基于紅外熱成像的電力廊道溫度的模糊預測技術

林玉涵

?

基于紅外熱成像的電力廊道溫度的模糊預測技術

林玉涵

（廈門紅相電力設備股份有限公司，福建廈門 361000）

為了實時監測高壓電力廊道內電力設備的溫度，本文結合紅外熱成像技術和模糊狀態理論，提出了一種電力廊道溫度預測方法。首先，利用分布式熱紅外探測器對廊道內的關鍵電力設備及其電氣接頭進行實時溫度采集；然后，將各采樣區的溫度狀態參數無線傳輸至通信主站；最后，采用模糊理論將各采樣區的溫度參數擬合成溫變狀態方程，構建廊道溫度狀態預測模型。利用該模型對電力廊道的某區域進行60min連續溫度預測。預測結果表明，不同采樣區溫度預測的相對誤差均不超過0.735%；全時段的平均絕對誤差均不超過0.135℃。顯然，該模型能準確預測電力廊道的溫度變化，對電力廊道的智能巡檢具有一定的工程應用價值。

高壓配電網；電力廊道；紅外熱成像；模糊狀態方程；溫度預測

電力廊道是一種用于高壓電力線路鋪設的地基載體。與高壓桿塔架線路鋪設方式相比，高壓電力廊道具有占用空間少、有效改善市容等優點。因此，近年來，高壓電力廊道逐漸在京、滬、蘇、浙、皖等電力供配網密集的地區建成[1]。然而，由于高壓電力廊道內的導電線路熱功率很大，緊湊的廊道內會導致局部過熱，從而造成絕緣失效甚至廊道電力設備的短路故障，最終破壞電力設備的正常工作。為保證電力廊道的安全穩定運行，應該對其特定位置進行在線溫度檢測[2]。

目前，絕大多數電力廊道內電力設備的巡檢方式以人工為主。巡檢員利用紅外熱像儀對廊道內的線路、絕緣子、變壓器等電力設備進行在線檢測[3-4]。但是，這種傳統的巡檢方式存在諸多弊端。一方面，巡檢所依賴的紅外技術并沒有實現與配電網參數的集成，無法實現電力供配網絡的全區域在線監測與故障預估；另一方面，人工巡檢還存在工作環境危險，巡檢效率低等問題。目前，在電氣設備局部溫度測量方面，大多是采用接觸式探傷測量方法，這種測量方法主要是通過預埋的方式將探傷設備布置在被測觸電的周邊來實現測溫的。因此，這種方法存在電磁干擾甚至短路的風險。同時，這種方法往往適用于低壓電力系統的溫度檢測，不太適合于高電壓等級系統的溫度檢測要求[5-6]。

為了實現電力廊道的全區域溫度監視和故障預防，需要設計更合理的方法對在線測得的廊道溫度進行有效合理的預測。D. Fischer等利用廣義偽貝葉斯理論，設計了一種概率轉移的交互式多模型預測算法。該方法能夠實現復雜網絡區域的溫度預測[7]。W. Takashi等在假設溫度分布服從零均值和狀態平穩的指數衰減的基礎上，提出了一種時間相關的Jerk溫度預測模型[8]。但是，受到線性誤差、高斯噪聲等非線性參量的限制，上述溫度預測方法的精度會隨狀態模型非線性程度的提高而降低[9]。慶幸的是，近年來的研究發現，模糊邏輯能夠反映變化過程中的不確定因素，解決高維狀態量難以用精確數學模型定義的復雜問題。因此，模糊理論被不斷用于狀態預測模型的構建上[10-12]。模糊方法建立的狀態預測模型，能夠以任意精度逼近連續溫變函數，從而對任意非線性系統實現溫度預測。

本文將紅外熱成像技術與模糊理論應用于電力廊道的溫度預測上。首先，利用分布式熱紅外探測器對廊道內的關鍵電力設備及其電氣接頭進行實時溫度采集；然后，將各采樣區的溫度狀態參數無線傳輸至通信主站；最后，采用模糊理論將各采樣區的溫度參數擬合成溫變狀態方程，構建廊道溫度狀態預測模型，從而實現廊道區域的溫度監測和狀態預測。該技術能實現電力廊道的溫度智能檢測，縮減高壓電力廊道的檢修工作。

