基于支持向量机的小型变电站智能火灾识别方法

刘杨

摘要：针对小型变电站火灾识别不及时、智能化程度不高的问题，提出一种基于支持向量机的小型变电站智能火灾识别方法。结合小型变电站当前的消防现状，构建智能火灾识别系统框架，通过视频监控以及传感器采集小型变电站现场实时数据，并基于电力物联网进行数据传输以及图像特征分析，利用支持向量机进行分类以对火焰的综合特征进行判断。经过实验分析，小型变电站智能火灾识别系统识别率显著提高，对火焰图像的判别准确，能够有效识别小型变电站火灾风险。

关键词：火灾识别；小型变电站；火焰特征；小波分解；支持向量机

中图分类号：TP391          文献标识码：A          文章编号：1672-4437（2024）02-0059-04

随着城乡电力需求的不断增长，小型变电站的分布愈加广泛，数量也在不断增多。多数小型变电站无人值守，无法及时发现火灾详情[1]。近几年，互联网技术以及数据分析技术的飞速进步为小型变电站的火灾智能监控提供了新的可能。通常火灾监控系统依赖于烟雾探测器以及温度传感器等硬件设备。单一采取传感器进行火灾监控可以在一定程度上发现火灾并进行预警，但在实践中这种监控方式却存在诸多缺陷[2-3]，传感器在复杂小型变电站环境中会出现较高的误报率[4]，传感器监控可能无法在火灾初期及时发出警报。

鉴于此，本研究提出基于数据分析及处理的火灾识别方法。结合支持向量机对小型变电站实时监控图像进行分类分析，通过对火焰的综合特征进行判断，对小型变电站内部环境是否产生火灾进行甄别。通过基于支持向量机的小型变电站智能火灾识别，提高小型变电站火灾监控的及时性和精确度。

1 小型变电站智能火灾识别框架

1.1 小型变电站常见消防安全问题

小型变电站通常为110kV以下的变电站，是保证城乡居民生产生活的重要基石[5]。小型变电站在我国分布广泛、数量较多，多数变电站处于无人值守的状态，存在一定的消防安全隐患。主要的消防安全问题表现为设备老化、绝缘材料老化、设备故障、过载和短路、外界影响等因素导致的电气故障继而引发火灾[6]；自动灭火系统的设计缺陷、维护不足可能导致火灾发生时系统无法及时有效地灭火[7]。常见的消防安全问题见表1。

电力物联网的不断发展，为小型变电站的火灾识别提供了新的可能。运用变电站内部的视频检测以及传感器装置，可以更加准确全面地收集小型变电站环境数据。利用数据预处理以及向网络层的数据传输，对小型变电站内部数据进行实时分析，以保证火灾的实时监控和及时预防。基于此，提出结合支持向量机的小型变电站智能火灾识别方法。

1.2 智能火灾识别框架构建

小型变电站的智能火灾识别系统基于电力物联网构建[8]，结合支持向量对火灾数据进行分类、分析，利用数据特征进行非火灾以及火灾的模式判断。同时，设置相应的数据报警系统，在预测可能出现火灾时能够进行相应的预警提醒，保证小型变电站安全可靠运行。基于支持向量机的小型变电站智能火灾识别系统的整体框架如图1所示。

图1中，采集层对小型变电站内部关键数据进行实时采集，如烟雾程度、湿度、温度以及内部图像等[9]；传输层基于电力互联网构建，通常通过无线网络进行数据传输；云平台数据处理将小型变电站采集的数据进行实时分析，进行火灾预测判断并决定是否预警；小型变电站智能火灾监控平台通过云平台数据反馈小型变电站的实时情况，同时设定对应的强提醒策略，以确保工作人员能够及时发现火灾险情，积极采取应对措施。通过对小型变电站的监控图像进行实时特征分析，并结合支持向量机进行是否产生火灾的判别，构建智能火灾识别系统。

