基于红外图像的电力设备故障识别技术研究

摘 要：目前电力设备故障尚未应用温度变化率进行变压器故障诊断，因此本文提出利用基于模糊温差法的隶属函数方法对红外图像进行预处理，并利用YOLOv7模型对红外图像进行处理，以提升红外图像的辨识度。试验结果表明，YOLOv7算法的红外图像处理模型的节点数量仅为121个，比YOLOv3和YOLOv4分别降低80.9%、81.03%。并且YOLOv7算法在图像处理时间方面具有较好的性能，检测时间仅为10 s，比YOLOv3和YOLOv4的检测时间分别降低50%和30%。

关键词：红外图像；YOLOv7模型；电力设备；故障识别；图像处理

中图分类号：TM 76" " 文献标志码：A

在长时间的运作中，电力设备会受环境和人为等多种原因的影响，出现不同类型的故障，不仅威胁电力系统的安全和稳定性，还可能导致停机，严重影响生活、生产[1]。因此，智能电网离不开电力设备故障检测和分析。其中变压器是电网体系中的重要设备，如果变压器发生故障，就会对供电可靠性和系统安全稳定运行造成严重威胁，因此运用红外技术进行故障分析和处理具有重要意义[2]。在长期运行中，变压器会发生损耗，这些损耗会作用于其绕组、铁芯和金属结构等部位，进而转化为热量[3]。一般情况下，变压器通过散热系统维持热量动态平衡，如果某一部位发生故障，导致热量产生和散热不平衡，该部位温度就会升高，此为过热现象[4]。但是目前电力设备故障尚未应用温度变化率进行变压器故障诊断，因此本文提出利用基于模糊温差法的隶属函数方法对红外图像进行预处理，并利用YOLOv7模型对红外图像进行处理，以提升红外图像的辨识度。

1 基于红外图像的电力设备故障识别模型

1.1 变压器红外图像预处理

在使用红外热像技术对变压器物体表面温度进行成像过程中会受多种因素影响，包括环境条件、设备质量以及人为因素等。其中噪声对红外图像识别影响较大。噪声的存在会显著降低图像质量，包括对比度下降、边缘模糊和分辨率降低等[5-7]。由于现有变压器红外缺陷的照片均为单一时间拍摄，不是在连续时间内进行连拍，因此无法利用温度变化率进行变压器故障诊断，因此本文提出利用基于模糊温差法的隶属函数方法对红外图像进行预处理[8]。

对变压器设备正常工作时的温度T2和环境温度T0进行测量，得到参数T0与T2后，再将红外图像识别故障设备的实际温度T1代入公式（1）进行计算[9]。

（1）

根据公式（1）可得当前点的温度差值σ%，进而计算变压器检测部位一般故障的σ%值和发生严重故障的σ%值，便可进行变压器监测部位的故障诊断。变压器检测部位的模糊温差法隶属函数如图1所示。本文使用的参数E1=0.13，E2=0.33，E3=0.68，E4=0.92。

变压器的率属函数u的各段诊断如下所示。1） 当σ%值＜E1时，可得出诊断，即变压器检测部位处于正常运行状态。2） 当σ%值位于E1、E2之间时，变压器有可能处于正常运行状态，也有可能处于一般故障，系统发出预警信息，无须停机检查。3） 当σ%值位于E2、E3之间时，变压器处于一般故障状态，系统发出预警信息，但是考虑经济效益，避免大面积停电造成影响，也无须停机检查。4） 当σ%值位于E3、E4之间时，有可能是一般故障，也有可能是严重故障，系统发出报警信息。5） 当σ%值＞E4时，变压器处于严重故障状态，系统发出报警信息，应迅速停电，安排维修人员检修。

