基于云邊融合架構(gòu)的隔離開(kāi)關(guān)精確檢測(cè)系統(tǒng)

黃奕俊，李文亮，劉 璇，魏勇軍，趙 崇，胡勁松，楊 沛

（1.廣東電網(wǎng)有限責(zé)任公司廣州供電局，廣東廣州 510620；2.華南理工大學(xué)，廣東廣州 510006）

0 引言

高壓隔離開(kāi)關(guān)，也稱為刀閘，是變電站的重要設(shè)備，由于體積大數(shù)量多，需要大場(chǎng)地，因此一般把隔離開(kāi)關(guān)安裝在戶外，長(zhǎng)期使用中易被侵蝕、磨損，加上熱脹冷縮，以至于部分部件形變，造成合閘不到位、觸頭接觸不良而過(guò)熱[1-5]，導(dǎo)致停電事故，因此確認(rèn)隔離開(kāi)關(guān)合閘是否到位十分重要。目前依靠輔助開(kāi)關(guān)加人工巡檢雙重確認(rèn)，但輔助開(kāi)關(guān)易受潮濕、灰塵的影響，人工巡檢效率低且有危險(xiǎn)。

近年來(lái)，非接觸檢測(cè)方式引起了重視，這種方法不接觸高壓電，安全性好。目前較多文章研究的非接觸檢測(cè)方法是圖像識(shí)別法[6-7]，與紅外測(cè)溫法相比，其優(yōu)點(diǎn)是能在送電之前進(jìn)行確認(rèn)。目前已有的圖像識(shí)別法多為定位識(shí)別或分合閘二值判斷[8-9]，少數(shù)文獻(xiàn)討論了合閘到位問(wèn)題，但僅限于理論研究。文獻(xiàn)[5]采用生成對(duì)抗網(wǎng)絡(luò)識(shí)別隔離開(kāi)關(guān)狀態(tài)，但僅有一種隔離開(kāi)關(guān)且背景單一，識(shí)別難度低。有文獻(xiàn)設(shè)想用巡檢機(jī)器人拍攝隔離開(kāi)關(guān)[8-9]，再用方向梯度直方圖、支持向量機(jī)或ORB（Oriented Fast and Rotated Brief）特征提取算法進(jìn)行識(shí)別，但是巡檢機(jī)器人并不能每次都精確地停在同一地點(diǎn)且用同樣的角度拍攝同一座隔離開(kāi)關(guān)，因此照片上的合閘角度值是變化的，這點(diǎn)變化對(duì)分合閘二值判斷影響不大，但對(duì)合閘到位這種精細(xì)狀態(tài)的判斷影響很大。文獻(xiàn)[10]提出兩個(gè)階段的多任務(wù)學(xué)習(xí)，但僅識(shí)別了最簡(jiǎn)單的一種開(kāi)關(guān)。

隔離開(kāi)關(guān)圖像法主要存在3 個(gè)難點(diǎn)：（1）普通的圖像識(shí)別難以區(qū)分合閘到位這種細(xì)微狀態(tài)；（2）變電站隔離開(kāi)關(guān)種類多，僅用一種算法難以兼顧；（3）一個(gè)供電局有數(shù)千個(gè)隔離開(kāi)關(guān)需要監(jiān)控，系統(tǒng)的實(shí)時(shí)性、穩(wěn)定性難以保證。所以，目前的隔離開(kāi)關(guān)圖像法研究離實(shí)際應(yīng)用還有很大的距離[5]，沒(méi)有實(shí)際的系統(tǒng)設(shè)計(jì)和硬件部署。針對(duì)3 個(gè)難點(diǎn)，本文首先闡述了隔離開(kāi)關(guān)的各種類型及合閘到位識(shí)別特征，之后，給出了一種基于云邊融合硬件架構(gòu)的大規(guī)模變電站隔離開(kāi)關(guān)合閘精確檢測(cè)系統(tǒng)方案；然后，針對(duì)變電站隔離開(kāi)關(guān)型號(hào)眾多的難題，分別給出了多個(gè)識(shí)別算法，提出了一個(gè)算法選擇器，針對(duì)性地選擇最佳算法；最后提出了3 個(gè)合閘角度精確計(jì)算方法，尤其是通過(guò)詳細(xì)的理論推導(dǎo)，提出垂直擬合法，克服了經(jīng)典線性擬合法的缺陷。本系統(tǒng)可替代人工巡檢，提高安全性，已得到實(shí)際應(yīng)用。

