基于深度學(xué)習(xí)算法的變電站設(shè)備超溫告警方法

摘 要：針對(duì)變電站設(shè)備因超溫引發(fā)的安全隱患，現(xiàn)有方法無(wú)法實(shí)現(xiàn)對(duì)其準(zhǔn)確告警的問(wèn)題，首先，本文開(kāi)展基于深度學(xué)習(xí)算法的超溫告警方法研究。通過(guò)超分辨率圖像分解技術(shù)，提高變電站設(shè)備監(jiān)控圖像的清晰度和細(xì)節(jié)信息，為超溫診斷提供高質(zhì)量數(shù)據(jù)源。其次，運(yùn)用深度學(xué)習(xí)算法對(duì)處理后的圖像進(jìn)行超溫特征提取和診斷，實(shí)現(xiàn)設(shè)備溫度的精準(zhǔn)識(shí)別和異常檢測(cè)。最后，結(jié)合紅外告警機(jī)制，實(shí)時(shí)將超溫預(yù)警信息推送至運(yùn)維中心，保障變電站設(shè)備安全運(yùn)行。通過(guò)對(duì)比試驗(yàn)證明，該方法能顯著提高超溫檢測(cè)的準(zhǔn)確率，有效預(yù)防設(shè)備過(guò)熱故障，保障電網(wǎng)穩(wěn)定運(yùn)行。

關(guān)鍵詞：深度學(xué)習(xí)算法；設(shè)備；告警；超溫；變電站

中圖分類(lèi)號(hào)：TP 391" " 文獻(xiàn)標(biāo)志碼：A

變電站作為電力傳輸與分配的關(guān)鍵節(jié)點(diǎn)，其運(yùn)行安全性與穩(wěn)定性至關(guān)重要。變電站設(shè)備在運(yùn)行過(guò)程中，由于電流通過(guò)導(dǎo)體產(chǎn)生的焦耳熱、環(huán)境溫度變化以及設(shè)備老化等因素，可能引發(fā)設(shè)備超溫，進(jìn)而導(dǎo)致設(shè)備故障乃至電力系統(tǒng)事故。肖應(yīng)紅等[1]提出基于熱成像技術(shù)的山區(qū)高速公路隧道車(chē)輛超溫檢測(cè)及預(yù)警系統(tǒng)，通過(guò)熱成像相機(jī)捕捉車(chē)輛表面溫度，結(jié)合圖像處理算法實(shí)現(xiàn)超溫識(shí)別和預(yù)警。然而，該方法主要聚焦于車(chē)輛超溫檢測(cè)，對(duì)變電站復(fù)雜環(huán)境下多類(lèi)型、高密度設(shè)備的超溫監(jiān)測(cè)存在監(jiān)測(cè)精度受環(huán)境因素影響大、設(shè)備識(shí)別與定位精度不足等局限。駱會(huì)詳[2]聚焦于110kV變電站設(shè)備，利用小波域模型對(duì)紅外圖像進(jìn)行處理，實(shí)現(xiàn)了設(shè)備超溫的紅外預(yù)警。該方法通過(guò)特征提取和模式識(shí)別，提高了超溫檢測(cè)的準(zhǔn)確性，但在實(shí)際應(yīng)用中，仍存在對(duì)復(fù)雜設(shè)備結(jié)構(gòu)適應(yīng)性差、算法復(fù)雜度較高導(dǎo)致實(shí)時(shí)性不足等問(wèn)題?；谏鲜霾蛔?，本文提出一種基于深度學(xué)習(xí)算法的變電站設(shè)備超溫告警方法。

