融合SE-Attention图像识别模型的电力设备监测系统

何启远，潘德泰 ，李贵亮 ，林 清 ，董芸州 ，李小敏， 高振宇

(1.海南电网有限责任公司信息通信分公司 ，海南 海口，570203;2.四川大学 机械工程学院，四川 成都，610065)

0 引 言

随着国民经济的发展，人们的用电需求也逐步增加，电网规模与智能输变电设备数量随之增长,电力设备在人们日常起居中扮演着不可获缺的角色[1]。然而，电力设备在使用的过程中经常会受到温度、湿度和气压等因素的影响，且由于部分电力设备长期在户外恶劣的环境中工作，其性能也会随之降低[2]。为了减少安全事故的发生，同时满足社会发展对电力设备安全性要求，电力设备的带电检测、在线监测、巡检和试验也成为了电力设备状态监测和评估发展的必然趋势[3]。早期的人工监测方式在一定程度上可以满足电力设备监测需求，但随着电网大规模的建设和发展，电力设备趋向于复杂化和多元化，人工监测变得更加困难。因此，如何对电力设备运行状态进行自动化监测成为了工业界和学术界主要的研究对象之一。

电力设备监控通过电力的外表图像信息、工作状态等判断电力设备是否出现故障。传统的电力设备检测方法有光谱法、紫外脉冲法、径向温度法和超声波检测法等，虽然这些监测方法取得了一定效果，但安全性不足[4]。文献[5]采用Harris角点检测的方法将摄像头收集的设备实时图像和正常运行的电力设备状态进行对比，通过图像焦点特征来判断配网设备状态是否存在异常。该方法虽在绝缘子串的监测上取得了一定效果，但是对角点的选取约束性较强。目前，一些学者采用在电力设备故障监测应用最广的技术——红外成像技术来解决上述问题。利用红外光对电力设备进行拍摄，然后对所拍摄的照片进行识别[6]，虽在一定程度上解决了Harris角点选取的问题，但该方法要求较高的人力和物力成本，而且存在误判率高、效率低等缺点[7-10]。随着采像技术和机器视觉的发展，出现了大量利用机器视觉方法解决电力设备的监测问题[11-13]。文献[14]对采集后的红外图像进行特征提取，再利用SVM进行分类。虽然提高了电力设备图像分类的效果，但是十分依赖于人工建立的特征工程。

近几年，CNN等经典的神经网络算法在提取图像特征上有着显著的效果。文献[15]利用CNN对红外采集的图像进行分类以判断用电设备的异常。在此基础上一些学者又对CNN进行了改进。文献[16]把FP-FRCNN应用在变压器、绝缘子和刀闸的图像信息识别，取得了较好的识别效果。文献[17]利用机器视觉技术实现双通道图像采集，以变电站绝缘子为对象建立绝缘子数据库,通过Mask R-CNN算法对绝缘子进行有效识别，从而实现对电力设备的智能监测，但CNN在目标检测时，经常面临视觉特征较难提取等问题[18]，同时考虑到电力设备的故障大多数是由于局部损坏导致的功能障碍，而CNN虽然有具体提取局部特征的作用，但是经过多层的维度变换之后，该局部特征可能存在难以保持的情况。

本文给出的SE-Attention方法在得到电子设备图像信息之后，以挖掘图像的深层语义信息和识别局部故障为目的,利用多层卷积神经网络对图像信息特征进行深层挖掘并提取，然后使用残差神经网络保存图像原始特征信息，使图像完整度得以最大化。最后使用行注意力机制、列注意力机制和通道注意力机制加大对图像中的损坏部分的权重，达到对电力设备故障识别的效果。本文方法在避雷器、断路器、电流互感器和电压互感器的故障识别上均得到了较好的实验效果。

1 基于SE-Attention系统设计

1.1 电力设备监控

采用基于SE-Attention的电力设备进行智能监控，首先，通过红外相机对所需要监测的电力设备进行图像采集，对图像进行人工标注；其次，在得到电力设备的图像信息和标签信息之后，训练本文提出的SE-Attention模型；最后，利用训练好的SE-Attention模型对电力设备进行识别，当模型判断该电力设备出现故障时报警，如图1所示。

图 1 电力设备监控流程Fig.1 Power equipment monitoring process

1.2 监测模型

为克服传统CNN在电力设备红外图像视觉特征提取难和多层维度变换之后局部特征不明显等问题，本文提出基于SE-Attention的电力设备监控模型，将SE-Net[19-23]与深度学习中的注意力机制相结合，对各部件的故障进行识别。具体模型结构如图2所示。

