基于超高壓變電站智能巡檢的多模態綜合分析算法

［摘 要］隨著智能化進程的推進，超高壓變電站智能化巡檢也迎來了新的發展需求。文章結合基于正樣本圖像判別和可見光與紅外熱成像異常溫度檢測算法，提出了一種基于多模態綜合分析的專家系統算法。該算法與傳統目標檢測方法不同，其綜合變電系統中的多模態信息，輸出變電站的異常概率，通過信息論的方法對算法的輸出量化來提高最終識別效果。試驗結果表明，該算法在超高壓變電站智能巡檢中能夠提高巡檢自動化效果，為變電站安全運行提供了一種新的解決方案。

［關鍵詞］超高壓變電站；智能巡檢；正樣本圖像判別；多模態綜合分析

［中圖分類號］TM76 ［文獻標志碼］A ［文章編號］2095–6487（2024）09–0173–03

在復雜多變的變電站環境智能巡檢過程中，單一模態數據的應用難以全面發現潛在的故障隱患，多模態綜合分析算法通過同時利用可見光圖像、紅外熱成像、振動傳感器等多種傳感器獲取的數據，已逐漸成為一種對變電站設備狀態的全方位監測和評估的新型智能巡檢方法。與傳統的單一模態分析相比，多模態綜合分析算法具有更高的信息豐富度和綜合性，能夠更全面、準確地捕捉變電站設備的異常情況。基于多模態綜合分析的專家系統算法將正樣本圖像判別和可見光與紅外熱成像異常溫度檢測算法相結合，考慮了兩種算法的輸出結果進行異常識別，可提高巡檢的自動化進程。

1 多模態數據分析與模型構建

1.1 圖像判別算法

圖像判別算法是通過神經網絡訓練一個判別模型來判斷圖像是否與正常圖像相符。該算法學習了正常狀態下的參考圖像特征，并對失真圖像是否仍包含這些顯著特征進行了判斷。圖像判別算法的原理結構如圖1 所示。

圖像的判別屬于正樣本圖像的有監督學習方式，常用的網絡有支持向量機、神經網絡、決策樹等從大量正常狀態下的圖像樣本中學習到正常狀態的特征，然后網絡利用這些特征對新輸入的圖像進行判斷。在基于機器學習的判別算法中，網絡模型可自動從大量的圖像樣本中學習到正常狀態的特征，自行判斷新圖像是否與標簽圖像特征一致，整個圖像判別過程無需人工干預。模型經過充分的訓練和調優能達到較高的異常檢測準確性，可應用于各種類型的圖像數據，具有較強的通用性和適應性。

網絡模型對于異常圖像的判斷不是絕對的正負，而是將輸出結果轉化為異常概率，異常概率趨向于1，說明該圖像大概率是非正常的。將圖像判別算法的輸出結果轉化為異常概率圖像判別算法會輸出每個圖像屬于正常狀態和異常狀態的概率或得分。接下來根據分類器的輸出結果計算異常概率的置信度。這可通過將分類器輸出的距離值或概率值轉化為置信度的方式實現，通常使用Sigmoid 函數將概率值轉化為0～1 的置信度值：

C=1/1+e-x（1）

式中，e為自然對數的底。

根據最大化準確率或最小化誤差率的原則確定一個適當的閾值將置信度值映射為異常概率。根據設定的閾值，將置信度值轉化為異常概率。如果置信度值超過了設定的閾值，則將其視為異常概率高，反之則為異常概率低。

1.2 可見光與紅外熱成像異常溫度檢測算法

可見光與紅外熱成像融合的異常溫度檢測算法利用可見光圖像全局可見的特性和紅外熱成像圖像準確識別的不同特性，結合圖像處理和模式識別技術，實現對設備表面溫度異常的檢測。兩種圖像融合的異常溫度檢測算法如圖2 所示。可見光圖像反映設備的外觀和表面特征，而紅外熱成像圖像則反映設備表面的溫度分布情況。

