摘要：提出了一種融合云計算技術的電力設備智能監測系統;為準確識別電 力 設 備 狀 態，根 據 建 立的目標特征庫縮小捕獲圖像的搜索范圍，并基于視覺注意網絡進行目標檢測;仿真分析表明系統能夠快速且準確地識別監測目標.

　　關鍵詞：電力監控;分布式;云計算;視覺注意網絡

　　1 引言

　　電力監測系統[1-3]是一種集視覺、紅外和聲音傳感器于一體，可以對電力設備的熱缺陷、斷電狀態和異常現象進行監測的系統.隨著科技的發展，近年來許多學者對智能電力監測系統進行了研究;如，喻洋等[4]將智能巡檢機器人技術與新能源場站相結合，設計實現了一套針對光伏電站的電力巡檢機器人;康林賢等[5]對智能變電站輔助綜合監控系統的原理和結構進行研究，提出了一種改進的基于平均背景的幀間差分方法，實現智能變電站輔助綜合監控.

　　在某些電力設施中，一般有多個智能體(無人機、巡檢機器人及其他信息采集單元)在監測系統中工作，對于智能體捕捉的圖像或視頻，大部分檢驗工作由工作人員在監控中心進行，執行任務能力嚴重受限.基于此，本文提出了一種基于云計算[6]的電力設備智能監測系統，準確識別智能體獲得的目標監控圖像，根據建立的目標特征庫縮小捕獲圖像的搜索范圍，并輸入到視覺注意網絡進行檢測.

　　2 基于云計算的電力設備智能監測系統

　　2.1 系統方案

　　按功能劃分，該架構可分為底層和云端兩部分;底層主要由傳感器、電機驅動器和通信模塊等物理設備構成的分布式巡檢智能體;云端包括三種云服務模式：基礎設施即服務(IaaS)、平臺即服務(PaaS)和軟件即服務(SaaS).按層級劃分，系統分為物理層、控制層、信息共享層、API接口及應用層;其中物理層屬于底層，由眾多物理設備或基礎設施構成;控制層、信息共享層、API接口及應用層屬于云端，主要完成信息通信、共享、計算及展示等.系統中分配給某個分布式巡檢智能體的虛擬機(VM)對應于服務模式IaaS.

　　該系統還為相關智能體二次應用開發提供了平臺，即為 PaaS類.應用軟件將通過 SaaS模式共享給不同的用戶.在云端，VM是動態分配的，一旦智能體連接到云中，就會根據存儲服務器中存儲的相關數據創建相應的 VM，這些數據主要包括系統配置數據、算法和歷史數據等.用戶可以通過應用層的用戶界面與系統進行交互.當一個任務包含大量的計算部分時，智能體 VMs會請求并行計算集群中的計算節點協調完成任務.

　　2.2 系統工作過程

　　系統在工作過程中，分布式智能體或信息采集單元監測的對象會隨著任務要求的變化而變化，如儀表監控時主要采集表盤信息，電力線巡檢時主要采集電力線信息，為此通過自適應學習模塊建立目標特征庫，同時將監測任務的對象特征及相關識別算法都存儲在云中.當智能體或信息采集單元將圖像發送到云端，根據云端命令采用基于視覺注意的目標檢測算法進行目標檢測，從而提高圖像匹配的效率.此外，系統利用多核、PC集群和 GPUs計算等并行計算技術，將云端的數據按需共享給多個分布式智能體.

　　3 多尺度視覺注意網絡檢測

　　3.1 目標特征庫特征

　　庫存儲了目標顯著性的統計信息，其中包含了目標的感興趣區域(RegionofInterest，ROI)，該信息描述了特征在 ROI顯著性圖中的重要性，檢測算法中表示相應特征映射的權重.在監測過程中，通過激發顯著特征(大權重)和抑制其他顯著特征(小權重)，從而提高監測精度與識別準確率.考慮到室外工作的多個智能體采集的圖像中同一物體無法保持相同的方向，因此在特征庫中沒有考慮方向特征.

