★ 河北大唐国际丰宁风电有限责任公司 郁迎春

关键词：烟雾识别；特征向量；频域能量分析；SVM分类器

在风电运行场景环境中，烟雾的产生不仅是影响风电场周边区域气候稳定性的因素之一，也是对风电设备运维人员健康以及风电设备安全稳定运行造成潜在危害的危险因素之一。因此，如何准确且及时地识别出烟雾非常重要，无论是对于保障风电安全生产还是维护风电场生态环境都具有重要的意义。

近年来，文献 [ 1]提出了YOLOv8烟雾识别算法，该算法在轻量化的GhostNet架构里巧妙嵌入了CBAM注意力机制。此机制可自动灵活调整风电场景中不同区域的关注度，让风机叶片起火、电气设备故障等产生的关键烟雾特征优先被处理与精细分析。不过，该算法在强风沙、低光照等特定风电环境下存在局限，影响烟雾识别精度；文献 [2]提出了基于CNN和Transformer特征融合的烟雾识别算法，该方法改进了Inception模型，引入了Transformer自注意力机制，并融合了其学习全局风电场景上下文信息与卷积神经网络学习局部风机部件相对位置信息的能力。特征提取时嵌入FCU模块，持续交互双分支信息以保留局部和全局特征。但该方法在强风干扰、复杂光照等风电极端环境下，易出现特征混淆，影响烟雾识别准确率。

为突破上述瓶颈，亟需设计一种适配风电场特殊工况的智能烟雾识别算法。为此，本文提出了一种基于烟雾嫌疑指数的智能烟雾识别算法。该算法通过融合烟雾嫌疑指数的分级识别机制，为风电安全生产提供了可靠技术保障。

1   面向风电应用的智能烟雾特征向量提取

在众多特征向量中，找到最能表征烟雾的特征向量是进行特征提取的前提。特征向量的选择对烟雾识别的准确性有很大的影响，所以对烟雾信号进行特征提取非常重要。在风电场烟雾识别场景中，监测设备捕捉的烟雾信号包含了大量反映烟雾属性，如浓度变化、扩散速率、频谱特征等的信息，对其进行分析可获取烟雾的关键特征[3]。但风电场的烟雾受强风、极端光照、沙尘等复杂环境因素影响，其信号的幅值、频率、持续时间等特征具有显著的动态性和不确定性，难以直接通过信号观测掌握其内在规律。为了揭示烟雾的本质特征， 需要针对性的特征提取方法来挖掘其稳定的区分性信息。结合风电场景烟雾的动态特性与信号特征分析方法，本文提出了面向风电应用的烟雾特征提取策略。

当风电场出现烟雾时，烟雾信号在不同频段及不同时间窗口上的能量分布会发生显著变化。针对第个烟雾信号样本在第个频段原始能量值， 可构建计算公式如式（1）：

式（1）中， xi (k)表示对第i个烟雾信号样本进行傅里叶变换后在频率点k处的复数幅值[4] ；7j 70、j分别表示第j个频段的起始频率和终止频率；A7表示频率分辨率，即相邻两个频率点之间的间隔， 由信号采样率和傅里叶变换点数决定[5]。该公式通过累加特定频段内信号频谱幅值的平方与频率分辨率的乘积，量化烟雾信号在该频段的能量强度，既符合信号能量的频域计算逻辑，也能适配风电场中烟雾与背景干扰在不同频段的能量差异特征，为后续归一化处理和特征提取提供了基础。

将烟雾在信号不同频段和时间窗口上的能量特征作为基本单元，构造特征矢量，能够有效提取烟雾的区分性特征。由于不同场景下（如强光、弱光）烟雾的能量特征差异较大， 需要对能量特征进行归一化处理，公式如式（2）所示：

式（2）中，Ei  j表示第i个烟雾信号样本在第j个频段的归一化能量值[6] ；Ei  j表示第i个烟雾信号样本在第j个频段的原始能量值； minEj  、max (Ej分别表示所有样本在第个频段的能量最小、最大值[7]。

通过计算上述各频段和时间窗口的能量，能够构建烟雾特征向量矩阵。当某一能量特征值大于设定的阈值时，认为该特征对烟雾识别具有显著贡献，对其进行归一化处理后，即可得到标准化烟雾特征向量。

