基于支持向量機的小型變電站智能火災識別方法

劉楊

摘要：針對小型變電站火災識別不及時、智能化程度不高的問題，提出一種基于支持向量機的小型變電站智能火災識別方法。結合小型變電站當前的消防現狀，構建智能火災識別系統框架，通過視頻監控以及傳感器采集小型變電站現場實時數據，并基于電力物聯網進行數據傳輸以及圖像特征分析，利用支持向量機進行分類以對火焰的綜合特征進行判斷。經過實驗分析，小型變電站智能火災識別系統識別率顯著提高，對火焰圖像的判別準確，能夠有效識別小型變電站火災風險。

關鍵詞：火災識別；小型變電站；火焰特征；小波分解；支持向量機

中圖分類號：TP391? ????????文獻標識碼：A????????? 文章編號：1672-4437（2024）02-0059-04

隨著城鄉電力需求的不斷增長，小型變電站的分布愈加廣泛，數量也在不斷增多。多數小型變電站無人值守，無法及時發現火災詳情[1]。近幾年，互聯網技術以及數據分析技術的飛速進步為小型變電站的火災智能監控提供了新的可能。通常火災監控系統依賴于煙霧探測器以及溫度傳感器等硬件設備。單一采取傳感器進行火災監控可以在一定程度上發現火災并進行預警，但在實踐中這種監控方式卻存在諸多缺陷[2-3]，傳感器在復雜小型變電站環境中會出現較高的誤報率[4]，傳感器監控可能無法在火災初期及時發出警報。

鑒于此，本研究提出基于數據分析及處理的火災識別方法。結合支持向量機對小型變電站實時監控圖像進行分類分析，通過對火焰的綜合特征進行判斷，對小型變電站內部環境是否產生火災進行甄別。通過基于支持向量機的小型變電站智能火災識別，提高小型變電站火災監控的及時性和精確度。

1 小型變電站智能火災識別框架

1.1 小型變電站常見消防安全問題

小型變電站通常為110kV以下的變電站，是保證城鄉居民生產生活的重要基石[5]。小型變電站在我國分布廣泛、數量較多，多數變電站處于無人值守的狀態，存在一定的消防安全隱患。主要的消防安全問題表現為設備老化、絕緣材料老化、設備故障、過載和短路、外界影響等因素導致的電氣故障繼而引發火災[6]；自動滅火系統的設計缺陷、維護不足可能導致火災發生時系統無法及時有效地滅火[7]。常見的消防安全問題見表1。

電力物聯網的不斷發展，為小型變電站的火災識別提供了新的可能。運用變電站內部的視頻檢測以及傳感器裝置，可以更加準確全面地收集小型變電站環境數據。利用數據預處理以及向網絡層的數據傳輸，對小型變電站內部數據進行實時分析，以保證火災的實時監控和及時預防。基于此，提出結合支持向量機的小型變電站智能火災識別方法。

1.2 智能火災識別框架構建

小型變電站的智能火災識別系統基于電力物聯網構建[8]，結合支持向量對火災數據進行分類、分析，利用數據特征進行非火災以及火災的模式判斷。同時，設置相應的數據報警系統，在預測可能出現火災時能夠進行相應的預警提醒，保證小型變電站安全可靠運行。基于支持向量機的小型變電站智能火災識別系統的整體框架如圖1所示。

圖1中，采集層對小型變電站內部關鍵數據進行實時采集，如煙霧程度、濕度、溫度以及內部圖像等[9]；傳輸層基于電力互聯網構建，通常通過無線網絡進行數據傳輸；云平臺數據處理將小型變電站采集的數據進行實時分析，進行火災預測判斷并決定是否預警；小型變電站智能火災監控平臺通過云平臺數據反饋小型變電站的實時情況，同時設定對應的強提醒策略，以確保工作人員能夠及時發現火災險情，積極采取應對措施。通過對小型變電站的監控圖像進行實時特征分析，并結合支持向量機進行是否產生火災的判別，構建智能火災識別系統。