1 隔離開(kāi)關(guān)類型及合閘到位特征

變電站的戶外隔離開(kāi)關(guān)是目前的研究重點(diǎn)[7]。大多數(shù)文獻(xiàn)討論的隔離開(kāi)關(guān)類型比較單一[5，9-10]。本文針對(duì)一般變電站使用的隔離開(kāi)關(guān)設(shè)計(jì)一個(gè)通用系統(tǒng)，需要能識(shí)別多種類型戶外隔離開(kāi)關(guān)的狀態(tài)。

1）水平旋轉(zhuǎn)隔離開(kāi)關(guān)，指分合閘時(shí)閘刀在水平面內(nèi)旋轉(zhuǎn)運(yùn)動(dòng)，包括2 類：（1）水平1 型為雙柱水平中心斷口隔離開(kāi)關(guān)，國(guó)產(chǎn)型號(hào)為GW4 系列，合閘到位時(shí)2 個(gè)閘刀合攏后成一條直線，如圖1（a）所示。（2）水平2 型為三柱雙斷口水平旋轉(zhuǎn)隔離開(kāi)關(guān)，國(guó)產(chǎn)代表型號(hào)為GW7 系列，合閘到位的特征是導(dǎo)電臂角度轉(zhuǎn)動(dòng)到位，動(dòng)靜觸頭翻轉(zhuǎn)互鎖，如圖1（b）所示。

圖1 水平旋轉(zhuǎn)隔離開(kāi)關(guān)Fig.1 Horizontal rotating disconnector

2）垂直運(yùn)動(dòng)隔離開(kāi)關(guān)，合閘時(shí)導(dǎo)電臂或支架伸直向上運(yùn)動(dòng)，分閘時(shí)縮回呈折疊狀，包括2 類：（1）單柱單臂垂直伸縮隔離開(kāi)關(guān)，國(guó)產(chǎn)型號(hào)為GW16和GW22 系列，如圖2（a）所示。合閘到位特征為上下2 根導(dǎo)電管呈180°直線，稱為垂直單臂隔離開(kāi)關(guān)。（2）單柱雙臂垂直伸縮隔離開(kāi)關(guān)，俗稱剪刀型隔離開(kāi)關(guān)，國(guó)產(chǎn)型號(hào)GW6，如圖2b 所示。其合閘到位特征為左右2 根導(dǎo)電管夾角小于設(shè)定的角度。

圖2 垂直運(yùn)動(dòng)隔離開(kāi)關(guān)Fig.2 Vertical disconnector

2 基于云邊融合架構(gòu)的檢測(cè)系統(tǒng)

本系統(tǒng)的設(shè)計(jì)目標(biāo)是可以大規(guī)模部署，只需一個(gè)系統(tǒng)就可以為一個(gè)地級(jí)市的全部戶外隔離開(kāi)關(guān)提供雙重檢測(cè)，總體硬件成本較低，實(shí)時(shí)性較好。

系統(tǒng)框圖如圖3 所示。該系統(tǒng)有m座三相隔離開(kāi)關(guān)，每座三相隔離開(kāi)關(guān)有左、中、右3 個(gè)攝像頭，分別拍攝3 個(gè)單相開(kāi)關(guān)。這m座隔離開(kāi)關(guān)可以是不同的型號(hào)。每座三相隔離開(kāi)關(guān)配備1 個(gè)隔離開(kāi)關(guān)識(shí)別邊端裝置，當(dāng)邊端裝置發(fā)出拍攝信號(hào)時(shí)，3 個(gè)攝像頭拍攝的圖像通過(guò)數(shù)據(jù)及控制總線輸出到隔離開(kāi)關(guān)識(shí)別邊端裝置，識(shí)別并計(jì)算合閘角度，判斷合閘是否到位，將結(jié)果發(fā)給調(diào)度中心；此外，邊端裝置還將隔離開(kāi)關(guān)的圖像轉(zhuǎn)發(fā)給學(xué)習(xí)訓(xùn)練云端裝置，云端裝置為邊端裝置提供并更新深度學(xué)習(xí)參數(shù)。

