首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于视频AI识别的智能变电站机器人自动化巡视方法

基于视频AI识别的智能变电站机器人自动化巡视方法

2024-11-26 60 上传者：管理员

摘要：为有效协助变电站日常巡检工作，准确发现变电站异常情况，设计了基于视频AI（人工智能）识别的智能变电站机器人自动化巡视方法。采集变电站视频图像，利用二维Otsu阈值分割方法将视频图像中的前景目标与背景进行分离，最大程度排除变电站环境背景因素干扰，凸显出目标对象，并利用AI识别技术中的改进卷积神经网络对变电站目标图像进行特征提取与分类，获取智能变电站巡视结果。实验结果显示，该方法可以利用巡检机器人采集变电站巡检视频图像，经分割处理后识别到变电站异常情况，提示变电站管理人员进行及时管控。

关键词：
AI识别技术
卷积神经网络
智能变电站
机器人
自动化巡视
视频图像
加入收藏

变电站作为电力系统的关键节点，其运行的安全性和可靠性对于整个电网的稳定运行至关重要[1]。传统的变电站巡视工作主要依赖人工进行，不仅效率低下，而且容易受到环境、天气等因素的影响，难以保证巡视的准确性和及时性。因此，如何实现变电站的自动化巡视和智能监测成为了当前研究的热点之一[2]。

文献[3-6]分别从改进遗传算法、改进生物激励神经网络算法、人工神经网络以及图神经网络方面入手，研究智能变电站机器人自动化巡视方法，但这些研究仍存在忽略了安全因素，可能会面临安全风险、由于场景的复杂性和多变性，参数的调整可能更加困难，增加了算法实现的难度和成本、泛化能力在复杂多变的实际场景中可能受到挑战的问题。

AI技术即人工智能技术，可以理解并适应复杂的环境，执行复杂的任务，在语音识别、图像识别等多种方面大力发展[7-8]。为此本文有效利用AI技术，结合巡检机器人实现智能变电站自动化巡视，为变电站的运行管理提供科学依据，帮助运维人员更好地了解设备的运行状态。

1、设计方法

1.1 智能变电站巡视机器人

利用巡视机器人实现变电站环境、设备以及人员活动等内容的自动化智能化巡视。其中机器人结构见图1，其驱动平台采用全驱动、全向式，以STM32-F103VCT6芯片为运动控制核心芯片，同时搭载高清摄像机、红外热成像仪、多种传感器等[9]。

图1 智能变电站巡视机器人结构

1.2 基于AI识别技术的变电站检测

变电站巡视机器人利用搭载的高清摄像机和传感器实时采集变电站内各个区域的视频信息，采集到的视频信息会被传输到远程服务器进行处理[9]，此时AI识别技术发挥了关键作用。首先对采集视频图像进行分割，并将处理后的结果通过AI识别技术中的改进卷积神经网络（CNN）进行变电站设备、环境等实时监测。

1.2.1 变电站视频图像目标分割

由于变电站环境的复杂性，直接对视频图像进行AI识别可能会受到背景因素的干扰，导致识别精度下降。为便于更好应用AI识别技术从巡视机器人获取的视频图像中完成智能变电站设备、环境等检测，在正式识别之前，应用视频图像处理技术对图像进行目标分割，将视频图像中的前景目标（如设备、人员等）与背景进行分离，最大程度排除变电站环境背景因素干扰，凸显出目标对象[10],AI识别技术以获取到的目标前景为基础，进行变电站巡视，可以显著提升目标的检测精度。采用二维Otsu阈值分割算法进行变电站目标图像分割，既能提升图像的抗干扰性还能减小图像目标的灰度值。在变电站视频图像中，由于设备和环境的灰度差异较大，二维Otsu阈值分割算法能够有效地将目标前景与背景进行分离。

1.2.2 改进CNN的变电站巡视实现

用于变电站检测的改进CNN模型结构如图2所示。其中输入层的输入数据为分割获取的变电站目标图像；卷积和池化层通常以组合形式出现，共同实现输入图像的特征提取；输出层利用一种多分类神经网络进行最终的变电站设备及环境等的异常检测[11]。改进后的CNN在原有CNN的基础上，额外引入一个卷积层在全连接层之前，用以完成输入图像的深度信息挖掘，提升CNN模型的泛化能力，并改进网络损失函数提升图像分类识别能力。

图2 改进CNN模型

(1）卷积层+池化层。

卷积层主要用于完成输入变电站目标图像的特征提取，特征提取数量与卷积核数量成正比关系。其通过离散卷积的线性计算方式实施特征提取的卷积操作，卷积核的大小可衡量图像特征提取的区域大小，以及得到特征用于分类识别的能力。卷积层中，通过一个用于模型训练的卷积核与输入变电站目标图像进行组合，共同进行卷积操作，在其中引入偏置后，共同作为CNN网络的神经元激活函数输入，经处理后，输出卷积层操作结果。

在卷积操作过程中，前一卷积层获取特征量经当前卷积层的卷积操作后，同样输入至激活函数中，得到依据图像卷积获取的特征图进行输出，此时，输出图中存在多个输入图的卷积，在卷积层后引入批归一化层，用于归一化处理网络激活函数值与传播梯度，缩减网络模型的初始化敏感程度的同时提升网络训练速率，以批量归一化处理后的结果作为输入数据输入非线性激活函数。