2 基于支持向量機的火災識別設計

2.1 支持向量機概述

支持向量機（SVM）本質上是一種二分類線性分類器[10]，依據特征空間的最大邊距進行線性分類，因此支持向量機廣泛適用于文本識別、圖像識別等模式識別方面。支持向量機區別于感知機，可以通過核函數進行實質的非線性分類。支持向量機的基本原理如圖2所示。

圖2中，設數據樣本的訓練集為 ，其中

與 均在-1至1的范圍內。通過支持向量機進行線性分類，需要依據訓練集M進行樣本數據的分析，得到對應的超平面，對不同的樣本訓練數據進行劃分。對于給定的樣本數據空間，進行超平面劃分可依據公式（1）。

（1）

公式（1）中，法向量用H表示，超平面方向由法向量決定，d表示對應的位移，也即原點與超平面之間的距離。對于訓練數據 而言，其對應的最大邊距可以描述為公式（2）。

（2）

公式（2）中， 情況下，將數據樣本稱作正樣本； 情況下，將數據樣本稱作負樣本。不同類型樣本支持向量作差，并在對應的法向量方向進行投影，得到二者之間邊距，如公式（3）。

（3）

由此結合支持向量機進行邊距的最大化處理，將其表示為公式（4）。

（4）

2.2 變電站圖像預處理

小型變電站的監控圖像預處理是圖像特征分析的先行步驟，其預處理的效果直接影響圖像特征分析的準確性、可靠性。本研究采用小波分解以及非線性增強進行數據圖像的預處理。對于一個二維圖像而言，將其進行離散小波變換之后可以表述為公式（5）。

（5）

公式（5）中，m在1至3的范圍內，n在1至N的范圍內， 表示對 進行多級小波分解，m表示方位，n表示尺度。進行多級小波分解時，其對應的系數表示為 ， 表示二維圖像對應的低頻信息， 包含噪聲以及高頻信息。由此對應的低通子帶表示為 ，對應的高通子帶表示為 。離散小波變換之后，需要進行進一步的去噪以及圖像增強處理，以保證圖像特征分析的準確性以及圖像細節的全面體現。

2.3 火焰特征分析

基于支持向量機的小型變電站智能火災識別系統需要對火焰特征進行具體分析，以明確火災情況，便于進行針對性處理。火焰特征通常表現為動態特征、靜態特征。靜態特征包括紋理、顏色、形狀等，其中顏色是一項較為突出、重要的火焰特征，可以明確反映火焰特性。

對于火焰顏色靜態特征，可以通過火焰亮度、RGB顏色亮度進行區別。在實際小型變電站環境中，通常火焰顏色與實際環境顏色會有明顯區別，且亮度顯著高于環境亮度。本研究將火焰亮度表示為 ，對應的RGB顏色特性分別表示為 ， ， 。

火焰動態特征可以通過火焰中心變化、火焰面積變化、火焰的燃燒頻率進行評價，以明確火焰在空間、時間兩個維度的變化情況。在得到火焰的靜態特性、動態特性之后，需要將二者進行融合，以進行更為直觀的火焰特征分析。火焰特征的融合通過時空數據的協方差實現。對于指定的圖像Q，其對應的圖像特征可以表示為公式（6）。

（6）

公式（6）中， 表示火焰的靜態特性以及動態特性的總和數據。對于圖像Q中的一部分Z而言，其對應的維度特征向量可以表示為 ，那么對應部分圖像Z協方差圖像特征可以通過公式（7）描述。

（7）

公式（7）中，協方差用 表示，對應的特征均值用 表示。由此建立基于支持向量機的小型變電站火災圖像分析模型，具體的火災圖像特征分析流程如圖3所示。

圖3中，針對火災圖像的特征分析，主要結合研究采用的火焰動態特性、靜態特性進行辨別。同時依據支持向量機進行圖像特征分類，判斷小型變電站存在火災與否。

3 實驗結果分析

3.1 實驗設計

實驗采用Windows系統，模擬仿真通過Matlab實現，利用攝像機采集小型變電站監控圖像，構成測試數據集。測試數據集中，包含火焰圖像200張，正常環境圖像100張。實驗分別從火焰圖像的識別結果、火焰圖像特征的識別率兩個方面進行驗證，比較基于支持向量機的小型變電站智能火災識別系統的優越性。

