BP神經網絡下的紅外測溫圖譜溫度識別

國網湖南省電力有限公司常德供電公司 蔡 杰 劉 星 潘 煒 毋靖軒

紅外測溫技術廣泛應用于電力設備巡檢，通過對測溫圖譜分析能夠有效發現電力設備異常狀態，及時消除設備隱患對維護電力系統穩定具有重大意義。紅外測溫設備眾多，數據龐大，目前依靠人工進行數據整理效率低下，且眾多的紅外數據無法進行整合，不便于進行大數據的綜合分析處理。基于此，文章利用BP神經網絡算法，對紅外測溫圖譜的溫度識別進行了研究，并通過實際圖譜對該算法的正確性和有效性進行了驗證。驗證結果表明，利用BP神經網絡算法不僅為實現紅外測溫數據自解析和圖譜數據的自動診斷功能奠定基礎，還可以進行大數據的積累，進一步提高變電站的智能化水平。

隨著電網規模不斷擴大，電力設備的正常運行保障工作越來越重要，其中電力設備的溫度監控成為設備安全保障的關鍵部分。紅外精準測溫工作全程采用人工監控的方式不僅存在人力成本高、人為漏判或誤判等問題，而且可能會出現數據丟失或者數據更新不及時的情況，這使得變電設備測溫工作效率低下，數據可靠性和有效性方面令人難以滿意。因此，為了解決人工識別分析圖譜的低質量、低效率問題，紅外圖譜智能識別成為了一種新的發展方向。

基于紅外圖譜的設備故障識別，最重要的是圖譜溫度的識別。紅外圖譜的溫度信息可作為判斷變電設備電流制熱型故障的直接依據，也是判斷電壓制熱型故障的基本特征數據。本文研究一種BP神經網絡算法，利用BP神經網絡算法對圖譜溫度進行識別，提取紅外圖譜溫度條上下限溫度以及區域測溫最大值溫度等信息，為紅外圖譜溫度識別算法奠定基礎。

圖1 BP神經網絡的拓撲結構

1 BP神經網絡

BP算法的基本思想是，學習過程由信號的正向傳播與誤差的反向傳播兩個過程組成。正向傳播時，輸入樣本從輸入層傳入，經各隱層逐層處理后，傳向輸出層。若輸出層的實際輸出與期望的輸出不符，則轉入誤差的反向傳播階段。反向傳播時，將輸出以某種形式通過隱層向輸入層逐層反傳，并將誤差分攤給各層的所有單元，從而獲得各層單元的誤差信號，此誤差信號即作為修正各單元權值的依據。

BP神經網絡包含三要素：網絡拓撲結構、傳遞函數和學習算法。本文采用的拓撲結構如圖1所示，傳遞函數采用閾值型變換函數，學習算法采用最小均方差規則。

2 BP神經網絡對紅外測溫圖譜溫度識別

紅外測溫圖譜溫度識別系統如圖2所示，由圖像處理、特征提取和分類識別三個部分構成。圖像處理部分主要是對圖像進行灰度處理、圖像分割和歸一化處理；特征提取主要是提取圖譜的特性向量；分類識別主要是進行BP網絡訓練并檢驗訓練結果。

圖2 識別流程圖

2.1 圖像處理

2.1.1 灰度轉換和二值化通過以下灰度化公式將RGB圖像轉化為灰度：

其中上式的浮點算法將R（紅色）、G（綠色）和B（藍色）三色全部轉化為Gray（灰色）。

圖像的二值化是根據Gray大小對應轉化為0～255中的灰度值。通過以上兩步即可實現圖像灰度化和灰度值的二值化。

2.1.2 圖像分割

通常紅外圖譜包含以下數字信息：最大溫度、溫度條上限溫度以及下限溫度，如圖3所示。進行紅外圖譜數字信息識別前，必須正確的選取特定的溫度圖像區域，即對原始圖像指定區域進行裁剪，本文需要識別的圖像區域為左右像素范圍為[48，150]，上下像素范圍為[8，42]，對此像素范圍的圖片進行裁剪，得到紅外圖譜實時溫度圖片如圖4所示。

