BP神经网络下的红外测温图谱温度识别

国网湖南省电力有限公司常德供电公司 蔡 杰 刘 星 潘 炜 毋靖轩

红外测温技术广泛应用于电力设备巡检，通过对测温图谱分析能够有效发现电力设备异常状态，及时消除设备隐患对维护电力系统稳定具有重大意义。红外测温设备众多，数据庞大，目前依靠人工进行数据整理效率低下，且众多的红外数据无法进行整合，不便于进行大数据的综合分析处理。基于此，文章利用BP神经网络算法，对红外测温图谱的温度识别进行了研究，并通过实际图谱对该算法的正确性和有效性进行了验证。验证结果表明，利用BP神经网络算法不仅为实现红外测温数据自解析和图谱数据的自动诊断功能奠定基础，还可以进行大数据的积累，进一步提高变电站的智能化水平。

随着电网规模不断扩大，电力设备的正常运行保障工作越来越重要，其中电力设备的温度监控成为设备安全保障的关键部分。红外精准测温工作全程采用人工监控的方式不仅存在人力成本高、人为漏判或误判等问题，而且可能会出现数据丢失或者数据更新不及时的情况，这使得变电设备测温工作效率低下，数据可靠性和有效性方面令人难以满意。因此，为了解决人工识别分析图谱的低质量、低效率问题，红外图谱智能识别成为了一种新的发展方向。

基于红外图谱的设备故障识别，最重要的是图谱温度的识别。红外图谱的温度信息可作为判断变电设备电流制热型故障的直接依据，也是判断电压制热型故障的基本特征数据。本文研究一种BP神经网络算法，利用BP神经网络算法对图谱温度进行识别，提取红外图谱温度条上下限温度以及区域测温最大值温度等信息，为红外图谱温度识别算法奠定基础。

图1 BP神经网络的拓扑结构

1 BP神经网络

BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。正向传播时，输入样本从输入层传入，经各隐层逐层处理后，传向输出层。若输出层的实际输出与期望的输出不符，则转入误差的反向传播阶段。反向传播时，将输出以某种形式通过隐层向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差信号，此误差信号即作为修正各单元权值的依据。

BP神经网络包含三要素：网络拓扑结构、传递函数和学习算法。本文采用的拓扑结构如图1所示，传递函数采用阈值型变换函数，学习算法采用最小均方差规则。

2 BP神经网络对红外测温图谱温度识别

红外测温图谱温度识别系统如图2所示，由图像处理、特征提取和分类识别三个部分构成。图像处理部分主要是对图像进行灰度处理、图像分割和归一化处理；特征提取主要是提取图谱的特性向量；分类识别主要是进行BP网络训练并检验训练结果。

图2 识别流程图

2.1 图像处理

2.1.1 灰度转换和二值化通过以下灰度化公式将RGB图像转化为灰度：

其中上式的浮点算法将R（红色）、G（绿色）和B（蓝色）三色全部转化为Gray（灰色）。

图像的二值化是根据Gray大小对应转化为0～255中的灰度值。通过以上两步即可实现图像灰度化和灰度值的二值化。

2.1.2 图像分割

通常红外图谱包含以下数字信息：最大温度、温度条上限温度以及下限温度，如图3所示。进行红外图谱数字信息识别前，必须正确的选取特定的温度图像区域，即对原始图像指定区域进行裁剪，本文需要识别的图像区域为左右像素范围为[48，150]，上下像素范围为[8，42]，对此像素范围的图片进行裁剪，得到红外图谱实时温度图片如图4所示。

图4为图3所示图谱的实时温度信息，该裁剪的图谱含有干扰色素，实际情况下，干扰色素会随环境和拍摄角度等多方面因素影响，导致图像较为模糊，若直接对该图片进行识别，可能会产生较大的误差，造成温度识别失败。对图片进行增强，以弱化背景干扰，阈值法是常见的一种图像增强方法。根据实验测试，发现对于现有红外图谱集而言，将阈值设定为210是最为合理的，经过增强后的图像如图5所示。

图3 某变压器套管红外图谱

图4 红外图谱实时温度图片

图5 图像增强前后对比

最后对图像进行切割，逐个对其识别。图像切割过程其实就是对二值矩阵分片的过程，找到1到255和255到1的过渡点判断出切割点的位置。切割过程如图6所示。

图6 数字图像垂直分割过程

2.1.3 图像归一化

图像分割之后得到多个分割区域，不同分割区域宽度有所不同，将不同区域转化为二维灰度值矩阵会存在矩阵的维度不一致，这会给后续的计算带了很大的麻烦。解决维度不一致的方法就是对分割区域进行归一化处理。

取若干红外图像，截取其数字样本，对数字1～9以及小数点的图像分别截取两张进行归一化处理后，保存到固定目录。因红外图像中的数字都为规则印刷体，因此每个数字（小数点）不要大量的学习样本，本文对每个数字（小数点）取两张图片作为训练样本。

2.2 特征提取

分割的图像进行归一化处理之后，各个分割块转化成的灰度矩阵维度就得到了统一，这就为从灰度矩阵中提取图像特征提供保证。逐像素特征提取法是一种简单有效的特征提取方法，它对灰度矩阵中每个进行遍历，令黑色像素特征值为1，白色像素特征值为0。遍历完成后就得到了对应的特征向量矩阵了。

2.3 分类识别

BP算法实现步骤如图7所示，本文设计的BP网络为简单的三层网络。

图7 BP算法实现识别步骤

利用BP算法进行识别的第一步是网络参数的设定。初始偏置全部设置为零，学习效率设置为0.005，训练次数设置为10000次。

第二步是激活前向传播，并计算损失函数。损失函数的期望值为：

其中θ表示参数集合，yji和分别表示真实值和输出值，n表示数组的维度，m表示数据的组数。

第三步，计算误差项。根据损失误差，分别计算隐含层的误差项和输出层的误差项。损失函数关于隐含层的偏导数即为隐含层的误差项，损失函数关于输出层的偏导数即为输出层的误差项。

第四步，更新网络权值和偏置值。根据隐含层的误差项和输出层的误差项对BP神经网络中的权值和偏置项进行更新。

重复第二到第四的步骤，直到损失函数小于事先设定的控制阈值或者达到最初设定的迭代次数，此时输出端计算的参数就是BP网络下的最佳参数。

3 实验结果分析

通过建立BP神经网络，利用MATLAB进行仿真，仿真选用5000个训练样本，训练时间约为1.5min。仿真结果表明图像有效识别率高达99%。训练结束后，我们将50张检测图谱输入进行验证，部分验证结果如表1所示。

表1 红外测温图谱进仿真识别结果

根据表1所示的红外测温图谱仿真识别结果可知，利用BP神经网络算法对红外测温图谱温度的识别正确率极高。BP神经网络算法不仅为实现红外测温数据自解析和图谱数据的自动诊断功能奠定基础，还可以进行大数据的积累，进一步提高变电站的智能化水平。

结束语：本文利用BP神经网络算法，对红外测温图谱的温度识别进行了研究，并通过实际图谱对该算法的有效性和可靠性进行了验证。试验结果表明，利用BP神经网络算法对图谱的识别不仅速度快，而且正确率非常高。这为电网和电力设备以后的红外图谱故障诊断的自动化和智能化提供了一种新的发展思路，同时也开辟了一个广阔的研究领域。