变电站自动巡检管控系统研究与应用

严太山，郑晓琼，吕雪峰，柴宏博，占晓友，王守明

（国网安徽检修分公司，安徽 合肥230061）

随着电网设备规模化、智能化的发展，电力运维、检修作业正逐步呈现出作业环境复杂、作业技术难度高、工作面广的形态[1-2]，作业现场的巡检管控难度也进一步升级。在复杂的多点作业中，作业人员容易出现误入带电间隔、误闯非工作区域等安全违章行为，造成工作班成员在作业过程中失去安全监护，可能导致人身伤亡、电网设备跳闸等，对电网的安全运行带来重大威胁[3-5]。安全生产是电力行业的重中之重，当前电力安全生产正面临着更严峻的挑战，在这种新的安全生产形势下，如何实现对作业人员的位置和行为进行跟踪监视，对作业人员进行实时远程全方位安全监护，这对提高电网巡检管控的智能化水平、保障电网安全可持续发展具有重大意义。

现阶段，各变电站为满足安全生产远程监控信息化工作需要，已建成较为完善的变电站网络高清视频监控系统[6]。但现有的视频监控系统在实际生产管理应用方面尚有局限性，没有充分发挥现有的视频技术的作用。其具体表现为：第一，视频监控系统运行仍需人工实时查看，缺少视频智能化应用。第二，视频监控系统与电网业务相对孤立，无法融合。目前视频监控系统只能实现环境监控，且仅具备实时观看功能，无法与电网业务相互融合。第三，视频监控系统存储录像数据巨大，人工回放录像取证效率低下。对于特定目标的追溯往往需要通过大量的人工对所有录像浏览来实现，往往存在漏检情况。可见，目前变电站视频监控网络仅停留于设备和环境监测，既制约了监控设备的智能化水平，限制了设备资产利用率，也没有考虑监控数据与电网管控业务的融合。

电网作业智能巡检管控平台通过利用变电站现有的站内高清视频监控设备，结合智能视频跟踪算法，实现作业人员自动检测、自动跟踪、禁区闯入自动判别，用计算机视觉解决作业过程的巡检管控问题。通过智能视频跟踪算法在电网作业巡检管控中的实际应用，有效实现了对作业人员全过程监护、作业现场全方位管控、作业设备状态实时采集、作业现场环境实时监测，提升作业现场巡检管控力度，保障作业现场巡检管控质量，全面推进电网现场作业“全面、全过程、全方位”的巡检管控。

1 系统架构

变电站自动巡检管控系统框架如图1 所示。前端采集层是安装分布在变电站设备区域和各保护小室内的带人工智能识别功能的高清摄像头，传输层为带POE 接口的网盘录像机（NVR, network video recorder），站控层部署有云端控制中心和信息储备数据库。

图1 变电站自动巡检管控系统框架图

1.1 高清自动跟踪摄像头

采集层设备采用具有人工智能识别的高清摄像头，通过充分考虑变电站现场的实际运行环境，研究摄像机参数、摄像机性能、抗干扰功能，选取安格华500 万高清抓拍、具备AI 人形自动追踪功能的高清摄像头，该摄像头采用H.265 编码，具有占用带宽小、占用存储空间少的优势。

1.2 网盘录像机NVR

通过比较各类型的NVR在经济性、安全性、兼容性等多个指标，最终选取型号为DS-7808NBK18P 海康威视POE 网络硬盘录像机。该NVR 支持48 V标准的POE供电模式，将供电和联网功能合二为一，通过内置POE控制芯片，自动监测识别POE设备，且具备多种存储方式，安全性能较佳，传输距离可达数百米。

1.3 云端控制中心

云端控制中心通过以太网部署在服务器上。摄像机通过云端控制中心的算法完成机器训练，采集施工现场的含有作业人员的视频信息，通过网络传输实时输出至云端控制中心并保存数据到信息储备数据库，云端控制中心通过传送的视频信息，跟踪作业人员的运动轨迹，计算其是否在给定施工区域内，判断其是否规范作业。

