gives the corresponding mathematical model and technical indicators.In addition,the typical application direction of computer vision technology in power system automation,such as fault detection and equipment identification,is discussed,and its advantages and disadvantages are analyzed,hoping to help and inspire the research and development of power system automation.Keywords:computer vision;power system;automation1 电力系统自动化简析电力系统自动化是利用现代信息技术和控制理论，实现电力系统的监测、控制、优化和保护的过程1。其目的是提高电力系统的安全、可靠、经济与高效运行，满足社会对电力的需求。电力系统自动化的主要包括 2 个方面：一是电力系统监测，通过安装各种传感器、测量仪表、通信设备等，实时采集电力系统的运行参数（电压、电流、功率、频率等），并将其传输到控制中心或本地终端，以便对电力系统的运行状态进行分析和评估；二是电力系统控制，通过设置各种控制器、执行器、开关等，根据监测数据和控制策略，对电力系统的运行进行调节和控制，以保持电力系统的稳定和平衡2。2 计算机视觉技术的方法探究2.1 图像采集图像采集是指利用摄像机或其他传感器获取图像或视频数据的过程，其目的是将现实世界中的场景转换为数字信号，以便计算机进行处理和分析3。图像采集的质量和效率取决于多个因素，如光照条件、传感器类型、分辨率、帧率以及噪声水平等。为了提高图像采集的性能，通常需要进行一些预处理操作。2.2 图像预处理图像预处理是指对图像或视频数据进行去噪、增强、校正等操作，以提高图像质量。其目的是消除图像中的噪声和干扰，突出图像中的有用信息，减少后续处理的复杂度和误差4。2.3 图像分割图像分割是指将图像或视频数据划分为若干个有意义的区域或对象的过程，其目的是将图像中的目标从背景中分离出来，为后续的特征提取和模式识别提供依据。图像分割的难度取决于图像中目标和背景之间的对比度、相似度、连通性等，实现方法包括阈值法、区域生长法、聚类法以及水平集法等5。2.4 特征提取特征提取是指从图像或视频数据中提取能够表征区域或对象属性的信息的过程，其目的是将高维度的原始数据转换为低维度的特征向量，以便后续的特征匹配和模式识别。特征提取的效果取决于特征是否具有健壮性、可区分性、不变性等，实现方法包括颜色特征提取、纹理特征提取、形状特征提取、尺收稿日期：2023-08-08作者简介：王博锋（1994），男，陕西汉中人，本科，助理工程师，主要从事电力系统及其自动化研究工作；李继斌（1997），男，陕西汉中人，本科，助理工程师，主要从事电力系统继电保护及其自动化研究工作。2023 年 10 月 10 日第 40 卷第 19 期Oct.10,2023,Vol.40 No.19Telecom Power Technology 82 度不变特征转换（Scale-Invariant Feature Transform，SIFT）特征提取、方向梯度直方图（Histogram of Oriented Gradient，HOG）特征提取等。2.5 特征匹配特征匹配是指利用特征之间的相似性或距离，寻找不同图像与视频数据中对应的区域或对象的过程，其目的是建立不同数据之间的对应关系，为后续的模式识别或场景重建提供支持。特征匹配的难度取决于特征之间是否存在一致性、唯一性、稳定性等，实现方法有包括最近邻法、最小二乘法、随机抽样一致性（Random Sample Consensus，RANSAC）法等。