1 變電站設(shè)備超分辨率圖像分解

變電站設(shè)備超溫告警中，高分辨率（HR）圖像的獲取對(duì)精確監(jiān)測(cè)設(shè)備溫度至關(guān)重要。然而，實(shí)際環(huán)境中往往只能獲取低分辨率（LR）圖像。本文探討了一種利用隱馬爾可夫樹(shù)（HMT）模型來(lái)分析LR圖像生成過(guò)程的復(fù)雜性，并通過(guò)該模型實(shí)現(xiàn)變電站設(shè)備圖像的超分辨率重建[3]。假設(shè)存在一系列由高分辨率（HR）圖像降質(zhì)得到的低分辨率（LR）圖像，每幅LR圖像bc（其中，c為圖像序號(hào)，c=1，2，…，d；d為圖像總數(shù)）與HR圖像e之間的關(guān)系如公式（1）所示。

bc=Je+nc （1）

式中：J為觀測(cè)矩陣，描述了從HR圖像到LR圖像的降質(zhì)過(guò)程；nc為加性噪聲，通常假設(shè)為零均值高斯白噪聲。

由于直接求逆觀測(cè)矩陣J往往是不穩(wěn)定的，特別是在存在噪聲的情況下，因此需要采用正則化方法來(lái)穩(wěn)定求解過(guò)程[4]。在貝葉斯框架下，可以利用HR圖像的先驗(yàn)知識(shí)，通過(guò)最大化后驗(yàn)概率MAP來(lái)估計(jì)HR圖像e。這等價(jià)于最小化正則化成本函數(shù)，如公式（2）所示。

（2）

式中：||Je-b||2 2為數(shù)據(jù)保真項(xiàng)，確保重建的HR圖像與觀測(cè)到的LR圖像數(shù)據(jù)盡可能一致；λ?（e）為正則化項(xiàng)；λ為正則化參數(shù)，用于平衡數(shù)據(jù)保真項(xiàng)和正則化項(xiàng)的重要性；?（e）為正則化函數(shù)，體現(xiàn)了對(duì)HR圖像e的先驗(yàn)約束。

通過(guò)上述方法，結(jié)合觀測(cè)模型和正則化技術(shù)，從一系列LR圖像中重建HR圖像，提高圖像的分辨率和質(zhì)量，為后續(xù)變電站設(shè)備超溫診斷提供有力支持。

2 基于深度學(xué)習(xí)算法的變電站設(shè)備超溫診斷

為了高效、準(zhǔn)確地識(shí)別設(shè)備超溫狀態(tài)，引入深度學(xué)習(xí)算法，特別是針對(duì)目標(biāo)檢測(cè)優(yōu)化的YOLOv4模型，進(jìn)行變電站設(shè)備的超溫診斷[5]。YOLOv4模型通過(guò)其獨(dú)特的網(wǎng)絡(luò)架構(gòu)，將變電站設(shè)備的圖像劃分為多個(gè)S×S的網(wǎng)格，每個(gè)網(wǎng)格負(fù)責(zé)檢測(cè)可能落入其內(nèi)的超溫區(qū)域。每個(gè)網(wǎng)格生成B個(gè)候選框，并經(jīng)過(guò)網(wǎng)絡(luò)預(yù)測(cè)得到精確的邊界框坐標(biāo)及置信度，最終實(shí)現(xiàn)對(duì)超溫區(qū)域的快速定位與識(shí)別。YOLOv4采用了CSPDarknet53作為主干網(wǎng)絡(luò)，通過(guò)跨階段局部網(wǎng)絡(luò)（CSPNet）的設(shè)計(jì)，有效促進(jìn)了底層信息的融合，顯著提高了特征提取的深度和廣度，這對(duì)捕捉變電站設(shè)備細(xì)微的超溫變化至關(guān)重要[6]。為了更好地適應(yīng)不同尺寸的超溫區(qū)域，YOLOv4引入了空間金字塔池化（SPP）和路徑聚合網(wǎng)絡(luò)（PANet）。SPP通過(guò)不同尺度的最大池化操作（例如1×1、5×5、9×9、13×13），豐富了特征層次；PANet在FPN基礎(chǔ)上增加自頂向下融合，強(qiáng)化多尺度特征融合，提高多尺度目標(biāo)檢測(cè)性能。YOLOv4采用了完全交并比（CIOU）作為回歸框預(yù)測(cè)誤差的度量標(biāo)準(zhǔn)，CIOU可以看作是IOU加上幾個(gè)懲罰項(xiàng)，如公式（3）所示。

