论文部分内容阅读
摘 要：随着电网规模的扩大，无人值守变电站成为电力系统的一个重要节点。如何保障无人值守变电站的安全运行便成为当前的研究热点问题。本文主要通过对软测量技术在无人值守变电站视频监控系统中的关键技术及应用方案两个方面进行研究，以提升无人值守变电站的运行安全系数。
关键词：智能变电站；软测量；智能视频分析
1 引言
随着电网规模的扩大，无人值守变电站成为电力系统的一个重要节点。为了使无人值守变电站能安全且保持正常运转，则需要不断提升无人值守变电站视频监控系统的智能化分析能力。随着软测量技术在各个行业的广泛应用，尤其在电力系统的无人值守变电站视频监控系统的智能分析作用越来越显著。
2 软测量技术概述
软测量的基本思想是把自动控制理论与生产过程知识有机结合起来，应用计算机技术，对于一些难于测量或暂时不能测量的重要变量（主导变量），选择另外一些容易测量的变量（辅助变量），通过构成某种数学关系来推断和估计，以软件来代替硬件功能的一种技术。
软测量技术以成熟的传感器检测为基础，以计算机技术为核心，通过软测量模型运算处理完成。由于软测量模型注重的是通过辅助变量来获得对主导变量的最佳估计，而不是强调过程各输入输出变量彼此间的关系，因此它不同于一般意义下的数学模型。图1为软测量模型结构框图。
其中，y为要估计的主导变量，y*为主导变量离线分析值或大采样间隔测量值。软测量模型本质上是要完成由辅助变量构成的可测信息集{d2，u，x，y*}到主导变量估计的映射。
软测量技术一经产生就倍受过程控制界的广泛关注。上世纪90年代以来，有关软测量技术的研究十分活跃，在理论研究和应用研究方面均取得了一定发展，尤其是在变电站监控中的应用。传统的变电站监控系统中，多数设备的状态无法直接获取，需要通过监控数据，建立设备的红外、紫外图谱，才能得到设备的状态信息。因此，研究基于设备图谱的软测量技术具有重要的理论意义和应用价值。
图1 软测量模型结构框图
3 软测量技术在无人值守变电站视频监控中的应用架构
面向智能电网、坚强电网，采用先进的计算机技术、自动化技术建立一套完整的、先进的针对变电站监控平台的智能视频分析处理系统框架，是提升变电站安全运行的重要因素之一。
因此，为了配合整个电力系统的应用需求，本架构为分层、分区的分布式结构，按省级主站系统、地区级主站系统和站端系统三级构建，如图 2 所示，省级主站通过专用通信网络查看全省各变电站的设备及环境信息，并对地区级主站进行工况统计。地区级主站实现所辖变电站的管理。本系统的关键是搭建一套可实用的适合智能电网的无人值守变电站监控方案，框架如下：
图1-变电站视频监控系统架构示意图
站端系统作为整个视频系统的基本单元，完成了各个分散的变电站的监控任务。如图 2所示为站端系统的基本结构图。站端变电站视频监控系统配置视频监控主机、站端处理单元（Remote Process Unit，简称 RPU）、视频监控设备、环境信息采集设备、报警控制设备、网络设备和存储设备等。实现对全站主要电气设备、关键设备安装地点以及周围环境全天候的监视，实现对必要生产设备的可视化管理甚至校验，以满足电力系统安全生产所需的监视设备关键部位的要求，同时，该系统可实现变电站安全预警的要求。
图2-站端变电站视频监控系统基本结构图
4 软测量智能视频分析关键技术
4.1 基于软测量进行变电站建模
由于软测量的核心技术是对监控的对象进行前期的建模，即建立待估计变量与其它直接测量变量间的关联模型。软测量建模的方法多种多样，且各种方法互有交叉相互取精去糟，以至于针对不用的被测体，互有融合的趋势，但是根据以前相关文献对变电站建模的利弊分析得出，对变电站建模最有效的工具是支持向量机（ SVM）和核函数的方法来对变电站进行建模。
4.1.1 SVM原理
SVM方法是20世纪90年代初Vapnik等人根据统计学理论提出的一种新的机器学习方法，它以结构风险最小化原则为理论基础，通过适当地选择函数子集及该子集中的判别函数，使学习机器的实际风险达到最小，保证了通过有限训练样本得到的小误差分类器，对独立测试集进行测试。