2.6 模式识别模式识别是指利用特征数据，对区域或对象进行分类、识别以及定位的过程，其目的是实现对图像或视频数据中的目标的识别和理解，为后续的决策和控制提供依据。模式识别的效果取决于特征数据的质量和数量，以及分类器或识别器的性能和准确度，实现方法包括支持向量机、神经网络、随机森林以及深度学习等。相应方法的优缺点与常见技术指标如表 1所示。3 计算机视觉技术在电力系统自动化中的典型应用方向3.1 故障检测电力系统自动化是一种利用计算机技术和通信技术，实现电力设备监测、控制和优化的过程。在这个过程中，故障检测是一项重要的任务，它可以及时发现和处理电力设备的异常情况，保证电力系统的安全和稳定。计算机视觉技术是一种模拟人类视觉功能，从图像或视频数据中获取信息与知识的技术。它可以为电力系统自动化中的故障检测提供一种新的解决方案，具有以下几个特点。一是高效性，计算机视觉技术可以快速地处理大量的图像或视频数据，从中提取出电力设备的状态与特征，无须人工干预。二是灵活性，计算机视觉技术可以适应不同的环境和场景，通过调整参数和算法，实现对不同类型和规模的电力设备的故障检测。三是智能性，计算机视觉技术可以利用人工智能和机器学习的方法，深度分析与理解图像或视频数据，实现对故障的自动识别和分类。此外，计算机视觉技术在电力系统自动化中的故障检测应用主要包括以下几个方面。首先，红外热成像。使用红外热像仪捕捉电力设备表面的温度分布，通过温度异常来判断故障位置和程度，如过热、短路、接触不良等。其次，紫外光谱分析。使用紫外光谱仪检测电力设备表面的紫外辐射强度，通过紫外辐射异常来判断故障类型和原因，如放电、闪络、绝缘老化等。最后，图像识别。使用摄像机或传感器获取电力设备的图像或视频数据，通过图像分割、特征提取、特征匹配等方法，识别出故障部件和状态，如断裂、变形、腐蚀等。支持向量机的数学模型可以表示为 2i,11min|2nw biwC=+（1）s.t.yiwT(xi)+b 1-i,i=1,2,n（2）i 0,i=1,2,n（3）式中：b 为超平面的参数；w 为超平面的法向量；i表 1 相应方法的优缺点与常见技术指标方面方法优点缺点常见技术指标图像采集摄像机或传感器可以获取实时的图像或视频数据受光照、分辨率、噪声等影响摄像机分辨率为 1 9201 080，帧率为 30 FPS，传感器类型为 CMOS图像预处理滤波、直方图均衡化、边缘检测等可以提高图像质量和可分析性可能造成信息的丢失或变形滤波方法为高斯滤波，滤波核大小为 33，标准差为 0.5图像分割区域生长法、聚类法、水平集法等可以将图像划分为有意义的区域或对象受图像对比度、相似度、连通性等影响区域生长法的阈值为10，聚类法的类别数为5，水平集法的迭代次数为 100特征提取颜色特征、纹理特征、形状特征等可以将高维度的原始数据转换为低维度的特征向量受特征健壮性、可区分性、不变性等影响颜色特征为 HSV 空间的均值和方差，纹理特征为 LBP 算子，形状特征为 Hu 不变矩特征匹配最近邻法、最小二乘法、RANSAC 法等可以建立不同数据之间的对应关系受特征一致性、唯一性、稳定性等影响最近邻法的距离度量为欧氏距离，最小二乘法的误差函数为平方和，RANSAC 法的内点阈值为 5模式识别支持向量机、神经网络、深度学习等可以实现对目标的分类、识别或定位受特征数据质量和数量，以及分类器或识别器性能和准确度影响支持向量机的核函数为径向基函数，神经网络的层数为 3，深度学习的模型为 ResNet50 2023 年 10 月 10 日第 40 卷第 19 期 83 Telecom Power TechnologyOct.10,2023,Vol.40 No.19 王博锋，等：计算机视觉技术及其在 电力系统自动化中的应用研究为松弛变量；C 为惩罚系数；yi为类别标签；(xi)为核函数；T 为目标区域或对象的类别标签。