摘 要：目前電力設(shè)備故障尚未應(yīng)用溫度變化率進(jìn)行變壓器故障診斷，因此本文提出利用基于模糊溫差法的隸屬函數(shù)方法對紅外圖像進(jìn)行預(yù)處理，并利用YOLOv7模型對紅外圖像進(jìn)行處理，以提升紅外圖像的辨識度。試驗(yàn)結(jié)果表明，YOLOv7算法的紅外圖像處理模型的節(jié)點(diǎn)數(shù)量僅為121個，比YOLOv3和YOLOv4分別降低80.9%、81.03%。并且YOLOv7算法在圖像處理時間方面具有較好的性能，檢測時間僅為10 s，比YOLOv3和YOLOv4的檢測時間分別降低50%和30%。

關(guān)鍵詞：紅外圖像；YOLOv7模型；電力設(shè)備；故障識別；圖像處理

中圖分類號：TM 76" " 文獻(xiàn)標(biāo)志碼：A

在長時間的運(yùn)作中，電力設(shè)備會受環(huán)境和人為等多種原因的影響，出現(xiàn)不同類型的故障，不僅威脅電力系統(tǒng)的安全和穩(wěn)定性，還可能導(dǎo)致停機(jī)，嚴(yán)重影響生活、生產(chǎn)[1]。因此，智能電網(wǎng)離不開電力設(shè)備故障檢測和分析。其中變壓器是電網(wǎng)體系中的重要設(shè)備，如果變壓器發(fā)生故障，就會對供電可靠性和系統(tǒng)安全穩(wěn)定運(yùn)行造成嚴(yán)重威脅，因此運(yùn)用紅外技術(shù)進(jìn)行故障分析和處理具有重要意義[2]。在長期運(yùn)行中，變壓器會發(fā)生損耗，這些損耗會作用于其繞組、鐵芯和金屬結(jié)構(gòu)等部位，進(jìn)而轉(zhuǎn)化為熱量[3]。一般情況下，變壓器通過散熱系統(tǒng)維持熱量動態(tài)平衡，如果某一部位發(fā)生故障，導(dǎo)致熱量產(chǎn)生和散熱不平衡，該部位溫度就會升高，此為過熱現(xiàn)象[4]。但是目前電力設(shè)備故障尚未應(yīng)用溫度變化率進(jìn)行變壓器故障診斷，因此本文提出利用基于模糊溫差法的隸屬函數(shù)方法對紅外圖像進(jìn)行預(yù)處理，并利用YOLOv7模型對紅外圖像進(jìn)行處理，以提升紅外圖像的辨識度。

1 基于紅外圖像的電力設(shè)備故障識別模型

1.1 變壓器紅外圖像預(yù)處理

在使用紅外熱像技術(shù)對變壓器物體表面溫度進(jìn)行成像過程中會受多種因素影響，包括環(huán)境條件、設(shè)備質(zhì)量以及人為因素等。其中噪聲對紅外圖像識別影響較大。噪聲的存在會顯著降低圖像質(zhì)量，包括對比度下降、邊緣模糊和分辨率降低等[5-7]。由于現(xiàn)有變壓器紅外缺陷的照片均為單一時間拍攝，不是在連續(xù)時間內(nèi)進(jìn)行連拍，因此無法利用溫度變化率進(jìn)行變壓器故障診斷，因此本文提出利用基于模糊溫差法的隸屬函數(shù)方法對紅外圖像進(jìn)行預(yù)處理[8]。

對變壓器設(shè)備正常工作時的溫度T2和環(huán)境溫度T0進(jìn)行測量，得到參數(shù)T0與T2后，再將紅外圖像識別故障設(shè)備的實(shí)際溫度T1代入公式（1）進(jìn)行計(jì)算[9]。

（1）

根據(jù)公式（1）可得當(dāng)前點(diǎn)的溫度差值σ%，進(jìn)而計(jì)算變壓器檢測部位一般故障的σ%值和發(fā)生嚴(yán)重故障的σ%值，便可進(jìn)行變壓器監(jiān)測部位的故障診斷。變壓器檢測部位的模糊溫差法隸屬函數(shù)如圖1所示。本文使用的參數(shù)E1=0.13，E2=0.33，E3=0.68，E4=0.92。