支持向量机的基本思想是：首先，在线性可分情况下，在原空间寻找两类样本的最优分类超平面。在线性不可分的情况下，加入了松弛变量进行分析，通过使用非线性映射将低维输入空间的样本映射到高维属性空间使其变为线性情况，从而使得在高维属性空间采用线性算法对样本的非线性进行分析成为可能，并在该特征空间中寻找最优分类超平面；其次，它通过使用结构风险最小化原理在属性空间构建最优分类超平面，使得分类器得到全局最优，并在整个样本空间的期望风险以某个概率满足一定上界。
其突出的优点表现在：（1）基于统计学习理论中结构风险最小化原则和VC维理论，具有良好的泛化能力，即由有限的训练样本得到小的误差能够保证使独立的测试集仍保持小的误差；（2）支持向量机的求解问题对应的是一个凸优化问题，因此局部最优解一定是全局最优解；（3）核函数的成功应用，将非线性问题转化为线性问题求解；（4）分类间隔的最大化，使得支持向量机算法具有较好的鲁棒性。由于SVM自身的突出优势，因此被越来越多的研究人员作为强有力的学习工具，以解决模式识别、回归估计等领域的难题。
4.1.2最优分类面和广义最优分类面
图3.最优分类面示意图
SVM是从线性可分情况下的最优分类面发展而来的，基本思想可用图3来说明。对于一维空间中的点，二维空间中的直线，三维空间中的平面，以及高维空间中的超平面，图中实心点和空心点代表两类样本，H为它们之间的分类超平面，H1，H2分别为过各类中离分类面最近的样本且平行于分类面的超平面，它们之间的距离△叫做分类间隔（margin）。 所谓最优分类面要求分类面不但能将两类正确分开，而且使分类间隔最大。将两类正确分开是为了保证训练错误率为0，也就是经验风险最小（为O）。使分类空隙最大，实际上就是使推广性的界中的置信范围最小，从而使真实风险最小。推广到高维空间，最优分类线就成为最优分类面。
设线性可分样本集为 是类别符号。d维空间中线性判别函数的一般形式为是类别符号。d维空间中线性判别函数的一般形式为 ，分类线方程为 。将判别函数进行归一化，使两类所有样本都满足 ，也就是使离分类面最近的样本的 ，此时分类间隔等于 ，因此使间隔最大等价于使 （或 ）最小。要求分类线对所有样本正确分类，就是要求它满足
根据前面的分析，非支持向量对应的 均为0，因此上式中的求和实际上只对支持向量进行。 是分类阈值，可以由任意一个支持向量通过式（2-1）求得（只有支持向量才满足其中的等号条件），或通过两类中任意一对支持向量取中值求得。
从前面的分析可以看出，最优分类面是在线性可分的前提下讨论的，在线性不可分的情况下，就是某些训练样本不能满足式（2-1）的条件，因此可以在条件中增加一个松弛项参数 ，变成：
4.1.3SVM的非线性映射
对于非线性问题，可以通过非线性交换转化为某个高维空间中的线性问题，在变换空间求最优分类超平面。这种变换可能比较复杂，因此这种思路在一般情况下不易实现。但是我们可以看到，在上面对偶问题中，不论是寻优目标函数（2-3）还是分类函数（2-5）都只涉及训练样本之间的内积运算 。设有非线性映射 将输入空间的样本映射到高维（可能是无穷维）的特征空间H中，当在特征空间H中构造最优超平面时，训练算法仅使用空间中的点积，即 ，而没有单独的 出现。因此，如果能够找到一个函数K使得
这时的SVM算法中包含了一个隐层的多层感知器网络，不但网络的权值、而且网络的隐层结点数也是由算法自动确定的，而不像传统的感知器网络那样由人凭借经验确定。此外，该算法不存在困扰神经网络的局部极小点的问题。
在上述几种常用的核函数中，最为常用的是多项式核函数和径向基核函数。除了上面提到的三种核函数外，还有指数径向基核函数、小波核函数等其它一些核函数，应用相对较少。事实上，需要进行训练的样本集有各式各样，核函数也各有优劣。B.Bacsens和S.Viaene等人曾利用LS-SVM分类器，采用UCI数据库，对线性核函数、多项式核函数和径向基核函数进行了实验比较，从实验结果来看，对不同的数据库，不同的核函数各有优劣，而径向基核函数在多数数据库上得到略为优良的性能。
4.2 针对设备软测量特征分析
