基于雙目立體視覺的變電站空間毫米級區域故障三維場域監測方法

李文偉,朱龍,陳子文

(1.廣西電網有限責任公司欽州供電局,廣西 欽州 535000;2.南京南瑞繼保電氣有限公司,江蘇 南京 530023)

由于我國城市化進程速度較快,人們需求量較大,變電站也因此加重自身負荷,影響了變電站的工作運行效率[1-2],且易出現變電站故障。如果有些故障沒有被及時監測到,又位于變電站空間毫米級區域,對變電站進行檢修時就容易出現漏檢。為了改善這一問題,需要對變電站空間毫米級區域故障三維場域開展以下監測研究。

王競等人[3]提出牽引變電站直流斷路器機械狀態監測與故障診斷研究方法,為了監測出變電站故障,該方法以直流斷路器為對象,采集該設備的信號,從中確定變電站傳感器的主要型號,再通過提取信號特征模擬出常見的故障,在監測出變電站故障的同時還判斷出故障類型,該方法采集的振動信號不夠全面,存有監測效果差的問題。王鳴譽等[4]提出利用Apriori算法實現變電站二次系統故障診斷方法,該方法優先對SCD文件開展了解析,然后從中構建出變電站物理回路的映射關系,根據以往的歷史故障數據對變電站二次系統回路開展故障監測,并采用Apriori算法對監測到的故障信息關聯規則進行計算,從中判斷出變電站故障類型,在監測到變電站故障的同時還診斷出變電站故障,該方法的計算結果存有誤差,存在監測精度低的問題。陳軍等人[5]提出Petri網智能變電站保護控制故障診斷與定位方法研究,該方法優先獲取了變電站數據,根據獲取結果構建變電站Petri模型,利用該模型對變電站設備狀態進行故障監測,并將監測結果輸送到Petri子網中,以此取得變電站故障信息狀態,最終依據獲取結果利用Petri網模型對變電站故障狀態進行故障定位,實現變電站故障監測診斷與定位,該方法獲取的故障狀態存有欠缺,存在監測有效性低的問題。

因此,提出基于雙目立體視覺的變電站空間毫米級區域故障三維場域監測方法。

1 三維區域圖像校正

1.1 雙目立體視覺模型建立

雙目立體視覺[6]可以模擬人眼利用設置的雙攝像頭對想要獲取的目標定位,通過對比圖像與成像之間的差異性,從中獲取目標的三維位置數據,實現目標體的標定,完成目標體的圖像獲取。

針對雙目立體視覺的工作原理,采用雙目立體視覺對變電站空間毫米級區域故障三維場域的三維位置信息進行標定,從而實現變電站三維空間毫米級區域故障三維區域圖像采集。為此基于雙目立體視覺建立采集模型,如圖1所示。

圖1 構建的雙目立體視覺模型示意圖

圖1中,(C1,C2)表示雙目立體視覺的相機,其焦距與光軸相互平行且具有一致性,C1坐標系中,P屬于空間位置坐標,即(XC,YC,ZC);模型中圖像像素左坐標系定義為(uL,vL),右坐標系定義為(uR,vR)。

按照設計結果,采用幾何知識對特征點P及C1做相機投影點位置關系獲取,表示為:

(1)

式中,(u0,v0)表示實際坐標點,焦距則由f定義,d表示視差,(x,y)表示像素位置,T表示平移向量。

獲取特征點P坐標系:

(2)

雙目立體視覺系統獲取成像后與實際圖像存在偏差,因此要及時糾正相機位置,令其滿足正常的成像要求。

1.2 雙目立體視覺相機標定

為了能夠更好地實現變電站空間毫米級區域故障三維場域圖像的采集,需要標定建立的雙目立體視覺模型相機,因而采用二維棋盤格圖像校準板對相機視覺進行標定,具體步驟如下:

(1)令棋盤圖像屬于標定板,將其放置在平面中,并從多個角度對其進行拍攝;

(2)提取圖像特征點,取得關鍵的坐標位置信息;

(3)獲取相機內外參數;

(4)優化相機內外部參數,取得全部參數。

按照以上四個步驟,采用MATLAB標定雙目立體視覺相機,由于相機有兩個攝像頭,所以從多種角度拍攝后會獲取20幅雙圖像組,再進行標定。依據標定結果獲取雙目立體視覺相機的平移向量,定義為:T=[-70.215,1.06498,-0.18542],而相機之間的間距標定為70 mm,平移參數為70.52315 mm,兩者相差較小,屬于校正后的參數。