1.2 基于红外图像的设备温度识别

进行图像预处理后，需要进一步对红外图像进行分割处理。其中YOLOv7算法在YOLOv5基础上进行了优化，是一款十分优秀的图像处理技术。YOLOv7模型在网络结构中引入ELAN模块，有效强化了网络学习能力，在检测准确度和图像处理速度方面比YOLOv5有明显优势。在YOLOv7模型中的卷积层和池化层相互叠加的过程中，往往会在YOLOv7网络模型的末尾处添加适量的全连接层。卷积层和池化层的主要作用是将原始的图像数据映射到隐层特征空间，并逐步提取并组合出更具区分性的节点特征。全连接层则是将YOLOv7中所有的特性，经过节点的映射转化为一个样本标注的空间。全连接层的实质就是将一个属性空间与另外一个属性空间进行转换，并对预处理后的红外图像属性进行权重计算，计算方法如公式（2）所示。

Y=F（WX+b） （2）

式中：X和Y分别为YOLOv7模型全连接层的输入和输出特征信息；W为全连接层的权重参数；b为偏置向量；F（）为激活函数。

激活函数可以增加模型的非线性表达能力，从而使YOLOv7模型更灵活、更具有适应性。全连接层的作用是利用线性变换和激活函数对前序卷积层和池化层学习到的红外图像特征进行深入挖掘和处理，最终从高维特征中学习到分类、回归等任务所需要的特征表达，从而实现YOLOv7模型的目标检测。

在YOLOv7模型中，通常使用损失函数来估计算法模型预测值与实际值间的差异。损失函数IOU是评估算法收敛效率的重要指标，其计算过程如公式（3）所示。

（3）

式中：A和B分别为红外图像预测框和真实框的面积。

但是IOU损失函数的缺陷相对明显，它只测量重叠度，没有考虑重叠方法、变压器环境等因素。并且IOU损失函数计算密集，因此存在算法退化和收敛速度慢的问题。为了提高检测精度，本文引入DIOU损失函数，考虑红外图像目标框与预测框间的距离、重叠率和比例。YOLOv7采用DIOU损失函数RDIOU，其计算过程分别如公式（4）～公式（6）所示。

（4）

（5）

（6）

式中：b、bgt分别为红外图像目标帧和预测帧的中心点；w、wgt分别为目标帧和预测帧的宽度分别用；h、hgt分别为目标帧和预测帧的高度；p为预测框中心点与实际框间的欧式距离；c为包括最小包围区域的对角线距离，包括预测框和真实帧；v为红外图像长宽比的一致性；α为加权参数。

为提高红外图像分割的准确性和稳定性，应利用YOLOv7模型将红外图像转化为灰度图像，不仅可以减少计算量，还能保留图像的主要信息。并对灰度图像进行去噪和增强，以提高图像质量，使目标区域更明显且易于分割。最后对处理后的图像进行分割，以更准确地提取目标区域，从而达到红外热成像系统中变压器红外故障诊断的目的。红外图像分割操作步骤如图2所示。

2 结果与讨论

2.1 试验环境配置

基于YOLOv7模型的红外图像故障检测试验在从智星云AI云平台租用的云服务器上进行，该云服务器环境配置见表1。

由于YOLOv7模型的复杂度较高、计算量巨大、训练时间过长且模型实用性降低，因此应用CUDA11.1、CUDNN8为YOLOv7模型计算机的GPU进行加速，以提高YOLOv7算法模型的计算效率。使用GPU进行并行化计算，进一步提高红外图像识别故障的计算速度，缩短训练时间。Pytorch是目前深度学习领域中最流行的框架之一，其设计简单，封装的工具包较少，因此基于Pytorch开发的源码简单易懂。基于此，本文采用PyTorch框架进行红外图像故障检测试验，并采用张量操作使Pytorch可以由GPU进行运算加速，从而进一步提升红外图像识别故障速度并保证运行效率。设定Pytorch利用动态神经网络进行自动求导，可以进一步减少YOLOv7算法模型的红外故障检测时间。将YOLOv7模型的批量大小设定为64，训练批量大小设定为300。

