人工神经网络在电力设备红外测温中的应用研究.pdf

49第 52 卷2024 年 4 月Vol.52 No.2Apr.2024云南电力技术YUNNAN ELECTRIC POWER人工神经网络在电力设备红外测温中的应用研究赵李强1，张少杰1，周静波1，陈国坤1，焦宗寒1，杨伟2，王欣3，刘荣海1（1.云南电网有限责任公司电力研究院，云南 昆明 650032；2.云南电网有限责任公司楚雄供电局，云南 楚雄 675000；3.云南电网有限责任公司，云南 昆明 650011）摘要：变电站中电力设备发热会对电网运行造成很大隐患，极大地降低电能质量和供电可靠性，因此有必要在变电站常规巡检中监测变压器、高压开关柜、绝缘子、导线接触点的温度，以确保变电站电气设备正常稳定运行。传统的变电站温度采集方式极为费时、费力，并且由于相间及相地电压非常高，使得传统测温方法对人员的安全也有很大的威胁，而且也容易误检、漏检，容易造成人员和资源的浪费。针对这此现象开展无人机巡检红外照片自动测温是保障电气设备稳定运行的有效措施，如何快速且自动地识别无人机红外巡检照片中的设备温度异常点是一个亟待解决的问题。本文提出一种通过人工神经网络近似红外图像像素RGB值到摄氏温度值映射关系的方法，该方法将红外图像像素点的RGB值作为人工神经网络的输入，网络的输出为摄氏温度值。我们使用变电站常规巡检中获取的红外图像为数据源，对具有三个隐藏层的全连接人工神经网络进行训练，测试结果显示该人工神经网络对塔材和绝缘子的拟合程度较好偏差值小于1，对树木和天空的拟合能力较差偏差大于1。关键词：变电站巡检；红外测温；近似定理；人工神经网络；多层神经网络拟合Research on the Application of Artificial Neural Networks in Infrared Temperature Measurement of Power EquipmentZhao Liqiang1,Zhang Shaojie1,Zhou Jingbo1,Chen Guokun1,Jiao Zonghan1,Yang Wei2,Wang Xin3,Liu Ronghai1（1.Electric Power Research Institute of Yunnan Power Grid Co.,Ltd,Kunming 650032,Yunnan,China;2.Chuxiong Power Supply Bureau of Yunnan Power Grid Co.,Ltd,Chuxiong 675000,Yunnan,China;3.Yunnan Power Grid Co.,Ltd,Kunming 650011,Yunnan,China）Abstract:Heating of power equipment in substations can pose significant risks to the operation of the power grid,greatly reducing power quality and supply reliability.Therefore,it is necessary to monitor the temperature of transformers,high-voltage switchgear,insulators,and wire contact points during routine inspections of substations to ensure the normal and stable operation of substation electrical equipment.The traditional method of temperature collection in substations is extremely time-consuming and labor-intensive,and due to the high voltage between phases and ground,the traditional temperature measurement method also poses a great threat to personnel safety.It is also prone to or missed detections,which can cause waste of personnel and resources.To address this phenomenon,conducting unmanned aerial vehicle inspection infrared photo automatic temperature