★ 河北大唐國際豐寧風電有限責任公司 郁迎春

關鍵詞：煙霧識別；特征向量；頻域能量分析；SVM分類器

在風電運行場景環境中，煙霧的產生不僅是影響風電場周邊區域氣候穩定性的因素之一，也是對風電設備運維人員健康以及風電設備安全穩定運行造成潛在危害的危險因素之一。因此，如何準確且及時地識別出煙霧非常重要，無論是對于保障風電安全生產還是維護風電場生態環境都具有重要的意義。

近年來，文獻 [ 1]提出了YOLOv8煙霧識別算法，該算法在輕量化的GhostNet架構里巧妙嵌入了CBAM注意力機制。此機制可自動靈活調整風電場景中不同區域的關注度，讓風機葉片起火、電氣設備故障等產生的關鍵煙霧特征優先被處理與精細分析。不過，該算法在強風沙、低光照等特定風電環境下存在局限，影響煙霧識別精度；文獻 [2]提出了基于CNN和Transformer特征融合的煙霧識別算法，該方法改進了Inception模型，引入了Transformer自注意力機制，并融合了其學習全局風電場景上下文信息與卷積神經網絡學習局部風機部件相對位置信息的能力。特征提取時嵌入FCU模塊，持續交互雙分支信息以保留局部和全局特征。但該方法在強風干擾、復雜光照等風電極端環境下，易出現特征混淆，影響煙霧識別準確率。

為突破上述瓶頸，亟需設計一種適配風電場特殊工況的智能煙霧識別算法。為此，本文提出了一種基于煙霧嫌疑指數的智能煙霧識別算法。該算法通過融合煙霧嫌疑指數的分級識別機制，為風電安全生產提供了可靠技術保障。

1   面向風電應用的智能煙霧特征向量提取

在眾多特征向量中，找到最能表征煙霧的特征向量是進行特征提取的前提。特征向量的選擇對煙霧識別的準確性有很大的影響，所以對煙霧信號進行特征提取非常重要。在風電場煙霧識別場景中，監測設備捕捉的煙霧信號包含了大量反映煙霧屬性，如濃度變化、擴散速率、頻譜特征等的信息，對其進行分析可獲取煙霧的關鍵特征[3]。但風電場的煙霧受強風、極端光照、沙塵等復雜環境因素影響，其信號的幅值、頻率、持續時間等特征具有顯著的動態性和不確定性，難以直接通過信號觀測掌握其內在規律。為了揭示煙霧的本質特征， 需要針對性的特征提取方法來挖掘其穩定的區分性信息。結合風電場景煙霧的動態特性與信號特征分析方法，本文提出了面向風電應用的煙霧特征提取策略。

當風電場出現煙霧時，煙霧信號在不同頻段及不同時間窗口上的能量分布會發生顯著變化。針對第個煙霧信號樣本在第個頻段原始能量值， 可構建計算公式如式（1）：

式（1）中， xi (k)表示對第i個煙霧信號樣本進行傅里葉變換后在頻率點k處的復數幅值[4] ；7j 70、j分別表示第j個頻段的起始頻率和終止頻率；A7表示頻率分辨率，即相鄰兩個頻率點之間的間隔， 由信號采樣率和傅里葉變換點數決定[5]。該公式通過累加特定頻段內信號頻譜幅值的平方與頻率分辨率的乘積，量化煙霧信號在該頻段的能量強度，既符合信號能量的頻域計算邏輯，也能適配風電場中煙霧與背景干擾在不同頻段的能量差異特征，為后續歸一化處理和特征提取提供了基礎。

將煙霧在信號不同頻段和時間窗口上的能量特征作為基本單元，構造特征矢量，能夠有效提取煙霧的區分性特征。由于不同場景下（如強光、弱光）煙霧的能量特征差異較大， 需要對能量特征進行歸一化處理，公式如式（2）所示：

式（2）中，Ei  j表示第i個煙霧信號樣本在第j個頻段的歸一化能量值[6] ；Ei  j表示第i個煙霧信號樣本在第j個頻段的原始能量值； minEj  、max (Ej分別表示所有樣本在第個頻段的能量最小、最大值[7]。

通過計算上述各頻段和時間窗口的能量，能夠構建煙霧特征向量矩陣。當某一能量特征值大于設定的閾值時，認為該特征對煙霧識別具有顯著貢獻，對其進行歸一化處理后，即可得到標準化煙霧特征向量。

