摘 要：為提高變電站入侵跟蹤檢測準確率，提出一種基于光纖圍欄振動信號識別的變電站入侵跟蹤檢測方法。通過采用總體平均經(jīng)驗?zāi)B(tài)分解（EEMD）提取光纖圍欄振動信號特征向量，并利用遺傳算法（GA）改進的支持向量機（SVM）對提取的光纖圍欄振動信號特征向量進行分類識別，實現(xiàn)了變電站入侵跟蹤檢測。

相較于小波分解和EMD特征提取方法，所提EEMD方法提取的光纖圍欄振動信號特征向量對后續(xù)分類識別更有效；相較于SVM算法、KNN（K-Nearest Neighbor）算法以及BERT（Bidirectional Encoder Representationsfrom Transformers）算法，所提的GA算法改進的SVM算法可更準確地分類識別變電站氣體泄漏、敲擊、行走振動信號地入侵檢測，平均識別準確率89.84%，更適用于變電站入侵跟蹤檢測。

關(guān)鍵詞：變電站入侵檢測；光纖圍欄；振動信號識別；技術(shù)優(yōu)化

中圖分類號：TQ342 + .82；TM631 文獻標志碼：A 文章編號：1001-5922（2025）03-0185-04

Substation intrusion tracking and warning based on videoimage recognition

LU Geng，ZHANG Zongbao

（Shenzhen Power Supply Bureau Co.，Ltd.，Shenzhen 518001，Guangdong China）

Abstract：To improve the accuracy of substation intrusion tracking detection，a substation intrusion tracking detec?tion method based on fiber optic fence vibration signal recognition is proposed. Methods The substation intrusiontracking detection was implemented by using Ensemble Empirical Mode Decomposition（EEMD）to extract the ei?genvectors of optical fiber fence vibration signals，and using Genetic Algorithm（GA）improved Support Vector Ma?chine（SVM）to classify and identify the extracted eigenvectors of optical fiber fence vibration signals. Compared towavelet decomposition and EMD feature extraction methods，the proposed EEMD method extracts the feature vec?tors of the vibration signal of the optical fiber fence more effectively for subsequent classification and recognition；Compared to SVM algorithm，KNN（K-Nearest Neighbor）algorithm，and BERT（Biological Encoder Representa?tions from Transformers）algorithm，the improved SVM algorithm based on the proposed GA algorithm can more ac?curately classify and identify the intrusion detection of gas leakage，knocking，and walking vibration signals in sub?stations，with an average recognition accuracy of 89.84%，and is more suitable for substation intrusion tracking de?tection.

Key words：substation intrusion detection；optical fiber fence；vibration signal identification；overall average empir?ical mode decomposition；support vector machine

隨著無人值守變電站管理模式的推廣，基于光纖圍欄的安防系統(tǒng)廣泛應(yīng)用于變電站管理中，但如何提高安防系統(tǒng)的性能，成為關(guān)鍵。對此，喬文增等 [1] 為實現(xiàn)變電站安全檢測，采用稀疏自編碼器逐層提取光纖圍欄振動信號數(shù)據(jù)特征，并對不同類別的信號進行分類，采用相空間重構(gòu)對入侵告警信號深層次識別，減少了光纖圍欄入侵檢測的誤報率；彭期剛 [2] 為解決變電站安防檢測系統(tǒng)不能實現(xiàn)集中管控和誤警率高的問題，提出一種基于薩格納克效應(yīng)傳感技術(shù)的光纖圍欄智能預(yù)警方法；房凱 [3] 針對傳統(tǒng)人工監(jiān)察的不足，基于計算機視覺技術(shù)，提出一種智能化的光纖圍欄跨越違規(guī)檢測與識別方法。該方法不斷獲取監(jiān)控視頻幀作為輸入，使用三維卷積和二維卷積分別提取時序和空間特征，將兩部分特征融合后進行分類和邊界框回歸，實現(xiàn)了基于光纖圍欄的視頻入侵跟蹤檢測。通過上述研究可以發(fā)現(xiàn)，基于光纖圍欄的入侵檢測方法已在變電站入侵跟蹤檢測中取得了良好的應(yīng)用效果。但肖曾翔等 [4] 人認為，現(xiàn)有基于光纖圍欄的入侵檢測方法在變電站入侵跟蹤檢測中存在準確率低的問題，其原因主要在于光纖圍欄振動信號特征提取方法和分類識別方法選擇上，限制了方法的檢測準確率。因此，為解決該問題，本研究基于EEMD在信號特征提取上的優(yōu)勢，以及SVM算法在分類識別上的效果，提出一種全新的變電站入侵跟蹤檢測方法。

