在阅读此文之前，麻烦您点击一下“关注”，既方便您进行讨论和分享，又能给您带来不一样的参与感，感谢您的支持！
在电气设备的状态监测中，测温是一项重要的工作，在电气设备故障诊断中起着至关重要的作用。
在实际工作中，由于受各种环境因素及设备本身结构等因素的影响，在实际测量过程中，存在着温度误差。为了提高测温精度，常采用对被测对象进行测温补偿的方法，以消除或减小测温误差。
红外测温技术是通过红外热像仪直接对物体表面进行测温，是一种非接触式、快速、无损、非接触式的测温方法。
本文针对目前红外测温技术应用于电气设备状态监测时存在的问题，采用基于 BP神经网络的红外测温补偿算法，该算法能够有效地补偿因温度变化带来的误差。
红外测温技术
红外测温技术是一种非接触式测温技术，通过红外辐射的热效应，可以实现对电气设备温度的无损监测。
该技术的关键是检测对象温度分布的均匀程度，因此，红外测温的精度是由物体表面温度分布均匀性决定的。
由于红外辐射具有明显的方向性，且不随距离变化，因此可对多个点进行测量。在实际应用中，由于受环境因素和设备结构等因素的影响，被测对象表面温度分布不均匀，从而导致测温精度降低。
因此，本文提出一种基于 BP神经网络的红外测温补偿算法。通过对被测点表面温度进行神经网络建模并进行训练学习，可以提高红外测温的精度，进而提高电气设备状态监测系统对故障诊断和定位的可靠性。
红外测温技术是通过光学原理对被测物体进行测温，它的基本原理是利用红外线热辐射的性质。在高温状态下，物体会产生红外辐射，然后通过光学系统对其进行处理，并把信号转化成电信号，再根据电子电路对其进行分析处理，得到被测物体的温度值。
红外测温技术主要分为主动式和被动式两种。主动式红外测温技术是通过主动发射红外辐射能量来达到测温目的。被动式红外测温技术是通过被测物体的表面温度来确定其温度值，一般只用于接触性的检测。
目前常用的红外测温方法有光电法、电容法和电阻法。由于热电偶和热电阻测量精度较高，且受环境因素影响小，因此在电气设备在线监测中被广泛应用。
但由于其测量结果受环境因素影响较大，测量误差较大，不能满足电气设备状态监测的要求。
为提高红外测温精度，常采用基于神经网络的补偿算法，该方法具有自适应性强、网络学习能力强、精度高等特点，且不受环境因素影响、抗干扰能力强、实时性好等优点，能够有效地提高测量精度和精度稳定性。
BP神经网络的基本原理
BP网络是一种基于误差反向传播（Back Propagation）原理的前馈神经网络。它的输入层神经元对应于输入信号的非线性函数，通过权值调整网络中各神经元之间的连接权重，使网络输出与期望输出之间误差达到最小。BP神经网络模型如图1所示。
BP算法是一种最经典的神经网络学习算法，该算法可以使误差在一个很窄的范围内收敛到零。具体过程如下：
1.根据问题所给出的输入和输出数据，计算出隐含层节点数，并确定输入层、隐含层和输出层各神经元的数目。
2.用隐含层中节点对应的输出值作为输入值进行训练，得到隐含层节点对应的输出值，输出层节点对应的输出值作为输入值进行训练，得到输出值。
（1）红外探测器的选择与安装，应根据被测目标的温度特性来选择合适的探测器，并根据探测器特性参数和环境条件来选择合适的安装位置。
（2）环境因素：①大气辐射特性，大气温度、湿度、风速等；②被测物体表面的反射率，如玻璃幕墙、金属幕墙等；③被测物体表面的不均匀性，如不平度、灰尘、污秽等；④被测物体表面与环境之间的温差。
（3）设备本身结构和性能：①设备材质、构造及形状；②设备周围环境，如建筑结构、建筑物门窗等；③被测对象的温度分布特性（如局部热点）。
（4）操作人员的因素：①操作人员是否正确地选择测温距离及测温时间；②在测温过程中是否按照操作规程进行操作。
（5）测温系统因素：①被测对象表面有无反射物（如玻璃幕墙等），如有，应进行补偿；②环境温度和工作环境；③被测对象的形状、大小及形状。
测温补偿算法模型及仿真实验
实验环境：温度范围为20℃~50℃，环境相对湿度为40%~80%，环境风速为3m/s。
由图4可知，在温度变化时，随着距离的增大，系统的响应时间增加，达到一个最大值后又逐渐变小，因此，在实际应用中可以通过增加测温距离来降低响应时间。
利用 BP神经网络模型进行建模，可以通过输入层、隐含层和输出层的神经元个数来确定神经网络模型的结构。本研究中选用四个神经元作为 BP神经网络的输入和输出层节点数，建立三个 BP神经网络模型：（1）单神经元网络模型；（2）双神经元网络模型；（3）多神经元网络模型。其中以单神经元为例来介绍其结构。
对此三种 BP神经网络模型进行训练并仿真实验，结果如图5所示。
该红外热像仪测量系统的测温精度在±0.2℃以内，误差主要是由于被测物体表面温度分布不均匀造成的。当被测物体表面存在大量热对流时，周围环境温度的变化也会影响物体表面的温度分布。在这种情况下，由于空气中湿度对物体表面温度分布也有很大影响，所以传感器周围环境的温度变化也会引起热像仪测温误差。
误差分析表明：当环境温度不变时，在测量过程中，随着温度的升高，测量精度会下降；在测量过程中，由于周围环境的影响，周围温度变化较大时，测量精度会下降；当环境温度不变时，随着周围环境的影响，由于测量误差会上升。因此在实际测量中要考虑周围环境的影响。该算法可有效地补偿因环境因素引起的测量误差。
结论
本文介绍了 BP神经网络的基本原理及学习过程，在此基础上研究了 BP神经网络算法。利用 BP神经网络来预测红外测温值，并将预测值与红外测温值进行对比，找出两者之间的差异，进而修正测温误差。经过试验证明，该算法能够有效地提高测温精度和抗干扰性，在实际应用中具有很大的优势。本文的研究内容和结果，主要包括以下几个方面：
在传统 BP算法的基础上改进了学习算法和结构，在实际应用中取得了较好的效果。
2.针对电力设备自身结构、环境等因素影响测温精度和抗干扰性差的特点，设计了基于 BP神经网络的红外测温补偿算法。该算法利用神经网络强大的非线性映射能力对测温数据进行补偿处理。
3.利用该算法对现场采集到的数据进行训练和测试，将测温结果与传统方法进行比较，表明该算法能够有效地消除或减小因温度变化带来的误差。为电力系统监测设备的状态检修提供了新方法。