围绕变电站关键设备变压器、刀闸、母线、套管等进行软测量特征分析首先要建立典型场景正常特征数据库，在数据库与数学模型的基础上，形成有效的学习机制和完善的推理机制，为软测量图谱检测模型的应用形成理论支撑。
4.2.1软测量分析业务流程
根据关键设备的软测量特征分析需求，系统的分析业务流程如下：
图4.软测量分析流程图
4.2.2基于历史数据建立典型场景数据库
根据系统运行的业务流程设置，典型场景数据库是系统中重要的内容。系统主要通过将实时分析到的软测量数据与历史正常样本的软测量数据进行对比，从而发现异常并根据分析内容进行异常判断告警。因此，建立典型场景数据库是一切分析的基础。
1）对于典型场景数据库的建立，主要是利用数据库技术研究组织和存储数据的理论方法，研究高效地获取和处理数据方法和技术：通过对数据的统一组织和管理，按照指定的结构建立相应的数据库和数据仓库；利用数据库管理系统和数据挖掘系统设计出能够实现对数据库中的数据进行多种功能的数据管理和数据挖掘应用系统；利用应用管理系统最终实现对数据的处理、分析和理解；制定合理的特征选择和提取方案。为表达信息项的内容，提取的特征和属性尽可能完整，并使代价最低，即尽可能降低复杂度和节省存储空间。
2）建立级联分类模型、概率图模型、深度学习模型并对相应的模型参数进行优化选择：为学习器选择一种表示，即选择一个特定的分类器集合；在级联分类模型中，在不同的环节选择合适的策略来寻找一组学习器，使它们可以相互补充。例如，考虑使用不同的学习算法、使用不同的超参数、使用不同的训练集等策略。对建立好的模型进行验证与修改；建立概率图模型，确定随机变量以及他们之间的关系、相互作用。根据应用需要，选择有向图或者无向图，生成模型或者判别模型，并对设定好的模型进行验证与修改；建立深度学习模型，通过对相关算法的研究，确定模型结构和复杂度，并尽量减少训练过程和检测过程消耗巨大的内存，以降低算法复杂度；确定模型结构之后，利用最优化等方法求解和优化模型参数，包括目标函数的寻求、约束条件（等式或不等式）的寻求、求解最优化问题等。
3）在建立好典型场景数据库以及完成机器学习模型的建立之后，下一步开始着手研究具体的机器学习推断方法：通过学习已知数据集的特征和结果度量建立起预测模型来预测并度量未知数据的特征和结果。研究常见的有监督学习策略，例如，决策树、Boosting 与Bagging 算法、人工神经网络和支持向量机等。在计算机上进行代码实现和算法验证；利用从总体中给出的样本信息对总体做出推断并描述数据是如何组织或聚类的。研究聚类分析和关联规则分析等无监督学习算法，利用观察量（包括已标识数据和未标识数据）及相关的知识对未标识的观察量的标识做出适当合理的推断，采用归纳-演绎式的两步骤路径，即先利用已标识数据去分析并指出适当的一般性的规律，再利用此规律去推断得出有关未标识数据的标识。具体实施路线如图5所示。
图 5.研究实施路线图
4.2.3软测量几何特征参量算法研究
变电设备的自动提取和智能识别，各种自适应阈值算法的通用性差，仍有许多技术难题有待解决，需根据目标特征采用神经网络技术、证据理论、模糊算法等信息融合方法进行目标识别。主要采用神经网络技术、证据理论、模糊算法等体系的算法进行实验，优化后生成通用算法方案，采用改进Canny 边缘检测算法进行图像的分割，然后通过设定长度阈值和宽度阈值，采用数学形态学方法和自适应Hough 变换，从而实现复杂自然背景下变电站设备的特征提取与智能自动识别。 （1）图像的边缘检测，主要用离散化梯度逼近函数根据二维灰度矩阵梯度向量来寻找图像灰度矩阵的灰度跃变位置，然后在图像中将这些位置的点连起来就构成了所谓的图像边缘。而Canny 边缘检测算法流程主要是滤波、增强、检测。
首先，要对图像进行高斯滤波，主要就是根据待滤波的像素点及其邻域点的灰度值按照一定的参数规则进行加权平均。这样可以有效滤去理想图像中叠加的高频噪声。通常滤波和边缘检测是矛盾的概念，抑制了噪声会使得图像边缘模糊，这回增加边缘定位的不确定性；而如果要提高边缘检测的灵敏度，同时对噪声也提高了灵敏度。实际工程经验表明，高斯函数确定的核可以在抗噪声干扰和边缘检测精确定位之间提供较好的折衷方案。