1 EEMD振動信號特征提取

EEMD是在經(jīng)驗?zāi)B(tài)分解（EMD）的基礎(chǔ)上，通過加入一組頻譜分布均勻的白噪聲，來解決EMD分解得到的IMF分量模態(tài)混疊問題的一種特征提取方法 [5] 。其分解步驟為：

（1）在原始信號中加入白噪聲 n i （t） ，其幅值為 [6] ：s i （t）=f（t）+n i （t）

（2）對得到的 N 組 s i （t） 分別進行EMD分解，得到多個IMF分量。

（3）求多個IMF分離過的均值，并將其作為最終IMF分量。

相較于EMD，EEMD通過利用白噪聲的頻譜均勻分布特性，使不同時間下信號可自適應(yīng)分解得到相應(yīng)尺度，解決了EMD分解得到的IMF分量模態(tài)混疊問題，進而提高了信號特征提取的準確性 [7] 。因此，為更好地實現(xiàn)變電站入侵跟蹤預(yù)警，準確檢測識別變電站不同入侵行為振動信號，本研究選用EEMD提取變電站不同入侵行為振動信號特征。

2 基于光纖圍欄振動信號識別的變電站入侵跟蹤檢測

2.1 SVM振動信號分類識別及改進

SVM是一種利用監(jiān)督學(xué)習(xí)實現(xiàn)分類的線性分類器模型，常用于解決高維數(shù)、小樣本等分類問題 [8] 。其基本分類思想是，在給定樣本點可分的情況下，尋找一個超平面使給定樣本點盡可能地遠離該平面，進而實現(xiàn)最優(yōu)分類。

目前，SVM已廣泛應(yīng)用于圖像分類識別和振動信號分類識別領(lǐng)域中，并取得了一定的成果 [9] 。因此，本研究SVM作為變電站振動信號分類識別算法。但考慮到SVM的分類識別性能優(yōu)劣通常取決于核函數(shù)的參數(shù) γ 及懲罰因子 C ，而標準SVM的參數(shù) γ 和 C為隨機設(shè)置，可能導(dǎo)致SVM達不到最好的分類識別性能 [10] 。為解決該問題，研究采用GA算法對SVM的參數(shù) γ 和 C 進行確定。GA算法是一種全局尋優(yōu)算法，可通過不斷迭代，自適應(yīng)求解最佳SVM的參數(shù) γ 和C ，實現(xiàn)對SVM性能的優(yōu)化。

利用GA算法對SVM模型進行改進的具體操作如下：

①初始化算法起始時間 t ，并在參數(shù)空間內(nèi)對SVM參數(shù)進行編碼，獲取初始染色體和種群 P （ ） t ；

②計算個體適應(yīng)度函數(shù)值，當算法產(chǎn)生最佳適應(yīng)度函數(shù)值或迭代到最大迭代次數(shù)時，跳轉(zhuǎn)至步驟⑤；

③令 t=t+1 ，并從 P （ ） t-1 中選取 P （ ） t ；

④對種群進行交叉、變異遺傳操作，使種群進化到下一代，并返回步驟②；

⑤得出SVM的最佳核函數(shù)參數(shù) γ 和懲罰因子 C 。

采用GA算法確定最優(yōu)參數(shù) γ 和 C 作為SVM的核函數(shù)參數(shù)和懲罰因子，利用訓(xùn)練數(shù)據(jù)集對其進行訓(xùn)練，可訓(xùn)練得到分類識別性能最優(yōu)的SVM模型 [11] 。

基于該模型，可更好地實現(xiàn)變電站不同入侵跟蹤振動信號的檢測與識別。因此，本研究選用GA改進后的SVM識別變電站不同入侵跟蹤振動信號。

2.2 入侵檢測流程

基于上述方法，結(jié)合變電站光纖圍欄振動信號數(shù)據(jù)，首先采用EEMD對振動信號進行分解，獲取振動信號特征向量，然后采用GA算法改進的SVM模型對特征向量進行分類識別，即可實現(xiàn)對變電站的入侵跟蹤檢測。因此，本研究將基于光纖圍欄振動信號識別變電站入侵跟蹤檢測流程設(shè)計如下：

①數(shù)據(jù)獲取與預(yù)處理。收集整理變電站光纖圍欄振動信號。考慮到采集的原始振動信號中存在噪聲干擾，可能影響最終識別結(jié)果。因此，在對振動信號進行分類識別前，研究采用梅爾倒譜系數(shù)法對不同振動信號數(shù)據(jù)進行了區(qū)分處理；