由于可見光與紅外熱成像是兩種不同的成像技術，分別適用于不同的場景，但兩種技術具有互補性，融合的異常溫度檢測算法適用于各種類型的設備和場景，對電力變電站、工業生產線等設備溫度進行實時監測和異常預警，可及時發現設備表面的溫度異常，預防設備過熱和短路問題。

將可見光與紅外熱成像異常溫度檢測算法的輸出結果轉化為異常概率需要從紅外熱成像圖像中提取設備表面的溫度特征，統計每個像素點的溫度值提取局部區域的溫度特征反映設備表面的溫度分布情況。利用提取的溫度特征進行異常檢測，訓練模型學習到正常狀態下的溫度特征分布，然后利用學習到的模型對新的溫度特征進行分類或異常檢測。假設異常溫度數據符合正態分布，可以使用正態分布的概率密度函數來計算異常概率：

式中，σ2為方差；μ為均值；f（x）為異常溫度數據x的概率密度函數，異常溫度數據的正態分布為N（μ，σ2）。

通常可以根據異常檢測的置信度或分類器的得分來計算異常概率，異常檢測的置信度或得分超過了設定的閾值則視為異常概率高。

1.3 多模態綜合分析算法

多模態綜合分析算法使用各種傳感器獲取可見光圖像、紅外熱成像數據、振動數據等多模態數據。該算法包括對采集到的多模態數據樣本進行預處理，然后使用神經網絡從預處理后的數據中提取特征，使用LSTM 網絡將不同模態特征向量進行融合，最后通過前饋神經網絡得出對設備狀態的綜合評估。多模態綜合分析算法結構如圖3 所示。

2 試驗與結果分析

在試驗設計中，選擇了超高壓變電站模擬真實的工業環境，對其收集了可見光圖像、紅外熱成像數據和振動數據作為多模態數據，并建立了一個數據集。模態數據采集情況見表1。

表1 每一行代表一個設備，每一列表示對應設備采集到的模態數據情況。“Yes”表示該設備采集到了對應模態的數據，“No”表示未采集到的信息。表2則展示了每個設備的狀態以及是否存在異常情況，并標注了異常的類型。表2 中“正常”表示設備處于正常狀態，“異常”表示設備存在異常情況。

表3 展示了不同算法在試驗中的性能評估指標。準確率（Ac）是模型正確預測的樣本數（包括真正類和真負類）占總樣本數的比例，衡量了算法的預測準確性。精確率（Pr） 是模型預測正類（真正類）樣本中實際為正類的比例，衡量模型預測正類的準確性。召回率（Re） 是模型正確識別正類樣本占所有實際正類樣本的比例，衡量了算法對異常樣本的識別能力。F1 分數（F1）是精確率和召回率的調和平均值，用于綜合考慮精確率和召回率，當精確率和召回率都很高時，F1 分數也會很高。

式（3）～式（6）中，TP為真正例，TN為真負例，FP為假正例，FN為假負例。

從表3 中可以看出，多模態綜合分析算法在準確率、召回率和F1 值上均表現最好，接近于1，而圖像判別算法和異常溫度檢測算法的性能稍差，故多模態綜合分析算法具有更好地異常檢測能力和泛化性能，對異常情況的識別更為準確和全面。

3 結束語

基于超高壓變電站智能巡檢提出的多模態綜合分析算法，高效整合了可見光圖像、紅外熱成像數據和振動數據，實現對設備狀態的全面評估和異常檢測。通過對算法原理和試驗結果的分析，驗證了多模態綜合分析算法在實際應用中的有效性和優越性。

參考文獻

[1] 李鵬，畢建剛，于浩，等. 變電設備智能傳感與狀態感知技術及應用[J]. 高電壓技術，2020，46（9）：3097-3113.

[2] 唐文虎，牛哲文，趙柏寧，等. 數據驅動的人工智能技術在電力設備狀態分析中的研究與應用[J]. 高電壓技術，2020，46（9）：2985-2999.

[3] 仝衛國，苑津莎，李寶樹. 圖像處理技術在直升機巡檢輸電線路中的應用綜述[J]. 電網技術，2010，34（12）：204-208.