其次，要用一阶偏导的有限差分来计算梯度的幅值和方向。图像灰度值得梯度可使用一阶有限差分来进行近似，这样就可以得图像在x和y方向上偏导数的两个矩阵。Canny算法使用的是卷积算子比较简单，表达如下：
其x向、y向的一阶偏导数矩阵，梯度幅值以及梯度方向的数学表达式为：
再次，需要对梯度幅值进行非极大值抑制，图像梯度幅值矩阵中的元素值越大，说明图像中该点的梯度值越大，但这不能说明该点就是边缘，因为这是属于图像增强的过程。在Canny算法中，非极大值抑制是进行边缘检测的重要步骤，通俗意义上是指寻找像素点局部最大值，将非极大值点所对应的灰度值置为0，这样可以剔除掉一大部分非边缘的点。所以，要把当前位置的梯度值与梯度方向上两侧的梯度值进行比较，以确定是否仅仅是局部最大值，原理模型可用下图表示：
要进行非极大值抑制，就首先要确定像素点C的灰度值在其8值邻域内是否为最大。图1中蓝色的线条方向为C点的梯度方向，这样就可以确定其局部的最大值肯定分布在这条线上，也即出了C点外，梯度方向的交点dTmp1和dTmp2这两个点的值也可能会是局部最大值。因此，判断C点灰度与这两个点灰度大小即可判断C点是否为其邻域内的局部最大灰度点。如果经过判断，C点灰度值小于这两个点中的任一个，那就说明C点不是局部极大值，那么则可以排除C点为边缘。这就是非极大值抑制的工作原理。但是，经过处理后的结果还是包含了很多由噪声及其他原因造成的假边缘。因此还需要进一步的处理。
图6.非极大值抑制原理
最后，用双阈值算法检测和连接边，Canny算法中减少假边缘数量的方法是采用双阈值法。选择两个阈值，根据高阈值得到一个边缘图像，这样一个图像含有很少的假边缘，但是由于阈值较高，产生的图像边缘可能不闭合，未解决这样一个问题采用了另外一个低阈值。在高阈值图像中把边缘链接成轮廓，当到达轮廓的端点时，该算法会在断点的8邻域点中寻找满足低阈值的点，再根据此点收集新的边缘，直到整个图像边缘闭合。
Canny算法可以在OpenCv中实现。
4.2.4软测量色彩特征参量算法研究
通过边缘检测对设备进行几何特征提取和优化后的结构算法对新增物体描述的基础上，对设备和新增物体进行色彩识别并进行标注，从而可以建立起更完善的特征基准信息，实现异常情况的进一步精准判断。
通过对设备的颜色识别可对设备的状态进行标注，如雨天、雪天、阴天的设备等。
4.2.5典型场景建模设置
结合实际应用，实现变电站4个典型场景的建模：
第一个典型区域：变压器主变设备区域，获取现场不少于100个样本（每种区域都需要有足够多的数据样本包括不同季节和不同天气状况的），通过建立现场样本数据库，建立主变设备场景的机器学习模型。
5 结语：
综上，当变电站进行大规模视频监控以后，软测量技术在智能视频分析系统已不是可有可无的装饰品，而是系统所必备的一种能力。而软测量建模技术与特征分析技术则是智能视频分析技术的核心，只有有了明确的特征标准才能建立完整的软测量模型，才能有后期的智能视频分析，因此二者相辅相成。虽然软测量技术在变电站监控中已取得一定成效，但是跟无人值守变电站视频监控系统还需要进一步融合。
参考文献
[1] 侯志强，韩崇昭. 视觉跟踪技术综述[J]. 自动化学报，2006，32（4）：03-617
[2] 赵书涛，祝晓辉，李宝树，等. 基于图像识别的电力设备状态实时监测方法的研究[C] // 中国国际供电会议.2006
[3] 刘金春. 基于小波变换的数字图像处理技术在变电站监控中的应用[D]. 南昌：华东交通大学，2007
[4] 腾召胜，罗隆福，童调生. 智能检测系统与数据融合[M]. 北京：机械工业出版社，2001：201-240
[5] 陈育智 . 智能视频分析技术在周界报警系统中的应用 [J]. Process AutomationInstrumentation，2009，30（11）：14-18
[6] 梁雪梅. 无人值守变电站智能视频监测系统设计[D]. 北京：华北电力大学，2010