2.2 检测时间和计算内存比较

为进一步验证YOLOv7算法模型在红外图像识别故障中的效果，将YOLOv7算法模型与其他模型（YOLOv3、YOLOv4和YOLOv5）的图像处理时间和计算内存进行比较，比较结果见表2。由表2可知，YOLOv3和YOLOv4节点数量高达608和638个，模型节点数量越多，红外图像识别故障时间越长，受实际变压器故障检测环境影响，较多的节点数量会进一步降低检测准确率。YOLOv7算法的检测模型的节点数量仅为121个，比YOLOv3、YOLOv4分别降低80.9%、81.03%。YOLOv3和YOLOv4计算内存分别为227.88 MB和238.62 MB，YOLOv7算法的计算内存分别比YOLOv3和YOLOv4减少80%和81%。并且YOLOv7算法在图像处理时间方面也具有良好性能，图像处理时间仅为10 s，与YOLOv3和YOLOv4算法的检测时间相比，YOLOv7的图像处理时间分别降低50%和30%。YOLOv5的图像处理时间最长，比YOLOv7增加了120%，进一步表明YOLOv7算法模型具有较高的红外图像识别故障效率。考虑变压器故障检测对设备能耗和计算能力的限制，YOLOv7算法具有计算内存较低且较短图像处理时间，能够满足变压器故障的实际检测需求。

2.3 故障检测效果分析

为更直观地体现故障检测效果，本节利用红外图像对变压器进行故障检测，并将YOLOv3、YOLOv4、YOLOv5与YOLOv7模型进行比较，试验结果如图3所示。在变压器设备高温故障情况下，YOLOv3模型对设备高温的识别率较低，从而增加了漏判的可能性，并且YOLOv3模型的识别图像效果较差，无法有效识别到设备高温故障位置。虽然YOLOv4模型具备检测故障的能力，但是容易将红外图像中的白色亮点误解为设备高温故障，进一步导致故障识别准确率降低。YOLOv5只能勉强识别设备高温故障。而YOLOv7在实际设备高温故障检测表现出较强的适应性，不仅可以有效识别高温区域，图像识别效果也较好，图像分辨率远高于YOLOv3、YOLOv4和YOLOv5模型，进一步表明经YOLOv7模型优化处理后的红外图像具有较好的检测性能。

3 结论

经YOLOv7算法模型处理后的红外图像具有较高的检测效率，并且考虑设备故障检测对设备能耗和计算能力的限制，YOLOv7算法计算内存较低且图像处理时间较短，能够满足变压器设备故障的实际检测需求。YOLOv7在实际高温检测中表现出较强的适应性，不仅可以有效识别变压器高温故障区域，图像识别效果也较好，图像分辨率远高于YOLOv3、YOLOv4和YOLOv5模型。

参考文献

[1]赵梦.基于红外图像的电力设备故障分析研究[D].西安：西安理工大学，2020.

[2]陈同凡.基于深度学习的变电设备红外诊断技术研究[D].北京：华北电力大学，2021.

[3]恒源.基于红外图像处理的变电站设备故障诊断方法研究[D].长春：长春工业大学，2019.

[4]袁翰儒.基于红外图像的电力设备故障识别技术研究[D].哈尔滨：哈尔滨工程大学，2021.

[5]陈正宇，崔婷，安昌萍.基于ATPEMTP仿真的变压器内部故障分析[J].重庆：重庆电力高等专科学校学报，2021.

[6]刘钊.基于红外热成像的变压器故障在线监测系统[D].淮南：安徽理工大学，2017.

[7]黄勇.电力变压器故障的红外诊断技术应用研究[D].重庆：重庆大学，2001.

[8]李文芳.基于红外图像的电力变压器故障的在线检测[D].淮南：安徽理工大学，2014.

[9]刘惠.多场景下结构化车道线检测方法研究[D].上海：上海工程技术大学，2017.