2   基于烟雾嫌疑指数的智能烟雾识别

风电场中烟雾的早期识别对设备安全至关重要。烟雾的出现可能预示着电气故障、叶片起火等险情，若未能及时识别，可能引发设备损坏甚至火灾蔓延。烟雾嫌疑指数作为一种量化指标，有助于衡量监控信号中存在烟雾可能性的大小，可为风电场景的烟雾识别提供有力支持。该方法将烟雾的能量特征Ei j与烟雾嫌疑指数相结合，令烟雾的能量特征Eiaj作为模型的一个输入特征，以此进行烟雾识别。

烟雾嫌疑指数，计算公式为式（3）：

式（3）中，k、wj分别表示烟雾特征各指标的权重和第j个频段的能量指标权重；  ri.k表示第i个烟雾信号样本中第k个特征的状态值[8]。烟雾能量特征Ei j的引入，能强化对烟雾在特定频段信号强度的关注，可有效区分风电场中烟雾与风沙、设备振动等干扰信号的能量差异。

该方法根据风电场烟雾信号的特征分布，利用烟雾的能量特征Eiaj强化对高嫌疑烟雾信号在关键频段的特征捕捉，突出了不同嫌疑程度烟雾的能量差异，并使用训练样本集和包含E的烟雾嫌疑指数等特征，对模型进行训练，通过不断调整模型参数，使模型能精准识别高嫌疑烟雾信号与低嫌疑干扰信号。在训练过程中，模型会结合能量特征Eiaj所反映的嫌疑特征，寻找最优分类面，以确保高嫌疑样本被明确识别、低嫌疑样本被有效排除，且所有样本点到分类面的距离之和最小。在风电场烟雾识别中，样本的嫌疑程度存在差异：部分样本是明确的高嫌疑烟雾，部分是低嫌疑干扰，还有些是模糊的中等嫌疑样本。引入样本点到分类面的距离之和并追求其最小化，核心目的是强化模型对不同嫌疑程度样本的区分稳健性。

对于训练集中的 一 个样本 ai ，其函数间隔为式（4）：

式（4）中，o表示超平面权重； Z表示偏差； hi表示样本标签（1为含烟雾， -1为非烟雾）。通过引入烟雾嫌疑指数λi，可使模型在计算样本与分类面的间隔时，对高嫌疑样本赋予更高的区分优先级，提升其被正确分类的置信度，同时弱化低嫌疑干扰样本对分类面的影响，使其适配风电场复杂环境下的烟雾识别需求。

结合函数间隔ui，构建以下如式（5）所示分段式函数用于识别不同烟雾状态：

式（5）中，8i表示高程度烟雾阈值，对应特征清晰、易识别的烟雾（如受环境干扰较小的典型烟雾） ； 82表示中程度烟雾阈值，对应特征受一定环境干扰但仍可识别的烟雾；g3表示低程度烟雾阈值，对应特征微弱、易与干扰混淆的烟雾。各阈值需根据风电场实际场景通过实验校准，以适配不同环境下的烟雾程度识别需求。

3   实验

3.1   实验概况

骆驼沟风电场共计5台东汽FD70B风电机组需要安装新型智慧消防系统，其设备统计如表1所示。

表1 设备相关参数

骆驼沟风电场位于丰宁满族自治县西北约60km、沽源县东南约47km， 其西侧为滦河源草地生态自然保护区。风电场地处东经115°59′～116°12′、北纬41°22′～41°33′之间，海拔高度：1700～2200m，极端最高气温： 34 .5℃,  极端最低气温：-39 .9℃,   10分钟平均最大风速为20m/s。其冰冻期约8个月， 夏季雷暴频发，冬季白毛风天气常见，进场及检修道路交通不便，经常严重积雪，场区内瞬时风速最高达到46m/s，10分钟平均风速最高达到28m/s。该处自然环境很苛刻，主要气候特征是气压低、气温低、气温日变化大、绝对湿度低、太阳辐射强等恶劣的气候特征。

