［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(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算法的輸出量化來提高最終識別效果。試驗結(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化效果，為變電站安全運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］TM76 ［文獻(xiàn)標(biāo)志碼］A ［文章編號］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(shù)據(jù)，已逐漸成為一種對變電站設(shè)備狀態(tài)的全方位監(jiān)測和評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算法相結(jié)合，考慮了兩種算法的輸出結(jié)果進行異常識別，可提高巡檢的自動化進程。

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(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、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)利用這些特征對新輸入的圖像進行判斷。在基于機器學(xué)習(xí)的判別算法中，網(wǎng)絡(luò)模型可自動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)到較高的異常檢測準(zhǔn)確性，可應(yīng)用于各種類型的圖像數(shù)據(jù)，具有較強的通用性和適應(yīng)性。

網(wǎng)絡(luò)模型對于異常圖像的判斷不是絕對的正負(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輸出每個圖像屬于正常狀態(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(zhǔn)確識別的不同特性，結(jié)合圖像處理和模式識別技術(shù)，實現(xiàn)對設(shè)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?？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景，但兩種技術(shù)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(shè)備和場景，對電力變電站、工業(yè)生產(chǎn)線等設(shè)備溫度進行實時監(jiān)測和異常預(yù)警，可及時發(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)計每個像素點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行異常檢測，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)到的模型對新的溫度特征進行分類或異常檢測。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）。

通常可以根據(jù)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(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)、振動數(shù)據(jù)等多模態(tài)數(shù)據(jù)。該算法包括對采集到的多模態(tài)數(shù)據(jù)樣本進行預(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)特征向量進行融合，最后通過前饋神經(jīng)網(wǎng)絡(luò)得出對設(shè)備狀態(tài)的綜合評估。多模態(tài)綜合分析算法結(jié)構(gòu)如圖3 所示。

2 試驗與結(jié)果分析

在試驗設(shè)計中，選擇了超高壓變電站模擬真實的工業(yè)環(huán)境，對其收集了可見光圖像、紅外熱成像數(shù)據(jù)和振動數(shù)據(jù)作為多模態(tài)數(shù)據(jù)，并建立了一個數(shù)據(jù)集。模態(tài)數(shù)據(jù)采集情況見表1。

表1 每一行代表一個設(shè)備，每一列表示對應(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?！北硎驹O(shè)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(biāo)。準(zhǔn)確率（Ac）是模型正確預(yù)測的樣本數(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)測準(zhǔn)確性。精確率（Pr） 是模型預(yù)測正類（真正類）樣本中實際為正類的比例，衡量模型預(yù)測正類的準(zhǔn)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?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，F(xiàn)1 分?jǐn)?shù)也會很高。

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能力和泛化性能，對異常情況的識別更為準(zhǔn)確和全面。

3 結(jié)束語

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)和振動數(shù)據(jù)，實現(xiàn)對設(shè)備狀態(tài)的全面評估和異常檢測。通過對算法原理和試驗結(jié)果的分析，驗證了多模態(tài)綜合分析算法在實際應(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，苑津莎，李寶樹. 圖像處理技術(shù)在直升機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.