圖3 系統(tǒng)設(shè)計(jì)框圖Fig.3 Block diagram of system design

隔離開(kāi)關(guān)識(shí)別邊端裝置通過(guò)智能網(wǎng)關(guān)連接到數(shù)據(jù)及控制總線，這是一種先進(jìn)的云邊融合架構(gòu)，其邊端為隔離開(kāi)關(guān)識(shí)別邊端裝置，在邊端進(jìn)行識(shí)別可以較大地減少數(shù)據(jù)傳輸量，避免網(wǎng)絡(luò)時(shí)延，實(shí)時(shí)性好。邊端裝置還負(fù)責(zé)分布式存儲(chǔ)其所監(jiān)測(cè)開(kāi)關(guān)的分合閘視頻，以供回溯。因?yàn)樗惴ㄡ槍?duì)同一類隔離開(kāi)關(guān)只需學(xué)習(xí)一次，所以多座三相隔離開(kāi)關(guān)可共用一個(gè)學(xué)習(xí)訓(xùn)練云端裝置，進(jìn)一步地，多個(gè)變電站可共用一個(gè)學(xué)習(xí)訓(xùn)練云端裝置。云端裝置可對(duì)各個(gè)變電站上傳的數(shù)據(jù)進(jìn)行整合、同類合并、融合和分析處理，同時(shí)，因?yàn)樯疃葘W(xué)習(xí)訓(xùn)練階段在云端進(jìn)行，邊端裝置可采用較低的硬件配置，且這類裝置數(shù)量眾多，因此較大地降低了系統(tǒng)硬件成本。

3 隔離開(kāi)關(guān)狀態(tài)識(shí)別算法

傳統(tǒng)的圖像檢測(cè)算法主要使用人工設(shè)計(jì)的提取器對(duì)圖像進(jìn)行特征提取[8]，需要有專業(yè)知識(shí)[8]，并且算法的調(diào)參過(guò)程復(fù)雜，泛化能力及魯棒性較差。近年來(lái)，深度學(xué)習(xí)技術(shù)在圖像識(shí)別領(lǐng)域發(fā)展迅速，其識(shí)別準(zhǔn)確率相對(duì)傳統(tǒng)方法有顯著提高，本系統(tǒng)采用深度學(xué)習(xí)算法，同時(shí)考慮到需要識(shí)別多種類型的隔離開(kāi)關(guān)，且背景復(fù)雜多變，單一的某種算法難以全部兼顧[8]，需要準(zhǔn)備多種深度學(xué)習(xí)算法，根據(jù)實(shí)際效果靈活調(diào)用。

3.1 數(shù)據(jù)集的構(gòu)建

在某變電站采集了隔離開(kāi)關(guān)數(shù)據(jù)。為了對(duì)圖像的噪聲進(jìn)行抑制，使用5×5 矩陣的高斯模板進(jìn)行了高斯濾波[11]，如式（1）所示：

濾波參數(shù)由式（2）生成：

式中：G（x，y）為二維高斯函數(shù)；x，y為像素點(diǎn)坐標(biāo)；σ為標(biāo)準(zhǔn)差。

此外受制于各種條件，實(shí)際能獲得的數(shù)據(jù)量及其種類是有限的。為了擴(kuò)充數(shù)據(jù)集，最為有效的方法是數(shù)據(jù)增強(qiáng)。本文采用仿射變換實(shí)現(xiàn)增強(qiáng)，如式（3）所示：