2 基于支持向量机的火灾识别设计

2.1 支持向量机概述

支持向量机（SVM）本质上是一种二分类线性分类器[10]，依据特征空间的最大边距进行线性分类，因此支持向量机广泛适用于文本识别、图像识别等模式识别方面。支持向量机区别于感知机，可以通过核函数进行实质的非线性分类。支持向量机的基本原理如图2所示。

图2中，设数据样本的训练集为 ，其中

与 均在-1至1的范围内。通过支持向量机进行线性分类，需要依据训练集M进行样本数据的分析，得到对应的超平面，对不同的样本训练数据进行划分。对于给定的样本数据空间，进行超平面划分可依据公式（1）。

（1）

公式（1）中，法向量用H表示，超平面方向由法向量决定，d表示对应的位移，也即原点与超平面之间的距离。对于训练数据 而言，其对应的最大边距可以描述为公式（2）。

（2）

公式（2）中， 情况下，将数据样本称作正样本； 情况下，将数据样本称作负样本。不同类型样本支持向量作差，并在对应的法向量方向进行投影，得到二者之间边距，如公式（3）。

（3）

由此结合支持向量机进行边距的最大化处理，将其表示为公式（4）。

（4）

2.2 变电站图像预处理

小型变电站的监控图像预处理是图像特征分析的先行步骤，其预处理的效果直接影响图像特征分析的准确性、可靠性。本研究采用小波分解以及非线性增强进行数据图像的预处理。对于一个二维图像而言，将其进行离散小波变换之后可以表述为公式（5）。

（5）

公式（5）中，m在1至3的范围内，n在1至N的范围内， 表示对 进行多级小波分解，m表示方位，n表示尺度。进行多级小波分解时，其对应的系数表示为 ， 表示二维图像对应的低频信息， 包含噪声以及高频信息。由此对应的低通子带表示为 ，对应的高通子带表示为 。离散小波变换之后，需要进行进一步的去噪以及图像增强处理，以保证图像特征分析的准确性以及图像细节的全面体现。

2.3 火焰特征分析

基于支持向量机的小型变电站智能火灾识别系统需要对火焰特征进行具体分析，以明确火灾情况，便于进行针对性处理。火焰特征通常表现为动态特征、静态特征。静态特征包括纹理、颜色、形状等，其中颜色是一项较为突出、重要的火焰特征，可以明确反映火焰特性。

对于火焰颜色静态特征，可以通过火焰亮度、RGB颜色亮度进行区别。在实际小型变电站环境中，通常火焰颜色与实际环境颜色会有明显区别，且亮度显著高于环境亮度。本研究将火焰亮度表示为 ，对应的RGB颜色特性分别表示为 ， ， 。

火焰动态特征可以通过火焰中心变化、火焰面积变化、火焰的燃烧频率进行评价，以明确火焰在空间、时间两个维度的变化情况。在得到火焰的静态特性、动态特性之后，需要将二者进行融合，以进行更为直观的火焰特征分析。火焰特征的融合通过时空数据的协方差实现。对于指定的图像Q，其对应的图像特征可以表示为公式（6）。

（6）

公式（6）中， 表示火焰的静态特性以及动态特性的总和数据。对于图像Q中的一部分Z而言，其对应的维度特征向量可以表示为 ，那么对应部分图像Z协方差图像特征可以通过公式（7）描述。

（7）

公式（7）中，协方差用 表示，对应的特征均值用 表示。由此建立基于支持向量机的小型变电站火灾图像分析模型，具体的火灾图像特征分析流程如图3所示。

图3中，针对火灾图像的特征分析，主要结合研究采用的火焰动态特性、静态特性进行辨别。同时依据支持向量机进行图像特征分类，判断小型变电站存在火灾与否。

3 实验结果分析

3.1 实验设计

实验采用Windows系统，模拟仿真通过Matlab实现，利用摄像机采集小型变电站监控图像，构成测试数据集。测试数据集中，包含火焰图像200张，正常环境图像100张。实验分别从火焰图像的识别结果、火焰图像特征的识别率两个方面进行验证，比较基于支持向量机的小型变电站智能火灾识别系统的优越性。