[7] 杨永辉，刘昌平，黄磊. 图像和视频分析在电力设备监控系统中的应用[J]. 计算机应用，2010，30（1）：281-283
关键词：智能变电站；软测量；智能视频分析
1 引言
随着电网规模的扩大，无人值守变电站成为电力系统的一个重要节点。为了使无人值守变电站能安全且保持正常运转，则需要不断提升无人值守变电站视频监控系统的智能化分析能力。随着软测量技术在各个行业的广泛应用，尤其在电力系统的无人值守变电站视频监控系统的智能分析作用越来越显著。
2 软测量技术概述
软测量的基本思想是把自动控制理论与生产过程知识有机结合起来，应用计算机技术，对于一些难于测量或暂时不能测量的重要变量（主导变量），选择另外一些容易测量的变量（辅助变量），通过构成某种数学关系来推断和估计，以软件来代替硬件功能的一种技术。
软测量技术以成熟的传感器检测为基础，以计算机技术为核心，通过软测量模型运算处理完成。由于软测量模型注重的是通过辅助变量来获得对主导变量的最佳估计，而不是强调过程各输入输出变量彼此间的关系，因此它不同于一般意义下的数学模型。图1为软测量模型结构框图。
其中，y为要估计的主导变量，y*为主导变量离线分析值或大采样间隔测量值。软测量模型本质上是要完成由辅助变量构成的可测信息集{d2，u，x，y*}到主导变量估计的映射。
软测量技术一经产生就倍受过程控制界的广泛关注。上世纪90年代以来，有关软测量技术的研究十分活跃，在理论研究和应用研究方面均取得了一定发展，尤其是在变电站监控中的应用。传统的变电站监控系统中，多数设备的状态无法直接获取，需要通过监控数据，建立设备的红外、紫外图谱，才能得到设备的状态信息。因此，研究基于设备图谱的软测量技术具有重要的理论意义和应用价值。
图1 软测量模型结构框图
3 软测量技术在无人值守变电站视频监控中的应用架构
面向智能电网、坚强电网，采用先进的计算机技术、自动化技术建立一套完整的、先进的针对变电站监控平台的智能视频分析处理系统框架，是提升变电站安全运行的重要因素之一。
因此，为了配合整个电力系统的应用需求，本架构为分层、分区的分布式结构，按省级主站系统、地区级主站系统和站端系统三级构建，如图 2 所示，省级主站通过专用通信网络查看全省各变电站的设备及环境信息，并对地区级主站进行工况统计。地区级主站实现所辖变电站的管理。本系统的关键是搭建一套可实用的适合智能电网的无人值守变电站监控方案，框架如下：
图1-变电站视频监控系统架构示意图
站端系统作为整个视频系统的基本单元，完成了各个分散的变电站的监控任务。如图 2所示为站端系统的基本结构图。站端变电站视频监控系统配置视频监控主机、站端处理单元（Remote Process Unit，简称 RPU）、视频监控设备、环境信息采集设备、报警控制设备、网络设备和存储设备等。实现对全站主要电气设备、关键设备安装地点以及周围环境全天候的监视，实现对必要生产设备的可视化管理甚至校验，以满足电力系统安全生产所需的监视设备关键部位的要求，同时，该系统可实现变电站安全预警的要求。
图2-站端变电站视频监控系统基本结构图
4 软测量智能视频分析关键技术
4.1 基于软测量进行变电站建模
由于软测量的核心技术是对监控的对象进行前期的建模，即建立待估计变量与其它直接测量变量间的关联模型。软测量建模的方法多种多样，且各种方法互有交叉相互取精去糟，以至于针对不用的被测体，互有融合的趋势，但是根据以前相关文献对变电站建模的利弊分析得出，对变电站建模最有效的工具是支持向量机（ SVM）和核函数的方法来对变电站进行建模。
4.1.1 SVM原理
SVM方法是20世纪90年代初Vapnik等人根据统计学理论提出的一种新的机器学习方法，它以结构风险最小化原则为理论基础，通过适当地选择函数子集及该子集中的判别函数，使学习机器的实际风险达到最小，保证了通过有限训练样本得到的小误差分类器，对独立测试集进行测试。
