智能监控系统在现代变电站中的应用

薛磊 曹旌 褚海波 郭铁峰 李尧 高耀宇

摘要：变电站是电网系统的重要组元之一，传统变电站依赖人工，可靠性差，无法满足电网系统的智能化要求。因此建立一个具有智能识别分析能力的现代化变电站，实现对电网系统的智能监控和管理，保障电网系统运行的安全性、可靠性，成为电力系统研究领域的一个重要课题。在调研了国内外研究工作基础上，阐述总结了智能监控系统在现代变电站中的应用。根据国内变电站的实际情况，分别从设备仪表监控、非法入侵监控、作业人员行为规范监控等方面进行分类讨论，总结了智能视频监控技术在变电站中的应用，提出了现代变电站建设的一个可行方式。

关键词：智能识别;视频监控;仪表识别;现代变电站;智能电网

中图分类号：TG409

文献标志码：A

ApplicationofVideoIdentificationTechnologyinSubstation

XUELei，CAOJing，CHUHaibo，GUOTiefeng，LIYao，GAOYaoyu

（DongliPowerSupplyBranch，StateGridTianjinElectricPowerCompany，Tianjin300300，China）

Abstract：Substationisanimportantpartinthepowergridsystem.Traditionalsubstationsrelyonmanuallaborandunreliable，hence，cannotmeettheintelligentrequirementsofpowergridsystem.Buildingamodernsubstationwiththeabilityofintelligentidentificationandanalysishasbecomeanimportantsubjectinthepowersystem.Thispapersummarizestheintelligentmonitoringsystemusedinmodernsubstations，anddiscussestheapplicationofintelligentidentificationtechnologyinintelligentsubstationfromthreeaspectsofequipmentandinstrumentmonitoring，illegalintrusionmonitoringandoperationpersonnelbehaviorstandardmonitoring.

Keywords：intelligentidentification;videomonitoring;instrumentidentification;modernsubstations;intelligencepowergridsystem

0引言

电网智能化建设是国家近几年重点推行的项目，变电站作为电网系统中最关键的环节之一，随着国家电网的全面升级，变电站的智能化升级建设势在必行[1]。传统变电站的监控系统需要工作人员持续进行观察，遇到问题需要人工干涉处理，无法实现电网的智能化管理[2]。基于此现状，将视频自动识别技术和计算机信息处理技术纳入现代电网监控系统中，实现对电网的智能监控和管理，是电网智能化建设的重要方向。该文对现代变电站所需视频监控系统的发展现状和方向进行分析，重点对国内外现有视频识别技术进行对比讨论，进而对现代变电站的智能化建设方向进行总结。

智能视频监控技术作为现代变电站的主要监控手段，取代传统工作人员值守方式对变电站实施监控，不仅节省人工，降低工人劳动强度，同时也有效提高监视的实时性和精确性，进而提高现代变电站的安全系数。作为智能监控系统的核心部分，视频智能识别技术近几年发展迅速，在国外许多技术已开始由概念化转为实际应用，相应的产业链逐渐开始形成[3]。国内智能视频识别技术也已经成为电网智能化建设的热点之一，许多大型科研机构，如清华大学、中科院自动化所、合肥工业大学等，已经在该领域进行了广泛深入地研究[4]。该文从设备仪表状态监控、外来人员和小动物管控、作业人员行为规范监控等三方面对国内外智能视频监控、数字儀表识别、运动目标检测及视频识别的应用现状进行分析讨论。

1设备仪表状态监控识别

变电站中设备仪表数量庞大，仅凭人工识别不仅无法实时监控，还容易造成遗漏和判断失误。现代变电站中设备的主要为表盘指针或数显文字，仪表智能识别的核心为图像数字识别处理。不论是数字还是指针图像，其识别技术已经十分成熟，国内的多所企业院校都已经有相关的成熟产品应用于市场：中科院汉王公司的汉王眼，印刷体数字的识别就有独立的4个以上的识别引擎，误识率只有0.5%;上海交通研究出的识别系统可以识别汉字、字符和字母，对于理想图像的识别率达到96%。将数字仪表识别算法应用到现代变电站中，节省人力，增强了设备的预警能力，显著提高了电网运行过程中的安全性和可靠性[5]。

设备仪表智能图像识别技术实现的主要流程如下：仪表图像信息拾取、采集的图像信息筛选处理、有效图像信息选取、有效图像信息识别等。其中最关键的步骤为采集的图像信息筛选和有效图像信息选取。

采集的图像信息筛选处理的作用主要是把采集到的图像信息中无效信息去除，有价值的部分保留并统一存放，并按照需要对某些特征进行强化，对固定背景进行弱化，以减少后面的信息选取的工作量。图像信息筛选的方法有很多，不同地区的变电站，外界环境不同，光度、噪声等也不同，甚至作业人员肤色、体征不同，具体筛选方法也不相同。

