配网设备多模态数据融合的无人机载荷全景谱图构建与状态评估

1. 引言

配网设备运行状态监测需同时关注外观缺陷（如锈蚀、破损）、温度异常（如接头过热）及局部放电等多维度信息。传统巡检方式需多次飞行采集不同类型数据，效率低下且数据关联性差。无人机载荷多传感器系统可同步获取多模态数据，但如何实现异构数据的有效融合与状态评估仍是技术难点。

全景谱图作为多模态数据融合的直观载体，可整合多源信息并实现可视化展示。本文基于无人机搭载的可见光、红外与声波传感器，研究多模态数据融合算法，构建配网设备全景谱图，并开发状态评估模型，实现设备运行状态的综合判断。

2. 多模态数据采集与预处理

2.1 数据采集系统无人机载荷系统包含：

可见光模块：2000 万像素高清相机，帧率 30fps，用于采集设备外观图像；

红外热成像模块：640×480 分辨率，测温范围 - 20℃-150℃，精度 ±(2^∘C+2%) ），获取温度分布图谱；

麦克风阵列：32 阵元，采样率 1MHz，采集局放声波信号；

系统同步控制三模块采集数据，通过时间戳对齐实现时空关联。

2.2 数据预处理

① 可见光图像预处理：采用自适应直方图均衡化增强图像对比度，通过 SIFT 算法实现设备区域分割；

② 红外数据校正：基于黑体辐射源进行温度标定，消除环境温度对测温结果的影响；

③ 声波信号滤波：应用带通滤波器提取 100kHz-1MHz 局放特征频段信号，去除低频噪声。

3. 全景谱图融合算法

3.1 图像配准

以可见光图像为基准，通过特征点匹配实现红外图像与可见光图像的空间配准：

① 提取可见光与红外图像的 ORB 特征点；

② 采用 RANSAC 算法消除误匹配，计算变换矩阵；

③ 对红外图像进行几何校正，使其与可见光图像像素对齐。

3.2 多模态融合策略

① 像素级融合：将红外温度信息以伪彩色叠加至可见光图像，形成 “外观 - 温度” 融合图；

② 特征级融合：提取局放信号的时域（峰值、脉冲数）与频域（主频、带宽）特征，映射至对应空间位置，生成 “温度 - 局放” 关联图谱；

③ 决策级融合：基于深度学习模型（如 YOLOv5），对融合图谱中的缺陷特征（如过热区域、局放源、锈蚀点）进行识别与标注，最终构建全景谱图。

4. 状态评估模型

4.1 特征提取

从全景谱图中提取三类特征：外观特征：锈蚀面积占比、破损程度量化值；温度特征：最高温度、温度梯度、过热区域面积；局放特征：局放强度、脉冲重复率、定位坐标。

4.2 评估模型构建

采用改进的随机森林算法进行状态评估：① 构建设备状态标签库（正常、轻微缺陷、严重缺陷）；

② 以提取的多模态特征为输入，训练随机森林分类器；

③ 引入注意力机制，增加温度异常与局放特征的权重，提升模型对关键缺陷的敏感性。

5. 实验验证

5.1 数据样本

采集 100 组配网设备数据（包含 50 组正常样本与 50 组缺陷样本），缺陷类型涵盖接头过热、绝缘子破损、导线锈蚀及局部放电。

5.2 实验结果

① 融合效果：全景谱图可清晰展示设备外观、温度分布及局放位置，空间配准误差小于 2 个像素；

② 评估精度：状态评估模型对轻微缺陷与严重缺陷的识别准确率分别为 88% 与 96%，总体准确率 92% ；

③ 效率对比：单设备全景谱图构建耗时 5s，较传统多趟巡检数据处理效率提升 80% 。

不同缺陷类型的识别准确率对比表

6. 结论

本文提出的多模态数据融合方法可有效整合配网设备多维度信息，构建的全景谱图实现了设备状态的直观化展示，状态评估模型准确率达 92% 。未来将优化融合算法的实时性，探索基于全景谱图的设备寿命预测模型，进一步提升配网运维的智能化水平。

参考文献

[1] 陶金龙,王学峰,余子彬,田亚山,王健.配电线路无人机巡检技术的应用研究[J].光源与照明，2022,9(3):148-150.

[2] 褚志刚,杨洋,倪计民,江洪.波束形成声源识别技术研究进展[J].声学技术，2013,5(6):430-435.

[3] 谭国俊.电力系统设备状态监测与故障诊断技术探讨[J].中国设备工程，2024,10(3):154-156.