支持向量机的基本思想是：首先，在线性可分情况下，在原空间寻找两类样本的最优分类超平面。在线性不可分的情况下，加入了松弛变量进行分析，通过使用非线性映射将低维输入空间的样本映射到高维属性空间使其变为线性情况，从而使得在高维属性空间采用线性算法对样本的非线性进行分析成为可能，并在该特征空间中寻找最优分类超平面；其次，它通过使用结构风险最小化原理在属性空间构建最优分类超平面，使得分类器得到全局最优，并在整个样本空间的期望风险以某个概率满足一定上界。
其突出的优点表现在：（1）基于统计学习理论中结构风险最小化原则和VC维理论，具有良好的泛化能力，即由有限的训练样本得到小的误差能够保证使独立的测试集仍保持小的误差；（2）支持向量机的求解问题对应的是一个凸优化问题，因此局部最优解一定是全局最优解；（3）核函数的成功应用，将非线性问题转化为线性问题求解；（4）分类间隔的最大化，使得支持向量机算法具有较好的鲁棒性。由于SVM自身的突出优势，因此被越来越多的研究人员作为强有力的学习工具，以解决模式识别、回归估计等领域的难题。
4.1.2最优分类面和广义最优分类面
图3.最优分类面示意图
SVM是从线性可分情况下的最优分类面发展而来的，基本思想可用图3来说明。对于一维空间中的点，二维空间中的直线，三维空间中的平面，以及高维空间中的超平面，图中实心点和空心点代表两类样本，H为它们之间的分类超平面，H1，H2分别为过各类中离分类面最近的样本且平行于分类面的超平面，它们之间的距离△叫做分类间隔（margin）。 所谓最优分类面要求分类面不但能将两类正确分开，而且使分类间隔最大。将两类正确分开是为了保证训练错误率为0，也就是经验风险最小（为O）。使分类空隙最大，实际上就是使推广性的界中的置信范围最小，从而使真实风险最小。推广到高维空间，最优分类线就成为最优分类面。
设线性可分样本集为 是类别符号。d维空间中线性判别函数的一般形式为是类别符号。d维空间中线性判别函数的一般形式为 ，分类线方程为 。将判别函数进行归一化，使两类所有样本都满足 ，也就是使离分类面最近的样本的 ，此时分类间隔等于 ，因此使间隔最大等价于使 （或 ）最小。要求分类线对所有样本正确分类，就是要求它满足
根据前面的分析，非支持向量对应的 均为0，因此上式中的求和实际上只对支持向量进行。 是分类阈值，可以由任意一个支持向量通过式（2-1）求得（只有支持向量才满足其中的等号条件），或通过两类中任意一对支持向量取中值求得。
从前面的分析可以看出，最优分类面是在线性可分的前提下讨论的，在线性不可分的情况下，就是某些训练样本不能满足式（2-1）的条件，因此可以在条件中增加一个松弛项参数 ，变成：
4.1.3SVM的非线性映射
对于非线性问题，可以通过非线性交换转化为某个高维空间中的线性问题，在变换空间求最优分类超平面。这种变换可能比较复杂，因此这种思路在一般情况下不易实现。但是我们可以看到，在上面对偶问题中，不论是寻优目标函数（2-3）还是分类函数（2-5）都只涉及训练样本之间的内积运算 。设有非线性映射 将输入空间的样本映射到高维（可能是无穷维）的特征空间H中，当在特征空间H中构造最优超平面时，训练算法仅使用空间中的点积，即 ，而没有单独的 出现。因此，如果能够找到一个函数K使得
这时的SVM算法中包含了一个隐层的多层感知器网络，不但网络的权值、而且网络的隐层结点数也是由算法自动确定的，而不像传统的感知器网络那样由人凭借经验确定。此外，该算法不存在困扰神经网络的局部极小点的问题。
在上述几种常用的核函数中，最为常用的是多项式核函数和径向基核函数。除了上面提到的三种核函数外，还有指数径向基核函数、小波核函数等其它一些核函数，应用相对较少。事实上，需要进行训练的样本集有各式各样，核函数也各有优劣。B.Bacsens和S.Viaene等人曾利用LS-SVM分类器，采用UCI数据库，对线性核函数、多项式核函数和径向基核函数进行了实验比较，从实验结果来看，对不同的数据库，不同的核函数各有优劣，而径向基核函数在多数数据库上得到略为优良的性能。
4.2 针对设备软测量特征分析
围绕变电站关键设备变压器、刀闸、母线、套管等进行软测量特征分析首先要建立典型场景正常特征数据库，在数据库与数学模型的基础上，形成有效的学习机制和完善的推理机制，为软测量图谱检测模型的应用形成理论支撑。
