基于深度學習算法的變電站設備溫度異常檢測方法

陳立斌

（國網宜興市供電公司，江蘇 無錫 214200）

0 引 言

變電站設備因溫度異常導致故障的現象較為常見，如果變電站設備溫度異常檢測未受到重視，或者異常溫度檢測的精度低，不能及時發現變電站設備存在的故障，則將給電力系統的安全運行埋下隱患。所以，準確檢測變電站設備的溫度變化是安全供電不可或缺的一部分。

深度學習算法是一種機器的自主學習過程，其將人工智能領域的知識引入機器學習，基于數據分析的角度來進行研究，解決了傳統檢測方法得到的數據不夠準確的情況。

1 深度學習算法的設備溫度異常檢測

1.1 提取變電站設備區域圖像

通過把變電站設備區域內的圖像進行提取和分析，主要是針對設備區域內的溫度情況進行檢測，并根據所提取的圖像來進行分類，著重設備溫度異常區域的檢測。而對于圖像的處理方式，主要就是通過把溫度異常區域的對比度和高光進行增強，因為在傳統的系統中，溫度檢測的圖像分辨率比較低，2個區域中間的界面比較模糊，所以需要增加圖像的對比度。信噪比也稱為迅噪比（Signal-Noise Ratio，SNR），是表示電子設備中目標信號的強度與噪聲之間的比例關系，用WSNR表示，計算公式為

式中：βA表示一目標區域灰度的平均值；βS表示為整個區域背景灰度的均值；ηS則表示為整個區域背景灰度的標準差[1]。

圖像變化處理是一種為了解決目標范圍內圖像亮度不均勻的處理辦法。進行開運算得到的差值為p，計算公式為

式中：(t°k)為主要結構的元素進行開運算的值。

根據式（2）可以得到區域內大小各不相同的結構元素，從而可以提取出該目標區域的特征，然后再對其中需要用到的特征來進行亮度處理，這樣就可以增強該目標區域內的對比度情況，解決分布不均的情況出現。即通過該區域主要結構的元素大小與實際目標的大小來相互進行對應，提取出該變電站區域內圖像的具體情況，實現對該區域進行分割的目的。

1.2 分割設備溫度異常區域

在（f+g）×（f+g）的一定區域范圍內，分別用β(a,b)和η2(a,b)來表示灰度均值和目標區域方差，具體為

式中：d(x,y)表示區域的灰度值；β(a,b)表示中心位置的像素區域值[2]。

選擇合適結構的元素，再通過移動來完成從原本構成的圖像到局部位置的方差圖像的影射。區域內溫度顯示圖像的像素有N個級別的灰度值a,b=0,1,…,N。圖像中任意一個位置(x,y)的平均值為

原始圖像中任何1個位置(x,y)的數值都能夠轉變成為1個由灰度值d(x,y)和灰度值的平均值s(x,y)所組成的平面坐標位置。(a,b)用來表示整個圖像的區域范圍，其中a為某1個位置的灰度值，b則為整個區域灰度值的平均數值。那么對G×G的整個區域內圖像來說，如果(a,b)的頻率v(a,b)，則所對應的整合密度的概率值為

式中：j(a,b)表示原始圖像中任何1個位置的灰度值和灰度值的平均值所組成的平面坐標。

設備溫度異常的區域通過分割的方式會產生出大量的小規模區域范圍，主要就是利用局部區域計算出的方差值，來使原本區域內和相鄰區域內的灰度存在一定程度上的差值。采用這樣的辦法可以提高一定程度上的容量率，來保證對此區域內的溫度進行全方面監控，從而可以高效地看出區域內的不同區別[3]。

1.3 深度學習算法檢測溫度異常

深度學習算法是根據原本圖像作為基礎輸入的數據信息，主要由輸入層、處理層、整合層、連接層和輸出層5個部分組成。在處理層中，通常根據長、寬和高來進行指示處理，計算公式為