measurement is an effective measure to ensure the stable operation of electrical equipment.How to quickly and automatically identify equipment temperature anomalies in unmanned aerial vehicle infrared inspection photos is an urgent problem to be solved.This article proposes a method of approximating the mapping relationship between RGB values of infrared image pixels and Celsius temperature values through an artificial neural network.The method takes the RGB values of infrared image pixels as the input of the artificial neural network,and the output of the network is the Celsius temperature value.We used infrared images obtained from routine inspections of substations as data sources to train a fully connected artificial neural network with three hidden layers.The test results showed that the artificial neural network had a good fitting degree for tower materials and insulators,with a deviation value of less than 1,and a poor fitting ability for trees and the sky with a deviation value of more than 1.Key words:Substation inspection;Infrared temperature measurement;Approximation theorem;Artificial neural network;Multi layer neural network fitting中图分类号：TM74文献标识码：B文章编号：1006-7345（2024）02-0049-05 云南电网有限责任公司科技项目“高海拔地区变电站无人机自动巡检技术研究与应用”，项目编号 YNKJXM2022018750云南电力技术第 52 卷2024 年第 2 期0前言变电站是电网中电能转换与再分配的重要场所，但传统变电站的人力成本在逐年增加，因此无人数字化变电站在电网中所占的比重不断增加，基于无人机的自动化巡检方式在实践中不断投入使用。无人值守变电站正常运行的关键设备是变电站内的变压器与高压开关柜，目前无人变电站内高压开关柜均采用密封结构，其内部开关接触点与母线连接部位会随着运行时间而老化或接触不良1。使得触点或连接部位的电阻过大，其电热效应造成局部温度升高，产生的发热现象极大地损耗设备寿命，严重时会引发火灾造成大面积停电。设备发热会对电网中的运行造成很大隐患、极大地破坏电能质量和供电可靠性，因此有必要在变电站常规巡检中监测这些地方的温度,以确保变电站电气设备正常运行。变电站中传统测温方式是运行维护人员手持红外测温仪器到现场对运行设备进行测量及采样。这种方法易受环境因素制约，并且无法近距离、准确、及时的测量设备温度。而且为了节省空间及材料，高压开关柜的内部空间结构都比较狭小，温度采集极为费时、费力，并且由于相间及相地电压非常高，使得这种传统测温方法对人员的安全也有很大的威胁2。当操作人员对异常情况进行抽样和测量时，需要向专业人员报告，然后进行专业复查，这样不仅反应时间较长，而且也容易误检、漏检，造成人员和资源的浪费。甚至有些开关柜内接点温度甚至无法采样，有着很高的差错率3。针对这此现象开展无人机巡检照片红外测研究符合变电站电气设备稳定运行的需求。目前红外测温只能通过红外相机生产厂家提供的专业测温软件，在作业人员手动选择操作下完成，无法实现批量实时的红外图像自动测温需求。在本文中我们提出使用人工神经网络模型来拟合近似红外图像像素 RGB 值到对应摄氏温度值的映射关系，并使用具有三个隐藏层的人工神经网络对像素值到温度值的映射关系进行建模，使用变电站常规巡检获取的红外图像数据对模型进行训练和测试，研究人工神经网络对红外图像像素值到温度值映射关系的逼近性能。