變壓器的率屬函數(shù)u的各段診斷如下所示。1） 當(dāng)σ%值＜E1時，可得出診斷，即變壓器檢測部位處于正常運(yùn)行狀態(tài)。2） 當(dāng)σ%值位于E1、E2之間時，變壓器有可能處于正常運(yùn)行狀態(tài)，也有可能處于一般故障，系統(tǒng)發(fā)出預(yù)警信息，無須停機(jī)檢查。3） 當(dāng)σ%值位于E2、E3之間時，變壓器處于一般故障狀態(tài)，系統(tǒng)發(fā)出預(yù)警信息，但是考慮經(jīng)濟(jì)效益，避免大面積停電造成影響，也無須停機(jī)檢查。4） 當(dāng)σ%值位于E3、E4之間時，有可能是一般故障，也有可能是嚴(yán)重故障，系統(tǒng)發(fā)出報警信息。5） 當(dāng)σ%值＞E4時，變壓器處于嚴(yán)重故障狀態(tài)，系統(tǒng)發(fā)出報警信息，應(yīng)迅速停電，安排維修人員檢修。

1.2 基于紅外圖像的設(shè)備溫度識別

進(jìn)行圖像預(yù)處理后，需要進(jìn)一步對紅外圖像進(jìn)行分割處理。其中YOLOv7算法在YOLOv5基礎(chǔ)上進(jìn)行了優(yōu)化，是一款十分優(yōu)秀的圖像處理技術(shù)。YOLOv7模型在網(wǎng)絡(luò)結(jié)構(gòu)中引入ELAN模塊，有效強(qiáng)化了網(wǎng)絡(luò)學(xué)習(xí)能力，在檢測準(zhǔn)確度和圖像處理速度方面比YOLOv5有明顯優(yōu)勢。在YOLOv7模型中的卷積層和池化層相互疊加的過程中，往往會在YOLOv7網(wǎng)絡(luò)模型的末尾處添加適量的全連接層。卷積層和池化層的主要作用是將原始的圖像數(shù)據(jù)映射到隱層特征空間，并逐步提取并組合出更具區(qū)分性的節(jié)點(diǎn)特征。全連接層則是將YOLOv7中所有的特性，經(jīng)過節(jié)點(diǎn)的映射轉(zhuǎn)化為一個樣本標(biāo)注的空間。全連接層的實(shí)質(zhì)就是將一個屬性空間與另外一個屬性空間進(jìn)行轉(zhuǎn)換，并對預(yù)處理后的紅外圖像屬性進(jìn)行權(quán)重計(jì)算，計(jì)算方法如公式（2）所示。

Y=F（WX+b） （2）

式中：X和Y分別為YOLOv7模型全連接層的輸入和輸出特征信息；W為全連接層的權(quán)重參數(shù)；b為偏置向量；F（）為激活函數(shù)。

激活函數(shù)可以增加模型的非線性表達(dá)能力，從而使YOLOv7模型更靈活、更具有適應(yīng)性。全連接層的作用是利用線性變換和激活函數(shù)對前序卷積層和池化層學(xué)習(xí)到的紅外圖像特征進(jìn)行深入挖掘和處理，最終從高維特征中學(xué)習(xí)到分類、回歸等任務(wù)所需要的特征表達(dá)，從而實(shí)現(xiàn)YOLOv7模型的目標(biāo)檢測。

在YOLOv7模型中，通常使用損失函數(shù)來估計(jì)算法模型預(yù)測值與實(shí)際值間的差異。損失函數(shù)IOU是評估算法收斂效率的重要指標(biāo)，其計(jì)算過程如公式（3）所示。

（3）

式中：A和B分別為紅外圖像預(yù)測框和真實(shí)框的面積。

但是IOU損失函數(shù)的缺陷相對明顯，它只測量重疊度，沒有考慮重疊方法、變壓器環(huán)境等因素。并且IOU損失函數(shù)計(jì)算密集，因此存在算法退化和收斂速度慢的問題。為了提高檢測精度，本文引入DIOU損失函數(shù)，考慮紅外圖像目標(biāo)框與預(yù)測框間的距離、重疊率和比例。YOLOv7采用DIOU損失函數(shù)RDIOU，其計(jì)算過程分別如公式（4）～公式（6）所示。

