摘 要：目前電力設備故障尚未應用溫度變化率進行變壓器故障診斷，因此本文提出利用基于模糊溫差法的隸屬函數(shù)方法對紅外圖像進行預處理，并利用YOLOv7模型對紅外圖像進行處理，以提升紅外圖像的辨識度。試驗結果表明，YOLOv7算法的紅外圖像處理模型的節(jié)點數(shù)量僅為121個，比YOLOv3和YOLOv4分別降低80.9%、81.03%。并且YOLOv7算法在圖像處理時間方面具有較好的性能，檢測時間僅為10 s，比YOLOv3和YOLOv4的檢測時間分別降低50%和30%。

關鍵詞：紅外圖像；YOLOv7模型；電力設備；故障識別；圖像處理

中圖分類號：TM 76" " 文獻標志碼：A

在長時間的運作中，電力設備會受環(huán)境和人為等多種原因的影響，出現(xiàn)不同類型的故障，不僅威脅電力系統(tǒng)的安全和穩(wěn)定性，還可能導致停機，嚴重影響生活、生產(chǎn)[1]。因此，智能電網(wǎng)離不開電力設備故障檢測和分析。其中變壓器是電網(wǎng)體系中的重要設備，如果變壓器發(fā)生故障，就會對供電可靠性和系統(tǒng)安全穩(wěn)定運行造成嚴重威脅，因此運用紅外技術進行故障分析和處理具有重要意義[2]。在長期運行中，變壓器會發(fā)生損耗，這些損耗會作用于其繞組、鐵芯和金屬結構等部位，進而轉(zhuǎn)化為熱量[3]。一般情況下，變壓器通過散熱系統(tǒng)維持熱量動態(tài)平衡，如果某一部位發(fā)生故障，導致熱量產(chǎn)生和散熱不平衡，該部位溫度就會升高，此為過熱現(xiàn)象[4]。但是目前電力設備故障尚未應用溫度變化率進行變壓器故障診斷，因此本文提出利用基于模糊溫差法的隸屬函數(shù)方法對紅外圖像進行預處理，并利用YOLOv7模型對紅外圖像進行處理，以提升紅外圖像的辨識度。

1 基于紅外圖像的電力設備故障識別模型

1.1 變壓器紅外圖像預處理

在使用紅外熱像技術對變壓器物體表面溫度進行成像過程中會受多種因素影響，包括環(huán)境條件、設備質(zhì)量以及人為因素等。其中噪聲對紅外圖像識別影響較大。噪聲的存在會顯著降低圖像質(zhì)量，包括對比度下降、邊緣模糊和分辨率降低等[5-7]。由于現(xiàn)有變壓器紅外缺陷的照片均為單一時間拍攝，不是在連續(xù)時間內(nèi)進行連拍，因此無法利用溫度變化率進行變壓器故障診斷，因此本文提出利用基于模糊溫差法的隸屬函數(shù)方法對紅外圖像進行預處理[8]。

對變壓器設備正常工作時的溫度T2和環(huán)境溫度T0進行測量，得到參數(shù)T0與T2后，再將紅外圖像識別故障設備的實際溫度T1代入公式（1）進行計算[9]。

（1）

根據(jù)公式（1）可得當前點的溫度差值σ%，進而計算變壓器檢測部位一般故障的σ%值和發(fā)生嚴重故障的σ%值，便可進行變壓器監(jiān)測部位的故障診斷。變壓器檢測部位的模糊溫差法隸屬函數(shù)如圖1所示。本文使用的參數(shù)E1=0.13，E2=0.33，E3=0.68，E4=0.92。

變壓器的率屬函數(shù)u的各段診斷如下所示。1） 當σ%值＜E1時，可得出診斷，即變壓器檢測部位處于正常運行狀態(tài)。2） 當σ%值位于E1、E2之間時，變壓器有可能處于正常運行狀態(tài)，也有可能處于一般故障，系統(tǒng)發(fā)出預警信息，無須停機檢查。3） 當σ%值位于E2、E3之間時，變壓器處于一般故障狀態(tài)，系統(tǒng)發(fā)出預警信息，但是考慮經(jīng)濟效益，避免大面積停電造成影響，也無須停機檢查。4） 當σ%值位于E3、E4之間時，有可能是一般故障，也有可能是嚴重故障，系統(tǒng)發(fā)出報警信息。5） 當σ%值＞E4時，變壓器處于嚴重故障狀態(tài)，系統(tǒng)發(fā)出報警信息，應迅速停電，安排維修人員檢修。