②特征提取。采用EEMD算法對振動信號進行特征提取，得到不同振動信號的特征向量；

③分類識別。根據(jù)分配比例將處理后的數(shù)據(jù)分為訓(xùn)練集和測試集。利用訓(xùn)練集對GA算法改進的SVM模型進行訓(xùn)練，并利用測試集對訓(xùn)練完成的改進SVM模型進行測試。最后，將待識別的振動信號特征向量輸入測試后的改進SVM中，最終輸出振動信號自動分類識別結(jié)果。

3 仿真實驗

3.1 實驗環(huán)境

本實驗MATLAB R2018a軟件搭建改進SVM算法模型，并在Windows10操作系統(tǒng)上運行。系統(tǒng)硬件選用Intel （R）xeon（R）E5-2640 v4@2.40GHz，內(nèi)存大小為32G，顯卡型號為NVIDIA GeForce RTX 2080Ti。

3.2 數(shù)據(jù)來源及預(yù)處理

本次實驗數(shù)據(jù)來自某變電站光纖圍欄周界安防系統(tǒng)采集的信號，包括氣體泄漏信號、敲擊信號和行走信號3類振動信號。

考慮到采集的原始變電站入侵振動信號中存在噪聲干擾。為有效濾除噪聲，實現(xiàn)更有效的變電站入侵跟蹤檢測識別，實驗前采用梅爾倒譜系數(shù)法對原始振動信號進行區(qū)分 [12] 。

采用梅爾倒譜系數(shù)法對原始振動信號進行區(qū)分處理的具體操作是：首先向原始振動信號施加一個函數(shù)為 F（s）=1-0.97s -1 的高通濾波器，以對原始振動信號進行預(yù)加重；然后對采集的氣體泄漏、敲擊、行走3類事件，采用幀信號為512，幀移為200，梅爾濾波器為26進行處理；最后計算上述3類事件的振動信號梅爾倒譜系數(shù)。由計算可知，氣體泄漏的振動信號約為60幀，敲擊振動信號約為180～225幀，行走振動信號約為121～308幀，且敲擊振動信號與行走振動信號的波峰差異明顯。由此說明，采用梅爾倒譜系數(shù)法可有效區(qū)分不同振動信號以及噪聲信號。因此，實驗前采用梅爾倒譜系數(shù)法對原始振動信號進行區(qū)分有效。

3.3 評價指標

實驗選用準確率、精確率、召回率、 F 值作為評估所提方法性能的指標 [13-14] 。

3.4 參數(shù)設(shè)置

本次實驗設(shè)置改進SVM模型的核函數(shù)為徑向基函數(shù)，懲罰因子為1，GAMMA為25，并設(shè)置GA算法初始種群規(guī)模為40，最大迭代次數(shù)為200 [15] 。

3.5 結(jié)果與分析

3.5.1 振動信號特征提取結(jié)果

為檢驗所提EEMD算法對振動信號的特征提取效果，實驗采用所提EEMD算法對振動信號進行特征提取，得到每個振動信號14組特征向量，并輸入改進SVM分類器中，采用5折交叉驗證輸出最優(yōu)改進SVM分類模型下的分類結(jié)果。

如表1為一次交叉驗證后分類結(jié)果的混淆矩陣。由表1可知，采用EEMD算法對振動信號進行特征提取后，改進SVM分類的準確率為89.22%，氣體泄漏、敲擊、行走振動信號的 F 值分別為95.32%、87.15%、84.23%。

表2所示不同振動信號的指標值。由表2可知，采用EEMD算法提取的不同振動信號特征向量，通過改進SVM分類識別，平均準確率為89.84%，氣體泄漏、敲擊、行走振動信號的F值分別為94.66%、87.46%、87.11%。由此說明，所提EEMD算法對不同振動信號的特征提取有效，可用于后續(xù)振動信號的分類識別。

為進一步驗證EEMD算法對不同振動信號特征提取的效果，對比了小波分解和EMD提取的特征向量輸入改進SVM中的各項平均性能指標，結(jié)果如表3所示。

由表3可知，相較于小波分解和EMD特征提取方法，采用所提EEMD特征提取方法提取的不同振動信號特征向量用于改進SVM分類識別，可得到更準確的分類識別結(jié)果，分類準確率達到89.84%，分別提高2.32%和2.86%。由此說明，采用所提EEMD算法提取不同振動信號特征向量更有利于后續(xù)變電站入侵跟蹤檢測預(yù)警。

