目前GIS刀闸识别的现状是主要依赖人工检查。对于GIS刀闸的分合状态判别，通常需要运维人员进行目视观察，通过观察指针指向的标志位来判断刀闸的状态[1]。现有的GIS刀闸识别方式存在一定的局限性，缺乏智能化的手段来快速准确地进行判别，同时，依赖人工检查的方式存在运维效率低下和判别结果不一致的问题，无法满足对电力设备状态的实时监测和快速响应要求[2-6]。因此，为了提高运维效率和确保电力系统的安全运行，研究智能化的GIS刀闸识别方法变得尤为重要和必要[7]。

目前，许多研究者对GIS刀闸识别的方法与技术进行了广泛的研究和实践探索。现有的方法主要有：利用Hankel矩阵与图结构对GIS进行状态识别[8]、利用运动金属微粒的超声波特性进行状态识别[9]、采用图像识别与视频检测的触头位置监测系统[10]和荧光光纤检测识别方法[11],上述的研究对于预防电力系统潜在故障、降低电力系统的故障率和维修成本，以及提高系统的可靠性和稳定性具有重要作用。但是，上述方法存在着数据多样性不足的问题和延迟，无法提供足够的信息以支持对GIS设备故障进行深入分析和诊断。

针对这些不足，引入一种基于OCS系统(光纤通信系统)遥信与卷积神经网络(CNN)融合的方法。OCS系统可以提供高速、大容量的数据传输，用于实时获取GIS设备的状态信息[12-14]。同时，结合卷积神经网络的深度学习技术，可以处理多样化的数据，并且具备在复杂环境下进行准确判别的能力[15-16]。通过将这两者结合，可以实现对GIS刀闸状态的高效、准确识别，为电力系统的稳定运行提供可靠支持。

综上所述，为实现GIS刀闸状态的智能判别，提高系统运维的自动化程度和效率，本研究提出了一种基于OCS系统遥信与卷积神经网络融合判别GIS刀闸状态的方法。在OCS遥信系统平台上，基于AoD(Architecture-on-Demand, 按需架构)的光学可编程系统，其中混合ToR(Top of Rack, 机架顶端)和各种光学功能模块通过几个大端口数的光学背板连接，搭建出信息交换平台。通过结合OCS系统遥信与卷积神经网络技术，所提出的智能体能够实现GIS刀闸状态的智能判别，从而提高系统运维的自动化程度和效率，为电力系统智能化发展提供有力支持。

1、OCS系统遥信

OCS遥信系统平台是一种基于光学字符识别技术的遥信数据处理平台。它主要用于处理电力系统中的遥信数据，通过对遥测设备传输的信息进行解析和识别，实现对电力设备状态的监测和判断。

1.1 应用现状

在电力系统中的应用，OCS系统遥信平台主要用于以下方面：

(1)OCS系统遥信平台承担着遥信数据解析的重要任务。

它可以接收来自电力系统的遥测设备(如保护继电器、遥信采集装置等)传输的遥信数据，这些数据通常以数字、字符等形式进行传输。OCS能够高效地将这些数据解析为可读的文本信息，为后续处理提供了便利。

(2)OCS系统遥信平台在电力系统中发挥着设备状态监测的关键作用。

通过对遥信数据的解析，OCS能够实时监测电力设备(如开关、刀闸、断路器等)的状态。这些状态信息包括设备的分合状态、位置状态等重要参数，能够帮助运维人员及时了解设备的运行情况，实现设备状态的有效监控。

(3)OCS系统遥信平台还具备告警与故障检测的能力。

它能够识别遥信数据中的告警信息或故障状态，一旦发现异常情况，OCS会及时向运维人员发送警报。这种快速地反应和准确地诊断有助于运维人员迅速定位和解决问题，确保电力系统的稳定运行，提高电网安全性和可靠性。

1.2 刀闸分合状态的识别方法

目前，利用OCS系统遥信实现电力系统中GIS刀闸分合状态的自动识别的方法如下。

首先，OCS系统遥信通过拍摄指针指向的位置，识别指示指针位置，这些指针通常指向表示分合状态的标志位。其次，通过连续视频拍摄GIS刀闸指针的方式进行图像处理，提取文字信息。最后，通过智能识别算法，精确判断刀闸的状态。

为确保准确性和稳定性，在实际应用中，这些方法需考虑多种因素，包括拍摄角度、光照条件和图像处理算法等。此外，可能需要针对具体GIS设备型号进行定制，以实现最佳性能。通过这样的方式，利用OCS遥信平台能够高效准确地实现GIS刀闸分合状态的自动识别，从而提升电力系统监测与运维的效率和准确性。