最終利用校正后的雙目立體視覺模型獲取變電站空間毫米級區域故障三維場域圖像,實現圖像采集。

1.3 變電站空間毫米級區域故障三維場域圖像濾波

雙目立體視覺模型采集到變電站空間毫米級區域故障三維場域圖像后,會將圖像成像在探測器中,成像過程中會因為環境光線的影響導致圖像遭受噪聲污染,影響后續操作。所以為了提升監測效果,采用均值濾波方法對采集的圖像開展去噪處理[7-8]。

采用均值濾波方法將采集圖像的噪聲進行分配,分配位置為圖像像素中,達到抑制噪聲的目的。

設置圖像像素由(p,q)定義,并設定一個以像素作為中心的模板,令模板大小尺寸為5×5,因而模板的設定模式為:

(3)

式中,h定義為模板類型。

采用加權平均方法計算出各個模板的像素灰度值,結合計算結果,對其進行均值濾波,定義如下:

(4)

式中,g(p,q)表示處理后的去噪圖像,f(r,c)表示采集的變電站空間區域故障圖像,(r,c)表示像素坐標,mn表示尺寸,hpq表示類型。

通過以上操作,實現基于雙目立體視覺的變電站空間毫米級區域故障三維場域圖像的濾波處理。

2 變電站空間毫米級區域故障三維場域監測

2.1 基于改進Hu不變矩的故障特征向量

根據圖像濾波處理結果,消除了圖像噪聲數據,以此采用改進Hu不變矩提取變電站空間毫米級區域故障三維場域特征[9]。

采用Hu不變矩提取濾波處理后的變電站空間毫米級區域故障三維區域特征,從中取得由7個不變矩提取的故障特征向量,表示為:

I=(φ1,φ2,φ3,φ4,φ5,φ6,φ7)

(5)

式中,φn表述故障特征子向量,I表述故障特征向量。

由于采用傳統的Hu不變矩提取變電站空間圖像故障特征存有缺陷,為避免這種問題,需要對Hu不變矩進行改進,因而設置縮放比例因子λ的坐標表述為(i′,j′),未加入λ前的坐標系則表示為(i,j),令其滿足下述關系:

(6)

(j′-j′)q+f′(i,j)

(7)

歸一化中心矩,定義為:

(8)

(8)

式中,φ表示不變矩提取的故障特征向量。

把λ引入到Hu矩提取的故障特征向量中,其故障特征向量轉換成:

I=(λ2φ1,λ4φ2,λ6φ3,λ6φ4,λ12φ5,λ8φ6,λ12φ7)

(9)

因此基于改進的Hu不變矩提取的變電站空間毫米級區域故障三維場域特征向量表示如下:

I=(I1,I2,I3,I4,I5,I6,I7)=φ1R2(φ2)

R3(φ3)R3(φ4)R6(φ5)R4(φ6)R6(φ7)

(10)

式中,R定義為改進算子,(I1,I2,I3,I4,I5,I6,I7)表示改進Hu矩獲取的故障特征向量。

2.2 變電站空間毫米級區域故障三維場域監測

基于改進Hu矩獲取的故障特征向量,將故障特征向量數據劃分成訓練樣本及測試樣本,并輸送到建立的正則化極限學習機中訓練,利用該模型監測變電站空間毫米級區域故障三維場域,實現變電站空間毫米級區域故障三維場域的監測。

獲取極限學習機ELM數學模型[10]方程表達式:

(11)

式中,x表示故障特征向量輸入變量,WL(x)表示故障特征向量輸出變量,L表示神經元數量,βi表示系數,ai表示輸入權重,bi定義為偏置,其輸出函數定義為G(ai,bi,x)。

G(ai,bi,x)也可以定義為:

G(ai,bi,x)=g(ai·x+bi)

(12)

式中,g(·)表述激活函數。

(13)

式中,l表示組數。

轉換方程(13),形成矩陣形式,表示為:

(14)

式中,v(xi)表示優化后的輸出函數,可以有效提升極限學習機ELM的監測精度,m表示樣本集。

將正則化因子κ引入到ELM模型中,形成RELM正規則極限學習機,以此對β求解:

(15)

