【摘 要】文章针对变电站设备缺陷检测与风险分级问题，采用多模态数据驱动方法，结合压电传感器、红外热像仪等设备获取振动、温度、电气以及图像数据，使用两级融合架构，基于特征级注意力加权和决策级DS证据理论改进YOLOv8，构建缺陷检测模型。经实验表明，该方法准确率可达94.2%，远高于单一模态；使用缺陷特征、设备属性和环境因素确定三级风险指标体系，并用加权求和模型进行风险分级，将设备分为低、中、高、极高四个等级；针对不同等级制定相应的管控策略，可实现变电站设备缺陷精准判识和风险科学分级的目的，为变电站运维提供一种新的有效方法。

【关键词】多模态；数据驱动；变电站设备；缺陷检测；风险分级

引言

变电站是电力系统的骨干枢纽，变电站内的设备运行状况直接决定了电网的安全、稳定运行[1]。当电网规模越来越大、运行的设备越来越复杂时，利用单个监测参数可能无法全部找到设备中潜藏的问题，且传统检测方法可能会出现漏判或误判[2]。为了解决以上问题，本文基于多模态数据驱动的检测、风险分级的技术改进传统检测模式[3]，针对变电站振动、温度、电气、图像4类数据进行采集，并采用特征级与决策级融合方式设计缺陷检测模型，借助改进YOLOv8框架实现缺陷精准定位；提出由缺陷特征、设备属性、环境因素构成的三级风险指标体系，以加权求和的方式实现风险分级，从而将分类结果反馈至后端产生差异化管控措施，服务于整个变电站设备运维阶段。

一、变电站设备多模态数据采集

变电站设备多模态数据是确保电力系统安全稳定运行的重要数据信息，主要包括四种数据类型，以各自的方式反映设备状态。其中，振动数据主要通过安装压电加速度传感器采集设备中旋转部件或活动部件的振动数据。该类传感器可以安置于变压器、开关柜等设备中。2 kHz的采样频率能够细致地反映机械振动信号的变化，既可以表达振动幅度，又可分析振动频率特征，进而量化分析轴承磨损、部件松动等情况下的机械故障。

另外，温度数据则是由“红外热像仪+光纤光栅传感器”组成的数据采集方案。“红外热像仪+光纤光栅传感器”每隔30 min形成一张设备表面温度场图像，直观地反映散热的整体状态；“红外热像仪+光纤光栅传感器”埋设在绕组及接头等位置，可实时将温度值传到后台，对内部热源的变化情况进行精准监测，避免局部过热导致故障。

二、基于多模态数据融合的变电站设备缺陷检测

（一）多模态数据融合方法

多模态数据融合采取两层架构，分级处理实现数据价值最大化挖掘，在设备缺陷精准诊断方面有着重大支撑作用。特征级融合侧重于原始数据本身的特征提取和归并工作，先单独抽取振动频域特征、温度梯度特征、电气参数特征、图像尺度不变特征变换（ScaleInvariant Feature Transform，SIFT），再将各模态之间的特征连接起来。在该过程中，利用注意力机制根据实时情况为不同的模态分配权重，其中振动特征为0.3，温度特征为0.25，电气特征为0.2，图像特征为0.25，最后得到融合的特征向量。此融合方式保留了每种模式的优势部分，既涵盖了振动信号的机械特性，又包含了温度场的热分布，同时拥有电气参数随时间变化的规律以及图像中的视觉特征。

决策级融合主要根据单一模态缺陷检测的结果，针对机械异常采用支持向量机振动模式辨识，针对过热风险运用逻辑回归判定，针对电气/图像模式参数异常和外观缺陷采用卷积神经网络模型判定。然后，运用DS证据理论对各独立结果进行合成，并设置阈值为0.7，以有效去除低可信度判断。