式中：E是平面坐標；U是平面處理層數據值；x和y分別為a×b范圍內對應點的位置，兩者組成的區域就是由深度學習算法檢測出的溫度區域。按照指令所得到的數值越趨近于數字1，表示其穩定性和準確性越高。

深度學習算法主要就是現有的系統算法在溫度存在異常的情況下，高效地檢測出溫度異常的表現。采用深度學習的算法來對整體數據進行分類處理，從而提高處理溫度異常狀態的學習能力。在學習算法的選擇上，因為需要解決界限模糊的非明顯圖像，所以屬于與非線性相關的問題，需要利用深度學習的算法實現對這種非線性圖像進行分類處理，從而提高整體圖像的識別率[4]。綜上所述，通過增加深度學習算法這一步驟可以檢測出變電站設備溫度異常的情況。

2 應用的實驗測試

2.1 實驗準備工作

為了測試提出的變電站設備溫度異常檢測方法的準確性和實際使用效果，選擇某工業產區變電站為實驗的場地，測試實驗的周期為1個星期共計7 d。采集數據量為50組，將樣本分成測試組共40組數據和對照組共10組數據。在訓練組中選取任意1天，其部分數據見表1。

表1 變電站溫度檢測數據

本次實驗中溫度檢測的流程如圖1所示。

圖1 深度學習算法溫度檢測圖

由于實驗時間較長，可能會出現數據異常或者缺失等情況，因此需要在訓練之前篩選數據，選擇出有效的數據[5]。

2.2 數據監測及反饋結果

實驗測試是同一變電站設備在相同時間內進行的。將測試組的40組數據平均分為A、B這2組，其中A組為使用傳統辦法來進行溫度異常檢測，而B組則是使用深度學習算法后來對設備溫度進行檢測。為了保證此次實驗的結果更加準確，并且保證得出的結果不是無效的，本次實驗將對比20組數據，并將此數據與對照組的10組數據進行對比，具體如圖2所示。

圖2 測試組和對照組檢測溫度對比圖

由圖2可知，傳統方法檢測出的溫度與原始數據存在較大的誤差，而應用深度學習算法檢測出的溫度情況與原始數據基本上會保持一致，不存在較大的誤差[6]。

通過大數據計算機計算得出，傳統方法檢測得出的溫度輸入指令后的結果為0.753 2，而深度學習算法檢測出的溫度輸入指令后得到的結果是0.987 6，更加接近于1，表示該算法使變電站設備的溫度異常檢測更加準確。

綜上所述，傳統方法無法準確判斷出溫度異常情況，使用深度學習算法過后，更加容易且準確地判斷出變電站設備溫度異常的狀況。

本文方法可以有效檢測出變電站設備是否異常運行，從而為變電站的運行提供準確的數據參考，并提高運行效率，降低設備溫度異常點數量。以設備溫度異常點數量反映本文運維方法的有效性，設備溫度異常點數量越低，表明應用本文方案后設備運行正常狀態有所提升，即本文方法具備有效性。實驗時長為12 d，累計設備溫度異常點數量，實驗結果如表2所示。

表2 設備溫度異常點數量

根據表2的數據可知，應用設計方法和傳統方法前，變電站設備溫度異常點數量達到了11個，溫度異常點數量多的情況是設備運行時間較長，但是在應用2種方法后，設備溫度異常點數量均有降低，其中應用本文方法后，設備溫度異常點數量明顯降低，在第12天時，該數量僅為4個，傳統方法的設備溫度異常點數量為8個相比可知，本文方法有效降低了設備溫度異常點數量，提高了設備運行效率。

3 結 論

此次溫度異常檢測方法是在當前擁有的檢測方法基礎上，結合深度學習算法研究出更適合當前變電站設備使用的溫度異常檢測方法。但變電站溫度檢測的設備只依賴深度學習算法，無法針對溫度差異特別小的設備，容易出現誤差，從而影響后續溫度檢測的準確性。今后可以在此算法的基礎上進行優化，添加可以使溫度更加精確的算法，將誤差控制在盡可能小的范圍內，從而得到更加準確的變電站設備溫度異常檢測方法。