作为电力系统的重要组成部分，电力设备的安全稳定性是电力系统运行的基石，其运行状态直接关系到供电的可靠性、安全性和持续性。过热缺陷是电力设备最常见的缺陷类型，及时识别出电力设备过热缺陷并采取措施进行检修，对保证电力系统的安全稳定运行具有重要意义。

　　目前，电力设备过热缺陷检测主要通过人工对电力设备红外图像进行分析与判断，存在耗时长、工作量大等问题。近年来，快速发展的深度学习方法不依靠人工提取图像特征，凭借泛化性强、精度高与检测速度快等优点在电力设备过热缺陷检测领域得到大范围应用。

　　目前，电力设备过热缺陷的热图像检测方法主要通过提取温度特征信息进行诊断，直接在红外图像中进行过热缺陷的检测与定位仍存在准确率不高的问题。红外图像中过热缺陷特征尺度大小不一，在图像中占比小，以往模型难以在复杂的红外背景环境下准确提取出过热缺陷的有效图像特征信息。

　　为了有效监测电力设备运行状态，广东电网有限责任公司湛江供电局的林丽霞、吴悦园，提出一种基于改进YOLOv7（you only look once v7）的电力设备红外过热缺陷检测方法。

　　研究者采用YOLOv7目标检测网络作为基础检测网络，使用CIoU衡量矩形框的损失，同时将原网络的空间金字塔池化-跨阶段局部网络（SPPCSPC）结构替换为快速空间金字塔池化-跨阶段局部网络（SPPFCSPC）结构对模型进行改进，以增大模型感受野并提升对过热缺陷的检测性能。改进YOLOv7过热缺陷检测模型如图1所示，使用训练后的YOLOv7目标检测模型实现对电力设备红外过热缺陷的检测。

　　研究结果表明该模型能够有效检测电力设备过热缺陷，准确率达到90.39%、召回率达到78.95%、平均正确率达到89.64%，具有良好的识别效果。参照检测准确率、召回率与AP值，与不同损失函数、不同尺度算法模型进行对比分析，结果表明本改进方法能有效提升过热缺陷检测性能。经过变电站复杂场景检测验证，该方法具有较高的检测精度，可为电力设备过热缺陷红外检测提供参考。

　　本工作成果发表在2024年第1期《电气技术》，论文标题为“基于改进YOLOv7的电力设备红外过热缺陷检测方法”，作者为林丽霞、吴悦园。

　　☎️ 《电工技术学报》/6981；邮箱：☎️ 《电气技术》；邮箱： ☎️ 《中国电工技术学会电机与系统学报（英文）》：电话；邮箱： ☎️ 编务 ☎️ 订阅 ☎️ 商务合作/6838