1 紅外熱成像技術原理

目前，紅外熱成像技術被廣泛應用于電力廊道的智能巡檢，保障地下電力傳輸的安全。通過紅外熱成像技術，智能廊道巡檢系統能夠實現環境探測、溫度測量、交互通信及自助故障排除等功能。鑒于高壓電力傳輸工況的復雜性，將非接觸式紅外熱成像技術應用于智能巡檢系統中，能夠最大程度的適應廊道內的復雜環境，保障廊道內的人員及設備的安全[13-14]。

本文根據某電力廊道的實際工況條件，設計了基于紅外熱成像的電力廊道溫度檢測系統，其技術原理如圖1所示。

圖1 電力廊道內的紅外熱成像溫度檢測系統

廊道內電氣系統的熱效應所發射的紅外線信號，被紅外探測器接受后就會實現紅外熱成像。電力廊道溫度檢測系統的工作過程大致如下：①將紅外熱探測器安置在不同電氣接頭附近，來獲取電力廊道內的各種電氣接頭的紅外熱圖像信息；②將采集到的紅外熱圖像數據通過無線通信模塊傳輸到配電自動化主站平臺；③配電自動化主站平臺將上載的原始紅外熱圖像數據進行圖像分析，包括預處理、噪聲信號消除、邊緣檢測等；④將經過圖像處理的熱圖像進行量化分析，計算不同采集點處的溫度分布特征。

2 溫度預測模型

在對廊道內溫度變化構建模糊規則時，首先需要利用熱成像技術，求取各區域熱源信息的極值min和max。其次，對得到的極值點進行篩選，剔除偽極值點；根據采集的溫度樣本，進行歸一化處理[15]，即

最后，根據保留的關鍵極值點確定輸入變量的初始模糊劃分[16]。假設電力廊道內的溫度變化參數的第條模糊規則滿足：

Ri：If1is1and2is2，…，andxis，

則其對應的規則輸出為

式中，x(=1, 2, …,)為規則的第個輸入變量；=[a0, …,a]為規則后件的線性參數；1, …,為輸入變量所對應的模糊集。此時，模型的輸出為

（3）

其中，w為第條規則的激活程度，可以表示為

(x)為輸入變量x的隸屬度，其可以表示為

（5）

式中，v和分別表示為高斯函數的中心和方差。

從而可知，規則的有效函數定義為

=（7）

由于電力廊道的測試數據不可能覆蓋所有參數分布空間，因此需要利用帶遺忘因子的遞推最小二乘法，對模型的后件參數進行在線調整，即

3 實驗與數據分析

為了驗證模糊溫度預測方法的有效性，本文利用5個紅外熱成像探測點，對福州市某區段電力廊道內的電力設備進行了溫度監測采樣和預測試驗。為了全面覆蓋廊道的探測區域，將相鄰探測點之間的距離設置為10m，其中，第一個廊道采樣點處的紅外熱成像效果，如圖2所示。

（a）電力廊道實物圖

（b）紅外熱成像圖

圖2 電力廊道的紅外熱成像效果圖

根據上傳的紅外熱成像數據，分析廊道采樣覆蓋面的熱源分布，計算出廊道內的溫度最大值max。為了分析不同時段的溫度變化情況，采樣時間間隔設置為10min，設開始采樣為0時刻，經過6次連續采樣，各采樣點的在不同時刻的溫度最大值，見表1。

表1 不同時刻各采樣點的溫度最大值/℃

根據表1的測試數據，利用本文提出的預測模型，對不同采樣點在t時刻的對應溫度進行預測，其中，=6, 7, …, 11。預測的結果見表2，同時，其實測值見表3。

表2 tn時刻各采樣點的溫度預測值（n=6, 7, …, 11）/℃

為了更進一步驗證該預測模型的精度，利用工業二級標準鉑銠10-鉑熱電偶對該5個采樣點進行實際溫度測量，由于工業二級標準鉑銠10-鉑熱電偶的精度較高，因此將其測得的溫度值T作為真值。此時，不同時刻預測溫度P的相對誤差可以表示為

表3 tn時刻各采樣點的溫度實測值（n=6, 7, …, 11）/℃

從而根據表2和表3，即可求得預測溫度的相對誤差值，結果如圖3所示。

圖3 不同時刻預測溫度的相對誤差

從總體上看，利用模糊預測模型對電力廊道進行60min溫度預測的結果表明，不同采樣點的預測精度在均值為0.328%的相對誤差附近波動，其波動幅度最大為0.407%；預測結果的最大相對誤差為0.735%。

