国网陕西省电力公司延安供电公司 屈 翠 张海洋 王冬冬 魏成保 翟智勇

随着人工智能的不断发展，国内对于深度学习的研究取得了十足的成效，使用深度学习的相关知识来代替工业中的传统方法也在很多领域内得到了应用。因此将深度学习的方法应用在对电力设备自动监测识别的系统中也被很多电力学者所提出，在电力设备的监测方法中加入深度学习和计算机视觉的方法，使得不再需要人工去对监测的信息进行判别，而是系统可以直接判断电力设备的运行状态，减少了人工的浪费以及人为的监测事故。

新一代运维系统平台采用可穿戴技术、红外光谱传感技术、人工智能深度学习分析技术、增强现实技术，以智能可穿戴装置为载体,将电力设备、可穿戴装置、运维人员、远程指挥、信息增强有机连接起来，实现识别、感知、协助、分析、控制、管理，从而形成具有标识、感知和处理地更加智能的电力设备运行维护检修管理体系，为保证电力设备的安全稳定运行提供了技术支撑和智能装备[1]。采用多光谱图像深度学习方法为运维人员赋能成为技术维修专家，使电力设备的运行巡视、设备识别、故障诊断、远程协助指挥等业务实现灵活、高效、可靠的智能化应用，确保电力设备及电力系统的安全稳定运行。

1 红外热成像技术

基本原理。使用光电设备来检测和测量辐射并在辐射与表面温度之间建立相互联系的科学。工作原理是使用光电设备来检测和测量辐射，并在辐射与表面温度间建立相互联系[2]。红外热成像技术利用红外探测器和光学成像物镜接受被测目标的红外辐射能量分布图形并反映到红外探测器的光敏元件上，从而获得红外热像图，这种热像图与物体表面的热分布场相对应。热图像上面的不同颜色代表被测设备的不同温度。通过查看热图像，可观察到被测设备的整体温度分布发热情况，从而进行下一步工作的判断。

红外热成像技术检测方法。就是利用红外探测器检测电气设备表面的温度热图信息进行全面扫描采集，发现异常后，再针对性地近距离对异常部位和重点被测设备进行更准确检测。最后将探测的辐射转换成电信号、处理成温度分布热图像，即热成像温度图可视化呈现出来，这种热像图与电气设备表面的热分布场相对应，热图像上面的不同颜色代表被测电气设备的不同温度，用于运行中对电气设备热成像热温采集、图像检测和过热报警。

热成像温度图像分析方法。探测热辐射转换成电信号被处理成可见红外热图像，电气设备温度分布是通过用不同的颜色来呈现在图像上的，从而更直观地从热图中分析所检测目标物体的温度范围。一幅热成像温度图可根据需要调整其辐射率、亮度、对比度并可分析出热图中每个点的温度，各线、面的最高温度、平均温度等，根据不同的温度判断被测物体的故障缺陷，以便采取不同的措施快速定位故障。灵敏度高，可以分辨达0.1℃。点测温：根据设备热成像图信息，在图像上进行温度标注点；线测温：根据设备热成像图选择线段，计算线段上点的最高温和最低温，并显示此线段上的温度折线图和温度直方图。

基于人工智能的多光谱图像综合诊断。运行正常的高压电气设备一般不会形成放电，但设备出现缺陷故障后其局部场强会发生畸变，当这种缺陷发展到一定的程度可形成局部放电，在反激励和复合的过程中伴随有紫外光信号的辐射。以深度学习为代表的人工智能旨在通过监督训练，完成从红外热成像和紫外成像数据中提取基于卷积神经网络优化后的关注信息的系统特征，其核心思想是通过数据驱动的方式，采用一系列的非线性变换和优化算法，提取由低层到高层、由具体到抽象、由一般到特定语义的特征。本项目基于获得电力设备红外热成像图像的数据库，进行基于人工智能算法的深度诊断系统开发软件，对设备典型缺陷放电的紫外图像进行诊断，实现缺陷性质判断和故障严重程度的智能评估。