1.2 基于紅外圖像的設備溫度識別

進行圖像預處理后，需要進一步對紅外圖像進行分割處理。其中YOLOv7算法在YOLOv5基礎上進行了優(yōu)化，是一款十分優(yōu)秀的圖像處理技術。YOLOv7模型在網(wǎng)絡結構中引入ELAN模塊，有效強化了網(wǎng)絡學習能力，在檢測準確度和圖像處理速度方面比YOLOv5有明顯優(yōu)勢。在YOLOv7模型中的卷積層和池化層相互疊加的過程中，往往會在YOLOv7網(wǎng)絡模型的末尾處添加適量的全連接層。卷積層和池化層的主要作用是將原始的圖像數(shù)據(jù)映射到隱層特征空間，并逐步提取并組合出更具區(qū)分性的節(jié)點特征。全連接層則是將YOLOv7中所有的特性，經(jīng)過節(jié)點的映射轉(zhuǎn)化為一個樣本標注的空間。全連接層的實質(zhì)就是將一個屬性空間與另外一個屬性空間進行轉(zhuǎn)換，并對預處理后的紅外圖像屬性進行權重計算，計算方法如公式（2）所示。

Y=F（WX+b） （2）

式中：X和Y分別為YOLOv7模型全連接層的輸入和輸出特征信息；W為全連接層的權重參數(shù)；b為偏置向量；F（）為激活函數(shù)。

激活函數(shù)可以增加模型的非線性表達能力，從而使YOLOv7模型更靈活、更具有適應性。全連接層的作用是利用線性變換和激活函數(shù)對前序卷積層和池化層學習到的紅外圖像特征進行深入挖掘和處理，最終從高維特征中學習到分類、回歸等任務所需要的特征表達，從而實現(xiàn)YOLOv7模型的目標檢測。

在YOLOv7模型中，通常使用損失函數(shù)來估計算法模型預測值與實際值間的差異。損失函數(shù)IOU是評估算法收斂效率的重要指標，其計算過程如公式（3）所示。

（3）

式中：A和B分別為紅外圖像預測框和真實框的面積。

但是IOU損失函數(shù)的缺陷相對明顯，它只測量重疊度，沒有考慮重疊方法、變壓器環(huán)境等因素。并且IOU損失函數(shù)計算密集，因此存在算法退化和收斂速度慢的問題。為了提高檢測精度，本文引入DIOU損失函數(shù)，考慮紅外圖像目標框與預測框間的距離、重疊率和比例。YOLOv7采用DIOU損失函數(shù)RDIOU，其計算過程分別如公式（4）～公式（6）所示。

（4）

（5）

（6）

式中：b、bgt分別為紅外圖像目標幀和預測幀的中心點；w、wgt分別為目標幀和預測幀的寬度分別用；h、hgt分別為目標幀和預測幀的高度；p為預測框中心點與實際框間的歐式距離；c為包括最小包圍區(qū)域的對角線距離，包括預測框和真實幀；v為紅外圖像長寬比的一致性；α為加權參數(shù)。

為提高紅外圖像分割的準確性和穩(wěn)定性，應利用YOLOv7模型將紅外圖像轉(zhuǎn)化為灰度圖像，不僅可以減少計算量，還能保留圖像的主要信息。并對灰度圖像進行去噪和增強，以提高圖像質(zhì)量，使目標區(qū)域更明顯且易于分割。最后對處理后的圖像進行分割，以更準確地提取目標區(qū)域，從而達到紅外熱成像系統(tǒng)中變壓器紅外故障診斷的目的。紅外圖像分割操作步驟如圖2所示。

2 結果與討論

2.1 試驗環(huán)境配置

基于YOLOv7模型的紅外圖像故障檢測試驗在從智星云AI云平臺租用的云服務器上進行，該云服務器環(huán)境配置見表1。

由于YOLOv7模型的復雜度較高、計算量巨大、訓練時間過長且模型實用性降低，因此應用CUDA11.1、CUDNN8為YOLOv7模型計算機的GPU進行加速，以提高YOLOv7算法模型的計算效率。使用GPU進行并行化計算，進一步提高紅外圖像識別故障的計算速度，縮短訓練時間。Pytorch是目前深度學習領域中最流行的框架之一，其設計簡單，封裝的工具包較少，因此基于Pytorch開發(fā)的源碼簡單易懂。基于此，本文采用PyTorch框架進行紅外圖像故障檢測試驗，并采用張量操作使Pytorch可以由GPU進行運算加速，從而進一步提升紅外圖像識別故障速度并保證運行效率。設定Pytorch利用動態(tài)神經(jīng)網(wǎng)絡進行自動求導，可以進一步減少YOLOv7算法模型的紅外故障檢測時間。將YOLOv7模型的批量大小設定為64，訓練批量大小設定為300。

