基于大數據分析的電力設備狀態(tài)檢測技術研究

袁天霖，田 斌，朱 剛，劉佳杰，周龍偉

（1.國網浙江省電力有限公司寧海縣供電公司，浙江寧波 315600；2.寧海縣雁蒼山電力建設有限公司，浙江 寧波 315600）

電力設備的可靠性是保證持續(xù)供電的基礎，故需對其進行定期巡檢[1-4]。電力設備內部會因故障電流導致溫度升高，進而造成設備的損壞，并發(fā)生意外停電、人員受傷以及火災的危險。因此，溫度是電力設備主要故障形式的重要表征[5-6]。而通過溫度傳感設備與紅外技術，可準確判別電力設備所產生的異常熱量，從而提前進行干預，以避免不必要的經濟損失。

紅外熱成像技術能夠識別電力設備中的各種問題[7-8]，例如短路、過載與負載不平衡、電氣連接及電氣元件安裝不當等。而通過熱成像儀能夠以熱圖片的形式顯示出設備表面的熱輻射，相比于其他溫度傳感技術，紅外成像技術具有溫度測量范圍廣、響應時間快、二維數據采集、溫度分布分辨率高、安全可靠以及經濟性突出等特點。

傳統(tǒng)算法對圖像的識別與分析計算耗時較長，故難以及時發(fā)現(xiàn)故障。此外，使用常規(guī)方法評估電熱條件，通常僅能由經驗豐富的運行人員來完成。而基于人工智能的大數據處理技術可以應用于熱分布圖像的識別和檢測。且該方法能在保證高效率的基礎上充分發(fā)揮其自主性，并基于全部數據資料來獲得更為全面、準確的檢測結果，進而大幅提升人工經驗識別工作的效率。

綜上所述，文中采用人工智能、深度學習（Deep Learning，DL）等大數據處理技術[9-12]，將熱分布圖像轉換為像素點數據，再結合深度神經網絡（Deep Neural Networks，DNN），對設備內的異常問題進行快速、準確地檢測及評估。

1 圖像數據分析

1.1 紅外熱成像

隨著紅外測溫技術的發(fā)展及其成本的下降，基于紅外圖像的電氣設備可靠性分析獲得了廣泛的應用。與此同時，針對相關設備的自動診斷系統(tǒng)也已有諸多研究。然而，識別電氣設備熱圖像內熱點區(qū)域的方法大多是基于局域設定的閾值。該識別方式雖具有實現(xiàn)簡便、可提取熱點區(qū)域并使用形態(tài)分割的特點，但由于其參考溫度來自平均值熱點區(qū)域外類似設備的灰度值，所以也存在檢測結果不準確、未能充分結合整體溫度分布等不足。電氣設備的狀況判斷一般是通過比較熱點和參考之間的差異溫度來實現(xiàn)的。而當熱點位于設備區(qū)域外時，便會產生故障瞞報的安全隱患。

1.2 基于NCC的目標檢測區(qū)域識別

歸一化互相關算法（Normalized Cross Correlation，NCC）[13-14]可用于識別圖像數據的主要內容與目標檢測區(qū)域。其基本原理是通過比較兩個圖像數據的主要特征矩陣是否一致，來進行圖像的匹配。

在基于相關性尋找相似區(qū)域檢測中，以圖像的每個坐標(x,y)為鄰域窗口的中心，通過迭代計算來評估場景圖像中每個像素的歸一化相關值。將圖像與特征向量歸一化的結果作為相似性指數，使互相關函數歸一化后處于0～1 之間，從而產生類似余弦的相關性系數。

若數據f(x,y)的自變量與所選區(qū)域的窗口坐標(x,y)存在逐一對應關系，則認為是相似數據區(qū)域。t(x-u,y-v)表示搜索區(qū)域圖像所對應的圖像數據，其中u、v分別代表在x和y方向上的整數像素偏移。按上述設定，所選區(qū)域與相應搜索區(qū)域之間的相關性函數γ(u,v)可定義為：