4.2.1软测量分析业务流程
根据关键设备的软测量特征分析需求，系统的分析业务流程如下：
图4.软测量分析流程图
4.2.2基于历史数据建立典型场景数据库
根据系统运行的业务流程设置，典型场景数据库是系统中重要的内容。系统主要通过将实时分析到的软测量数据与历史正常样本的软测量数据进行对比，从而发现异常并根据分析内容进行异常判断告警。因此，建立典型场景数据库是一切分析的基础。
1）对于典型场景数据库的建立，主要是利用数据库技术研究组织和存储数据的理论方法，研究高效地获取和处理数据方法和技术：通过对数据的统一组织和管理，按照指定的结构建立相应的数据库和数据仓库；利用数据库管理系统和数据挖掘系统设计出能够实现对数据库中的数据进行多种功能的数据管理和数据挖掘应用系统；利用应用管理系统最终实现对数据的处理、分析和理解；制定合理的特征选择和提取方案。为表达信息项的内容，提取的特征和属性尽可能完整，并使代价最低，即尽可能降低复杂度和节省存储空间。
2）建立级联分类模型、概率图模型、深度学习模型并对相应的模型参数进行优化选择：为学习器选择一种表示，即选择一个特定的分类器集合；在级联分类模型中，在不同的环节选择合适的策略来寻找一组学习器，使它们可以相互补充。例如，考虑使用不同的学习算法、使用不同的超参数、使用不同的训练集等策略。对建立好的模型进行验证与修改；建立概率图模型，确定随机变量以及他们之间的关系、相互作用。根据应用需要，选择有向图或者无向图，生成模型或者判别模型，并对设定好的模型进行验证与修改；建立深度学习模型，通过对相关算法的研究，确定模型结构和复杂度，并尽量减少训练过程和检测过程消耗巨大的内存，以降低算法复杂度；确定模型结构之后，利用最优化等方法求解和优化模型参数，包括目标函数的寻求、约束条件（等式或不等式）的寻求、求解最优化问题等。
3）在建立好典型场景数据库以及完成机器学习模型的建立之后，下一步开始着手研究具体的机器学习推断方法：通过学习已知数据集的特征和结果度量建立起预测模型来预测并度量未知数据的特征和结果。研究常见的有监督学习策略，例如，决策树、Boosting 与Bagging 算法、人工神经网络和支持向量机等。在计算机上进行代码实现和算法验证；利用从总体中给出的样本信息对总体做出推断并描述数据是如何组织或聚类的。研究聚类分析和关联规则分析等无监督学习算法，利用观察量（包括已标识数据和未标识数据）及相关的知识对未标识的观察量的标识做出适当合理的推断，采用归纳-演绎式的两步骤路径，即先利用已标识数据去分析并指出适当的一般性的规律，再利用此规律去推断得出有关未标识数据的标识。具体实施路线如图5所示。
图 5.研究实施路线图
4.2.3软测量几何特征参量算法研究
变电设备的自动提取和智能识别，各种自适应阈值算法的通用性差，仍有许多技术难题有待解决，需根据目标特征采用神经网络技术、证据理论、模糊算法等信息融合方法进行目标识别。主要采用神经网络技术、证据理论、模糊算法等体系的算法进行实验，优化后生成通用算法方案，采用改进Canny 边缘检测算法进行图像的分割，然后通过设定长度阈值和宽度阈值，采用数学形态学方法和自适应Hough 变换，从而实现复杂自然背景下变电站设备的特征提取与智能自动识别。 （1）图像的边缘检测，主要用离散化梯度逼近函数根据二维灰度矩阵梯度向量来寻找图像灰度矩阵的灰度跃变位置，然后在图像中将这些位置的点连起来就构成了所谓的图像边缘。而Canny 边缘检测算法流程主要是滤波、增强、检测。
首先，要对图像进行高斯滤波，主要就是根据待滤波的像素点及其邻域点的灰度值按照一定的参数规则进行加权平均。这样可以有效滤去理想图像中叠加的高频噪声。通常滤波和边缘检测是矛盾的概念，抑制了噪声会使得图像边缘模糊，这回增加边缘定位的不确定性；而如果要提高边缘检测的灵敏度，同时对噪声也提高了灵敏度。实际工程经验表明，高斯函数确定的核可以在抗噪声干扰和边缘检测精确定位之间提供较好的折衷方案。
