多光谱融合与抗干扰AI的变电站火灾预警方法及系统与流程

本发明属于变电站火灾预警，具体涉及多光谱融合与抗干扰ai的变电站火灾预警方法及系统，尤其涉及基于多光谱融合与抗干扰ai算法的变电站一次设备极早期火灾预警方法及系统。

背景技术：

1、变电站一次设备在长期高负荷运行下，因绝缘老化、接触电阻增大等因素易发热升温，进而发展为火灾事故。现有变电站火灾检测技术中，接触式测温布点受限、响应慢，红外热成像受环境温度及发射率变化影响误报率高，烟雾探测属于火灾发生后的被动报警手段，均难以满足极早期预警需求。

2、近年来，多光谱传感与深度学习技术被尝试引入变电站火灾预警领域，但现有方案存在以下不足：一是变电站电磁干扰强、背景热源复杂，现有方法对动态光照变化和静态结构遮挡等干扰抑制能力不足；二是缺乏对多光谱图像的空间细节注入与光谱保真处理，融合图像质量低；三是难以从有限多光谱数据中重建高光谱特征，无法感知早期微弱热异常；四是深度学习模型未针对强干扰场景设计，在复杂工况下判别准确率显著下降；五是缺乏基于实时工况的动态置信度修正机制，固定阈值易导致漏报或误报。

3、针对上述问题，本发明提出多光谱融合与抗干扰ai的变电站火灾预警方法及系统。

技术实现思路

1、本发明旨在解决现有变电站火灾预警技术中干扰抑制能力不足、多光谱融合质量差、高光谱特征缺失、深度学习模型抗干扰能力弱及缺乏动态置信度修正等技术问题，提供多光谱融合与抗干扰ai的变电站火灾预警方法及系统。

2、根据本发明的第一方面，提供了多光谱融合与抗干扰ai的变电站火灾预警方法，包括：获取变电站多光谱图像数据、配准的红外热成像参考图像及低空间分辨率高光谱数据，构建多光谱数据立方体及参考图像数据，并进行辐射与几何预处理；对预处理后的多光谱图像与参考图像分别提取高通分量，构建局部双尺度系数矩阵自适应拟合高通域关系，结合光谱校正与全变分正则化，迭代求解输出抗干扰融合图像；将所述抗干扰融合图像与所述低空间分辨率高光谱数据共同输入函数型数据分析框架，估计退化参数并施加核范数约束，重建高光谱特征立方体；基于所述高光谱特征立方体构建双图结构，并引入马蹄先验动态调整平滑强度，联合低秩约束判定异常热源区域，在所述异常热源区域内提取多类火情敏感特征，生成火情敏感特征向量集；将所述火情敏感特征向量集输入嵌入干扰抑制模块的ai模型，输出火情概率值及火情发展趋势等级；根据实时采集的环境与设备运行数据构建动态修正因子，对所述火情概率值及火情发展趋势等级进行置信度修正，当修正后的输出超过预设预警阈值时输出预警信号。

3、在一些实施例的一些可选的实现方式中，所述迭代求解输出抗干扰融合图像，包括：将预处理后的多光谱图像上采样至参考图像分辨率，分别提取多光谱图像的高频差值分量与参考图像的高频差值分量；以每个像素的邻域窗口为单元，计算多光谱图像与参考图像的局部均值之比及局部标准差之比，将二者的乘积作为局部双尺度系数，逐像素组合为局部双尺度系数矩阵；以所述局部双尺度系数矩阵为权重构建高通注入保真项以约束空间细节注入，构建辐射强度比一致性的光谱校正项以保持光谱保真，并引入全变分正则化项以保持边缘结构；将所述高通注入保真项、所述光谱校正项及所述全变分正则化项加权组合为凸能量泛函，采用交替方向乘子法迭代求解，输出所述抗干扰融合图像。

4、在一些实施例的一些可选的实现方式中，所述邻域窗口的大小根据局部纹理复杂度动态调整，包括：计算各像素邻域内的梯度幅值方差作为纹理度量；在纹理丰富区域采用小窗口以保持细节拟合精度，在平坦区域采用大窗口以抑制噪声干扰，在过渡区域通过线性插值实现窗口尺寸的连续平滑过渡。

5、在一些实施例的一些可选的实现方式中，所述高光谱特征立方体通过以下方式重建：将所述抗干扰融合图像与所述低空间分辨率高光谱数据共同输入所述函数型数据分析框架；将光谱响应函数和空间点扩散函数建模为光滑基底函数的组合，经交替迭代估计退化参数；将所述抗干扰融合图像各像素的多光谱向量重构为连续光谱曲线，并基于估计出的所述退化参数建立向高光谱图像的映射关系；引入核范数低秩约束压缩估计空间，迭代优化输出所述高光谱特征立方体。

6、在一些实施例的一些可选的实现方式中，所述退化参数的估计采用超像素引导的分区策略，包括：在所述抗干扰融合图像上执行超像素分割，划分为光谱同质的多个子区域；各子区域独立估计光谱响应函数和空间点扩散函数，相邻子区域间通过平滑性约束协同优化以避免参数突变；所述核范数约束分别施加于各子区域的系数矩阵，各子区域经独立奇异值阈值收缩后合并。