3.2   实验指标

风电场环境复杂多变，为了验证本文所设计算法具备良好的适应性，我们设置了两种实验场景：一种是强光照条件下，另一种是弱光照条件下。

强、弱光照条件下，实际烟雾识别精度如图1所示。

图1 实际烟雾识别精度

由图1可知， 在强光照射下，烟雾与背景之间的对比度通常较高。烟雾由于其特殊的物理性质，会对光线产生散射和吸收，在强光环境下这种特性表现得更为明显，使得烟雾的轮廓、纹理等特征更加清晰可辨。因此，在强光照条件下的烟雾识别精度最大值达到了0.9；弱光环境下，光线不足导致烟雾与背景之间的对比度降低，烟雾的轮廓变得模糊不清，难以与周围环境区分开来。在弱光照条件下，烟雾识别精度最大值仅为0.6。

3.3   实验结果与分析

使用YO LOv8烟雾识别算法、基于CNN和Transformer特征融合的烟雾识别算法，以及面向风电应用的智能烟雾识别算法，对比分析这三种算法的烟雾识别精度，结果如图2所示。

（a）YOLOv8烟雾识别算法

（b）基于CNN和Transformer特征融合烟雾识别算法

（c）基于烟雾嫌疑指数的智能烟雾识别算法

图2 三种不同方法的烟雾识别精度对比结果

由图 2可知，使用YO LOv8 烟雾识别算法，在强、弱光照条件下的烟雾识别精度最大值，分别为0.8和0.5，与实际识别结果不一致；使用基于CNN和Transformer特征融合的烟雾识别算法，在强、弱光照条件下的烟雾识别精度最大值，分别为0.74和0.5，与实际识别结果不一致；使用基于烟雾嫌疑指数的智能烟雾识别算法，在强、弱光照条件下的烟雾识别精度最大值，分别为0.9和0.6，与实际识别结果一致。

4   结束语

针对风电场强风沙、光照突变等极端环境，本文提出了一种融合频域能量特征与烟雾嫌疑指数的智能识别算法。该算法构建了频段能量量化模型，提取了具有强区分度的烟雾特征向量，并设计了烟雾嫌疑指数加权模型，实现了高嫌疑烟雾的优先识别与干扰信号的主动过滤。实验结果表明，该算法在强光/弱光下的识别精度最大值，分别为0.9和0.6，与实验指标一致，证明了该算法在输变电设备火灾预警中得到了有效应用。

作者简介：

郁迎春（1992-），男，江苏新沂人，助理工程师，现就职于河北大唐国际丰宁风电有限责任公司，研究方向为智慧消防。

参考文献：

[1] 胡久松, 刘张驰, 余谦, 等. 融入GhostNet和CBAM的YOLOv8烟雾识别算法[J]. 电子测量与仪器学报, 2024, 38 (8) : 201 - 207.

[2] 付燕, 杨旭, 叶鸥. 基于CNN和Transformer特征融合的烟雾识别方法[J]. 计算机工程与科学, 2024, 46 (11) : 2045 - 2052.

[3] 颜谨, 肖满生, 王瑶瑶, 等. 一种改进DETR的森林火灾烟雾识别模型[J]. 计算机技术与发展, 2025, 35 (2) : 24 - 32.

[4] 吴则琪, 王坤, 刘鵾鹏, 等. 基于视频图像的建筑内走道烟雾识别定位[J]. 科学技术与工程, 2024, 24 (22) : 9681 - 9688.

[5] 杨鸿雁, 周汝良, 王艳霞. 森林小面积火灾烟雾增强识别仿真[J]. 计算机仿真, 2023, 40 (1) : 359 - 363.

[6] 贾一鸣, 张长春, 胡春鹤, 等. 基于少样本学习的森林火灾烟雾检测方法[J]. 北京林业大学学报, 2023, 45 (9) : 137 - 146.

[7] 杨婧敏, 高光耀, 周勉, 等. 基于深度学习的烟雾与火焰目标检测算法[J]. 人工智能与机器人研究, 2025, 14 (1) : 224 - 228.

[8] 刘昶, 孟琳, 焦良葆, 等. 基于改进YOLOv5s的输电通道下的烟雾识别[J]. 计算机测量与控制, 2024, 32 (12) : 172 - 177.

摘自《自动化博览》2026年4月刊