1.3 OCS网络配置

为了实现自动识别GIS刀闸分合状态，需要将GIS刀闸设备的遥信数据与OCS平台相连接，确保遥信数据能够通过通信网络传输到OCS系统遥信平台。这需要进行网络配置，包括设定IP地址、端口号等参数，以确保OCS系统遥信平台能够正确地接收来自GIS刀闸设备的数据传输。通过正确配置网络，将GIS刀闸设备的遥信数据传输到OCS系统遥信平台，并运用指针指向的标志位识别或视频拍照指针的方法，实现GIS刀闸状态的自动识别，提高了电力系统监测与运维的效率和准确性。

基于可编程光网络设计OCS网络配置。采用AoD概念进行构建[17]。通过AoD技术，数据流可以在光网络的任意节点处进行“添加”或“删除”操作，而无需经过所有节点传输，使得网络能够高效地传输数据，并实现特定路由和数据分配。

配置网络如图1所示，其中，ToR是位于机架顶端的网络交换设备。掺铒光纤放大器(EDFA)用于提高光信号在光纤中的传输效率。阵列波导光栅(AWG)通过将光信号分散成不同波长的光信号，提高了光纤传输的容量和效率。光纤分光器实现信号的分割和分发，从而支持多点通信和多用户接入。

图1 OCS网络配置示意图

在整个网络中，集群间的交换机和集群内部的交换机，均采用基于AoD可编程交换的LPFS(Low-Power Fiber Switch, 低功耗光纤交换机)实现。LPFS是一种光学交换设备，用于在光纤网络中实现光信号的切换和路由，具有低功耗和高性能的特点。在集群间通信方面，通过AoD的集群间交换机提供OCS的不同集群之间的连接。连接容量可以通过提供可变数量的连接链路来动态编程。上述集群的设计为网络配置提供了高可靠性和高吞吐量的数据传输解决方案。

对于集群内部通信，基于AoD的集群交换机为集群内部通信提供了OCS连接。此外，集群交换机还将各种光学模块(例如AWGs, 分光器，EDFAs等)连接起来，实现了网络功能的可编程性。

根据每个ToR的OCS启用链路数量，可以并行使用多个AoD节点来构建OCS网络，每个节点与每个ToR连接一个OCS链路。为了充分利用LPFS上的端口，每个OCS链路被设置为双向工作，这也节省了ToR和背板之间环形器的利用。

通过这样的配置，可以根据需要在光学背板中设置适当的交叉连接，从而实现遥信数据的通信网络拓扑和功能。所有连接都可以根据流量模式的变化进行动态重新配置。

综上所述，通过OCS网络配置与GIS刀闸设备的数据传输，实现利用OCS系统遥信对GIS刀闸分合状态的自动识别，为电力系统的监测与运维提供了有效的辅助手段。

2、CNN智能识别算法

2.1 一维CNN

CNN是一种具有深层结构的前馈神经网络，主要由输入层、卷积层、池化层和全连接层组成。与传统的二维卷积神经网络不同，一维CNN的卷积核和特征图是一维向量，并且通过一维卷积和反向操作取代了二维卷积和横向转置等矩阵操作。

卷积层是CNN的核心部分，其功能是将神经网络的每个小部分抽象成更高级的特征。通过局部特征提取和参数共享，它可以有效降低网络模型的复杂性，并提高网络的训练速度。

激活函数用于表示所获取的非线性输入信号，通过将原本线性且不可分的多维特征映射到另一个空间，从而增强特征的线性可分性。卷积操作的数学模型如下：

表示第l层中第i个卷积核的权重和偏差，Xl(j)表示第l层中的第j个局部区域，y

(j)表示第l+1层的第j个神经元的输入后的第i个卷核运算结果。

在卷积操作之后，提取的特征序列将会增加，从而扩展了数据的维度并增加了计算复杂性。因此，通常在卷积层之后连接池化层，以实现采样操作。特征池化用于降低特征维度并扩大特征中明显的区域，从而减少特征空间和网络参数，并防止过拟合。池化层通常使用最大池化，即在设定的窗口内选取最大的参数作为输出值。最大池化的公式如下：

(t)表示第l层的第i个特征矩阵中第t个神经元的值，其中t([(j-1)W+1,jW],W表示池化区域的宽度，p

(j)表示池化操作后第l+1层中神经元的对应值。

经过多层卷积和池化操作，提取的多列深层特征序列在平面层中集成为一列，并通过全连接层提取时间特征。全连接层可以集成差异化的局部信息，实现全局优化。全连接层的公式如下：

其中，wf替换相邻层之间的权重矩阵，bf替换偏差，Sm替换输入数据，σ(·)替换激活函数。

在全连接层之后，连接Softmax激活函数进行类别分类，获得模型的预测输出。Softmax激活函数如下：

其中，j是k中的一个类别，zj为这个类别的值。

2.2 CNN的自注意机制

自注意机制是一种将内部信息观察与外部信息观察进行对齐的注意力方法，该机制增加了局部特征表达的准确性[18]。因其能够从全局信息中选择与当前任务目标更相关的信息，所以它可以充分利用所有输入特征信息。自注意机制如图2所示。