3.2 火焰图像识别结果

从300张实验图像中随机抽取10张图像进行火焰图像识别，其中包含火焰图像7张，正常环境图像3张。抽取图像并按照1，2，…，10的顺序进行编号。其亮度特征的识别结果如图4所示。

图4中，亮度特性在0.923至0.994的范围内，10组图像亮度检测结果分布不同。这也说明亮度检测能够明显区分不同图像的亮度特征。随机抽取火焰图像的RGB颜色特性监测结果如图5所示。

通过对图像静态特性进行识别，并结合图像的动态特性，得出最终的图像检测结果，见表2。

表2中，火焰图像结果定义为1，正常环境图像结果定义为0。基于支持向量机的小型变电站智能火灾识别系统随机抽取的10张图像可以正确检测图像中是否存在火焰，且均与实际结果相符。同时结合图4与图5，可以看出单一的火焰亮度特性或者RGB颜色特性无法准确反映图像中是否存在火焰，体现出将火焰的静态特性与动态特性进行综合判断的必要性。

3.3 火焰图像特征识别率

为进一步比较火焰单一特征、综合特征识别的准确性，设置对比实验。实验设置分别通过静态特征、动态特征、综合特征进行火焰识别结果判断，图像数量判断由50张不断递增，图像均为随机抽取。识别对比结果见表3。

表3显示，火焰图像特征的识别率对比实验中，单一从火焰的静态特征或者动态特征判断，火焰图像的识别率均不超过50%。随图像检测数量的增加，火焰识别率也在逐渐降低。采用融合特征进行火焰识别，图像数量100张以内，识别率均为100%。图像检测数量增加，火焰图像识别率依旧能保持在较高水平。

4 结语

通过对小型变电站内部图像进行实时监控，并结合支持向量机对视频图像进行分析，以识别火灾。实验对比显示，小型变电站火灾识别系统通过对火焰的综合特征进行检测，火焰图像的识别率提升效果明显。相比单一的特征检测，综合特征检测的准确度更高。系统充分考虑小型变电站的实际场景需求，具有较强的适用性。

参考文献：

[1]徐厚友，胡晨炜，郭昆，等.基于传感器技术和水封效应协同的VOCs废气处理系统火灾监测及阻隔装置设计[J].工业安全与环保，2024，50（2）：64-67.

[2]杨武，余华云，赵昕宇，等.重参数化YOLOv5s的森林火灾检测算法[J].无线电工程，2024，54（2）：284-293.

[3]张君杰.基于光纤温度传感的高速公路隧道机电设备监测[J].交通科技，2024（1）：92-95.

[4]范伟强，李晓宇，刘毅，等.基于可见光视觉特征融合的矿井外因火灾监测方法[J].矿业科学学报，2023，8（4）：529-537.

[5]费正龙.基于ZigBee的室内火灾监测报警系统[J].物联网技术，2023，13（11）：35-36，39.

[6]甘绪桐，陈宝瑞，熊剑敏，等.基于LoRa无线通信技术的电气火灾监测方法研究[J].现代传输，2023（6）：42-45.

[7]侯晓云，王书堂.基于NB-IoT的火灾监测与预警系统设计[J].集成电路应用，2023，40（9）：383-385.

[8]杨春迪，陆娟，储增帮，等.基于STM32F103RBT6单片机的新型森林火灾监测报警装置研究[J].科技创新与生产力，2023，44（8）：124-126，130.

[9]孙厚军.高速公路隧道火灾监测中光纤光栅测温及红外火焰探测器的实践探究[J].城市情报，2023（21）：203-205.

[10]牛卫东.火灾监测预警在铁路牵引供电系统的应用[J].设备管理与维修，2023（22）：145-147.