其次，要用一阶偏导的有限差分来计算梯度的幅值和方向。图像灰度值得梯度可使用一阶有限差分来进行近似，这样就可以得图像在x和y方向上偏导数的两个矩阵。Canny算法使用的是卷积算子比较简单，表达如下：
其x向、y向的一阶偏导数矩阵，梯度幅值以及梯度方向的数学表达式为：
再次，需要对梯度幅值进行非极大值抑制，图像梯度幅值矩阵中的元素值越大，说明图像中该点的梯度值越大，但这不能说明该点就是边缘，因为这是属于图像增强的过程。在Canny算法中，非极大值抑制是进行边缘检测的重要步骤，通俗意义上是指寻找像素点局部最大值，将非极大值点所对应的灰度值置为0，这样可以剔除掉一大部分非边缘的点。所以，要把当前位置的梯度值与梯度方向上两侧的梯度值进行比较，以确定是否仅仅是局部最大值，原理模型可用下图表示：
要进行非极大值抑制，就首先要确定像素点C的灰度值在其8值邻域内是否为最大。图1中蓝色的线条方向为C点的梯度方向，这样就可以确定其局部的最大值肯定分布在这条线上，也即出了C点外，梯度方向的交点dTmp1和dTmp2这两个点的值也可能会是局部最大值。因此，判断C点灰度与这两个点灰度大小即可判断C点是否为其邻域内的局部最大灰度点。如果经过判断，C点灰度值小于这两个点中的任一个，那就说明C点不是局部极大值，那么则可以排除C点为边缘。这就是非极大值抑制的工作原理。但是，经过处理后的结果还是包含了很多由噪声及其他原因造成的假边缘。因此还需要进一步的处理。
图6.非极大值抑制原理
最后，用双阈值算法检测和连接边，Canny算法中减少假边缘数量的方法是采用双阈值法。选择两个阈值，根据高阈值得到一个边缘图像，这样一个图像含有很少的假边缘，但是由于阈值较高，产生的图像边缘可能不闭合，未解决这样一个问题采用了另外一个低阈值。在高阈值图像中把边缘链接成轮廓，当到达轮廓的端点时，该算法会在断点的8邻域点中寻找满足低阈值的点，再根据此点收集新的边缘，直到整个图像边缘闭合。
Canny算法可以在OpenCv中实现。
4.2.4软测量色彩特征参量算法研究
通过边缘检测对设备进行几何特征提取和优化后的结构算法对新增物体描述的基础上，对设备和新增物体进行色彩识别并进行标注，从而可以建立起更完善的特征基准信息，实现异常情况的进一步精准判断。
通过对设备的颜色识别可对设备的状态进行标注，如雨天、雪天、阴天的设备等。
4.2.5典型场景建模设置
结合实际应用，实现变电站4个典型场景的建模：
第一个典型区域：变压器主变设备区域，获取现场不少于100个样本（每种区域都需要有足够多的数据样本包括不同季节和不同天气状况的），通过建立现场样本数据库，建立主变设备场景的机器学习模型。
5 结语：
综上，当变电站进行大规模视频监控以后，软测量技术在智能视频分析系统已不是可有可无的装饰品，而是系统所必备的一种能力。而软测量建模技术与特征分析技术则是智能视频分析技术的核心，只有有了明确的特征标准才能建立完整的软测量模型，才能有后期的智能视频分析，因此二者相辅相成。虽然软测量技术在变电站监控中已取得一定成效，但是跟无人值守变电站视频监控系统还需要进一步融合。
参考文献
[1] 侯志强，韩崇昭. 视觉跟踪技术综述[J]. 自动化学报，2006，32（4）：03-617
[2] 赵书涛，祝晓辉，李宝树，等. 基于图像识别的电力设备状态实时监测方法的研究[C] // 中国国际供电会议.2006
[3] 刘金春. 基于小波变换的数字图像处理技术在变电站监控中的应用[D]. 南昌：华东交通大学，2007
[4] 腾召胜，罗隆福，童调生. 智能检测系统与数据融合[M]. 北京：机械工业出版社，2001：201-240
[5] 陈育智 . 智能视频分析技术在周界报警系统中的应用 [J]. Process AutomationInstrumentation，2009，30（11）：14-18
[6] 梁雪梅. 无人值守变电站智能视频监测系统设计[D]. 北京：华北电力大学，2010
[7] 杨永辉，刘昌平，黄磊. 图像和视频分析在电力设备监控系统中的应用[J]. 计算机应用，2010，30（1）：281-283