1.   背景及现有技术的不足

电力系统在运行方式改变时，往往涉及到保护压板的投退。在设备进行保护传校时，根据工作需要会调整部分相关压板的投退状态。保护装置的压板状态是否正确会直接影响保护功能的实现，严重时甚至会引起保护拒动或误动，从而导致大范围停电事故。依据《国家电网公司变电站运维管理规定（试行）》^[1]规定要求，倒闸操作过程中要严防“误投退（插拔）压板（插把）、连接片、短路片，误切错定值区，误投退自动装置，误分合二次电源开关”等误操作。因此运维人员应定期对全站所有的保护柜名称、装置型号、压板位置信息等进行核对检查，按照《核对压板、手把位置、指示灯状态标准化作业指导书》规定，要求压板核对工作周期为每半年一次。

目前核对保护压板只能通过人工核对，这种传统的核对方式耗费时间较长，工作效率低，核对错误率高，如图1所示。核对流程主要分为压板数据整理、前期工作准备、压板现场核对、判断一致性、记录整理留存5个阶段，如图2所示。从前期工作准备和压板现场核对这2个阶段，来着手优化核对压板工作，进而实现缩短压板核对时间的目标。急需一种基于图像识别技术的保护压板识别方法，以此改善压板传统核对方式。

图  1  传统人工压板核对工作

下载: 全尺寸图片 幻灯片

图  2  核对压板工作流程图

下载: 全尺寸图片 幻灯片

2.   技术方案

保护压板识别分别采用图像处理技术和深度学习模型实现。保护压板识别服务能够通过单帧图像检测条状开关压板的开关位置分布，识别每个开关的投退状态。也能通过单帧图像检测连片式开关压板的开关位置分布，识别每个开关的投退状态，如图3所示。

图  3  开关位置分布

下载: 全尺寸图片 幻灯片

针对提取出的感兴趣区域，首先采用目标检测模型检测开关所在图像中的坐标位置，然后利用分类模型实现开关状态的细粒度分类识别。

2.1   目标检测模型YOLOv4

基于深度学习的目标检测方案有多种，从实现步骤上来看有以Faster R-CNN为代表的Two-stage方法和SSD、YOLO^[2]等为代表的One-stage方法，从预设框的设置来看有Anchor-base方法和Anchor-free方法。综合考虑精度和检测速度等方面，本方案采用YOLO算法作为目标检测的基础框架。 YOLO能够使用单神经网络骨架完成检测任务，可以减少网络训练次数和检测所需时间。本方案选用目标YOLOv4模型，可更好兼顾较好的模型精度和时间效率。

2.1.1   主干网络选取CSP-Darknet53

骨干网络（特征描述网络）是深度学习模型的关键部分，其结构对其提取特征的描述能力具有非常大的影响。综合考虑网络表现，本文采用CSP-DarkNet53作为检测模型的特征描述网络。CSP-DarkNet53沿用DarkNet53的滤波器尺寸和整体结构，并在网络中引入Cross Stage Partial结构^[3]，同时取消了bottleneck结构，从而减少了网络参数，使其更容易训练。DarkNet-53是一个由53个卷积层构成的深层的卷积神经网络。其中，滤波器尺寸为常规的1 × 1和3 × 3大小的小尺寸滤波器。Cross Stage Partial（CSP）结构在梯度表现上较为优越，极大减小计算量。其在输入block之前，输入可大致分为2个部分，一部分通过block进行计算，另一部分直接通过一个shortbut进行concatenate。按照惯例，网络的卷积层后面加入BN以帮助网络训练。

2.1.2   激活函数 Mish激活单元

激活函数可以显著提高梯度传递率，有益于网络的学习能力的提升。CNN常用的激活函数也在不断地发展，早期网络常用包涵ReLU、LeakyReLU、softplus等，后来又有了Swish、Mish等。本方案使用Mish函数作为网络的非线性激活单元，其计算公式如下：

式中：x为输入值，上一层神经网络的输出。按照YOLOv4思路采用一个特征融合网络实现特征的重用和融合^[4]。特征融合网络的结构结合了PANNe网络中的特征金字塔增强模块（feature pyramid enhancement module，FPEM），用于增强特征。并且在不同的特征层进行堆叠之前采用SPP（spatial pyramid pooling）构造多尺度特征，提升网络在尺度不变性上的表现。在训练阶段，基于采集到图像的原图提取到的感兴趣区域，并对感兴趣区域图像进行扩充，构建数据集。 训练中采用Momentum-SGD作为优化函数，采用MSE和交叉熵作为损失函数。目标检测模型训练完成后，可以从感兴趣区域图像中获取待识别开关在图像中的位置以及开关的类别。