图2自注意机制图

自注意机制的核心是“非局部平均”思想，即首先在非局部区域找到与目标位置相似的特征表达，然后利用目标位置信息表达与非局部区域中其他位置信息表达之间的相似性，通过加权相加来实现非局部区域内的信息传递，从而修改目标位置的信息表达。

2.3 混合深度的可分离卷积神经网络

传统的深度可分离卷积受限于单个卷积核的大小，并忽略了不同大小卷积核对卷积效果的影响。混合深度可分离卷积是基于传统的深度可分离卷积，该神经网络下，不同大小的卷积核在单个卷积操作中混合使用。实现了多尺度特征提取，而不改变网络的宏观架构。混合深度可分离卷积如图3所示。

图3混合深度可分离卷积神经网络拓扑

首先，输入特征被分组并进行卷积，不同组使用不同大小的卷积核。然后，所有特征图在通道上合并，以捕捉不同分辨率的特征模式，并在卷积层上实现特征融合。

图3中，输入张量为神经网络或其他机器学习模型的输入的多维数据结构，在深度学习中通常用于表示图像数据。多维卷积是对传统的二维卷积的扩展，能够同时在时间和空间维度上执行卷积操作，从而捕捉所采集图像中的时序特征和空间特征。通道是指图像或图像张量中的一个维度。在彩色图像中，通道代表图像中的颜色信息。彩色图像由红色(R)、绿色(G)和蓝色(B)三个颜色通道组成，每个颜色通道都是一个二维矩阵，其元素值表示图像对应位置的像素的颜色强度，此处n=(k-1)/2。

3、实验

3.1 软件思路

如图4所示，首先收集了大量GIS刀闸分合状态的视频图像，包括分闸状态和合闸状态，以确保数据集的多样性。这些视频序列被拆分成单帧图片，并标注每个图片对应的刀闸状态作为训练数据。在预处理阶段，应用了图像增强技术，包括亮度调整、对比度增强和去噪处理，以提高模型的鲁棒性和泛化能力。

使用一维卷积神经网络(CNN)进行模型训练。卷积层、池化层和全连接层帮助提取图像特征，并引入了自注意机制以更好地捕捉全局特征。通过多次迭代和调优，达到了模型的最佳性能。

将OCS系统提供的GIS刀闸状态的传感器数据与训练好的CNN模型进行融合。OCS系统传感器提供的数据被输入到CNN模型中进行判别。智能识别算法分析视频拍摄的GIS刀闸图片，并输出GIS刀闸的分合状态判别结果。

图4软件思路流程图

3.2 硬件信息

在本实验中，使用了以下硬件设备：

(1) GIS刀闸设备：

选择了水平旋转中心断口式刀闸(如图5所示)作为实验对象，确保实验具有代表性。

(2) 摄像设备：

使用了1080p高分辨率摄像头，其帧率为60 fps确保获取的图像清晰度足够以进行准确的分析。

(3) 计算设备：

使用了适合深度学习应用的GPU(NVIDIA RTX)系列的计算机Dell XPS 15,以加速卷积神经网络的训练过程，提高模型的训练效率。

(4) 网络连接：

确保GIS刀闸设备与计算设备能够通过网络连接，配置D-Link DGS系列交换机以实时传输视频数据至计算设备。

以上硬件设备的合理搭配和连接，为实验的顺利进行提供了必要的基础支持。

3.3 实验结果与分析

实验旨在结合OCS系统遥信与卷积神经网络，实现对GIS刀闸的分合状态进行智能判别。试验现场通过视频拍摄指针指向的图片，利用基于卷积神经网络的深度学习算法进行智能识别，并最终构建一个能够准确判断GIS刀闸分合状态的智能体。对如图5所示的水平旋转中心断口式刀闸进行试验。

图5水平旋转中心断口式刀闸

首先进行数据采集与准备。收集大量GIS刀闸分合状态的视频图像，包括分闸状态和合闸状态，确保数据集覆盖各种光照条件、角度和状态。将视频序列拆分成单帧图片，并标注每个图片对应的刀闸状态作为训练数据。接着，对收集到的图片进行预处理，包括图像增强技术，如亮度调整、对比度增强和去噪处理，以提高模型的鲁棒性和泛化能力。

其次，进行模型的训练以及调优，提高准确度和性能。最后，将OCS系统遥信数据与训练好的CNN模型进行融合。OCS系统提供GIS刀闸状态的传感器数据，将这些数据输入到CNN模型中进行判别。通过智能识别算法模型对视频拍照的GIS刀闸图片进行分析，并得出GIS刀闸的分合状态判别结果。