3.5.2 振動信號分類識別結(jié)果

為驗證改進SVM算法對振動信號的分類識別效果，實驗對比了SVM算法改進前后對改進EMD提取的不同振動信號特征向量的各項分類識別性能指標，結(jié)果表4所示。

由表4可知，相較于改進前SVM算法，改進后的SVM算法對氣體泄漏、敲擊、行走不同振動信號的特征向量分類識別的 F 值更高，得到了不同程度的提升，且分類識別準確率更高，為89.84%，提高了5.49%。由此說明，所提的改進SVM算法對SVM算法的改進有效，可更準確地實現(xiàn)變電站不同事件檢測，進而更有利于變電站入侵跟蹤檢測。

為進一步驗證所提改進SVM算法的有效性和優(yōu)越性，實驗對比了改進SVM算法與其他常用分類識別算法KNN算法和BERT算法對改進EMD提取的特征向量進行分類識別的效果，結(jié)果如表5所示。

由表5可知，相較于KNN算法和BERT算法，所提的改進SVM算法對改進EMD算法提取的振動信號特征向量的分類識別準確率更高，為89.84%，分別提高了4.11%和4.25%。由此說明，所提的改進SVM算法對變電站不同類型事件具有更優(yōu)異的識別效果，更適用于變電站入侵跟蹤檢測與預(yù)警。

4 結(jié)語

所提的基于光纖圍欄振動信號識別的變電站入侵跟蹤檢測方法，通過采用EEMD提取光纖圍欄振動信號特征向量，并利用GA算法改進的SVM分類器進行對提取的特征向量進行分類識別，有效實現(xiàn)了變電站入侵跟蹤檢測。

【參考文獻】

[1] 喬文增，王兵，張強. 深度學(xué)習(xí)下光纖圍欄入侵告警方法[J]. 激光雜志，2020，41（10）：162-166.

[2] 彭期剛. 基于Sagnac環(huán)的分布式光纖圍欄智能預(yù)警安防系統(tǒng)[J]. 電力大數(shù)據(jù)，2021，24（5）：86-92.

[3] 房凱. 基于深度學(xué)習(xí)的圍欄跨越行為檢測方法[J]. 計算機系統(tǒng)應(yīng)用，2021，30（2）：147-153.

[4] 肖曾翔，徐啟峰. 基于改進卷積神經(jīng)網(wǎng)絡(luò)的變電站異物入侵識別[J]. 科學(xué)技術(shù)與工程，2022，22（4）：1465-1471.

[5] 王帥星，戴玉山，任浩，等. 基于EEMD-BP的自動傾斜器軸承故障診斷研究[J]. 中國設(shè)備工程，2023（5）：162-165.

[6] 金志浩，陳廣東，汪紅，等. 基于EEMD-FSK的滾動軸承故障診斷[J]. 機床與液壓，2023，51（4）：180-183.

[7] 職保平，秦凈凈，楊春景，等. 基于EEMD-SOBI的水電機組多源信息分離處理[J]. 振動與沖擊，2023，42（4）：229-235.

[8] 李昌華，安俊帆，李智杰，等. 基于RF-GA-SVM的醫(yī)院集中供暖系統(tǒng)一次側(cè)流量預(yù)測模型研究[J]. 暖通空調(diào)，2023，53（2）：103-107.

[9] 薄青紅，劉光定，張明，等. 基于PCA和GA-SVM聯(lián)合模型的數(shù)控轉(zhuǎn)臺升降系統(tǒng)故障診斷[J]. 機械設(shè)計與研究，2022，38（5）：221-224.

[10] 譚卓昆，羅龍飛，王順芳. 基于融合特征與GA-SVM算法的腦疾病基因預(yù)測[J]. 計算機工程與應(yīng)用，2023，59

（5）：70-77.

[11] 薛賽，賀青川，潘駿，等. 基于GA-SVM的永磁同步電機動態(tài)偏心故障診斷[J]. 組合機床與自動化加工技術(shù)，2022（9）：99-103.

[12] 余斌，宋興榮，周挺，等. 基于梅爾倒譜系數(shù)特征集的儲能變流器開路故障診斷方法[J]. 中國電力，2022，55（12）：34-42.

[13] 李金鑫，鄭磊，廖海，等. 基于紅外監(jiān)測的電站設(shè)備熱狀態(tài)智能感知識別技術(shù)[J]. 粘接，2025，52（1）：177-180.

[14] 楊曉炳，閆澤鵬，尹升華，等. 基于GA-SVM的鋼渣基膠凝材料開發(fā)及料漿配比優(yōu)化[J]. 工程科學(xué)學(xué)報，2022，44（11）：1897-1908.

[15] 方小娟. 在途危化品運輸車輛智能識別系統(tǒng)設(shè)計與數(shù)據(jù)提取[J]. 粘接，2024，51（7）：113-116. .

（責(zé)任編輯：張玉平）