（4）

（5）

（6）

式中：b、bgt分別為紅外圖像目標(biāo)幀和預(yù)測幀的中心點(diǎn)；w、wgt分別為目標(biāo)幀和預(yù)測幀的寬度分別用；h、hgt分別為目標(biāo)幀和預(yù)測幀的高度；p為預(yù)測框中心點(diǎn)與實(shí)際框間的歐式距離；c為包括最小包圍區(qū)域的對角線距離，包括預(yù)測框和真實(shí)幀；v為紅外圖像長寬比的一致性；α為加權(quán)參數(shù)。

為提高紅外圖像分割的準(zhǔn)確性和穩(wěn)定性，應(yīng)利用YOLOv7模型將紅外圖像轉(zhuǎn)化為灰度圖像，不僅可以減少計(jì)算量，還能保留圖像的主要信息。并對灰度圖像進(jìn)行去噪和增強(qiáng)，以提高圖像質(zhì)量，使目標(biāo)區(qū)域更明顯且易于分割。最后對處理后的圖像進(jìn)行分割，以更準(zhǔn)確地提取目標(biāo)區(qū)域，從而達(dá)到紅外熱成像系統(tǒng)中變壓器紅外故障診斷的目的。紅外圖像分割操作步驟如圖2所示。

2 結(jié)果與討論

2.1 試驗(yàn)環(huán)境配置

基于YOLOv7模型的紅外圖像故障檢測試驗(yàn)在從智星云AI云平臺租用的云服務(wù)器上進(jìn)行，該云服務(wù)器環(huán)境配置見表1。

由于YOLOv7模型的復(fù)雜度較高、計(jì)算量巨大、訓(xùn)練時間過長且模型實(shí)用性降低，因此應(yīng)用CUDA11.1、CUDNN8為YOLOv7模型計(jì)算機(jī)的GPU進(jìn)行加速，以提高YOLOv7算法模型的計(jì)算效率。使用GPU進(jìn)行并行化計(jì)算，進(jìn)一步提高紅外圖像識別故障的計(jì)算速度，縮短訓(xùn)練時間。Pytorch是目前深度學(xué)習(xí)領(lǐng)域中最流行的框架之一，其設(shè)計(jì)簡單，封裝的工具包較少，因此基于Pytorch開發(fā)的源碼簡單易懂?；诖?，本文采用PyTorch框架進(jìn)行紅外圖像故障檢測試驗(yàn)，并采用張量操作使Pytorch可以由GPU進(jìn)行運(yùn)算加速，從而進(jìn)一步提升紅外圖像識別故障速度并保證運(yùn)行效率。設(shè)定Pytorch利用動態(tài)神經(jīng)網(wǎng)絡(luò)進(jìn)行自動求導(dǎo)，可以進(jìn)一步減少YOLOv7算法模型的紅外故障檢測時間。將YOLOv7模型的批量大小設(shè)定為64，訓(xùn)練批量大小設(shè)定為300。

2.2 檢測時間和計(jì)算內(nèi)存比較

為進(jìn)一步驗(yàn)證YOLOv7算法模型在紅外圖像識別故障中的效果，將YOLOv7算法模型與其他模型（YOLOv3、YOLOv4和YOLOv5）的圖像處理時間和計(jì)算內(nèi)存進(jìn)行比較，比較結(jié)果見表2。由表2可知，YOLOv3和YOLOv4節(jié)點(diǎn)數(shù)量高達(dá)608和638個，模型節(jié)點(diǎn)數(shù)量越多，紅外圖像識別故障時間越長，受實(shí)際變壓器故障檢測環(huán)境影響，較多的節(jié)點(diǎn)數(shù)量會進(jìn)一步降低檢測準(zhǔn)確率。YOLOv7算法的檢測模型的節(jié)點(diǎn)數(shù)量僅為121個，比YOLOv3、YOLOv4分別降低80.9%、81.03%。YOLOv3和YOLOv4計(jì)算內(nèi)存分別為227.88 MB和238.62 MB，YOLOv7算法的計(jì)算內(nèi)存分別比YOLOv3和YOLOv4減少80%和81%。并且YOLOv7算法在圖像處理時間方面也具有良好性能，圖像處理時間僅為10 s，與YOLOv3和YOLOv4算法的檢測時間相比，YOLOv7的圖像處理時間分別降低50%和30%。YOLOv5的圖像處理時間最長，比YOLOv7增加了120%，進(jìn)一步表明YOLOv7算法模型具有較高的紅外圖像識別故障效率。考慮變壓器故障檢測對設(shè)備能耗和計(jì)算能力的限制，YOLOv7算法具有計(jì)算內(nèi)存較低且較短圖像處理時間，能夠滿足變壓器故障的實(shí)際檢測需求。