池化层以保留原始特征为基础进行数据处理，提升处理速度。以矩形形式分割卷积层输出的变电站目标特征图，并通过合并变电站目标图像区域内相邻像素方式采用单个矩阵作为代表进行特征描述，此方式可以显著缩小变电站目标特征图大小，并删除其中无用信息，缩减特征图维度与拟合风险的同时，也可以保障变电站目标图像的平移不变性。

(2）新引入的卷积层。

变电站目标图像经过若干卷积加池化层的组合处理后，会得到压缩表示的变电站目标特征图压缩向量，通过新引入的卷积层，对压缩后的变电站目标特征压缩向量进行二次特征提取，从中获取深层次特征，用于提升模型的泛化能力。

(3）全连接层。

全连接层有效组合卷积+池化层以及新引入卷积层的获取的特征，形成一个包含图像的全局信息的一维特征向量，用于最终的分类任务。

因此利用上述构建的改进CNN从分割获取的变电站目标中检测到变电站的详细情况，结合巡视机器人实现智能变电站自动化巡视。

2、实例分析

以某智能变电站为实验对象，该变电站位于工业区内，负责为周边多个重要企业和居民区提供稳定的电力供应，其额定电压为110 kV、额定容量为500 MVA，站内包含多台高性能的变压器、高压断路器、隔离开关等开关设备，电容器、电抗器、无功补偿装置等多种设备。将本文研究的基于视频AI识别的智能变电站机器人自动化巡视方式应用至该变电站，采用如表1所示的机器人对其进行自动化巡视。

表1 智能变电站巡检机器人详细参数

设定变电站巡检机器人巡检路线，如图3所示，令其按照巡检路径进行巡检，采集变电站环境及设备信息，将部分巡检视频图像采集结果进行展示，结果如图4所示。

图3 设定的变电站巡检机器人巡检路线

图4 部分巡检视频图像采集结果

应用本文方法对采集的巡检视频图像后进行图像分割，用于视频AI识别，分割及识别结果分别如图5、图6所示。本文方法应用二维Otsu阈值能够有效地从巡检视频图像中获取变电站目标，利用AI识别技术有效从中获取变电站存在的问题。图6(a）中的变压器阀芯存在漏油问题，该现象极易引发该绝缘降低、烧损等现象。图6(b）中识别到隔离门损坏、隔离门损坏，将无法有效隔离危险区域，增加了人员触电或设备损坏的风险，为此也应该及时处理。图6(c）中识别到配电箱内存在杂物，杂物的存在会影响配电箱安全稳定运行，如引发火灾，影响散热等。依据本文的上述巡检结果，可以有效指导变电站管理人员完成变电站日常巡检工作，并为危险因素做出及时处理措施，保障变电站运行稳定。

图5 巡检视频图像分割结果

图6 巡检图像AI识别结果

3、结语

以某智能变电站为实验对象，分析验证本文方法应用效果，结果表明，巡检机器人能够按照设定的巡检路线自主导航，并实时采集变电站环境及设备信息。通过对采集的巡检视频图像进行二维Otsu阈值分割和AI识别，成功地从图像中获取了变电站的目标并识别出存在的问题。这些问题包括变压器阀芯部位漏油、隔离门损坏以及配电箱内存在杂物等。这些问题不仅影响变电站的外观和环境，还可能对设备的正常运行和人员安全构成威胁。因此，及时发现和处理这些问题对于保障变电站的稳定运行至关重要。基于本文的巡检结果，变电站管理人员可以得到有效的指导，完成变电站的日常巡检工作，并针对识别出的问题及时采取相应的处理措施。这不仅提高了巡检的效率和准确性，也降低了人工巡检的工作量和风险。未来，随着技术的不断进步和完善，相信这种自动化巡视方式将在更多变电站中得到广泛应用。

参考文献:

[1]彭明智,许尧,胡永波,等.基于人工智能技术的变电站二次设备智能巡检技术[J].高电压技术,2023,49(S1):90-96.

[2]肖发龙,吴岳忠,沈雪豪,等.基于深度学习和知识图谱的变电站设备故障智能诊断[J].电力建设,2022,43(3):66-74.

[3]柯清派,史训涛,袁智勇,等.基于改进遗传算法的变电站巡检机器人路径规划[J].电测与仪表,2023,60(8):144-149+156.

[4]陈南凯,王耀南,贾林.基于改进生物激励神经网络算法的多移动机器人协同变电站巡检作业[J].控制与决策,2022,37(6):1453-1459.

[5]王洪彬,何荷,黄睿灵,等.基于人工神经网络的智能变电站保护系统故障诊断[J].电工电能新技术,2023,42(9):97-104.

[6]张婷,张兴忠,王慧民,等.基于图神经网络的变电站场景三维目标检测[J].计算机工程与应用,2023,59(9):329-336.

[7]沈铭华,马昆,杨洋,等.AI智能视频识别技术在煤矿智慧矿山中的应用[J].煤炭工程,2023,55(4):92-97.

[8]杨洋.AI智能视频识别分析技术在智能化掘进的研究与应用[J].工矿自动化,2023,49(S1):26-28+46.

[9]喻洋,董明知.光伏变电站智能巡检机器人功能设计与实现[J].电测与仪表,2023,60(6):40-45.

[10]付晶,谈家英,周立玮,等.输电线路无人机巡检图像缺陷智能识别方法分析[J].高电压技术,2023,49(S1):103-110.

[11]张宸滔,郑永康,卢继平,等.基于图神经网络的智能变电站二次回路故障定位研究[J].电力系统保护与控制,2022,50(11):81-90.