式中：x1，y1為經(jīng)過(guò)變換過(guò)后的像素點(diǎn)坐標(biāo)；M為變換矩陣。

規(guī)定M為一個(gè)方陣以便于格式統(tǒng)一，可以根據(jù)需要修改M來(lái)實(shí)現(xiàn)平移、縮放、旋轉(zhuǎn)等仿射變換；aij（i，j為整數(shù)）為參數(shù)。式（4）表示的是平移操作所對(duì)應(yīng)的變換矩陣。

式中：Δx和Δy分別為x軸與y軸方向的位移量。

縮放變換的變換矩陣見(jiàn)式（5）。

式中：φx，φy分別為x軸方向與y軸方向上縮放的比例參數(shù)。

旋轉(zhuǎn)變換的變換矩陣見(jiàn)式（6）。

式中：θ為將原圖像繞某一點(diǎn)順時(shí)針旋轉(zhuǎn)的角度。

本文根據(jù)實(shí)際的數(shù)據(jù)采集情況，主要采取了以下4 種數(shù)據(jù)增強(qiáng)方法[2]：（1）調(diào)整圖片亮度，模擬不同的光照條件；（2）旋轉(zhuǎn)圖片（小于30°），模擬攝像頭的不同位置；（3）改變圖片的對(duì)比度，模擬不同的采集環(huán)境；（4）對(duì)數(shù)據(jù)進(jìn)行平移縮放。經(jīng)過(guò)數(shù)據(jù)增強(qiáng)操作后的樣本數(shù)量約8 000 張。

3.2 隔離開(kāi)關(guān)定位算法

隔離開(kāi)關(guān)合閘狀態(tài)判別所必需要完成的一步就是將開(kāi)關(guān)從圖片中提取，也就是在含有無(wú)關(guān)信息的圖片中定位出開(kāi)關(guān)。本系統(tǒng)中有3 種深度學(xué)習(xí)識(shí)別算法。

1）U-net（U Convolutional Networks）語(yǔ)義分割算法。它屬于像素級(jí)別的標(biāo)注方法[12-13]。即：對(duì)于N個(gè)像素點(diǎn)X集合Ω={X1,X2,…,XN}中的每個(gè)像素，找到其對(duì)應(yīng)標(biāo)簽空間中的一個(gè)類或者對(duì)象。每個(gè)標(biāo)簽表示唯一的類或者對(duì)象。U-net 語(yǔ)義分割算法使用ReLU（Linear Rectification Function）函數(shù)作為神經(jīng)元激活函數(shù)f(x)，如式（7）所示：

2）Mask R-CNN（Mask Region-based Convolutional Neural Network）。它是在Faster R-CNN 上擴(kuò)展的，最主要的改進(jìn)部分在于提出了RolAlign（Region of Interest Align）層并增添了一個(gè)掩碼分支[14-15]。Mask R-CNN 在訓(xùn)練時(shí)對(duì)每一個(gè)感興趣區(qū)域（Region of Interest，ROI）定義一個(gè)多任務(wù)損失函數(shù)見(jiàn)式（8）：

式中：Lcls，Lbox，Lmask分別為分類損失、回歸框損失、和mask 損失。

3）YOLO-V5s（You Only Look Once）算法。它識(shí)別目標(biāo)后用矩形框標(biāo)識(shí)，這個(gè)過(guò)程中要不斷修正預(yù)測(cè)框的位置，根據(jù)真實(shí)框和預(yù)測(cè)框的關(guān)系調(diào)整參數(shù)[16-19]。其調(diào)整的標(biāo)準(zhǔn)為重疊度（Intersection over Union，IoU），IoU是預(yù)測(cè)邊框與實(shí)際邊框的并比值，如式（9）所示：