2.3 故障檢測效果分析

為更直觀地體現(xiàn)故障檢測效果，本節(jié)利用紅外圖像對變壓器進(jìn)行故障檢測，并將YOLOv3、YOLOv4、YOLOv5與YOLOv7模型進(jìn)行比較，試驗(yàn)結(jié)果如圖3所示。在變壓器設(shè)備高溫故障情況下，YOLOv3模型對設(shè)備高溫的識別率較低，從而增加了漏判的可能性，并且YOLOv3模型的識別圖像效果較差，無法有效識別到設(shè)備高溫故障位置。雖然YOLOv4模型具備檢測故障的能力，但是容易將紅外圖像中的白色亮點(diǎn)誤解為設(shè)備高溫故障，進(jìn)一步導(dǎo)致故障識別準(zhǔn)確率降低。YOLOv5只能勉強(qiáng)識別設(shè)備高溫故障。而YOLOv7在實(shí)際設(shè)備高溫故障檢測表現(xiàn)出較強(qiáng)的適應(yīng)性，不僅可以有效識別高溫區(qū)域，圖像識別效果也較好，圖像分辨率遠(yuǎn)高于YOLOv3、YOLOv4和YOLOv5模型，進(jìn)一步表明經(jīng)YOLOv7模型優(yōu)化處理后的紅外圖像具有較好的檢測性能。

3 結(jié)論

經(jīng)YOLOv7算法模型處理后的紅外圖像具有較高的檢測效率，并且考慮設(shè)備故障檢測對設(shè)備能耗和計(jì)算能力的限制，YOLOv7算法計(jì)算內(nèi)存較低且圖像處理時間較短，能夠滿足變壓器設(shè)備故障的實(shí)際檢測需求。YOLOv7在實(shí)際高溫檢測中表現(xiàn)出較強(qiáng)的適應(yīng)性，不僅可以有效識別變壓器高溫故障區(qū)域，圖像識別效果也較好，圖像分辨率遠(yuǎn)高于YOLOv3、YOLOv4和YOLOv5模型。

參考文獻(xiàn)

[1]趙夢.基于紅外圖像的電力設(shè)備故障分析研究[D].西安：西安理工大學(xué)，2020.

[2]陳同凡.基于深度學(xué)習(xí)的變電設(shè)備紅外診斷技術(shù)研究[D].北京：華北電力大學(xué)，2021.

[3]恒源.基于紅外圖像處理的變電站設(shè)備故障診斷方法研究[D].長春：長春工業(yè)大學(xué)，2019.

[4]袁翰儒.基于紅外圖像的電力設(shè)備故障識別技術(shù)研究[D].哈爾濱：哈爾濱工程大學(xué)，2021.

[5]陳正宇，崔婷，安昌萍.基于ATPEMTP仿真的變壓器內(nèi)部故障分析[J].重慶：重慶電力高等專科學(xué)校學(xué)報，2021.

[6]劉釗.基于紅外熱成像的變壓器故障在線監(jiān)測系統(tǒng)[D].淮南：安徽理工大學(xué)，2017.

[7]黃勇.電力變壓器故障的紅外診斷技術(shù)應(yīng)用研究[D].重慶：重慶大學(xué)，2001.

[8]李文芳.基于紅外圖像的電力變壓器故障的在線檢測[D].淮南：安徽理工大學(xué)，2014.

[9]劉惠.多場景下結(jié)構(gòu)化車道線檢測方法研究[D].上海：上海工程技術(shù)大學(xué)，2017.