3.2 火焰圖像識別結果

從300張實驗圖像中隨機抽取10張圖像進行火焰圖像識別，其中包含火焰圖像7張，正常環境圖像3張。抽取圖像并按照1，2，…，10的順序進行編號。其亮度特征的識別結果如圖4所示。

圖4中，亮度特性在0.923至0.994的范圍內，10組圖像亮度檢測結果分布不同。這也說明亮度檢測能夠明顯區分不同圖像的亮度特征。隨機抽取火焰圖像的RGB顏色特性監測結果如圖5所示。

通過對圖像靜態特性進行識別，并結合圖像的動態特性，得出最終的圖像檢測結果，見表2。

表2中，火焰圖像結果定義為1，正常環境圖像結果定義為0。基于支持向量機的小型變電站智能火災識別系統隨機抽取的10張圖像可以正確檢測圖像中是否存在火焰，且均與實際結果相符。同時結合圖4與圖5，可以看出單一的火焰亮度特性或者RGB顏色特性無法準確反映圖像中是否存在火焰，體現出將火焰的靜態特性與動態特性進行綜合判斷的必要性。

3.3 火焰圖像特征識別率

為進一步比較火焰單一特征、綜合特征識別的準確性，設置對比實驗。實驗設置分別通過靜態特征、動態特征、綜合特征進行火焰識別結果判斷，圖像數量判斷由50張不斷遞增，圖像均為隨機抽取。識別對比結果見表3。

表3顯示，火焰圖像特征的識別率對比實驗中，單一從火焰的靜態特征或者動態特征判斷，火焰圖像的識別率均不超過50%。隨圖像檢測數量的增加，火焰識別率也在逐漸降低。采用融合特征進行火焰識別，圖像數量100張以內，識別率均為100%。圖像檢測數量增加，火焰圖像識別率依舊能保持在較高水平。

4 結語

通過對小型變電站內部圖像進行實時監控，并結合支持向量機對視頻圖像進行分析，以識別火災。實驗對比顯示，小型變電站火災識別系統通過對火焰的綜合特征進行檢測，火焰圖像的識別率提升效果明顯。相比單一的特征檢測，綜合特征檢測的準確度更高。系統充分考慮小型變電站的實際場景需求，具有較強的適用性。

參考文獻：

[1]徐厚友，胡晨煒，郭昆，等.基于傳感器技術和水封效應協同的VOCs廢氣處理系統火災監測及阻隔裝置設計[J].工業安全與環保，2024，50（2）：64-67.

[2]楊武，余華云，趙昕宇，等.重參數化YOLOv5s的森林火災檢測算法[J].無線電工程，2024，54（2）：284-293.

[3]張君杰.基于光纖溫度傳感的高速公路隧道機電設備監測[J].交通科技，2024（1）：92-95.

[4]范偉強，李曉宇，劉毅，等.基于可見光視覺特征融合的礦井外因火災監測方法[J].礦業科學學報，2023，8（4）：529-537.

[5]費正龍.基于ZigBee的室內火災監測報警系統[J].物聯網技術，2023，13（11）：35-36，39.

[6]甘緒桐，陳寶瑞，熊劍敏，等.基于LoRa無線通信技術的電氣火災監測方法研究[J].現代傳輸，2023（6）：42-45.

[7]侯曉云，王書堂.基于NB-IoT的火災監測與預警系統設計[J].集成電路應用，2023，40（9）：383-385.

[8]楊春迪，陸娟，儲增幫，等.基于STM32F103RBT6單片機的新型森林火災監測報警裝置研究[J].科技創新與生產力，2023，44（8）：124-126，130.

[9]孫厚軍.高速公路隧道火災監測中光纖光柵測溫及紅外火焰探測器的實踐探究[J].城市情報，2023（21）：203-205.

[10]牛衛東.火災監測預警在鐵路牽引供電系統的應用[J].設備管理與維修，2023（22）：145-147.