圖4為圖3所示圖譜的實時溫度信息，該裁剪的圖譜含有干擾色素，實際情況下，干擾色素會隨環境和拍攝角度等多方面因素影響，導致圖像較為模糊，若直接對該圖片進行識別，可能會產生較大的誤差，造成溫度識別失敗。對圖片進行增強，以弱化背景干擾，閾值法是常見的一種圖像增強方法。根據實驗測試，發現對于現有紅外圖譜集而言，將閾值設定為210是最為合理的，經過增強后的圖像如圖5所示。

圖3 某變壓器套管紅外圖譜

圖4 紅外圖譜實時溫度圖片

圖5 圖像增強前后對比

最后對圖像進行切割，逐個對其識別。圖像切割過程其實就是對二值矩陣分片的過程，找到1到255和255到1的過渡點判斷出切割點的位置。切割過程如圖6所示。

圖6 數字圖像垂直分割過程

2.1.3 圖像歸一化

圖像分割之后得到多個分割區域，不同分割區域寬度有所不同，將不同區域轉化為二維灰度值矩陣會存在矩陣的維度不一致，這會給后續的計算帶了很大的麻煩。解決維度不一致的方法就是對分割區域進行歸一化處理。

取若干紅外圖像，截取其數字樣本，對數字1～9以及小數點的圖像分別截取兩張進行歸一化處理后，保存到固定目錄。因紅外圖像中的數字都為規則印刷體，因此每個數字（小數點）不要大量的學習樣本，本文對每個數字（小數點）取兩張圖片作為訓練樣本。

2.2 特征提取

分割的圖像進行歸一化處理之后，各個分割塊轉化成的灰度矩陣維度就得到了統一，這就為從灰度矩陣中提取圖像特征提供保證。逐像素特征提取法是一種簡單有效的特征提取方法，它對灰度矩陣中每個進行遍歷，令黑色像素特征值為1，白色像素特征值為0。遍歷完成后就得到了對應的特征向量矩陣了。

2.3 分類識別

BP算法實現步驟如圖7所示，本文設計的BP網絡為簡單的三層網絡。

圖7 BP算法實現識別步驟

利用BP算法進行識別的第一步是網絡參數的設定。初始偏置全部設置為零，學習效率設置為0.005，訓練次數設置為10000次。

第二步是激活前向傳播，并計算損失函數。損失函數的期望值為：

其中θ表示參數集合，yji和分別表示真實值和輸出值，n表示數組的維度，m表示數據的組數。

第三步，計算誤差項。根據損失誤差，分別計算隱含層的誤差項和輸出層的誤差項。損失函數關于隱含層的偏導數即為隱含層的誤差項，損失函數關于輸出層的偏導數即為輸出層的誤差項。

第四步，更新網絡權值和偏置值。根據隱含層的誤差項和輸出層的誤差項對BP神經網絡中的權值和偏置項進行更新。

重復第二到第四的步驟，直到損失函數小于事先設定的控制閾值或者達到最初設定的迭代次數，此時輸出端計算的參數就是BP網絡下的最佳參數。

3 實驗結果分析

通過建立BP神經網絡，利用MATLAB進行仿真，仿真選用5000個訓練樣本，訓練時間約為1.5min。仿真結果表明圖像有效識別率高達99%。訓練結束后，我們將50張檢測圖譜輸入進行驗證，部分驗證結果如表1所示。

表1 紅外測溫圖譜進仿真識別結果

根據表1所示的紅外測溫圖譜仿真識別結果可知，利用BP神經網絡算法對紅外測溫圖譜溫度的識別正確率極高。BP神經網絡算法不僅為實現紅外測溫數據自解析和圖譜數據的自動診斷功能奠定基礎，還可以進行大數據的積累，進一步提高變電站的智能化水平。

結束語：本文利用BP神經網絡算法，對紅外測溫圖譜的溫度識別進行了研究，并通過實際圖譜對該算法的有效性和可靠性進行了驗證。試驗結果表明，利用BP神經網絡算法對圖譜的識別不僅速度快，而且正確率非常高。這為電網和電力設備以后的紅外圖譜故障診斷的自動化和智能化提供了一種新的發展思路，同時也開辟了一個廣闊的研究領域。