有效信息选取是指按照设定的信息特征对筛选处理后的信息进行重新归类，将筛选处理后的信息作为整体信息库，选择一种或几种信息特证作为信息提取要求，通过多次重复计算，最终得出的特征信息，然后通过系统分类器进行分类并分组存放。该方法要求统计特征具备特征显著，识别简单和易于筛选等特点，一般常见分类特征有图像外形，图像投影，拓扑外形等。

设备仪表智能识别目前流行的算法主要有以下几种：模板匹配法、神经网络法和穿线识别法等。其中，模板匹配法是将所有的数字设定出标准化模板，把识别出的图像跟每一个模板相匹配，进而进行识别。该算法的优点是实现容易、准确度高、受环境影响小，但是计算量过大，导致接收到的信息延迟较高;神经网络法是将经过筛选处理的信息传输至特定网络，通过相应的自适应公式，不断计算得出新的权值和阀值，最终通过新旧误差的大小比较对信息数据进行识别。该方法在识别手写汉字等方面有优势，但在数字仪表识别方面适用性较差;穿线识别法从某种意义上是模板匹配法的升级，主要适用于由七段数码管组成的智能数字仪表，但是对指针和其他仪表适用性差。

针对以上各种算法的优缺点，李丹[6]等提出了一种改进的基于交点特征提取的数字识别方法，对以上三种算法进行优化改进，通过对分割得到的数字区域从外接图形的面积、高度和等方面进行限制，采用直线和字符交点数来构造信息特征，对数字进行识别。该算法从字符的识别特征入手，对现有识别方法进行改进，并提出数字分割后得到的区域进行筛选后再识别，实现了效果比较好的仪表数字实时识别系统，在确保准确率和抗干扰性的前提下，大大的降低了计算量。数据表明，该方法识别率超过97%，对数字仪表识别时间在90ms以内，有效保证数据信息的实时性、准确性，满足当前智能化变电站建设的要求。

2外来人员和小动物管控

变电站作为电网系统的枢纽，任何突发的变化都有可能对电网造成不可估计的损失。一旦有可疑外来人员或小动物侵入，如果无法迅速作出示警和报警，变电站的安全将无法得到保证。因此，对外来人员和小动物的管控是智能变电站智能识别系统重要的作用。外来人员和小动物管控在视频监控系统中均可归结为运动目标监控技术，国外对视频监控技术中的运动目标入侵识别监控技术研究比较早，技术已经成熟。美国已实现在复杂环境下对多个运动目标进行检测、定位以及跟踪，在部分遮挡环境下可持续对多个物体的跟踪定位，并对运动目标的行为进行识别分析[7]。

目前对于运动物体的智能检测主流的方法大致分为以下三种：光流法、图像序列差分法和背景减除法。光流法是利用固定摄像机对稳定静止背景中的图像进行识别，对突然出现的物体进行跟踪。该方法对背景不是很敏感，但是其信息处理受周围环境的影响较大;帧间差分法基本原理是利用图像灰度来确定图像中变化的部分，进而确定有无入侵生物。该方法用少量简单程序就能较好的满足实时监控的要求，但其对匀速或慢速运动目标的监控经常出现遗漏;背景减除法的主要原理利用当前帧和背景帧作差分来检测出运动目标。它能够提取出相对完整的运动区域信息，提供完整的特征数据，但对气候、光照、噪声等干扰特别敏感。

由于以上几种方法均存在其优点和不足，如果对上述方法的两种或三种组合改进应用，如把背景减除法和二帧差分法结合起来对运动目标检测，将会有明显的改善效果。该方法主要是对二帧差分法进行了改进，把其中的差值运算仅应用于相邻两帧图像件，通过和背景减除法做与运算，避免运动目标过大造成误差，从而对运动目标进行识别。该方法克服了光线变化对背景减除法的影响，避免了二帧差分法带来的“重影”现象，计算簡单，实现容易，能够较好的适应变电站的复杂环境，满足现代变电站建设的需求。

3作业人员行为规范监控

现代变电站仍需要作业人员对设备进行日常维护、点检，为保障作业人员安全和设备稳定运行，需对变电站核心区域的作业人员进行实时监控，以确保其行为规范性和操作安全性。由于变电站作业人员衣着规范，特征显著，具有较强的辨识度，本文对变电站人员所戴安全帽、所穿防护服等特征衣着进行组合监控，通过视频识别技术进行智能分析监测，对作业人员活动区域及操作过程特征动作的规范性进行实时监控，对违规操作进行警示。

电工安全帽是变电站工作人员必须佩戴的安全防护用品，对安全帽佩戴状态的自动识别，可以识别作业人员的佩戴规范，还能跟踪识别作业人员面部特征，判断作业人员与现场袖标信息是否一致，更能对其活动区域和行为规范作出更准确判断，从而作为作业人员行为安全规范的重要依据。

安全帽识别最重要的指标是检出准确率，传统的模式识别方式由于误报漏报率高，不能满足现代变电站的要求。此次研究方向，基于深度学习技术的安全帽检测算法。深度学习的框架概念很早就被提出，因为当时缺少平台支持和样板数据，只训练出了三层神经网络。随着GPU芯片的发展，工业繁荣期，深度学习技术得到了飞速发展，不断在突破。基于深度学习的算法也不断在发布，如基于深度学习的人脸识别技术、基于深度学习的烟火识别技术、基于深度学习的车牌识别技术等。