式中，μt為檢測區(qū)域的均值，μu,v是參考圖像區(qū)域的均值，二者的表達式如下：

式中，γ的值介于-1（匹配實體互為逆時）和1（匹配實體完全相同時）之間。其中，γ=0 表示匹配實體之間沒有關系。需要說明的是，即使搜索圖像中并無真正對應的實體，也會存在一部分峰值相關系數，故通常γ≠0。若γ滿足相應的閾值tsim，則接受匹配區(qū)域。如下式，說明該區(qū)域為相似區(qū)域，即將要檢測的目標區(qū)域：

1.3 特征提取

紅外圖像包含了諸多信息，其中一幅大小為320×240 像素的熱分布圖像約有76 800 個數據。這意味著，系統(tǒng)必須在較短時間內完成對這些數據的處理。因此需要在圖形中快速尋找到目標檢測點，并針對性地進行識別與分類。圖像的真實溫度需通過計算獲得，像素的實際溫度Tr計算如下：

其中，Tmax和Tmin分別代表圖像內的溫度值范圍，這些溫度值可以從熱成像儀上得到。Tgray是灰度圖像中某一點的像素強度值，而Tmgv則是圖像中最高的灰度值。

而另一個需提取的參數則是該區(qū)域的最高溫度與其環(huán)境溫度間的相對差異。由于考慮區(qū)域的溫度可能會產生誤導，尤其是當整個選定區(qū)域顯示為相同條件時，故需要在識別圖像期間對周圍或環(huán)境的溫度進行測量。此外，峰度也被用來測量各區(qū)域熱分布的平坦度。峰度越低，說明該區(qū)域內的溫度分布越均勻。

2 基于MLPNN的故障分類分析

2.1 多層感知神經網絡

多層感知神經網絡（Multilaye Perceptron Neural Network，MLPNN）[15-16]的架構由輸入層、隱藏層和輸出層組成，如圖1 所示。其中，第一層及最后一層分別為輸入與輸出層。在輸入層中，節(jié)點的數量對應輸入特征數量，而輸出層節(jié)點數量則對應于目標類的數量。神經元是信息處理單元，其是神經網絡運行的基礎。輸入、輸出和隱藏層中的神經元分別用xi、yk及hj表示。輸入層到隱藏層的連接權重用wij表示，而wjk為隱藏層與輸出層之間的連接權重。

圖1 多層神經網絡結構

網絡的全連接是指每層中的每個神經元均通過連接權值與相鄰前一層中的神經元相連。其數學表達式為：

其中，f(·)為s型激活函數，可定義為：

基于均方根誤差最小化確定權值，輸出神經元中的目標輸出與實際值之間的誤差為：

式中，dk為神經元的預測或期望輸出，yk為神經元的實際或目標輸出。RMSE 值越接近0，表示結果越好。在訓練過程中，若E值低于預定閾值，則將其作為終止條件。

2.2 基于多層分類感知的改進算法實現(xiàn)

由于熱分布圖像的數據是用像素點的色彩數據所表示的，故可將其看作一個三階矩陣。基于多層分類感知的改進神經網絡采用多個特征數據矩陣，對采集到的數據進行特征分類，從而與原始數據匹配，并得到設備的運行狀態(tài)。該算法采用多個隱藏層與單一隱藏層的方式進行分類，同時還充分結合采集到的熱圖像數據特點，提升了算法的效率及收斂性。此外，單一的輸出層也進一步保證了分類感知的穩(wěn)定性和魯棒性。改進的多層分類感知算法架構如圖2 所示。

圖2 改進多層分類感知算法的結構

3 基于大數據分析的整體檢測架構

電力設備狀態(tài)檢測系統(tǒng)的流程，如圖3 所示。首先要確定目標檢測區(qū)域，并尋找與檢測區(qū)域具有相似內容或數據的區(qū)域，再將深度學習分類算法應用于目標區(qū)域的紅外圖像中，以提取所需檢測的目標設備特征屬性。其中，每個被檢測到的最高溫度值和統(tǒng)計提取的熱數據均要有對應的配置文件。最后，使用多層神經網絡對提取的特征進行分類，以判斷設備是否正常或處于何種故障狀態(tài)。該研究采用的檢測方法為基于定性及定量測量技術相結合的模式，所有相似類別的電力設備數據均可納入計算。