式中：A為預(yù)測(cè)邊框；B為實(shí)際邊框。

損失函數(shù)IoU_Loss如式（10）所示：

將所有符合條件的數(shù)據(jù)以8∶1∶1 的比例分配為訓(xùn)練集、驗(yàn)證集與測(cè)試集，用3 種算法分別在數(shù)據(jù)集上進(jìn)行了實(shí)驗(yàn)。標(biāo)注工具為L(zhǎng)abelme，GPU 為NVIDIA GeForce RTX 3060Ti。訓(xùn)練時(shí)算法只學(xué)習(xí)一種開(kāi)關(guān)的圖像，得到一套參數(shù)，同一種算法針對(duì)4 種開(kāi)關(guān)有4 套不同的參數(shù)。總體正確率（Overall Accuracy，OA）指標(biāo)為評(píng)估預(yù)測(cè)結(jié)果中正確值占總預(yù)測(cè)值的比例，OA75 表示定位正確的標(biāo)準(zhǔn)為IoU 不小于75%時(shí)的正確率。結(jié)果見(jiàn)表1，時(shí)間消耗見(jiàn)表2。

表1 OA75的正確率Table 1 Accuracy of OA75 %

表2 運(yùn)行時(shí)間Table 2 Running time of algorithms ms

3.3 算法選擇器

U-Net，Mask R-CNN，YOLO-V5s 算法的結(jié)果示例分別如圖4 的左、中、右3 部分所示。

圖4 三種算法的圖像結(jié)果示例Fig.4 Image results of three algorithms

Mask R-CNN 對(duì)水平2 型和垂直單臂型開(kāi)關(guān)的識(shí)別精度最高，但其網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，識(shí)別時(shí)間最長(zhǎng)；YOLO-V5s 對(duì)水平2 型開(kāi)關(guān)的識(shí)別精度達(dá)到了99%，但對(duì)其它開(kāi)關(guān)識(shí)別精度欠佳，其最大優(yōu)點(diǎn)是識(shí)別速度快；U-Net 對(duì)水平1 型和剪刀型開(kāi)關(guān)的識(shí)別精度最高[20-21]，但對(duì)其它兩種開(kāi)關(guān)最差。總之，各有優(yōu)點(diǎn)，因此其他文獻(xiàn)僅用一種算法難以兼顧[8]，應(yīng)該使用不同的算法；其次，還要考慮到價(jià)格、運(yùn)行時(shí)間和性能的平衡，為此提出一個(gè)選擇算法的函數(shù)Select：

式中：k i為權(quán)重（i=1，2）；T為時(shí)間；score為本文設(shè)計(jì)的非線性函數(shù)；v i1為門(mén)檻值，即對(duì)指標(biāo)的最低要求；v i2為飽和值，高于v i2就不再加分，再高付出的硬件代價(jià)太大。

此外，僅用一種算法識(shí)別多種開(kāi)關(guān)還有一個(gè)明顯的不足：先要識(shí)別開(kāi)關(guān)的類型才能定位，增加了出錯(cuò)的概率。本文算法不進(jìn)行分類，而是提出利用云邊融合架構(gòu)來(lái)分類：新邊端裝置不裝識(shí)別算法和參數(shù)，當(dāng)將其接入網(wǎng)絡(luò)并輸入其所監(jiān)控的隔離開(kāi)關(guān)編號(hào)時(shí)，云端裝置由編號(hào)查詢到開(kāi)關(guān)型號(hào)，把對(duì)應(yīng)算法和參數(shù)發(fā)給該邊端裝置，兼顧了效率和方便性。

4 隔離開(kāi)關(guān)合閘角度計(jì)算

當(dāng)使用Mask R-CNN 或YOLO-V5s 完成了目標(biāo)提取，用一個(gè)最小的矩形框圍定了需要檢測(cè)的隔離開(kāi)關(guān)后，要在該框內(nèi)將開(kāi)關(guān)的輪廓線提取出來(lái)。邊緣檢測(cè)（Holistically-nested Edge Detection，HED）方法基于深度監(jiān)督與卷積神經(jīng)網(wǎng)絡(luò)理論[22-27]，經(jīng)過(guò)HED 處理的垂直單臂隔離開(kāi)關(guān)輪廓線如圖5（a）。U-Net 可直接得到輪廓線，但由于圖片分辨率的限制，有明顯的鋸齒，可用中值濾波方法對(duì)其進(jìn)行平滑濾波，如圖5（b）所示。

