打开文本图片集

摘要：近年，电力系统各电厂、变电站发生多起由回路接线松动引起的运行事故。目前，维护人员通常采用接线紧固的方式对端子接线进行有效性检查。受空间及视线干扰，该方法存在一定的局限性。本文提出一种基于空间变化卷积算法的端子连接可靠性检测方法，首先通过微型摄像头提取图像空间特征，然后根据局部特征估计出图像的模糊核，最后利用重建模块将模糊核重构为标准图像。实验结果表明，所提出的新方法较传统方式，其检查效率大幅提高同时具有较高的准确度。

关键词：电力系统控制柜；二次回路；神经网络算法

前言

电气控制柜作为电力系统的关键部分，其二次信号回路承担着通信、控制和保护的重要功能，其回路可靠性验证工作的准确性和效率对于预防故障、提高系统可靠性具有重要意义。目前常规检测手段，如端子紧固、目视检查等方式受空间狭窄及视线干扰等制约条件，其存在效率低下、易出错、难以应对复杂系统等问题。为了解决这些问题，应引入人工智能算法和图像识别相结合的创新方法，通过先进技术克服现有验证方式的局限性。

在图像识别技术研究领域，宋建辉（2024）等人提出了基于动态时间规整（dynamictimewarping，DTW）的轮廓特征目标识别算法[1]，该方法使用DTW算法寻找规整路径的方法对标准图像特征矩阵进行相似度量同时联合反转目标进行二次匹得出最终识别结果。上述算法聚焦于时间变化的图像特征，不适用于空间变化的图像特征。

在空间变化图像研究领域，李轩等人（2023）通过试验证明了图像超分重建技术的可行性，提出了一种基于空间变化模糊核估计的图像盲超分辨率重建方法[2]。其所提出的三部分构成理论：特征提取模块、模糊核重构模块和图像重建模块具有一定借鉴意义，但其图像超分辨率重建效果还需进一步提高[3][5]。

针对上文所述重建效果不足这一问题，本文提出基于空间变化卷积算法的二次回路验证方法，通过高精度相机捕捉控制柜内部结构提取全局特征及局部特征。首先利用深度学习算法归纳总结标准端接方式的图像特征，然后结合空间注意力机制强化各个接线端子的局部特征，最后利用重建模块构建单独端子图像与标准图像数据进行比对以检测潜在的端子错位和连接不良问题。

1图像识别技术

微型摄像头所拍摄的图像是彩色的，采用的颜色模式都是RGB模式。但事实上RGB三种分量并不能直接反映图像的形态特征。[6]因而需要对图像进行灰度转换操作，使得图像只存在黑色像素和白色像素。本文采用了图像灰度法中的最大值法，其数学表达时如下：

3空间变化卷积算法

本文借鉴李轩等人提出的基于空间变化模糊核估计的图像盲超分辨率重建方法[2]，利用三部分构成理论对局部特征图像进行分析处理。建立模糊核估计网络SKENet，该网络可以从输入的局部特征信息估计出模糊核。SKENet包含两个模块：特征提取模块和核重构模块。特征提取模块由卷积层、残差块、上、下采样器构成。首先将具有局部特征图像输入一个3×3的卷积层提取图像特征，然后经过残差块。每个残差块包含两个分离卷积层，并在它们之间加入ReLU激活函数以进行非线性学习。中间残差块前后各有一个步长均为2的卷积层和转置卷积层分别用于图像特征的下采样和上采样。此外，在特征提取模块中加了两个跳跃连接层，利用了不同层次的特征提高表达能力。特征提取后，核重构模块采用一个3×3的卷积层和Softmax层沿通道对每一个低分辨率（LR）图像像素进行核预测。最后使用最近邻插值来获得高分辨率图像的最终核预测。

4试验结果及结论

将上文所述的空间变化卷积算法、空间注意力机制、图像识别技术集成在软件开发平台上以实现软件算法层的测算应用。选取Labview作为软件开发平台，试验结果表明在该系统在不同条件下具有较高的准确率。在5，000张测试图像中，总体识别准确率达到98.7%，显著超越传统人工验证方法95%的平均准确率。不同场景下，系统表现各异：标准光照条件下准确率最高，达99.5%；低光照条件下为97.2%；复杂背景中为98.1%；多角度拍摄情况下为98.3%；局部遮挡场景中略低，为96.8%。这些数据表明系统具备良好的环境适应能力，但在极端条件下仍有提升空间。

本文成功开发并论述了一套基于人工智能的配电柜二次信号回路验证系统，取得了显著成果。该系统通过融合空间注意力机制和空间变化卷积算法技术，实现了对二次信号回路的自动化、高效率验证。但是在恶劣环境下的适应能力还存在一些不足，将是今后研究的重点方向。

参考文献：

[1]宋建辉，郝奕全，刘晓阳，赵亚威.基于DTW的轮廓特征目标识别算法[J].沈阳理工大学学报，2024，43（5）：14-06.

[2]李轩，韩佳睿.基于空间变化模糊核估计的图像盲超分辨率重建[J].电脑与信息技术，2024，31（4）：28-03.

[3]Michael Armbrust， Armando Fox， Rean Griffith， Anthony D. Joseph， Randy Katz， Andy Konwinski， Gunho Lee. A view of cloud computing[J]. Communications of the ACM， 2010， 53（4）： 50-58

[4]贺宗平，范少芬，贺曦冉.面向知识图谱的融合集成框架设计研究[J].现代信息科技，2021，5（05）：23-25.

[5]谢伙生，潘姣君．基于纹理合成的图像修复优化方法[J]．福州大学学报（自然科学版），2013（3）：305-310．

[6]郑伟．基于目标轮廓特征的图像识别算法研究[D]．沈阳：沈阳理工大学，2022．

作者简介：

第一作者：张卢翼，本科，工程师；主要从事电力系统电能质量与变频技术研究；

第二作者：林秋阳，硕士，工程师；主要从事电力系统继电保护与图像识别技术研究。