（3）

式中：IOU為交并比，即預(yù)測(cè)框和真實(shí)框交集面積與并集面積的比值；ρ2（b，bgt）為預(yù)測(cè)框b與真實(shí)框bgt 中心點(diǎn)之間的歐氏距離的平方；c為預(yù)測(cè)框與真實(shí)框最小外接矩形的對(duì)角線長(zhǎng)度；α為權(quán)重系數(shù)，用于平衡比例不一致的懲罰項(xiàng)；v為衡量長(zhǎng)寬比一致性的一個(gè)度量。

整體的損失函數(shù)如公式（4）所示。

Lt=LC+Lc+Ls （4）

式中：Lt為整體損失函數(shù)；LC為CIOU誤差；Lc為置信度誤差；Ls為分類(lèi)誤差。

在YOLO目標(biāo)檢測(cè)算法中，置信度是一個(gè)綜合指標(biāo)，它不僅反映了模型對(duì)預(yù)測(cè)框內(nèi)是否存在目標(biāo)物體的確信程度，還結(jié)合了預(yù)測(cè)框與真實(shí)目標(biāo)框之間的位置準(zhǔn)確性。針對(duì)每個(gè)預(yù)測(cè)框，其置信度誤差如公式（5）所示。

（5）

式中：S為網(wǎng)格大小；B為每個(gè)網(wǎng)格生成的候選框數(shù)量；1ijobj為指示器，當(dāng)?shù)趇個(gè)網(wǎng)格的第j個(gè)候選框負(fù)責(zé)預(yù)測(cè)某個(gè)真實(shí)框時(shí)，其值為1，否則為0；Cij為模型預(yù)測(cè)的置信度；為真實(shí)的置信度。

分類(lèi)誤差也通常使用交叉熵?fù)p失來(lái)計(jì)算，針對(duì)每個(gè)預(yù)測(cè)框，其分類(lèi)誤差如公式（6）所示。

（6）

式中：pcij為模型預(yù)測(cè)的第個(gè)網(wǎng)格的第 j個(gè)候選框?qū)儆陬?lèi)別c的概率；為真實(shí)的類(lèi)別概率（如果候選框負(fù)責(zé)預(yù)測(cè)某個(gè)真實(shí)框，那么針對(duì)該真實(shí)框的類(lèi)別，其值為1，否則為0）；classes為所有可能的目標(biāo)類(lèi)別集合。

基于YOLOv4的深度學(xué)習(xí)算法在變電站設(shè)備超溫診斷中具有顯著的優(yōu)勢(shì)，其高效的檢測(cè)速度和精準(zhǔn)的定位能力為變電站的安全運(yùn)行提供了有力保障[7]。通過(guò)不斷優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)和損失函數(shù)，可以進(jìn)一步提高模型的性能，實(shí)現(xiàn)對(duì)變電站設(shè)備超溫現(xiàn)象的早期預(yù)警和及時(shí)處理。

3 設(shè)備超溫紅外告警

在完成對(duì)基于深度學(xué)習(xí)算法的變電站設(shè)備超溫診斷設(shè)計(jì)后，將經(jīng)過(guò)分解處理后的變電站設(shè)備超分辨率圖像輸入基于深度學(xué)習(xí)的超溫檢測(cè)模型中[8]。模型對(duì)圖像進(jìn)行特征提取、候選框生成、邊界框預(yù)測(cè)、置信度評(píng)估和分類(lèi)等操作，最終識(shí)別圖像中的超溫區(qū)域。設(shè)定超溫閾值，根據(jù)模型預(yù)測(cè)的溫度值或溫度異常區(qū)域（與正常溫度范圍的偏差）判斷是否觸發(fā)告警。溫度閾值設(shè)定如公式（7）所示。

Tth=Tn+ΔT （7）

式中：Tth為超溫閾值；Tn為設(shè)備的正常運(yùn)行溫度；ΔT為根據(jù)安全標(biāo)準(zhǔn)和設(shè)備特性設(shè)定的溫度偏差值。