2 基于深度学习的电气设备巡检红外热成像自动识别方法

近年来，随着物联网IOT、增强现实AR、人工智能AI等新一代信息技术的迅速发展，本项目就是融合了红外热成像技术、可穿戴技术、增强现实AR技术、光谱图像深度分析技术在对电力设备运行维护管理中的研究开发与实际应用。

2.1 融合红外热成像技术、可见光图像、可穿戴技术设备运维感知与远程协助系统开发

根据硬件系统特性进行衔接整合与集成，对各功能模块及接口进行研发，对不同的硬件模块进行特定的开发和整合。形成一个集合多种功能的开发平台。电气设备现场巡检：快速检测、超温报警。快速有效全区域巡查，超过温度限值自动报警，显示焦点温度和区域温度，随手指滑动显示温度数据；在线分析、热图上传。热成像图拍照留存，历史热像图温度分析，上传数据到云服务器，给车间预防预判。

软件控制系统采用了分层和模块化设计思想，采用分层结构编写开发应用层软件，实现定位、通信、图像存储、传输以及环境参数的测量等功能；图像处理软件开发。图像预处理、侦测分析、智能分析。开发图像处理软件程序，实现对图像的滤波、增强和校正，开发软件实现可见光图像、红外图像的精准融合。对电气设备缺陷进行检测，如变压器、断路器、刀闸、绝缘子串、低压电器，以及具有电流、电压致热效应或其他致热效应的二次回路设备的过热、接触不良、过载、负载不平衡等，其影响为产生短路、烧毁、起火电弧。这对及时发现、处理、预防重大事故的发生可起到非常关键而有效的作用。

图1 红外成像与可见光谱图

2.2 基于深度学习的设备状态评估和诊断研究

电气设备数据存储及快速特征计算方法研究。对电气设备相关多种信息源获取信号进行深入分析并研究快速特征提取方法，利用MaxCompute解决海量数据的存储模式和快速计算问题，采用MaxCompute作为基础的存储和计算引擎，综合应用MaxCompute生态圈中的DataWorks和PAI，设计各信号源在电气设备运行过程中的特征计算和特征选择；建立科学的电气设备多种信息源特征分析状态的评价指标体系；累积典型电气设备正常和异常状态下运行过程测试的试验样本，形成集电气设备运行状况基础数据和故障数据特征于一体的运行状态评价数据库。

电气设备多种信息源的LSTM故障诊断方法研究。研究基于计算机视觉技术的电气设备状态评价方法，构建LSTM（长短期记忆网络）深度辨识模型，利用dropout方法改进小样本的对抗过拟合问题，开发设备特征识别的状态分析软件。通过典型实际测试，验证测试方法和软件的有效性。实施过程如下：检测超温报警。服务器自动检测电气设备热图数据，判断超温过热红色报警；电气趋势分析。一段时期内对电气设备温度趋势分析；故障分析报告。对超温过热电气设备区域点分析，形成报告呈现。

设备故障诊断方法研究。根据指定诊断方法进行故障诊断并将结果进行显示，对检测结果进行提交报告（图2）。固定阈值法：分析指标是故障的最低温度和故障区域占总区域的最低比例。诊断结果将输出诊断故障等级和诊断后的图像；相对温差法：分析指标为最低比例。诊断结果将输出故障温度、正常温度、故障等级一级诊断后的图像；表面温度法：分析指标为最低比例。图像温升以及最高温将会显示在表面温度法区域，诊断结果将输出故障等级；图像特征法：分析指标包括K值以及判断特征相似度的最小阈值，输出结果为故障等级。

图2 设备故障诊断方法图

综上，基于深度学习的电气设备巡检红外热成像自动识别方法，为电力设备的运行维护提供安全可控的设备感知、在线检测、故障识别、巡检定位、报警联动、调度指挥、安全防范、分析决策等管理，形成具有标识、感知和处理的更加智能化设备运维体系，为提高电网效率、供电可靠性提供了技术支撑，确保电网电力设备的安全稳定运行。