基于超高压变电站智能巡检的多模态综合分析算法

［摘 要］随着智能化进程的推进，超高压变电站智能化巡检也迎来了新的发展需求。文章结合基于正样本图像判别和可见光与红外热成像异常温度检测算法，提出了一种基于多模态综合分析的专家系统算法。该算法与传统目标检测方法不同，其综合变电系统中的多模态信息，输出变电站的异常概率，通过信息论的方法对算法的输出量化来提高最终识别效果。试验结果表明，该算法在超高压变电站智能巡检中能够提高巡检自动化效果，为变电站安全运行提供了一种新的解决方案。

［关键词］超高压变电站；智能巡检；正样本图像判别；多模态综合分析

［中图分类号］TM76 ［文献标志码］A ［文章编号］2095–6487（2024）09–0173–03

在复杂多变的变电站环境智能巡检过程中，单一模态数据的应用难以全面发现潜在的故障隐患，多模态综合分析算法通过同时利用可见光图像、红外热成像、振动传感器等多种传感器获取的数据，已逐渐成为一种对变电站设备状态的全方位监测和评估的新型智能巡检方法。与传统的单一模态分析相比，多模态综合分析算法具有更高的信息丰富度和综合性，能够更全面、准确地捕捉变电站设备的异常情况。基于多模态综合分析的专家系统算法将正样本图像判别和可见光与红外热成像异常温度检测算法相结合，考虑了两种算法的输出结果进行异常识别，可提高巡检的自动化进程。

1 多模态数据分析与模型构建

1.1 图像判别算法

图像判别算法是通过神经网络训练一个判别模型来判断图像是否与正常图像相符。该算法学习了正常状态下的参考图像特征，并对失真图像是否仍包含这些显著特征进行了判断。图像判别算法的原理结构如图1 所示。

图像的判别属于正样本图像的有监督学习方式，常用的网络有支持向量机、神经网络、决策树等从大量正常状态下的图像样本中学习到正常状态的特征，然后网络利用这些特征对新输入的图像进行判断。在基于机器学习的判别算法中，网络模型可自动从大量的图像样本中学习到正常状态的特征，自行判断新图像是否与标签图像特征一致，整个图像判别过程无需人工干预。模型经过充分的训练和调优能达到较高的异常检测准确性，可应用于各种类型的图像数据，具有较强的通用性和适应性。

网络模型对于异常图像的判断不是绝对的正负，而是将输出结果转化为异常概率，异常概率趋向于1，说明该图像大概率是非正常的。将图像判别算法的输出结果转化为异常概率图像判别算法会输出每个图像属于正常状态和异常状态的概率或得分。接下来根据分类器的输出结果计算异常概率的置信度。这可通过将分类器输出的距离值或概率值转化为置信度的方式实现，通常使用Sigmoid 函数将概率值转化为0～1 的置信度值：

C=1/1+e-x（1）

式中，e为自然对数的底。

根据最大化准确率或最小化误差率的原则确定一个适当的阈值将置信度值映射为异常概率。根据设定的阈值，将置信度值转化为异常概率。如果置信度值超过了设定的阈值，则将其视为异常概率高，反之则为异常概率低。

1.2 可见光与红外热成像异常温度检测算法

可见光与红外热成像融合的异常温度检测算法利用可见光图像全局可见的特性和红外热成像图像准确识别的不同特性，结合图像处理和模式识别技术，实现对设备表面温度异常的检测。两种图像融合的异常温度检测算法如图2 所示。可见光图像反映设备的外观和表面特征，而红外热成像图像则反映设备表面的温度分布情况。

由于可见光与红外热成像是两种不同的成像技术，分别适用于不同的场景，但两种技术具有互补性，融合的异常温度检测算法适用于各种类型的设备和场景，对电力变电站、工业生产线等设备温度进行实时监测和异常预警，可及时发现设备表面的温度异常，预防设备过热和短路问题。

将可见光与红外热成像异常温度检测算法的输出结果转化为异常概率需要从红外热成像图像中提取设备表面的温度特征，统计每个像素点的温度值提取局部区域的温度特征反映设备表面的温度分布情况。利用提取的温度特征进行异常检测，训练模型学习到正常状态下的温度特征分布，然后利用学习到的模型对新的温度特征进行分类或异常检测。假设异常温度数据符合正态分布，可以使用正态分布的概率密度函数来计算异常概率：

式中，σ2为方差；μ为均值；f（x）为异常温度数据x的概率密度函数，异常温度数据的正态分布为N（μ，σ2）。

通常可以根据异常检测的置信度或分类器的得分来计算异常概率，异常检测的置信度或得分超过了设定的阈值则视为异常概率高。

1.3 多模态综合分析算法

多模态综合分析算法使用各种传感器获取可见光图像、红外热成像数据、振动数据等多模态数据。该算法包括对采集到的多模态数据样本进行预处理，然后使用神经网络从预处理后的数据中提取特征，使用LSTM 网络将不同模态特征向量进行融合，最后通过前馈神经网络得出对设备状态的综合评估。多模态综合分析算法结构如图3 所示。

2 试验与结果分析

在试验设计中，选择了超高压变电站模拟真实的工业环境，对其收集了可见光图像、红外热成像数据和振动数据作为多模态数据，并建立了一个数据集。模态数据采集情况见表1。

表1 每一行代表一个设备，每一列表示对应设备采集到的模态数据情况。“Yes”表示该设备采集到了对应模态的数据，“No”表示未采集到的信息。表2则展示了每个设备的状态以及是否存在异常情况，并标注了异常的类型。表2 中“正常”表示设备处于正常状态，“异常”表示设备存在异常情况。

表3 展示了不同算法在试验中的性能评估指标。准确率（Ac）是模型正确预测的样本数（包括真正类和真负类）占总样本数的比例，衡量了算法的预测准确性。精确率（Pr） 是模型预测正类（真正类）样本中实际为正类的比例，衡量模型预测正类的准确性。召回率（Re） 是模型正确识别正类样本占所有实际正类样本的比例，衡量了算法对异常样本的识别能力。F1 分数（F1）是精确率和召回率的调和平均值，用于综合考虑精确率和召回率，当精确率和召回率都很高时，F1 分数也会很高。

式（3）～式（6）中，TP为真正例，TN为真负例，FP为假正例，FN为假负例。

从表3 中可以看出，多模态综合分析算法在准确率、召回率和F1 值上均表现最好，接近于1，而图像判别算法和异常温度检测算法的性能稍差，故多模态综合分析算法具有更好地异常检测能力和泛化性能，对异常情况的识别更为准确和全面。

3 结束语

基于超高压变电站智能巡检提出的多模态综合分析算法，高效整合了可见光图像、红外热成像数据和振动数据，实现对设备状态的全面评估和异常检测。通过对算法原理和试验结果的分析，验证了多模态综合分析算法在实际应用中的有效性和优越性。

参考文献

[1] 李鹏，毕建刚，于浩，等. 变电设备智能传感与状态感知技术及应用[J]. 高电压技术，2020，46（9）：3097-3113.

[2] 唐文虎，牛哲文，赵柏宁，等. 数据驱动的人工智能技术在电力设备状态分析中的研究与应用[J]. 高电压技术，2020，46（9）：2985-2999.

[3] 仝卫国，苑津莎，李宝树. 图像处理技术在直升机巡检输电线路中的应用综述[J]. 电网技术，2010，34（12）：204-208.