7、在一些实施例的一些可选的实现方式中，所述火情敏感特征向量集通过以下方式生成：基于所述高光谱特征立方体，以各像素为顶点、以空间邻近关系为边构建空间邻接图，并以各像素光谱向量间的光谱角距离为边权重构建光谱特征图，形成所述双图结构；在贝叶斯层级模型中引入马蹄先验分布，对图中每条边的差分向量施加自适应收缩先验，使平滑强度根据局部信号差异动态调整；联合低秩张量约束，将所述高光谱特征立方体分解为低秩背景分量与稀疏异常分量，通过所述低秩背景分量拟合正常热分布场，通过所述稀疏异常分量定位偏离背景的热源区域，作为所述异常热源区域；在所述异常热源区域内提取各像素的光谱梯度特征、空间纹理特征及时间维热累积速率特征，将三类特征串联组合，生成所述火情敏感特征向量集。

8、在一些实施例的一些可选的实现方式中，所述双图结构的构建采用超像素引导的约简策略，包括：在所述高光谱特征立方体的空间维度上执行超像素分割，以超像素块代替单个像素作为图顶点；所述空间邻接图的边连接相邻超像素块，边权重由超像素块间的空间距离决定；所述光谱特征图的边连接光谱角距离小于预设阈值的超像素块对，边权重由光谱角距离的倒数决定；所述马蹄先验的引入和所述低秩张量约束的施加均在超像素层级执行，判定出的所述异常热源区域以超像素块为最小单元输出。

9、在一些实施例的一些可选的实现方式中，所述火情概率值及火情发展趋势等级通过以下方式输出：将所述火情敏感特征向量集输入预先训练好的深度学习模型，所述深度学习模型采用多尺度卷积神经网络提取特征向量的空间局部模式，并采用transformer时序注意力机制捕获特征向量在连续时间窗口内的长程依赖关系；在所述深度学习模型的中间层嵌入所述干扰抑制模块，所述干扰抑制模块以可学习的方式生成干扰频段注意力掩膜，对特征图中与背景热波动、环境光照漂移及传感器噪声相关的响应通道进行动态降权；所述深度学习模型经多尺度特征融合与全连接层映射后，同时输出当前时刻的所述火情概率值及未来多个时间步的所述火情发展趋势等级。

10、在一些实施例的一些可选的实现方式中，所述置信度修正与预警信号输出通过以下方式实现：实时采集变电站环境温湿度、风速风向及设备当前负载率数据，构建多维环境-运行状态向量；将所述环境-运行状态向量输入预先建立的修正因子映射网络，输出与当前工况匹配的所述动态修正因子，所述动态修正因子用于对所述火情概率值进行乘性调整，并对所述火情发展趋势等级进行偏移校正；当修正后的火情概率值超过预设预警阈值、且修正后的火情发展趋势等级不低于预设风险等级时，判定满足预警触发条件；所述预警信号中包含异常热源的空间位置坐标、火情类型预判标签及处置优先级等级信息，并通过不同通信协议分别推送至就地声光报警装置、集中监控平台及移动终端。

11、根据本发明的第二方面，提供了多光谱融合与抗干扰ai的变电站火灾预警系统，用于实现如所述的多光谱融合与抗干扰ai的变电站火灾预警方法，包括：数据采集与预处理模块，用于获取变电站多光谱图像数据、配准的红外热成像参考图像及低空间分辨率高光谱数据，构建多光谱数据立方体及参考图像数据，并进行辐射与几何预处理；抗干扰融合图像生成模块，用于对预处理后的多光谱图像与参考图像分别提取高通分量，构建局部双尺度系数矩阵自适应拟合高通域关系，结合光谱校正与全变分正则化，迭代求解输出抗干扰融合图像；高光谱特征重建模块，用于将所述抗干扰融合图像与所述低空间分辨率高光谱数据共同输入函数型数据分析框架，估计退化参数并施加核范数约束，重建高光谱特征立方体；特征向量集生成模块，用于基于所述高光谱特征立方体构建双图结构，并引入马蹄先验动态调整平滑强度，联合低秩约束判定异常热源区域，在所述异常热源区域内提取多类火情敏感特征，生成火情敏感特征向量集；火情预测模块，用于将所述火情敏感特征向量集输入嵌入干扰抑制模块的ai模型，输出火情概率值及火情发展趋势等级；置信度修正与预警输出模块，用于根据实时采集的环境与设备运行数据构建动态修正因子，对所述火情概率值及火情发展趋势等级进行置信度修正，当修正后的输出超过预设预警阈值时输出预警信号。

12、与现有技术相比，本发明具有以下有益效果：（1）通过提取高通分量并构建局部双尺度系数矩阵自适应拟合高通域关系，结合光谱校正与全变分正则化迭代求解，有效抑制变电站复杂光照与结构遮挡干扰，显著提升多光谱图像融合质量与空间细节还原精度；（2）将抗干扰融合图像与低分辨率高光谱数据共同输入函数型数据分析框架，通过退化参数估计与核范数低秩约束重建高光谱特征立方体，从有限多光谱数据中挖掘精细光谱信息，实现早期微弱热异常的有效感知；（3）构建双图结构并引入马蹄先验动态调整平滑强度，联合低秩约束精确分离背景热分布与异常热源，提取光谱梯度、空间纹理及热累积速率等多维敏感特征，结合嵌入干扰抑制模块的ai模型动态降权干扰频段响应，显著提升复杂工况下的检测准确率与鲁棒性；（4）基于实时环境与设备运行数据构建动态修正因子进行置信度自适应修正，克服固定阈值易漏报或误报的缺陷，使预警输出更贴合变电站实际工况，并通过超像素引导的图约简策略大幅降低计算复杂度，具备良好的实时部署能力。