1红外图像RGB值与温度值的映射在使用无人机对变电站电力设备进行自动化巡检测温作业时红外传感器的测温结果被记录在三通道的红外图像中，只有通过特定的软件才可以将图像中每个像素的 RGB 值转换为对应的摄氏温度值。在对大量红外图像像素 RGB值和对应摄氏温度的相关性分析后，我们发现红外图像像素 RGB 值与摄氏温度值之间的转换关系属于非线性映射。神经网络已被广泛地应用于对非线性函数的逼近，对于任意可积函数 f，可以构造一个与 f 有关的函数，使得该函数能一致收敛于 f，然后，利用挤压函数定义前向神经网络，使其对可积函数进行任意逼近4。所构造的前向神经网络对可积函数的逼近精度仅仅依赖于网络隐含层神经元的个数，在本文中我们通过挤压函数构造的神经网络逼近红外图像像素 RGB 值与摄氏温度值之间的映射关系。1.1红外测温系统红外测温技术是一种非接触测量技术，其直观、准确、快速、灵敏度高、应用范围广泛。利用维恩公式5-6，若波长为定值，则黑体的辐射能量只与温度有关，这便是单色辐射测温法。但是，在现实生活中，物体的发射率必然小于 1，依此原理的测温传感器若要对温度进行准确测量，则需要有亮度温度进行补偿，并且要固定波长，因此依照此原理的测温传感器会有分光元件。比色测温法基于单色辐射测温方法，其增加至少一组不同的波长用于比较。因此按照比色测温的测温传感器需要有工作在两个波段的热成像仪测量目标的辐射温度7。红外测温流程可分成以下几部分：图1红外测温流程图由图 1 我们可知，待测物体发出自身热辐射,通过环境传导被红外传感器接收，再经过一系列的信号放大、模数转换、采样滤波、算法处理后，得到确切的温度数值9。通过这一流程可以发现，红外测温受到许多因素影响，比如环境温度、大气散射、待测物体的发射率等多种因素，红外测温的过程可以被归结为复杂51人工神经网络在电力设备红外测温中的应用研究 第 52 卷2024 年第 2 期非线性系统。在变电站巡检过程中获取到的红外图像是测温的中间结果，在本文中我们假设红外图像中像素值（RGB 值）是温度的一种编码，如图 1 中的虚线框部分，可以通过机器学习中的人工神经网络回归对该编码进行学习后，解码出实时输入的巡检红外图像 RGB 值得到对应摄氏温度值。1.2人工神经网络拟合前馈神经网络具有很强的拟合能力，常见的连续非线性函数都可以用前馈神经网络来逼近9。令()是一个非常数、有界、单调递增的连续函数，JD是一个 D 维的单位超立方体 0,1D，C(JD)是定义在 JD上的连续函数集合。对于任何一个函数 fC(JD)，存在一个整体数 M 和一个组实数 wmRD,m=1,M,以至于可以定义函数：（1）作为函数 f 的近似实现，即：|F(x)f(x)|0 是很小的正数。根据以上通用近似定理，对于具有线性输出层和至少一个使用挤压性质的激活函数的隐藏层组成的前馈神经网络，只要其隐藏层神经元的数量足够，它可以以任意的精度来近似任何一个定义在实数空间 RD中的有界闭集函数。以上对人工神经网络拟合特性的分析，我们可以使用人工神经网络逼近由红外图像像素 RGB值转换为温度值的映射关系，我们以红外图像像素点的 RGB 值作为人工神经网络的输入，而温度作为输出。2实验结果和分析我 们 在 Ubuntu22.04 64 位 上 使 用 Pytorch 11.3、python3.10、GCC 编译器实现了本文中所提出的包含有 3 个隐藏层的全连接人工神经网络，以红外图像像素点的 RGB 值作为神经网络的输入，网络的输出对应于温度值。硬件环境为：Intel(R)Core(TM)i5-8300U CPU 2.3GHz,8.00GB 内存，RTX2060 6G 显存。2.1数据集来源为了保证数据之间的独立性我们共选取了 5次无人机巡检数据，并从其中挑选出了 170 张红外测温图像来制作数据集。按照测温对像不同将数据集分为 6 个部分，分别为：绝缘子，连接金具，塔材，地面，树木，天空，具体数据集划分如表 1 所示，样本划分规则参考机器学习的样本划分方法10，由于样本数量较大，在本文中我们选择以 70:9:21 的比例将样本集划分为训练样本集，验证样本集和测试样本集。表1红外测温拟合试验样本集划分 绝缘子 连接金具塔材地面树木天空训练样本536444756288403446398334验证样本6535387684615761037测试样本152312541792107513442419合计75406267884855706559118902.2模型结构在本文中选用全连接神经网络来拟合红外 图 像 像 素 RGB 值 与 摄 氏 温 度 值 之间的映射关系，网络结构如图 2 所示，该神经网络总共包含 5 个层，其中有 3 个隐藏层，在第三 个 隐 藏 层 后 使 用 了 LeakyReLU（negative_slope=0.01）激活函数11作为激活层，网络的输入为红外图像像素 RGB 值，输出为回归到的与当前 RGB 相对应的摄氏温度值，使用均方误差作为损失函数12（MSE）。