基于超高壓變電站智能巡檢的多模態(tài)綜合分析算法

［摘 要］隨著智能化進(jìn)程的推進(jìn)，超高壓變電站智能化巡檢也迎來了新的發(fā)展需求。文章結(jié)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(cè)算法，提出了一種基于多模態(tài)綜合分析的專家系統(tǒng)算法。該算法與傳統(tǒng)目標(biāo)檢測(cè)方法不同，其綜合變電系統(tǒng)中的多模態(tài)信息，輸出變電站的異常概率，通過信息論的方法對(duì)算法的輸出量化來提高最終識(shí)別效果。試驗(yàn)結(jié)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(dòng)化效果，為變電站安全運(yùn)行提供了一種新的解決方案。

［關(guān)鍵詞］超高壓變電站；智能巡檢；正樣本圖像判別；多模態(tài)綜合分析

［中圖分類號(hào)］TM76 ［文獻(xiàn)標(biāo)志碼］A ［文章編號(hào)］2095–6487（2024）09–0173–03

在復(fù)雜多變的變電站環(huán)境智能巡檢過程中，單一模態(tài)數(shù)據(jù)的應(yīng)用難以全面發(fā)現(xiàn)潛在的故障隱患，多模態(tài)綜合分析算法通過同時(shí)利用可見光圖像、紅外熱成像、振動(dòng)傳感器等多種傳感器獲取的數(shù)據(jù)，已逐漸成為一種對(duì)變電站設(shè)備狀態(tài)的全方位監(jiān)測(cè)和評(píng)估的新型智能巡檢方法。與傳統(tǒng)的單一模態(tài)分析相比，多模態(tài)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(zhǔn)確地捕捉變電站設(shè)備的異常情況?；诙嗄B(tài)綜合分析的專家系統(tǒng)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(cè)算法相結(jié)合，考慮了兩種算法的輸出結(jié)果進(jìn)行異常識(shí)別，可提高巡檢的自動(dòng)化進(jìn)程。

1 多模態(tài)數(shù)據(jù)分析與模型構(gòu)建

1.1 圖像判別算法

圖像判別算法是通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練一個(gè)判別模型來判斷圖像是否與正常圖像相符。該算法學(xué)習(xí)了正常狀態(tài)下的參考圖像特征，并對(duì)失真圖像是否仍包含這些顯著特征進(jìn)行了判斷。圖像判別算法的原理結(jié)構(gòu)如圖1 所示。

圖像的判別屬于正樣本圖像的有監(jiān)督學(xué)習(xí)方式，常用的網(wǎng)絡(luò)有支持向量機(jī)、神經(jīng)網(wǎng)絡(luò)、決策樹等從大量正常狀態(tài)下的圖像樣本中學(xué)習(xí)到正常狀態(tài)的特征，然后網(wǎng)絡(luò)利用這些特征對(duì)新輸入的圖像進(jìn)行判斷。在基于機(jī)器學(xué)習(xí)的判別算法中，網(wǎng)絡(luò)模型可自動(dòng)從大量的圖像樣本中學(xué)習(xí)到正常狀態(tài)的特征，自行判斷新圖像是否與標(biāo)簽圖像特征一致，整個(gè)圖像判別過程無需人工干預(yù)。模型經(jīng)過充分的訓(xùn)練和調(diào)優(yōu)能達(dá)到較高的異常檢測(cè)準(zhǔn)確性，可應(yīng)用于各種類型的圖像數(shù)據(jù)，具有較強(qiáng)的通用性和適應(yīng)性。

網(wǎng)絡(luò)模型對(duì)于異常圖像的判斷不是絕對(duì)的正負(fù)，而是將輸出結(jié)果轉(zhuǎn)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(jié)果轉(zhuǎn)化為異常概率圖像判別算法會(huì)輸出每個(gè)圖像屬于正常狀態(tài)和異常狀態(tài)的概率或得分。接下來根據(jù)分類器的輸出結(jié)果計(jì)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(zhuǎn)化為置信度的方式實(shí)現(xiàn)，通常使用Sigmoid 函數(shù)將概率值轉(zhuǎn)化為0～1 的置信度值：

C=1/1+e-x（1）

式中，e為自然對(duì)數(shù)的底。

根據(jù)最大化準(zhǔn)確率或最小化誤差率的原則確定一個(gè)適當(dāng)?shù)拈撝祵⒅眯哦戎涤成錇楫惓８怕?。根?jù)設(shè)定的閾值，將置信度值轉(zhuǎn)化為異常概率。如果置信度值超過了設(shè)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(cè)算法

可見光與紅外熱成像融合的異常溫度檢測(cè)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(zhǔn)確識(shí)別的不同特性，結(jié)合圖像處理和模式識(shí)別技術(shù)，實(shí)現(xiàn)對(duì)設(shè)備表面溫度異常的檢測(cè)。兩種圖像融合的異常溫度檢測(cè)算法如圖2 所示?？梢姽鈭D像反映設(shè)備的外觀和表面特征，而紅外熱成像圖像則反映設(shè)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(shù)，分別適用于不同的場(chǎng)景，但兩種技術(shù)具有互補(bǔ)性，融合的異常溫度檢測(cè)算法適用于各種類型的設(shè)備和場(chǎng)景，對(duì)電力變電站、工業(yè)生產(chǎn)線等設(shè)備溫度進(jìn)行實(shí)時(shí)監(jiān)測(cè)和異常預(yù)警，可及時(shí)發(fā)現(xiàn)設(shè)備表面的溫度異常，預(yù)防設(shè)備過熱和短路問題。