2.2   开关类别分类模型 ShuffleNet-v2

由于保护压板开关的信息量少，且分、合状态的同一种开关特征相似，所以在完成目标检测后，需要进行更细粒度地分类。因为ShuffleNet-v2属于轻量级网络，在推理时间方面效率较高，并且具有很好的模型精度。其网络结构主要包含分组卷积和通道交换的方式，能够充分帮助信息流动。训练时，针对4种开关的分合状态制定8分类任务，利用目标检测模型的输出结果获取开关局部图像，并形成分类数据集。训练过程采用Adam优化器，损失函数采用交叉熵。

经过分类模型的计算，算法可在目标检测模型输出结果的基础上识别开关的状态。最终，可以得出整个任务的开关位置、开关状态，见图4。

图  4  开关状态识别结果

下载: 全尺寸图片 幻灯片

3.   本方案优点

本文提供的基于图像识别技术的保护压板识别方法，有效解决人工核对压板工作效率低、工作耗费时间较长、核对错误率高等问题。其在图像识别领域中技术新颖，算法性能优异，不但克服了原有基于人工核对压板方法工作效率低、工作耗费时间较长的问题，而且提高了核对的精度。通过搭建目标YOLOv4检测模型和ShuffleNet-v2开关类别分类模型，运用相关算法设计出一种图像识别方法。利用其对压板进行图像识别、数据采集和数据分析，核对压板工作更加智能化，且该图像识别技术具有运算速度快、可靠性高等优点，使得核对压板工作更加便捷、简单。

本方案图像识别技术采用目标YOLOv4检测模型，该算法采用了非常优秀的优化策略，检测速度非常快，不但能节省大量的网络训练和检测时间的消耗，还能具备较高的模型精度。

YOLOv4选择使用CSP-DarkNet53网络结构为主干网，用来提取目标特征。图像特征提取能力较强，CSP结构解决了主干网络中信息重复问题，使得最终模型推理速度有所提升。CSP-DarkNet53网络结构在不损失检测精度的前提下，检测速度快，模型计算损耗小，特征提取能力强，容易实现特征图的快速降维。

YOLOv4使用激活函数 Mish作为网络的非线性激活单元，它是一种新型的激活函数，能够提高网络的学习能力，提升梯度的传递效率。与传统的激活函数相比，具有更好的稳定性能、更快的收敛速度，以及较高的平滑性和更强的泛化性能，能够更好地避免过拟合，可以防止梯度消失和梯度爆炸的问题。

本方案图像识别技术采用ShuffleNet-v2开关类别分类模型，在速度和准确度之间做了很好的平衡，性能超越当下主流网络，达到了较高水平。首先它的网络设计中，模块单元能够使网络有更多的通道数量和网络容量。其次，特种通道直接贯穿这个模块单元连接下一个模块，即特征再利用。这使得在推理时间方面效率较高，并且具有很好的模型精度，识别准确率极高。

4.   实施过程

数据采集和预处理。为了提高识别准确率，应选择高分辨率的设备，避免因设备本身导致的误差。本文将采集不同类型、不同尺寸和不同形状的压板图像数据，并对其进行预处理，在预处理步骤中，对采集到的图像或视频进行去噪、增强对比度、调整亮度等处理，以提高图像质量和清晰度，方便后续处理和识别，以准备用于后续的模型训练。

模型训练和优化。对预处理后的压板图像数据进行训练，构建压板识别模型。通过对模型进行不断优化，提高其识别准确率和鲁棒性。

压板识别系统集成。运维人员将训练好的压板识别模型集成到系统中，实现自动化的压板识别。将模型识别的结果与预先设定的标准进行比对，实现判断保护压板的状态。

系统测试和调试。运维人员对集成后的保护压板识别算法进行全面的测试和调试，确保其在实际生产环境中的稳定性和可靠性。根据反馈和需求进行系统的调优和改进，以满足实际应用需求。

技术支持和维护。为运维人员提供持续的技术支持和维护服务，包括系统的日常运行监控、故障排查和问题解决等，确保系统的长期稳定性和性能。

通过上述步骤，运维人员可以利用基于图像识别技术的保护压板识别方案，使用移动终端App，改进前期工作准备和压板现场核对2个工作流程，如图5所示，实现在不同环境下、不同类型压板的图像识别算法；改进现有图像识别算法，实现不同光环境、不同拍摄角度、不同类别压板的状态识别功能。

图  5  App压板核对检查界面

下载: 全尺寸图片 幻灯片

如图6所示流程，运维人员对变电站的压板进行校核，结合巡视工单开展2月和8月周期性的站内压板校核工作，能够对巡视的工单全流程管控。

图  6  压板库维护及压板现场核对流程图

下载: 全尺寸图片 幻灯片

变电站压板核对系统主要功能包含压板库维护、变电压板巡视任务编制、变电巡视工单管控。作为前期准备工作的压板库维护流程，利用本方案，使得压板数据维护更加方便，准确性高，从而节约前期工作时间。通过编制变电压板巡视任务，建立压板巡视工单，完成压板现场核对工作。基于图像识别技术的保护压板识别方法应用使得压板核对工作更加标准化、规范化和高效化。