圖3 電力設備狀態(tài)檢測流程

4 測試與分析

該文使用熱成像儀采集電氣設備的紅外圖像，并將其作為狀態(tài)識別的原始數據。目標設備是變電站內的電氣設備，例如變壓器繞組、斷路器、電纜、電線與保險絲。在捕獲圖像時，該變電站的負載約為60%，對應的溫度較為穩(wěn)定。目標裝置和紅外攝像機之間的距離為2～5 m。攝像機則采用12.5～1 100 mm的焦距鏡頭，以獲取最大監(jiān)控范圍。

4.1 數據準備

所有能直接或間接影響測量精度的相關信息，如環(huán)境溫度、負載、電流、目標設備的發(fā)射率以及周圍效應等均已被記錄且作為原始數據輸入，環(huán)境溫度設置在30～32 ℃之間。實驗利用采集到的143 幅紅外圖像進行狀態(tài)識別，其中56%的數據用于訓練，剩余44%則用于算法測試。此外，故障狀態(tài)的數據為36%，正常狀態(tài)為64%。

4.2 狀態(tài)分類

對于MLPNN 分類算法，隱藏層、輸出層分別使用了30 個和1 個節(jié)點。設學習速率為0.05，停止條件的均方誤差為0.000 1。將訓練神經元的最大數目設為1 000 個，并使用正弦函數作為激活函數。所有分類器的性能評價指標均為特異性、敏感性和準確性的百分比，其定義如下：

其中，TF 和TNF 分別表示正確預測的異常與正常設備，而FF 和FNF 則分別為錯誤預測的異常設備及正常設備。敏感性與系統(tǒng)正確識別故障的能力有關，而特異性是指對正常儀器的正確檢測率，準確率則是正常及異常設備的正確分類占整個測試樣本的總百分比。

基于上述算法步驟，圖4 顯示了使用不同的輸入數據集對訓練、測試與平均準確率的分類性能對比。由圖可知，10 個數據集中，分類準確率最高的是特征集10，其平均準確率為95.804%。其次為特征集8，準確率為94.4%。基于分類性能分析，特征集5～7 不利于確定電氣設備的熱狀況。原因在于數據集的熱成像儀掃描所得圖形未能體現(xiàn)設備的全貌，局部的熱分布特性難以對設備的健康狀態(tài)加以甄別。因此，在使用熱成像儀分布圖像進行狀態(tài)參數識別時，應對輸入數據進行嚴格管理，并確保能夠將與設備相關的狀態(tài)參量納入算法中，以防設備故障瞞報、漏報情況的出現(xiàn)。

圖4 不同數據集的分類準確率

由于特征集10 的分類效果較優(yōu)，在訓練和測試階段，其準確率結果約為99.999%和90.476%，因此利用該集合來設計評價體系。特征集10 的整體性能如表1 所示。圖5 顯示了特征集10 的訓練迭代次數對測試數據均方誤差結果的影響。

表1 特征集10的測試結果

圖5 迭代次數對數據結果的影響

從圖中可看出，特征集10 的誤差隨著訓練次數的增加而減少，所提算法的測試準確度始終高于傳統(tǒng)神經網絡。且無論迭代多少次，所提算法均能獲得相對較低的識別誤差，故具有較優(yōu)的穩(wěn)定性。

為進一步說明識別算法的直觀性，以變壓器數據為例，正常數據分布在陰影區(qū)域，異常數據則會從x、y或z方向脫離該區(qū)域，即說明變壓器溫度分布異常。異常點檢測結果如圖6 所示。由圖6 可知，所提算法能夠準確、直觀及全面地識別設備狀態(tài)，并可全面吸收原始數據中所蘊含的信息，且從多個維度對正常與故障狀態(tài)進行分類，從而取得了良好的效果。

圖6 異常點檢測結果

5 結束語

文中提出了一種基于定性紅外圖像分析的電氣設備熱狀態(tài)檢測與分類方法。通過改進的多層神經網絡算法，僅用一個隱藏層的結構，便可準確、穩(wěn)定地識別設備狀態(tài)。同時，還研究了MLPNN 神經網絡分類器對不同輸入數據集進行分類的性能。綜合各種特征，得出了設備熱狀態(tài)分類的最佳特征選擇。實驗結果表明，該特征集給出的平均準確率超過95%，且結果具有穩(wěn)定、直觀的特點。