以變電站中的變壓器設(shè)備為例，其正常運(yùn)行溫度范圍為50℃～80℃，設(shè)定一級(jí)閾值為85℃（輕微超溫）、二級(jí)閾值為95℃（中度超溫）、三級(jí)閾值為105℃（嚴(yán)重超溫）。當(dāng)模型預(yù)測(cè)的溫度值或溫度異常區(qū)域（與正常溫度范圍的最大值80℃相比）的偏差超過(guò)5℃時(shí)，觸發(fā)一級(jí)告警，這表示設(shè)備可能開(kāi)始接近其溫度極限，但尚未達(dá)到緊急狀態(tài)。當(dāng)溫度進(jìn)一步上升，超過(guò)95℃時(shí)，觸發(fā)二級(jí)告警[9]，這表明設(shè)備已經(jīng)處于明顯的超溫狀態(tài)，需要密切關(guān)注并采取預(yù)防措施。當(dāng)溫度達(dá)到或超過(guò)105℃時(shí)，觸發(fā)三級(jí)告警，這是最高級(jí)別的告警，表示設(shè)備處于極度危險(xiǎn)狀態(tài)，需要立即采取措施防止設(shè)備損壞或火災(zāi)等嚴(yán)重后果。

如果檢測(cè)到設(shè)備表面溫度超過(guò)預(yù)設(shè)的超溫閾值或者模型預(yù)測(cè)的置信度高于某個(gè)告警閾值，就判定為超溫事件。針對(duì)連續(xù)多幀圖像均檢測(cè)到超溫的區(qū)域，增加告警的優(yōu)先級(jí)和可靠性。

4 對(duì)比試驗(yàn)

4.1 試驗(yàn)環(huán)境配置

本文針對(duì)變電站設(shè)備超溫問(wèn)題，引入深度學(xué)習(xí)算法，提出一種全新的超溫告警方法。為了驗(yàn)證該方法的實(shí)際應(yīng)用可行性，設(shè)計(jì)如下對(duì)比試驗(yàn)。

將本文提出的告警方法設(shè)置為試驗(yàn)組，將基于熱成像技術(shù)的超溫檢測(cè)與預(yù)警系統(tǒng)設(shè)置為對(duì)照A組，將基于小波域CHMT模型的超溫紅外預(yù)警方法設(shè)置為對(duì)照B組。利用3種方法對(duì)變電站設(shè)備超溫進(jìn)行告警。將試驗(yàn)設(shè)置在Windows10操作系統(tǒng)、Pycharm編程、NCIDIATITAN RTX顯卡、24GB運(yùn)行內(nèi)存、Pytorch1.6版本的環(huán)境中。設(shè)置試驗(yàn)參數(shù)，見(jiàn)表1。

按照表1中的內(nèi)容完成試驗(yàn)參數(shù)的配置后，選擇將某變電站為研究對(duì)象，將該變電站各設(shè)備運(yùn)行數(shù)據(jù)輸入上述建立的試驗(yàn)環(huán)境中。

4.2 試驗(yàn)數(shù)據(jù)集

在此次試驗(yàn)中，構(gòu)建了一個(gè)試驗(yàn)數(shù)據(jù)集，該數(shù)據(jù)集融合了實(shí)地拍攝與自動(dòng)化數(shù)據(jù)抓取技術(shù)。具體來(lái)說(shuō)，首先，從變電站現(xiàn)場(chǎng)直接拍攝了大量圖像，并利用Python腳本爬取了變電站的歷史檢修記錄與關(guān)聯(lián)圖像。其次，為確保圖像質(zhì)量足以支撐深度學(xué)習(xí)模型的訓(xùn)練，設(shè)定圖像的最小分辨率為500px×500px，并據(jù)此篩選初始圖像集。對(duì)收集的檢修記錄進(jìn)行了詳盡的數(shù)據(jù)清洗和整理工作，從中提煉出1436條與設(shè)備超溫相關(guān)的異常數(shù)據(jù)和824張高質(zhì)量圖像，作為基礎(chǔ)數(shù)據(jù)集。