將可見光與紅外熱成像異常溫度檢測(cè)算法的輸出結(jié)果轉(zhuǎn)化為異常概率需要從紅外熱成像圖像中提取設(shè)備表面的溫度特征，統(tǒng)計(jì)每個(gè)像素點(diǎn)的溫度值提取局部區(qū)域的溫度特征反映設(shè)備表面的溫度分布情況。利用提取的溫度特征進(jìn)行異常檢測(cè)，訓(xùn)練模型學(xué)習(xí)到正常狀態(tài)下的溫度特征分布，然后利用學(xué)習(xí)到的模型對(duì)新的溫度特征進(jìn)行分類或異常檢測(cè)。假設(shè)異常溫度數(shù)據(jù)符合正態(tài)分布，可以使用正態(tài)分布的概率密度函數(shù)來計(jì)算異常概率：

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

通?？梢愿鶕?jù)異常檢測(cè)的置信度或分類器的得分來計(jì)算異常概率，異常檢測(cè)的置信度或得分超過了設(shè)定的閾值則視為異常概率高。

1.3 多模態(tài)綜合分析算法

多模態(tài)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(shù)據(jù)、振動(dòng)數(shù)據(jù)等多模態(tài)數(shù)據(jù)。該算法包括對(duì)采集到的多模態(tài)數(shù)據(jù)樣本進(jìn)行預(yù)處理，然后使用神經(jīng)網(wǎng)絡(luò)從預(yù)處理后的數(shù)據(jù)中提取特征，使用LSTM 網(wǎng)絡(luò)將不同模態(tài)特征向量進(jìn)行融合，最后通過前饋神經(jīng)網(wǎng)絡(luò)得出對(duì)設(shè)備狀態(tài)的綜合評(píng)估。多模態(tài)綜合分析算法結(jié)構(gòu)如圖3 所示。

2 試驗(yàn)與結(jié)果分析

在試驗(yàn)設(shè)計(jì)中，選擇了超高壓變電站模擬真實(shí)的工業(yè)環(huán)境，對(duì)其收集了可見光圖像、紅外熱成像數(shù)據(jù)和振動(dòng)數(shù)據(jù)作為多模態(tài)數(shù)據(jù)，并建立了一個(gè)數(shù)據(jù)集。模態(tài)數(shù)據(jù)采集情況見表1。

表1 每一行代表一個(gè)設(shè)備，每一列表示對(duì)應(yīng)設(shè)備采集到的模態(tài)數(shù)據(jù)情況?！癥es”表示該設(shè)備采集到了對(duì)應(yīng)模態(tài)的數(shù)據(jù)，“No”表示未采集到的信息。表2則展示了每個(gè)設(shè)備的狀態(tài)以及是否存在異常情況，并標(biāo)注了異常的類型。表2 中“正?！北硎驹O(shè)備處于正常狀態(tài)，“異常”表示設(shè)備存在異常情況。

表3 展示了不同算法在試驗(yàn)中的性能評(píng)估指標(biāo)。準(zhǔn)確率（Ac）是模型正確預(yù)測(cè)的樣本數(shù)（包括真正類和真負(fù)類）占總樣本數(shù)的比例，衡量了算法的預(yù)測(cè)準(zhǔn)確性。精確率（Pr） 是模型預(yù)測(cè)正類（真正類）樣本中實(shí)際為正類的比例，衡量模型預(yù)測(cè)正類的準(zhǔn)確性。召回率（Re） 是模型正確識(shí)別正類樣本占所有實(shí)際正類樣本的比例，衡量了算法對(duì)異常樣本的識(shí)別能力。F1 分?jǐn)?shù)（F1）是精確率和召回率的調(diào)和平均值，用于綜合考慮精確率和召回率，當(dāng)精確率和召回率都很高時(shí)，F(xiàn)1 分?jǐn)?shù)也會(huì)很高。

式（3）～式（6）中，TP為真正例，TN為真負(fù)例，F(xiàn)P為假正例，F(xiàn)N為假負(fù)例。

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

3 結(jié)束語(yǔ)

基于超高壓變電站智能巡檢提出的多模態(tài)綜合分析算法，高效整合了可見光圖像、紅外熱成像數(shù)據(jù)和振動(dòng)數(shù)據(jù)，實(shí)現(xiàn)對(duì)設(shè)備狀態(tài)的全面評(píng)估和異常檢測(cè)。通過對(duì)算法原理和試驗(yàn)結(jié)果的分析，驗(yàn)證了多模態(tài)綜合分析算法在實(shí)際應(yīng)用中的有效性和優(yōu)越性。

參考文獻(xiàn)

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

[2] 唐文虎，牛哲文，趙柏寧，等. 數(shù)據(jù)驅(qū)動(dòng)的人工智能技術(shù)在電力設(shè)備狀態(tài)分析中的研究與應(yīng)用[J]. 高電壓技術(shù)，2020，46（9）：2985-2999.

[3] 仝衛(wèi)國(guó)，苑津莎，李寶樹. 圖像處理技術(shù)在直升機(jī)巡檢輸電線路中的應(yīng)用綜述[J]. 電網(wǎng)技術(shù)，2010，34（12）：204-208.