2.2 檢測時間和計算內(nèi)存比較

為進一步驗證YOLOv7算法模型在紅外圖像識別故障中的效果，將YOLOv7算法模型與其他模型（YOLOv3、YOLOv4和YOLOv5）的圖像處理時間和計算內(nèi)存進行比較，比較結果見表2。由表2可知，YOLOv3和YOLOv4節(jié)點數(shù)量高達608和638個，模型節(jié)點數(shù)量越多，紅外圖像識別故障時間越長，受實際變壓器故障檢測環(huán)境影響，較多的節(jié)點數(shù)量會進一步降低檢測準確率。YOLOv7算法的檢測模型的節(jié)點數(shù)量僅為121個，比YOLOv3、YOLOv4分別降低80.9%、81.03%。YOLOv3和YOLOv4計算內(nèi)存分別為227.88 MB和238.62 MB，YOLOv7算法的計算內(nèi)存分別比YOLOv3和YOLOv4減少80%和81%。并且YOLOv7算法在圖像處理時間方面也具有良好性能，圖像處理時間僅為10 s，與YOLOv3和YOLOv4算法的檢測時間相比，YOLOv7的圖像處理時間分別降低50%和30%。YOLOv5的圖像處理時間最長，比YOLOv7增加了120%，進一步表明YOLOv7算法模型具有較高的紅外圖像識別故障效率?？紤]變壓器故障檢測對設備能耗和計算能力的限制，YOLOv7算法具有計算內(nèi)存較低且較短圖像處理時間，能夠滿足變壓器故障的實際檢測需求。

2.3 故障檢測效果分析

為更直觀地體現(xiàn)故障檢測效果，本節(jié)利用紅外圖像對變壓器進行故障檢測，并將YOLOv3、YOLOv4、YOLOv5與YOLOv7模型進行比較，試驗結果如圖3所示。在變壓器設備高溫故障情況下，YOLOv3模型對設備高溫的識別率較低，從而增加了漏判的可能性，并且YOLOv3模型的識別圖像效果較差，無法有效識別到設備高溫故障位置。雖然YOLOv4模型具備檢測故障的能力，但是容易將紅外圖像中的白色亮點誤解為設備高溫故障，進一步導致故障識別準確率降低。YOLOv5只能勉強識別設備高溫故障。而YOLOv7在實際設備高溫故障檢測表現(xiàn)出較強的適應性，不僅可以有效識別高溫區(qū)域，圖像識別效果也較好，圖像分辨率遠高于YOLOv3、YOLOv4和YOLOv5模型，進一步表明經(jīng)YOLOv7模型優(yōu)化處理后的紅外圖像具有較好的檢測性能。

3 結論

經(jīng)YOLOv7算法模型處理后的紅外圖像具有較高的檢測效率，并且考慮設備故障檢測對設備能耗和計算能力的限制，YOLOv7算法計算內(nèi)存較低且圖像處理時間較短，能夠滿足變壓器設備故障的實際檢測需求。YOLOv7在實際高溫檢測中表現(xiàn)出較強的適應性，不僅可以有效識別變壓器高溫故障區(qū)域，圖像識別效果也較好，圖像分辨率遠高于YOLOv3、YOLOv4和YOLOv5模型。

參考文獻

[1]趙夢.基于紅外圖像的電力設備故障分析研究[D].西安：西安理工大學，2020.

[2]陳同凡.基于深度學習的變電設備紅外診斷技術研究[D].北京：華北電力大學，2021.

[3]恒源.基于紅外圖像處理的變電站設備故障診斷方法研究[D].長春：長春工業(yè)大學，2019.

[4]袁翰儒.基于紅外圖像的電力設備故障識別技術研究[D].哈爾濱：哈爾濱工程大學，2021.

[5]陳正宇，崔婷，安昌萍.基于ATPEMTP仿真的變壓器內(nèi)部故障分析[J].重慶：重慶電力高等?？茖W校學報，2021.

[6]劉釗.基于紅外熱成像的變壓器故障在線監(jiān)測系統(tǒng)[D].淮南：安徽理工大學，2017.

[7]黃勇.電力變壓器故障的紅外診斷技術應用研究[D].重慶：重慶大學，2001.

[8]李文芳.基于紅外圖像的電力變壓器故障的在線檢測[D].淮南：安徽理工大學，2014.

[9]劉惠.多場景下結構化車道線檢測方法研究[D].上海：上海工程技術大學，2017.