為了增強(qiáng)模型的泛化能力，使其能夠應(yīng)對(duì)變電站內(nèi)復(fù)雜多變的環(huán)境條件（例如陰天、暴雨、白霧等），采用了離線數(shù)據(jù)增強(qiáng)技術(shù)，通過(guò)模擬不同光照條件和天氣狀況下的圖像變化，將數(shù)據(jù)集擴(kuò)展至4120張圖像。這一步驟有效提高了數(shù)據(jù)集的多樣性，為模型學(xué)習(xí)提供了更豐富的樣本。在圖像標(biāo)注階段，利用labelImg工具對(duì)每張圖像進(jìn)行了細(xì)致的分類(lèi)和標(biāo)注，遵循PASCAL VOC格式標(biāo)準(zhǔn)，生成了相應(yīng)的XML文件，這些文件詳細(xì)記錄了圖像中設(shè)備的類(lèi)別、位置及超溫狀態(tài)等關(guān)鍵信息。試驗(yàn)數(shù)據(jù)集XML標(biāo)簽文件如下。

lt;annotationgt;

lt;foldergt;variant_transformer_datasetlt;/foldergt; lt;！-- 數(shù)據(jù)集文件夾名 --gt;

lt;filenamegt;image001.jpglt;/filenamegt; lt;！-- 圖像文件名 --gt;

lt;sourcegt;

lt;databasegt;Unknownlt;/databasegt; lt;！-- 數(shù)據(jù)庫(kù)來(lái)源，這里為Unknown --gt;

lt;annotationgt;PASCAL VOC 2023lt;/annotationgt; lt;！-- 標(biāo)注格式，自定義年份或版本 --gt;

lt;imagegt;flickrlt;/imagegt; lt;！-- 圖像來(lái)源，這里僅為示例 --gt;

lt;flickridgt;0lt;/flickridgt; lt;！-- flickr圖片ID，如果適用 --gt;

lt;/sourcegt;

lt;ownergt;

lt;flickridgt;usernamelt;/flickridgt; lt;！-- 用戶(hù)名，如果適用 --gt;

lt;namegt;Your Namelt;/namegt; lt;！-- 標(biāo)注者姓名 --gt;

lt;/ownergt;

lt;sizegt;

lt;widthgt;416lt;/widthgt; lt;！-- 圖像寬度 --gt;

lt;heightgt;416lt;/heightgt; lt;！-- 圖像高度 --gt;

lt;depthgt;3lt;/depthgt; lt;！-- 圖像深度，通常為3（RGB） --gt;

lt;/sizegt;

lt;segmentedgt;0lt;/segmentedgt; lt;！-- 是否為分割圖像，0表示未分割 --gt;

lt;objectgt;

lt;namegt;transformer_overheatlt;/namegt; lt;！-- 對(duì)象類(lèi)別名，這里假設(shè)為transformer_overheat表示變壓器超溫 --gt;

lt;posegt;Unspecifiedlt;/posegt; lt;！-- 對(duì)象姿態(tài)，這里為Unspecified表示未指定 --gt;

lt;truncatedgt;0lt;/truncatedgt; lt;！-- 對(duì)象是否被截?cái)啵?表示未截?cái)?--gt;

lt;difficultgt;0lt;/difficultgt; lt;！-- 對(duì)象檢測(cè)難易程度，0表示容易 --gt;

lt;bndboxgt;

lt;xmingt;100lt;/xmingt; lt;！-- 超溫區(qū)域邊界框的左上角x坐標(biāo) --gt;

lt;ymingt;150lt;/ymingt; lt;！-- 超溫區(qū)域邊界框的左上角y坐標(biāo) --gt;

lt;xmaxgt;300lt;/xmaxgt; lt;！-- 超溫區(qū)域邊界框的右下角x坐標(biāo) --gt;

lt;ymaxgt;250lt;/ymaxgt; lt;！-- 超溫區(qū)域邊界框的右下角y坐標(biāo) --gt;

lt;/bndboxgt;

lt;/objectgt;

lt;/annotationgt;

最后，為了評(píng)估不同超溫告警方法的性能，將標(biāo)注好的圖像數(shù)據(jù)集按照8∶1∶1的比例隨機(jī)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。其中，測(cè)試集包括412張圖像，用于最終評(píng)估各方法的泛化能力與超溫檢測(cè)準(zhǔn)確率。這一劃分策略確保了試驗(yàn)結(jié)果的客觀性和可比性。

4.3 試驗(yàn)結(jié)果分析

在完成上述試驗(yàn)后，記錄3種方法得到的試驗(yàn)結(jié)果，隨機(jī)選擇5組設(shè)備樣本數(shù)據(jù)，對(duì)比3種方法的告警結(jié)果和實(shí)際情況，見(jiàn)表2。