分合闸中的过电压波形如图6所示，可以看出，由于电弧效应，断路器左右断口处的过电压波形(粉红色)呈现“阶梯”发展趋势。在500 kV系统下，断路器的最大过电压可达105 4.2 kV。一方面，断路器分裂断口右侧的电压受到电源侧附近电压的影响，呈正弦波(橙色),另一方面，由于左右电弧过电压感应电压的影响，相应的电弧将以正弦波局部振荡。

图6试验电压波形

表1刀闸开合结果对比

如表1所示，根据OCS遥信系统平台的反馈，所设计的智能体能够精准识别在此过程中刀闸的开合状态。

实验结果表明，所设计的智能体在GIS刀闸状态的判别上表现出了高精准度和快速可靠性。模型的准确率达到了100%,同时在多次重复实验中，识别结果的一致性和稳定性得到了验证。此外，模型的平均识别时间仅为16.4 ms, 满足了实时应用的需求。

综上所述，本智能体成功地实现了OCS系统遥信与卷积神经网络融合的GIS刀闸状态判别，试验结果表明该算法具有高精准度和快速可靠性，为GIS刀闸监测和控制系统的智能化发展提供了有力支持。

4、结论

本研究旨在实现GIS刀闸状态的智能判别，通过结合OCS系统遥信与卷积神经网络的融合，实现对GIS刀闸分合状态的快速可靠识别。采用视频拍照指针指向的图片作为输入数据，并运用基于卷积神经网络构建的深度学习算法模型，经过大量刀闸分合状态视频图像的训练和调优，最终构建了一种能够识别GIS刀闸分合状态的智能体。试验结果表明，本研究所提出的智能算法模型在GIS刀闸状态判别方面表现出色，模型的准确率达到了100%,平均识别时间仅为16.4 ms。通过结合OCS系统遥信数据，模型在实时场景中快速准确地判断GIS刀闸的状态，且具备较好的稳定性和泛化能力，适用于不同光照条件和角度的情况。因此，本研究OCS系统遥信与卷积神经网络的融合为电力设备智能化发展开辟了新的途径，为电力系统的安全与稳定运行提供了有力保障。

参考文献:

[1]鲍鹏,杨新志.GIS刀闸分合位置判断方法研究[J].人民长江,2023,54(S1):141-144.

[3]李雷,关延伟,李冬冬,等.220 kV GIS快速地刀自动合闸事件的分析和防范处理措施[J].电工技术,2023(9):101-102+105.

[7]汪勇,王军,黄文辉.一种i-AZ1H-12环保型气体绝缘金属封闭开关设备的研发[J].电气传动自动化,2023,45(4):16-19.

[8]施胜丹,黄金军,赵文强,等.基于Hankel矩阵与图结构的GIS设备运行状态识别方法[J].噪声与振动控制,2022,42(5):159-164+233.

[9]谭向宇,郭浩,张乔根,等.直流下GIS内运动金属微粒的超声波特性及状态识别[J].高电压技术,2010,36(2):391-395.

[10]张永强,郭诚,张豪俊,等.基于图像识别技术的气体绝缘金属封闭开关设备中开关触头位置监测系统[J].电气技术,2019,20(5):51-54+68.

[11]唐炬,曾福平,范庆涛,等.基于荧光光纤检测GIS局部放电的多重分形谱识别[J].高电压技术,2014,40(2):465-473.

[12]岳美,杨秀龙,许景华,等.基于超声波检测技术的GIS内部自由颗粒缺陷分析[J].山东电力技术,2021,48(2):44-47.

[13]杨祎,崔其会,秦佳峰,等.改进BERT的故障案例智能匹配方法[J].山东电力技术.2022,49(2):47-53.

[14]王爱丽,张佳烤,姜开元,等.利用新型卷积神经网络识别MPSK信号调制方式[J].哈尔滨理工大学学报,2021,26(5):97-103.

[15]海书毓,李天乐,吴彩霞,等.数字图像识别在SF_6气体测试中的应用[J].大众标准化,2023,(14):166-168.

[16]董智,赵阳,田福丰.基于改进卷积神经网络的电网工程图纸字符识别与检测算法[J].电子设计工程,2023,31(13):27-31.

[18]涂彦昭,高伟,杨耿杰.一种基于卷积神经网络和长短期记忆网络的光伏系统故障辨识方法[J].电气技术,2022,23(2):48-54.

基金资助:广西电网有限责任公司科技项目(041000KK 52220001);

文章来源:张广就,王国炎,吕宗瑾,等.基于OCS系统遥信与卷积神经网络融合判别GIS刀闸状态的方法[J].自动化与仪器仪表,2024,(09):164-167+172.