2   基于煙霧嫌疑指數的智能煙霧識別

風電場中煙霧的早期識別對設備安全至關重要。煙霧的出現可能預示著電氣故障、葉片起火等險情，若未能及時識別，可能引發設備損壞甚至火災蔓延。煙霧嫌疑指數作為一種量化指標，有助于衡量監控信號中存在煙霧可能性的大小，可為風電場景的煙霧識別提供有力支持。該方法將煙霧的能量特征Ei j與煙霧嫌疑指數相結合，令煙霧的能量特征Eiaj作為模型的一個輸入特征，以此進行煙霧識別。

煙霧嫌疑指數，計算公式為式（3）：

式（3）中，k、wj分別表示煙霧特征各指標的權重和第j個頻段的能量指標權重；  ri.k表示第i個煙霧信號樣本中第k個特征的狀態值[8]。煙霧能量特征Ei j的引入，能強化對煙霧在特定頻段信號強度的關注，可有效區分風電場中煙霧與風沙、設備振動等干擾信號的能量差異。

該方法根據風電場煙霧信號的特征分布，利用煙霧的能量特征Eiaj強化對高嫌疑煙霧信號在關鍵頻段的特征捕捉，突出了不同嫌疑程度煙霧的能量差異，并使用訓練樣本集和包含E的煙霧嫌疑指數等特征，對模型進行訓練，通過不斷調整模型參數，使模型能精準識別高嫌疑煙霧信號與低嫌疑干擾信號。在訓練過程中，模型會結合能量特征Eiaj所反映的嫌疑特征，尋找最優分類面，以確保高嫌疑樣本被明確識別、低嫌疑樣本被有效排除，且所有樣本點到分類面的距離之和最小。在風電場煙霧識別中，樣本的嫌疑程度存在差異：部分樣本是明確的高嫌疑煙霧，部分是低嫌疑干擾，還有些是模糊的中等嫌疑樣本。引入樣本點到分類面的距離之和并追求其最小化，核心目的是強化模型對不同嫌疑程度樣本的區分穩健性。

對于訓練集中的 一 個樣本 ai ，其函數間隔為式（4）：

式（4）中，o表示超平面權重； Z表示偏差； hi表示樣本標簽（1為含煙霧， -1為非煙霧）。通過引入煙霧嫌疑指數λi，可使模型在計算樣本與分類面的間隔時，對高嫌疑樣本賦予更高的區分優先級，提升其被正確分類的置信度，同時弱化低嫌疑干擾樣本對分類面的影響，使其適配風電場復雜環境下的煙霧識別需求。

結合函數間隔ui，構建以下如式（5）所示分段式函數用于識別不同煙霧狀態：

式（5）中，8i表示高程度煙霧閾值，對應特征清晰、易識別的煙霧（如受環境干擾較小的典型煙霧） ； 82表示中程度煙霧閾值，對應特征受一定環境干擾但仍可識別的煙霧；g3表示低程度煙霧閾值，對應特征微弱、易與干擾混淆的煙霧。各閾值需根據風電場實際場景通過實驗校準，以適配不同環境下的煙霧程度識別需求。

3   實驗

3.1   實驗概況

駱駝溝風電場共計5臺東汽FD70B風電機組需要安裝新型智慧消防系統，其設備統計如表1所示。

表1 設備相關參數

駱駝溝風電場位于豐寧滿族自治縣西北約60km、沽源縣東南約47km， 其西側為灤河源草地生態自然保護區。風電場地處東經115°59′～116°12′、北緯41°22′～41°33′之間，海拔高度：1700～2200m，極端最高氣溫： 34 .5℃,  極端最低氣溫：-39 .9℃,   10分鐘平均最大風速為20m/s。其冰凍期約8個月， 夏季雷暴頻發，冬季白毛風天氣常見，進場及檢修道路交通不便，經常嚴重積雪，場區內瞬時風速最高達到46m/s，10分鐘平均風速最高達到28m/s。該處自然環境很苛刻，主要氣候特征是氣壓低、氣溫低、氣溫日變化大、絕對濕度低、太陽輻射強等惡劣的氣候特征。