根據(jù)變電站設(shè)備安全運(yùn)行要求可知，設(shè)備溫度超過(guò)45℃為超溫，從表2中可以看出，第二組、第三組和第四組設(shè)備的溫度均超過(guò)這一范圍，說(shuō)明出現(xiàn)了超溫情況，而只有試驗(yàn)組告警方法對(duì)這3組設(shè)備作出了告警響應(yīng)，其他2組方法告警情況均不符合實(shí)際。因此，通過(guò)上述得出的試驗(yàn)結(jié)果可以證明，本文告警方法具有更高的準(zhǔn)確性。

5 結(jié)語(yǔ)

本文圍繞變電站設(shè)備超溫告警問(wèn)題，提出了一種基于深度學(xué)習(xí)算法的創(chuàng)新解決方案。本文設(shè)計(jì)方法不僅有效克服了現(xiàn)有方法在復(fù)雜環(huán)境下的局限性，還顯著提高了超溫檢測(cè)的準(zhǔn)確性。隨著深度學(xué)習(xí)技術(shù)不斷成熟、計(jì)算資源日益豐富，基于深度學(xué)習(xí)的變電站設(shè)備監(jiān)測(cè)與告警系統(tǒng)將更智能化、更高效化。同時(shí)，結(jié)合物聯(lián)網(wǎng)、大數(shù)據(jù)等先進(jìn)技術(shù)，構(gòu)建更全面、更協(xié)同的智能電網(wǎng)監(jiān)測(cè)體系，將進(jìn)一步提高電力系統(tǒng)的整體運(yùn)行效率和安全性，為實(shí)現(xiàn)碳中和目標(biāo)貢獻(xiàn)力量。

參考文獻(xiàn)

[1]肖應(yīng)紅，馮嚴(yán).基于熱成像技術(shù)的山區(qū)高速公路隧道車(chē)輛超溫檢測(cè)及預(yù)警系統(tǒng)設(shè)計(jì)[J].現(xiàn)代信息科技，2023，7（14）：152-156.

[2]駱會(huì)詳.基于小波域CHMT模型的110kV變電站設(shè)備超溫紅外預(yù)警方法[J].計(jì)算技術(shù)與自動(dòng)化，2023，42（2）：64-70.

[3]劉志堅(jiān)，孟欣雨，劉航，等.基于改進(jìn)ResNet34網(wǎng)絡(luò)的變電站設(shè)備巡檢圖像分類(lèi)識(shí)別的方法[J].電機(jī)與控制應(yīng)用，2024，51（5）：50-60.

[4]于虹，龔澤威一，張海濤，等.基于FasterR-CNN算法的變電站設(shè)備識(shí)別與缺陷檢測(cè)技術(shù)研究[J].電測(cè)與儀表，2024，61（3）：153-159.

[5]楊帆，張利，李楚涵，等.基于NaErF_4@NaYF_4上轉(zhuǎn)換材料的高靈敏度變電站設(shè)備溫度監(jiān)測(cè)[J].人工晶體學(xué)報(bào)，2024，53（8）：1434-1442.

[6]王俊，侯東方，徐天.基于生命周期成本分析的變電站設(shè)備維護(hù)與更新決策優(yōu)化[J].電氣技術(shù)與經(jīng)濟(jì)，2023（8）：298-301.

[7]張建亮，李洋，朱春山，等.基于雙域稀疏Transformer的變電站設(shè)備故障預(yù)警方法[J].計(jì)算機(jī)科學(xué)，2024，51（5）：62-69.

[8]鐘化蘭，黃揚(yáng)海.基于IEC61850的智能變電站設(shè)備運(yùn)行狀態(tài)數(shù)據(jù)實(shí)時(shí)監(jiān)測(cè)方法[J].計(jì)算機(jī)應(yīng)用與軟件，2024，41（5）：96-100，137.

[9]黃緒勇，王欣，唐標(biāo)，等.基于增量式PID算法的變電站設(shè)備巡檢機(jī)器人控制系統(tǒng)研究[J].機(jī)械與電子，2023，41（8）：24-28.