该网络模型中每个层的名称，层的类型，输入输出参数量，每层是否带偏置及每层参数量的详细信息如表 2所示，该人工神经网络模型共包含可学习参数1680 个。图2红外图像像素RGB与摄氏温度映射 关系拟合神经网络结构图表2红外图像像素RGB与摄氏温度映射关系 拟合神经网络参数表 序号名称类型输入节点数输出节点数是否带偏置参数量1 hidden_1线性层320是60+202 hidden_2线性层2040是800+403 hidden_3线性层4020是800+204activate LeakyReLU层negative_slope=0.01-5out线性层201是20+1可学习参数量176152云南电力技术第 52 卷2024 年第 2 期2.3实验结果分析在本文中通过 Ubuntu22.04 系统和 Pytorch 11.314实现了 2.2 节中设计的网络，并使用 2.1节中采集和划分的样本集对模型进行了训练，在整个网络训练过程中使用指数变化曲线调整学习率14，gama=0.9，学习率设置与训练轮数的对照关系如表 3 所示，使用 Adam 优化器15，初始学习率设置为 0.1，batchsize=128，共进行1000 轮迭代训练。表3学习率与训练轮数对照表 训练轮数0199轮200599轮6001000轮学习率0.10.010.001为了对比分析拟合性能与不同测温对象之间的差异性，我们分别使用绝缘子，连接金具，塔材，地面，树木，天空数据对神经网络模型进行训练和测试，训练过程中 6 种对象的损失值变化如图 3 所示，从图中我们可以看到训练过程收敛速度较快，均在 20 轮左右出现收敛。在 1000 轮训练结束后，红外图像 RGB 值到摄氏温度值的映射网络测试结果如表 4 所示，从表中我们可以看到本文设计的 5 层人工神经网络可以近似各种对象的红外图像 RGB 值到摄氏温度值的映射关系。该网络对塔材的近似程度较好，对连接金具的近似程度较差，导致出现对连接金具的近似程度差的原因可能是：图36种对象训练损失变化曲线1）在本次测试的数据采集过程中，我们将连接金具和挂点金具两种设备统一归结为连接金具，但两种设备在杆塔上所处的位置差较大；2）在本次实验中，连接金具主要来自大于35 kV 的主网输电线路，挂点金具主要来自于10 kV 的配网线路，两种不分布的数据混淆后导致模型拟合数据分布的性能下降。在图 4 中给出了红外 RGB 图像（左上），标准测温图（右上），预测温度图（左下），三个图中绿色箭头所指绿色点为绝缘子对象测温对比点，从图中我们可以看到，标准测温图中该点的温度值为 40.26，预测温度图中该点的温度值为39.23，温度相差值为 40.26-39.23=1.03，说明本文设计的 5 层人工神经网络可以很好的近似玻璃绝缘子区域红外图像像素值到摄氏温度值的映射关系。表4红外图像RGB到温度的映射测试数据/类型RGBT（真实）T（预测）误差值平均误差值绝缘子0.57 0.10 0.71 24.08 23.72 0.36 0.780.21 0.92 0.91 39.40 38.76 0.64 0.07 0.89 0.95 36.97 37.39 0.42 0.04 0.75 0.94 37.37 36.21 1.16 0.06 0.80 0.89 37.52 36.20 1.32 连接金具0.04 0.41 0.9220.4424.644.23.2700.610.934.6132.382.230.02 0.540.922.9527.434.480.03 0.38 0.9221.9825.543.560.05 0.45 0.9122.7924.671.88塔材0.61 0.07 0.68 30.41 29.47 0.93 0.530.07 0.88 0.98 37.29 37.70 0.42 0.06 0.80 0.91 37.05 37.37 0.32 0.04 0.82 0.93 37.68 37.72 0.04 0.06 0.18 0.65 31.84 30.87 0.96 地面0.05 0.33 0.93 23.60 23.91 0.31 0.620.07 0.48 0.95 21.90 20.84 1.06 0.09 0.28 0.91 22.95 22.48 0.47 0.11 0.92 0.91 32.47 32.10 0.37 0.06 0.65 0.94 18.98 19.88 0.90 树木0.56 0.07 0.52 20.12 24.66 4.54 