图 2 SE-Attention模型Fig.2 SE-Attention model

图2中，通过使用红外光对电力设备进行拍摄，得到电力设备的图像信息I∈RH×W,为进一步对图像的局部特征进行提取，因此将I送到卷积层进行特征提取。为了提取局部特征信息，首先对I进行填充，然后使用C个3×3的卷积特征核对图像的局部特征进行提取，将得到的特征图像信息再一次填充之后，使用2×2的池化核对其池化，得到特征图像M∈Rc×h×w,其中h=H/2，w=W/2。为了进一步提取深度特征信息，在得到M之后，再利用n个3×3卷积层输出Mn∈Rc×h×w。为防止深度神经网络存在的“退化”问题，同时也为了保持原始的图像信息，在得到Mn之后，将Mn与M相加，并通过激活函数得到，深度图像信息Mr∈Rc×h×w。

通常，电力设备的故障大多数是由于局部损坏导致，为了进一步识别局部故障信息，本文在通过CNN进行特征提取之后，再分别使用行注意力机制和列注意力机制提取图像的特征信息，可表示为

α=softmax(mr×wr)

(1)

(2)

(3)

(4)

在得到Mr,r，Mr,c之后进一步对通道信息进行加权，如式(5)、(6)所示：

γ=softmax(w′r×Mr,r)

(5)

ρ=softmax(w′c×Mr,c)

(6)

式中：w′r∈Rc×1、w′c∈Rc×1分别是行通道注意力机制的参数向量与列通道注意力机制参数向量;γ∈Rc×1为行通道注意力权重向量,ρ∈Rc×1为列通道注意力权重向量。进一步的通过加权求和得到mc,r∈Rw×h、mc,c∈Rw×h，加权求和公式可表示为

(7)

(8)

式中：γi为γ中的第i个数；Mir,r为Mr,r第i个向量；ρj为ρ中的第j个数；Mjr,c为Mr,c第j个向量。

得到mc,r、mc,c之后，将mc,r与mc,c相加得到最后的特张图矩阵m∈Rh×w，最后将m送入到Flatten层，然后通过softmax得到电力设备的是否故障的分类结果。

2 实 验

2.1 数据及方法

实验采用的CPU为Intel(R) Core(TM) i3-380M 2.53 GHz，包含2.0 GiB内存和1.0 GiB显存，操作系统为CentOS6.8，系统运行环境Opencv2.4.9。

为了验证本文系统的有效性，利用红外设备对避雷器、断路器、电流互感器和电压互感器等4种常见的电力设备进行红外图像采集，如图3所示。

(a) 避雷器 (b) 断路器

(c) 电流互感器 (d) 电压互感器图 3 4种待识别的电力设备Fig.3 Four kinds of power equipmentto be identified

将采集到的4个电力设备的红外图像分为2类：一类是正常运行的电力设备红外图像；另一类是有故障的电力设备的红外图像。并随机选取训练集和测试集。具体数据集分布如表1所示。

本文使用平均准确率A来验证模型在数据集上的有效性，可表示为

(11)

式中：TP为真实类别是正例，预测类别也为正例；TN为真实类别为反例，预测类别也为反例；FP为真实类别为反例，预测类别也为正例；FN为真实类别为正例，预测类别也为反例。

为了提高实验的精准度，本文使用的参数参考CNN方法和SE-Net的实验参数，矩阵和参数向量的初始值均在[-0.1,0.1]之间随机取值，通道为12，卷积次数为3，使用的优化器是Adam，学习率为0.001，同时为了防止过拟合丢弃率设置为0.5。

2.2 结果与分析

为证明本文提出的基于SE-Attention的电力设备监测系统的有效性，本文使用2个经典的基线系统与之进行对比，分别为CNN、SE-Net，基线模型与SE-Attention在数据集上的平均准确率如表2所示。

从表2可以看出，本文提出的SE-Attention系统在4种故障识别测试中均取得了最佳的实验结果，准确率均高于CNN和SE-Net。主要原因是SE-Attention系统在SE-Net的基础上利用了注意力机制加大了故障部分的权重，通过行注意力机制与列注意力机制进一步的识别故障部分的特征信息，提高了实验的准确率。

3 结 语

本系统以识别电力设备的工作状态为目的，首先通过红外设备对电力设备进行采样，并人工为电力设备运行状态进行打标，然后利用这些有标签的数据训练本文提出的基于SE-Attention电力设备的监测系统。考虑到经典的神经网络无法完全挖掘出图像深层信息，而且电力设备往往由于局部故障而导致的电力设备瘫痪等原因，SE-Attention首先提取出特征信息，再利用行注意力机制、列注意力机制和通道注意力机制加大故障处的权重，从而达到识别整个电力设备故障的目的。最后进行实验验证，结果表明，本文提出的基于SE-Attention图像识别模型的电力设备监测系统具有较高的准确率。