式中,εl表示訓練偏差,MELM表示引入κ后的ELM模型。

優化方程(15),優化結果定義為:

al,j(βj-yl,j+εl,j)

(16)

式中,al,j表示Lagrange乘數,εl,j表示偏置,l表示層數,j定義為單元數量,yl,j表示期望輸出值。

根據以上流程,將故障特征訓練樣本數據用作正則化極限學習機RELM模型的輸入、輸出,利用該模型對故障特征向量訓練樣本數據實施訓練操作,最終依據輸出結果實現變電站空間毫米級區域故障三維場域監測。

3 實例實驗與結果分析

為了驗證基于雙目立體視覺的變電站空間毫米級區域故障三維場域監測方法的整體有效性,需要對該方法開展實驗對比測試。

采用基于雙目立體視覺的變電站空間毫米級區域故障三維場域監測方法(方法1)、利用Apriori算法實現變電站二次系統故障診斷方法(方法2)和Petri網智能變電站保護控制故障診斷與定位方法研究(方法3)實行對比測試。

(1)針對采集的變電站空間毫米區域故障三維場域圖像,設置該圖像尺寸大小為256×256×8bit。由于獲取的原始圖像中存有不同類型及密度的噪聲,所以以客觀標準衡量變電站空間圖像的濾波質量數值指標,其衡量標準通過下述方程定義:

(17)

式中,PSNR表示峰值信噪比,ISNR表示信噪比改善因子,fy(i,j)表示初始圖像像素值,o(i,j)表示濾波處理后的圖像輸出像素值,f(i,j)定義為受污染圖像,MSE表示均方誤差,i、j表示像素值,M、N定義為圖像系數。

根據方程(17)確立結果,采用方法1、方法2和方法3對具有噪聲數據的變電站空間圖像進行濾波處理,并將處理結果與原始圖像對比,從而驗證了三種方法的去噪效果,測試結果如圖2所示。

圖2 變電站空間圖像濾波處理對比測試

由圖2可知,由于原始圖像中存有大量噪聲數據,所以采用三種方法消除噪聲數據。經對比發現,方法1對原始圖像噪聲數據開展濾波處理后,其處理結果明顯要優于其余兩種方法,其圖像清晰度、質量最高,說明方法1的濾波處理結果最好。

而方法2和方法3在處理圖像時,可以消除大量噪聲數據,圖像內還存有少量噪聲數據,導致方法2和方法3所處理的圖像清晰度較低,所以可知方法1的濾波處理結果最佳,而其余兩種方法的濾波處理結果較差。

(2)為了能夠更好地對變電站空間毫米級區域故障三維場域監測,本次實驗在變電站空間毫米級區域中設置了六種斷路器機械故障狀態,監測前優先獲取變電站空間斷路器的能量譜特征值,并對六種故障狀態進行劃分,前五種狀態數據為訓練樣本,后一種狀態數據為測試樣本。

設置變電站空間斷路器的合閘為1、分閘為3、180 V欠壓合閘為2、160 V欠壓合閘為5、合閘線圈老化為4、合閘卡滯為6。按照設置結果,采用三種方法對六種故障狀態下的變電站空間斷路器監測,根據監測結果判斷出三種方法是否合理地監測出變電站空間斷路器故障,測試結果如圖3所示。

由圖3可知,在樣本數據量逐漸提升的情況下,三種方法的監測精度都有所提高,而在設置的六組故障狀態下,方法1的監測效果明顯優于其余兩種方法。這是因為方法1對變電站空間毫米級區域故障三維區域圖像開展了濾波處理,從中消除了環境光線等多種因素對圖像造成的噪聲污染,以此大大提升了該方法對變電站空間故障監測的監測效率及監測精度。

4 結 論

本文提出了基于雙目立體視覺的變電站空間毫米級區域故障三維場域監測方法。該方法利用雙目立體視覺采集的變電站空間圖像,并對該圖像開展預處理,然后提取了變電站故障特征向量數據,最終將特征向量輸送到建立的監測模型中訓練,獲取的圖像清晰度、質量最高。對六種故障狀態進行檢測后,表現出的準確率最高,維持在80%以上,最高接近100%,在濾波處理方面效果較優越,日后在變電站空間毫米級區域故障三維場域監測方法中有著長遠的發展前景。

圖3 六種故障狀態下的變電站空間監測對比測試