2.860.36 0.15 0.78 32.23 31.13 1.10 0.12 0.27 0.84 34.29 33.16 1.13 0.55 0.06 0.53 19.96 23.93 3.97 0.55 0.06 0.53 20.28 23.88 3.60 天空0.19 0.06 0.07 9.93 11.86 1.93 1.260.48 0.06 0.38 21.25 20.31 0.95 0.32 0.06 0.13 14.56 16.40 1.84 0.38 0.06 0.16 19.87 19.69 0.18 0.33 0.08 0.14 19.31 17.87 1.44 53人工神经网络在电力设备红外测温中的应用研究 第 52 卷2024 年第 2 期 图4绝缘子预测温度值与标准温度值对照3结束语本文提出了一种通过人工神经网络逼近由红外图像像素 RGB 值与摄氏温度值映射关系的方法，并使用 pytorch 深度学习框架设计了包含三个隐藏层的人工神经网络对实际无人机巡检采集的红外图像数据进行了训练和测试。实验结果表明：1）包含三个隐藏层的人工神经网络能够近似红外图像像素 RGB 值到对应摄氏温度值的映射关系；2）该网络对塔材和绝缘子的拟合程度较好平均偏差值小于 1，对树木和天空的拟合能力较差平均偏差值大于 1。本文的工作是对电力无人机巡检利用红外图像快速检测设备温度的一种探索，有利于提升电力巡检作业的自动化和智能化水平。参考文献1 张耀生.低温条件下的高精度红外测温技术研究D.哈尔滨:哈尔滨工业大学,2021.2 江飞,闫全全,王媚,等.基于无源无线红外测温技术的特高压电力设备监测系统J,电力与能源,2023,20(03):23-25.3 胡金,韩东,刘静,等.多元信息集成巡检系统在电网设备故障处理时的辅助应用J.内蒙古电力技术,2019,37(03):64-66.4 光明,鄂爱东,钱凤阳,等.基于三维激光扫描技术的输电线路无人机巡检方法分析J.内蒙古电力技术,2019,37(01):21-24.5 黄一凡,仲桦,江岚.红外测温在避雷器绝缘检测中的应用J,电气技术与经济,2023,40(07):42-45.6 李风军,韩惠丽.人工神经网络逼近能力及其应用M.北京:科学出版社,2020.7 Agavathiappan S,Lahiri B B,Saravanan T,et al.Infrared thermography forcondition monitoring a reviewJ.Infrared Physics&Technology,2013,60:35-55.8 杨立,杨帧.红外热成像原理与技术M.北京:科学出版社,2012.9 BY Liu,LI Zhi-Bing,C Liu,CY Zang,FU Zhong,JG Yang,Y Liu.Erosion status evaluation of arc contact in a HV SF6 breaker based on BP neural networksJ.Journal of Electric Power Science an Technobogy,2019,34(1):74-79.10 段英.红外测温目标光谱发射率特性研究D.成都:电子科技大学,2020.11 邱锡鹏.神经网络与深度学习M.北京:机械工业出版社,2020.12 李航.统计学习方法（第2版）M.北京:清华大学出版社,2019.13 邱锡鹏.神经网络与深度学习案例与实践M.北京:机械工业出版社,2022.14 Cai Y,Luan T,Gao H,et al.YOLOv4-5D:An effective and efficient object detector for autonomous drivingJ.IEEE Transactions on Instrumentation and Measurement,2021,70:1-13.13 林琪.PyTorch速查手册M.北京:中国电力出版社,2022.11.14 Ji G P,Zhu L,Zhuge M,et al.Fast camouflaged object detection via edge-based reversible re-calibration networkJ.Pattern Recognition,2022,123:414-420.15 Chong,Edwin K.P.,Zak,Stanislaw H.,An Introduction to OptimizationM,Princeton University Press,2013.收稿日期：2024-03-26作者简介：赵李强（1988），男，硕士研究生，工程师，主要从事电力图像识别算法研究及工程化工作。（E-mail）。