圖5 隔離開(kāi)關(guān)輪廓線Fig.5 Contour line of disconnector

巡檢員通過(guò)肉眼觀察合閘角度來(lái)判斷是否到位。采用霍夫變換算法（Hough）獲取2 條直線段后可得角度值，但本文考慮到多種隔離開(kāi)關(guān)導(dǎo)電臂的外輪廓形狀都不是單一的直線段，因此針對(duì)3 種不同的隔離開(kāi)關(guān)分別采取了不同的角度計(jì)算方法。

4.1 線性擬合法

針對(duì)GW4 系列，采用HED 法處理（見(jiàn)圖6（a））后，再采用經(jīng)典的線性擬合法對(duì)圖像剩下的關(guān)鍵像素進(jìn)行線性擬合（見(jiàn)圖6（b）），生成一個(gè)線性函數(shù)[11]。

圖6 輪廓線的線性擬合測(cè)試Fig.6 Linear fitting test of contour line

已知平面上n個(gè)散點(diǎn)，其集合為：

要求用這些點(diǎn)擬合出一條直線，假定擬求直線的線性方程為：

式中：λ為斜率；a為截距；ε為誤差。

假定x為精確值，y為近似值。此擬合方法對(duì)每個(gè)點(diǎn)（xi,yi）到該直線的垂直誤差進(jìn)行最小化，即建立誤差方程：

式（14）分別對(duì)λ和a求一階偏導(dǎo)數(shù)，得：

和

再對(duì)式（15）和（16）求二階偏導(dǎo)，得式（17）、（18）：

二階偏導(dǎo)式（17）、式（18）都大于0，可令一階偏導(dǎo)式（15）、式（16）為0，有：

解式（19）和式（20）的方程組，得：

由推導(dǎo)過(guò)程可發(fā)現(xiàn)此方法存在一個(gè)問(wèn)題，當(dāng)該直線與y軸平行時(shí)，是無(wú)法擬合的，因?yàn)檎`差是采用y方向的誤差，考慮到計(jì)算機(jī)浮點(diǎn)數(shù)的字長(zhǎng)有限，當(dāng)該直線接近垂直時(shí)，截?cái)嗾`差的增加就使得擬合的結(jié)果不再可靠。本文給出一個(gè)改進(jìn)的方法，當(dāng)該直線接近垂直時(shí)，求得λ的絕對(duì)值將比正常值高出一個(gè)數(shù)量級(jí)以上，可以設(shè)定一個(gè)閾值thr=tan85°判定，即：

式中：method_1 為4.1 節(jié)的經(jīng)典線性擬合法，method_2 為本文提出的垂直擬合法。

具體如下：

將集合Set={(x,y)|(x1,y1),(x2,y2),…,(xn,yn)}的所有點(diǎn)繞原點(diǎn)旋轉(zhuǎn)-45°，得到新點(diǎn)集：

參考式（6），則新的點(diǎn)坐標(biāo)(x′i,y′i)由式（24）求得：

新點(diǎn)集對(duì)應(yīng)的直線不再垂直，因此可以對(duì)新點(diǎn)集使用普通擬合法得到新的直線方程：

其中，

令x′，y′分別為0，得到2 個(gè)點(diǎn)：

則這2 個(gè)新點(diǎn)的連線方程為：

經(jīng)過(guò)正反45°旋轉(zhuǎn)后，實(shí)際上又回到了原來(lái)狀態(tài)，即得到了所求的擬合直線方程。當(dāng)直線完全垂直，由式（26）可得直線方程為x=x″1，由此證明新的擬合直線法是可行的。

當(dāng)使用垂直擬合法得到擬合的直線方程后，對(duì)圖6（b）中每一個(gè)關(guān)鍵像素使用該直線方程檢驗(yàn)，判斷該點(diǎn)是否符合該直線方程，最終統(tǒng)計(jì)出一個(gè)正確率，即符合直線方程的點(diǎn)占關(guān)鍵像素的比例。如果是完全合閘，除中間小部分，其它關(guān)鍵像素都應(yīng)在一條直線上，所以正確率應(yīng)該會(huì)很高，如果不是完全合上，即使偏離角度不大，但因?yàn)椴煌耆谝粭l直線上，正確率也會(huì)急劇下降。進(jìn)一步地，本文的應(yīng)用只需判定像素是否在一條直線，無(wú)需算出直線方程，所以無(wú)需第二次旋轉(zhuǎn)，用式（25）和新點(diǎn)集Set′驗(yàn)證即可。