　　3.2 多尺度特征提取

　　一般情況下，較低的網絡層有較小的感受野，能夠更好地匹配小物體(如儀表盤、電力線和指示燈等);相反，具有高級語義信息的更高層適合于大型對象的匹配(電力塔和光伏發電板等)，因此可從原始圖像中提取多尺度特征圖，充分利用各個層次的特征進行目標檢測.采用下采樣操作逐步降低特征圖的分辨率并擴大感受野.在每兩個卷積層之后，對特征圖進行下采樣.

　　網絡共包含4個級別的下采樣，因此特征金字塔包含原圖16倍信息.此外，為了得到輸入圖像的原始尺寸，對特征映射進行逐步上采樣，并自動學習上采樣參數.為了融合不同尺度的特征并保留高頻信息，本文將子采樣前得到的特征映射疊加到上采樣后得到的特征映射上.每個向上采樣級別的疊加特征圖具有相同的分辨率.需注意，網絡中不使用最大池化或平均池化操作，而是使用單步卷積濾波操作來降低特征映射的分辨率，從而避免了梯度離散問題.

　　3.3 視覺注意網絡

　　3.3.1 網絡結構

　　該網絡模型以不同尺度的特征圖作為輸入，采用五個連續卷積層進行特征提取，然后用一個卷積層將特征映射數減少為一個，最后網絡層為一個全連接層，從而實現分類(回歸)，該網絡能夠根據目標庫突出待監測物體的顯著特征，減少非顯著特征或背景的干擾.

　　3.3.2 損失函數視覺

　　注意網絡有兩個分支：分類和回歸.分類子網絡用于預測每個像素的概率值;回歸子網估計對象邊界框的左上角和右下角坐標.網絡工作時同時預測多個錨點，且這些錨點位于每個像素的中心，并與尺度和縱橫比相關.此外，訓練時采集大多數目標物體的尺度在35到350像素之間，如果小于30像素，則不將其用作訓練樣本.網絡在5122到322之間設置了5個錨，尺度步長設置為0.5.此外，錨的縱橫比設置為1:1、1:2和2:1.

　　因此，在每個像素處有A=15個錨.對于尺寸為 W ×H 的特征圖，共有 W ×H ×A 個錨.IOU(In-tersectionOverUnion)定義為兩個區域相交像素的百分比.為有效計算損失，具有最高IOU 的錨為正樣本;與之相反，如果錨和所有邊界框之間的最高IOU 小于0.3，則將其指定為負樣本.

　　4 系統測試與分析

　　4.1 測試環境仿真測試于某變電站內進行，選取無人機圖像采集和微處理器處理方式將圖像發送到云端并接收云端的命令.

　　5 結語

　　構建了基 于 云 計 算 技 術 的 電 力 設 備 智 能 監 測 系統，并對系統框 架、運行模式和工作過程進行了設計.系統運行時未考慮網絡攻擊和通信安全等風險.未 來可研究區塊鏈和通信加密等提高系統安全性，降低信息泄露風險.

　　參考文獻：

　　[1] 鄭雪娜，陶家元，王瑞雪，等.基于智能可視化管理的變電站智能監控系統設計[J].現代電子技術，2020，43(16)：30-33.

　　[2] 王勇，韓少曉，尚力，等.智能變電站監控系統新型體系架構研究與實踐[J].電力系統保護與控制，2019，47(8)：145-151.

　　[3] 李娜，姜志，王軍，等.基于 FasterR-CNN 的儀表識別方法[J].液晶與顯示，2020，35(12)：1291-1298.

　　[4] 喻洋，董明知.光伏變電站智能巡檢機器人功能設計與實現[J/OL].電測與儀表：1-8[2021-03-22].

　　[5] 康林賢，楊傳凱，谷永剛，等.智能變電站視頻監控中運動物體檢測技術研究[J/OL].電測與儀表：1-5[2021-01-08].

　　[6] 李輝.基于云計算技術的網絡數據采集傳輸仿真[J].計算機仿真，2020，37(6)：152-155，456.

　　作者：鐘建栩， 余少鋒， 廖崇陽， 馬一寧