支持向量机的目标是找到一个最优的超平面，使得 2 类数据之间的间隔最大化，并且允许一些数据点在间隔内错误分类。通过引入拉格朗日乘子 i和 i，将问题转化为对偶问题，表示为()iijijij111ii11min|21max,20nw binnnaiijniwCaaa y y K x x=+=（4）s.t.0 ai C,i=1,2,n（5）ii11min|21max,20nw binnnaiijniwCaaa y y K x xa y=（6）通过求解对偶问题，可以得到超平面的参数 w和 b，以及支持向量的 i。支持向量是指满足 i 0的数据点，它们位于间隔边界上或错误分类。超平面的方程表示为 wT(x)+b=0（7）对于一个新的数据点 x，可以通过计算 wT(x)+b的符号来判断其类别。如果 wT(x)+b 0，则属于正 类；如果 wT(x)+b 0，则属于负类；如果 wT(x)+b=0，则位于超平面上。3.2 设备识别设备识别是指利用计算机视觉技术，对电力设备进行自动识别，获取设备类型、编号、位置等信息，方便设备管理和维护。目标检测、识别与追踪的常见方法、优缺点、技术指标如表 2 所示。目标检测利用目标检测算法，如 YOLO、SSD、FasterR-CNN等，对图像或视频数据中的电力设备进行定位和框选，得到目标区域。目标识别利用目标识别算法，如ResNet、VGG、Inception 等，对目标区域进行特征提取和分类，得到目标类型。目标追踪利用目标追踪算法，如 KCF、TLD、MOSSE 等，对视频数据中的电力设备进行跟踪和标记，得到目标编号和位置。将识别结果以图形或文本的形式输出到显示器或数据库中，供后续的设备管理和维护使用。设备识别技术可以有效提高电力系统自动化的水平和效果。例如，在变电站中，可以利用设备识别技术，对变电站内的各种设备（变压器、开关、电缆等）进行自动识别，获取设备的类型、编号、位置等表 2 设备识别常用方法的优缺点以及常见技术指标方面方法优点缺点常见技术指标目标检测YOLO实时性高，准确度高对小目标不敏感检测速度为 45 FPS,平均精度均值为 78.6%SSD实时性高，准确度高对小目标不敏感检测速度为 59 FPS,平均精度均值为 77.2%Faster R-CNN准确度高，对小目标敏感实时性低检测速度为 7 FPS,平均精度均值为 79.4%目标识别Res Net深度大，性能强参数多，计算量大分类准确率为 96.4%VGG结构简单，易于实现参数多，计算量大分类准确率为 92.7%Inception结构复杂，性能强参数多，计算量大分类准确率为 95.6%目标追踪KCF实时性高，健壮性强对遮挡和旋转不敏感跟踪速度为 172 FPS,成功率为 88.0%TLD对遮挡和旋转敏感，可自我学习和纠正错误实时性低，易漂移和丢失目标跟踪速度为 15 FPS,成功率为 75.9%MOSSE实时性高，健壮性强对遮挡和旋转不敏感，对光照变化不敏感跟踪速度为 669 FPS,成功率为 86.0%信息，方便设备的管理和维护。4 结 论计算机视觉技术是一门利用计算机模拟人类视觉功能，从图像或视频数据中获取信息的学科。它在电力系统自动化中有着广泛的应用，也面临着一些挑战。为了克服这些困难，提高计算机视觉技术在电力系统自动化中的性能和效果，需要对其基本原理和方法进行深入的研究与探讨。参考文献：1 王刘旺.机器视觉技术在电力安全监控中的应用综述 J.浙江电力，2022，41（10）：16-26.2 曾昌健，李 丽，郑为凑.基于机器视觉的电力线路侦测技术 J.海峡科学，2022（9）：45-49.3 支妍力，郝艳军，周世阳，等.基于计算机视觉的输电线路金具锈蚀识别 J.电工技术，2022（13）：72-75.4 李 群，李建军.基于计算机视觉技术的智能化电厂应用 J.数字技术与应用，2022，40（5）：184-186.5 胡正杰，祁帅涛.计算机视觉在高压线路巡检中的应用 J.中国新通信，2022，24（8）：64-66.