4.2 余弦計(jì)算法

針對(duì)剪刀式隔離開(kāi)關(guān)，取兩剪刀臂輪廓線底部的兩端點(diǎn)像素點(diǎn)B（xb，yb），D（xd，yd），再取兩剪刀臂輪廓線中部?jī)啥它c(diǎn)A（xa，ya），C（xc，yc）計(jì)算合閘夾角。設(shè)剪刀交叉臂下部的內(nèi)側(cè)輪廓線段的夾角為α，由式（27）計(jì)算：

設(shè)β為剪刀式開(kāi)關(guān)合閘到位時(shí)的正確角度，則合閘角度誤差為α-β，誤差小于給定值為完全合上。

4.3 重垂線計(jì)算法

見(jiàn)圖5a 的垂直單臂隔離開(kāi)關(guān)，取下臂左側(cè)輪廓線的最長(zhǎng)直線段兩個(gè)端點(diǎn)A（x1，y1），B（x2，y2），設(shè)下臂右側(cè)輪廓線段AB與重垂線（y軸）的夾角為γ，由式（28）計(jì)算合閘夾角如下：

此處|y1-y2|≠0，因?yàn)榇怪眴伪鄹綦x開(kāi)關(guān)合閘時(shí)不會(huì)與地面平行。如γ大于給定的閾值，則判定合閘不到位，否則為完全合上。在安裝垂直單臂式隔離開(kāi)關(guān)時(shí)，會(huì)使得合閘時(shí)兩導(dǎo)電臂呈一條直線且與地面垂直[28]。

整個(gè)合閘狀態(tài)識(shí)別的程序流程如圖7 所示。

圖7 合閘狀態(tài)識(shí)別的程序流程圖Fig.7 Process of identifying closing status

在云邊融合硬件構(gòu)架的支持下，該程序還具有自學(xué)習(xí)及自更新功能，具體過(guò)程如下：當(dāng)系統(tǒng)初始部署時(shí)，收集的圖片不多，識(shí)別率也可能不高，此時(shí)調(diào)度員會(huì)介入糾正識(shí)別錯(cuò)誤，配合本項(xiàng)目組開(kāi)發(fā)的可視化樣本標(biāo)注軟件，可以方便地加入后續(xù)樣本數(shù)據(jù)。利用這些后續(xù)樣本，學(xué)習(xí)訓(xùn)練云端裝置可以繼續(xù)訓(xùn)練不斷更新算法參數(shù)，再對(duì)所有邊端裝置的參數(shù)進(jìn)行更新，且這種需要長(zhǎng)時(shí)間運(yùn)行的自學(xué)習(xí)及自更新是在云端裝置進(jìn)行，不影響邊端裝置的正常工作。

5 結(jié)語(yǔ)

針對(duì)變電站隔離開(kāi)關(guān)合閘不到位問(wèn)題，本文從系統(tǒng)硬件和算法兩方面同時(shí)進(jìn)行了設(shè)計(jì)和改進(jìn)，解決了目前存在的3 個(gè)難點(diǎn)。云邊融合架構(gòu)節(jié)約成本且適合大規(guī)模使用，算法選擇器能應(yīng)對(duì)多種類型隔離開(kāi)關(guān)，實(shí)驗(yàn)結(jié)果表明硬件和算法結(jié)合的整體解決方案效果更優(yōu)，特別是通過(guò)詳細(xì)的理論推導(dǎo)，提出垂直擬合法，克服了經(jīng)典直線擬合法的缺陷，經(jīng)典直線擬合法被各行業(yè)廣泛使用，因此本文的垂直擬合法具有普遍的意義。