1.4 信息储备数据库

在对前端高清摄像头运用算法进行机器训练后，机器训练的施工现场样图就被存储至信息储备数据库。

由于摄像机前端存储空间有限，摄像机监控的历史录像也通过传输网络传至信息存储数据库，通过云端控制中心访问信息存储数据库进行历史录像查询和浏览。

2 算法实现

视频目标跟踪算法[7-10]作为被动跟踪方式，目前已广泛应用于机器人巡检、视频稽查、人机交互、安全管控及联动报警等领域[11-13]。视频目标跟踪致力于以计算机视觉解决目标位置轨迹问题，其原理是通过给定视频图像中初始帧的目标位置框，在后续视频序列中自动锁定和分析出目标的实时位置框。视频目标跟踪系统，一般可划分为初始化、外观模型、运动模型、位置确定4 个部分，其中外观模型和运动模型是视频目标跟踪算法的核心，模型的适用度直接决定了锁定目标视频前后帧的关联性分析是否能快速准确的建立，同时也影响着追踪辅助信息的质量。

传统目标跟踪算法基本流程如图2所示。

图2 传统跟踪算法的一般流程

在变电站实际运行环境中，由于现场电力设备众多且各电压等级区域均存在构架或设备支柱，导致被锁定目标所处环境复杂，且由于目标的移动往往会产生遮挡、位置急剧变化等情形，导致影响追踪的参数过多[14-15]，传统的追踪算法已不再适用。

本文采用基于深度学习理论的智能视频跟踪算法，通过对目标施加强大的特征抽象提取和目标运动轨迹进行拟合，使智能视频跟踪算法能够具有很好的鲁棒性，可处理在复杂多变的变电站环境各种参数干扰带来的问题。智能视频跟踪算法，通过提前对采集的室外现场作业人员施工图片进行采样机器学习，进而对室外作业场景中的给定区域进行检测，具体流程如图3所示。

图3 智能视频跟踪算法流程

上述智能视频跟踪算法中，对于目标是否在给定区域内的判定方法主要根据目标局部区域符合条件多边形个数奇偶性而定。设定检测得到的作业人员矩形框底边中点为P0(x0,y0)，多边形施工区域由点Mi(xi,yi)(i=1…N)确定，其边分别为MiMi+1，统计N个边当中同时满足如下规则的边的个数：

若符合上式的多边形边的个数为奇数，则表示点P0在多边形内，即表示作业人员在给定区域内施工。

3 应用效果

变电站自动巡检管控系统搭建完成后，分别在正常状态下和存在环境干扰2 种情况下，分别对500 kV变电站内500 kV、220 kV、35 kV 3个典型的不同电压等级的设备区域随机等量取点进行试验，分析系统对现场作业人员工作区域非法越界判断的情况。通过试验分析，正常状态下和存在环境干扰下非法越界判断的准确率分别如图4和图5所示。

图4 正常状态下非法越界判断准确率

图5 环境干扰下非法越界判断准确率

从图4和图5对比可以分析出，在环境干扰下非法越界判断准确率约为88.04%，比正常状态下低约9.6个百分点。这是由于现场检修作业环境中存在有大型吊车作业、设置硬围栏、或者在变电站机器人联合巡检场景等环境因素干扰下，导致图像智能识别的准确率下降。

变电站实际现场环境下，通过对人体特征元素的进一步提取和优化，并在前期图片识别素材库里增加多场景下的环境元素，提升前端高清摄像头对不同场景下的现场环境智能识别性能。完成改善措施后，同样选取500 kV 变电站内500 kV、220 kV、35 kV 3个典型的不同电压等级的场景下，再次在变电站现场存在环境干扰因素下，系统对变电站作业区域内作业人员非法越界判断发热准确率分析，如图6所示。

采取改善措施后，在存在环境因素干扰下，非法越界判断准确率约为95.96%，相比改善前增加了7.9个百分点，改善后环境因素对系统非法越界判断准确性的影响程度减小。

图6 改善后环境干扰对非法越界判断准确率影响

4 结论

本文通过将智能视频跟踪算法应用于变电站作业现场自动巡检管控系统，实现对作业现场目标人员所在区域的实时检测并追踪目标轨迹。实际应用表明，在变电站作业现场环境复杂、遮掩物多的背景下，变电站自动巡检管控系统对作业现场目标人员非法越界的判断准确率均在95%以上，该系统应用的可行性和判定的准确性得到了验证。

通过使用变电站作业现场自动巡检管控系统，为电网作业实时不间断的巡检管控提供了技术平台，在巡检管控的劳动强度降低的同时，管控质量也得到了保障。变电站作业现场自动巡检管控系统可视为智能采集层面的局部物联网，其应用不仅提升了电网巡检管控作业的智能化水平，也提高了巡检工作效率，为今后推进变电站无人值守模式奠定重要基础。