3.2   實驗指標

風電場環境復雜多變，為了驗證本文所設計算法具備良好的適應性，我們設置了兩種實驗場景：一種是強光照條件下，另一種是弱光照條件下。

強、弱光照條件下，實際煙霧識別精度如圖1所示。

圖1 實際煙霧識別精度

由圖1可知， 在強光照射下，煙霧與背景之間的對比度通常較高。煙霧由于其特殊的物理性質，會對光線產生散射和吸收，在強光環境下這種特性表現得更為明顯，使得煙霧的輪廓、紋理等特征更加清晰可辨。因此，在強光照條件下的煙霧識別精度最大值達到了0.9；弱光環境下，光線不足導致煙霧與背景之間的對比度降低，煙霧的輪廓變得模糊不清，難以與周圍環境區分開來。在弱光照條件下，煙霧識別精度最大值僅為0.6。

3.3   實驗結果與分析

使用YO LOv8煙霧識別算法、基于CNN和Transformer特征融合的煙霧識別算法，以及面向風電應用的智能煙霧識別算法，對比分析這三種算法的煙霧識別精度，結果如圖2所示。

（a）YOLOv8煙霧識別算法

（b）基于CNN和Transformer特征融合煙霧識別算法

（c）基于煙霧嫌疑指數的智能煙霧識別算法

圖2 三種不同方法的煙霧識別精度對比結果

由圖 2可知，使用YO LOv8 煙霧識別算法，在強、弱光照條件下的煙霧識別精度最大值，分別為0.8和0.5，與實際識別結果不一致；使用基于CNN和Transformer特征融合的煙霧識別算法，在強、弱光照條件下的煙霧識別精度最大值，分別為0.74和0.5，與實際識別結果不一致；使用基于煙霧嫌疑指數的智能煙霧識別算法，在強、弱光照條件下的煙霧識別精度最大值，分別為0.9和0.6，與實際識別結果一致。

4   結束語

針對風電場強風沙、光照突變等極端環境，本文提出了一種融合頻域能量特征與煙霧嫌疑指數的智能識別算法。該算法構建了頻段能量量化模型，提取了具有強區分度的煙霧特征向量，并設計了煙霧嫌疑指數加權模型，實現了高嫌疑煙霧的優先識別與干擾信號的主動過濾。實驗結果表明，該算法在強光/弱光下的識別精度最大值，分別為0.9和0.6，與實驗指標一致，證明了該算法在輸變電設備火災預警中得到了有效應用。

作者簡介：

郁迎春（1992-），男，江蘇新沂人，助理工程師，現就職于河北大唐國際豐寧風電有限責任公司，研究方向為智慧消防。

參考文獻：

[1] 胡久松, 劉張馳, 余謙, 等. 融入GhostNet和CBAM的YOLOv8煙霧識別算法[J]. 電子測量與儀器學報, 2024, 38 (8) : 201 - 207.

[2] 付燕, 楊旭, 葉鷗. 基于CNN和Transformer特征融合的煙霧識別方法[J]. 計算機工程與科學, 2024, 46 (11) : 2045 - 2052.

[3] 顏謹, 肖滿生, 王瑤瑤, 等. 一種改進DETR的森林火災煙霧識別模型[J]. 計算機技術與發展, 2025, 35 (2) : 24 - 32.

[4] 吳則琪, 王坤, 劉鵾鵬, 等. 基于視頻圖像的建筑內走道煙霧識別定位[J]. 科學技術與工程, 2024, 24 (22) : 9681 - 9688.

[5] 楊鴻雁, 周汝良, 王艷霞. 森林小面積火災煙霧增強識別仿真[J]. 計算機仿真, 2023, 40 (1) : 359 - 363.

[6] 賈一鳴, 張長春, 胡春鶴, 等. 基于少樣本學習的森林火災煙霧檢測方法[J]. 北京林業大學學報, 2023, 45 (9) : 137 - 146.

[7] 楊婧敏, 高光耀, 周勉, 等. 基于深度學習的煙霧與火焰目標檢測算法[J]. 人工智能與機器人研究, 2025, 14 (1) : 224 - 228.

[8] 劉昶, 孟琳, 焦良葆, 等. 基于改進YOLOv5s的輸電通道下的煙霧識別[J]. 計算機測量與控制, 2024, 32 (12) : 172 - 177.

摘自《自動化博覽》2026年4月刊