本文案例通过BP神经网络和小波变换算法，利用深度学习特性，实现对安全帽进行智能感知。主要识别流程如下。

（1）对人体进行定位识别。通过骨架分析，对人体骨架进行感知，定位人员的结构，聚焦人体头部位置，如图1所示。

（2）根据人体比例模型，对头部目标进行重点扫描，并放大，进行特征提取，如图2所示。

（3）通过小波变换算法对安全帽图像进行处理，完成图像的去噪、增强、分割、压缩等处理。

（4）对图像边沿进行特征提取，识别安全帽特征形态。

（5）通过神经网络模型的构建和训练，提升安全帽识别率。

经过现场测试，采用该方式安全帽智能感知识别率可满足以下条件：安全帽智能感知分析识别算法库识别颜色准确率应满足90%以上（6000次穿越分析指标精确度），安全帽形态学分析佩戴正确性检测指标应满足70%以上（6000次穿越分析指标精确度）。系统应集成多元智慧感知机器学习库，能够自动调校模式识别分析方式对不同头部进行特征学习，当数据元累积量达到1000枚时，精确率指标应自动提升3%，机器学习分析算法库趋势计算容量应大于200万枚结构化数据特征分析。

通过对作业人员进行HOG特征提取，并进行视频图像智能识别，从而判断作业人员与袖标信息是否一致，作业人员安全帽是否佩戴规范，如检测到作业人员与袖标信息不一致，没有佩戴安全帽，或佩戴不规范，系统主动向后台预警，并实时向作业人员进行语音提示，责令其停止作业，提高作业过程的规范性和安全性。

防护服同样为变电站作业人员必须穿着的防护措施。由于不同作业人员的防护服类型、款式及大小都不同，防护服智能识别技术一般采用可变形部件模型进行数据采集。该模型最早由PedroFelzenszwalb等提出[8]，是一种基于可变形部件、HOG特征、滑动窗口机制的目标检测算法。国内李聪等也对作业人员着装的视频识别算法进行了研究[9]。它对作业人员防护服不同部分，按照特征构建成一个多部件组合的可变形模型，该方法检测精准度非常高，可满足变电站视频工况下智能识别系统的精准度要求。目前变电站复杂运动目标的智能监控系统多采用该技术算法进行识别。[10]对防护服的智能监控识别，对作业人员行为规范性进行监控，通过对危险行为进行特征动作模型建模存档，当作业人员出现类似行为时，立即向作业人员示警，可有效提高作业过程安全系数。

综上所述，通过本文所述智能识别系统对变电站作业人员所佩戴安全帽和穿着防护服等特征防护措施进行监控，可以确保作业人员行为规范性，保障作业人员的人身安全，提高变电站运行的安全性、可靠性。

4总结

现代变电站是电网智能化建设安全、可靠运行的关键，智能监控系统在现代变电站中所起的作用十分重要，通过视频识别分析这一技术功能，使智能变电站的监控技术更加完善。本文以现代变电站所用智能监控系统为对象，对国内外研究现状进行了讨论，从设备仪表监控、外来人员和小动物管控、作业人员行为规范监控三方面进行分类分析，对以上三方面智能识别分析中主流计算方法进行比较，总结了智能监控系统在现代变电站中的应用，为现代变电站的辅助监控系统建设提供了参考方向。

参考文献

[1]吴哲慧，王光增，钟伟，等.配电网发展与投资决策动态评估方法[J].广东电力，2017，30（4）：1114.

[2]张勇军，劉斯亮，江金群，等.低压智能配电网技术研究综述[J].广东电力，2019，32（1）：112.

[3]Cheng，Y.MeanShift，ModeSeekingandClustering[J].IEEETransactionsonPatternAnalysisandMachineIntelligence，2015，17（8）：790799.

[4]于月平，臧海洋，李宁宁，等.基于人工智能的无人值班变电站远方监控“四遥”信息的调试与配置[J].微型电脑应用，2019，35（11）：5256.

[5]李丹.变电站视频智能监控系统设计[D].郑州：郑州大学，2016.

[6]李丹.视频识别技术在变电站中的应用研究[D].北京：华北电力大学，2017.

[7]GilmoreJF，GarrenDA.AirborneVideoSurveillance[J].SPIEProceedingsofAutomaticTargetRecognition，2008，33（71）：210.

[8]PFelzenszwalb，RGrishick，DMcAllester，etal.ObjectDetectionwithDiscriminativelyTrainedpartBasedModels[J].PAMI，2010，32（9）：16271645.

[9]李聪，胡金磊，周俊煌，等.基于SRBFNN的变电作业人员着装图像识别算法[J].广东电力，2019，32（9）：124130.

[10]王勇，韩少晓，尚力，等.智能变电站监控系统新型体系架构研究与实践[J].电力系统保护与控制，2019，47（8）：145151.

（收稿日期：2020.02.25）