根據表2和表3的數據，即可求出預測溫度的平均絕對誤差，結果如圖4所示。

由圖4可以看出，在60min內的電力廊道檢測時間段內，采樣點1的平均絕對誤差為0.112℃，采樣點2的平均絕對誤差為0.115℃，采樣點3的平均絕對誤差為0.135℃，采樣點4的平均絕對誤差為0.127℃，采樣點5的平均絕對誤差為0.093℃。顯然，溫度的預測精度完全滿足工程精度的要求。

4 結論

為了對高壓電力廊道的溫度進行實時監測，實現廊道內電力設備的故障預防與診斷，本文結合熱紅外成像技術與模糊理論，提出了一種高壓電力廊道溫度的預測方法。利用該方法對電力廊道某區間進行60min連續溫度預測。結果表明，不同廊道采樣點所預測的溫度，其相對誤差均在以0.328%為均值的附近波動，波動幅度不超過0.407%；預測結果的最大相對誤差為0.735%；溫度預測的平均絕對誤差不超過0.135℃。顯然，本文提出的方法滿足電力安全工程的監測精度要求。

[1] 何占. 臨海市域電力設施布局規劃優化的研究[D]. 北京: 華北電力大學, 2014: 33-41.

[2] 王長久, 石文婷, 柳君, 等. 中控GCS系統在電力廊道項目的應用[J]. 中國儀器儀表, 2014(10): 41-45.

[3] Byambasuren Erdene, Kim Donghan, Oyun-Erdene Mandakh, et al. Inspection robot based Mobile sensing and power line tracking for smart grid[J]. Sensors (Basel, Switzerland), 2016, 16(2): 250.

[4] 黃俊波, 王康. 電力巡檢吊艙紅外圖像增強技術研究[J]. 光學與光電技術, 2015, 13(6): 42-44, 62.

[5] 胡偉, 任廣振, 葛雋, 等. 高壓電力廊道自動巡檢機器人系統的研制[J]. 自動化與儀表, 2013, 28(12): 13-16.

[6] 錢毅濤. 頭盔式紅外測溫系統的研究與實現[D]. 南京: 南京理工大學, 2015: 69-77.

[7] Fischer D, Szabados B. Using a bayes classifier to optimize alarm Generation to electric power generator stator overheating[J]. IEEE Trans. Instrumentation & Measurement, 2003, 52(3): 703-709.

[8] Watanabe Takashi, Fukushima Keisuke. A study on feedback error learning controller for functional electrical stimulation: Generation of target trajectories by minimum jerk model[J]. Artificial Organs, 2011, 35(3): 270-274.

[9] Kashania M, Movahhedya M. Analytical prediction of the temperature field in laser assisted machining[J]. ELSEVIER, Procedia CIRP, 2016, 46(1): 575-578.

[10] Vickers Mathew, Schwarzkopf Lin. A simple method to predict body temperature of small reptiles from environmental temperature[J]. Ecology and Evolution, 2016, 6(10): 3059-3066.

[11] 侯克男, 楊立新, 樊琳, 等. 多功能現場用電檢查終端關鍵技術研究[J]. 電氣技術, 2016, 17(1): 38-41, 45.

[12] 王興照, 周大洲, 王寧. 基于熱紅外成像技術的絕緣子故障分類研究[J]. 電氣技術, 2016, 17(11): 140- 142, 150.

[13] 馬韜, 朱志芹, 邱清泉, 等. 1250kV·A三相高溫超導變壓器的系統集成與試驗[J]. 電工技術學報, 2016, 31(21): 188-195.

[14] 谷云東, 張素杰, 馮君淑. 大用戶電力負荷的多模型模糊綜合預測[J]. 電工技術學報, 2015, 30(23): 110-115.

[15] 劉芬, 郭躬德. 基于區間相似度的模糊時間序列預測算法[J]. 計算機應用, 2013, 33(11): 3052-3056.

[16] 占紅來. 紅外弱小目標搜索跟蹤算法研究[D]. 北京: 中國工程物理研究院, 2013: 29-44.

Fuzzy Prediction of Temperature for an Electric Power Gallery based on an Infrared Thermal Imaging Technology

Lin Yuhan

(Xiamen Red Phase Instruments Inc., Xiamen, Fujian 361000)

To monitoring the global temperatures of the high voltage electric power gallery, a fuzzy prediction method is proposed by using an infrared thermal imaging technology in this paper. Firstly, the temperature of the key electrical equipment embed in the gallery are detected by multi- infrared detectors. Secondly, the temperature prediction model is built by fuzzy theory using these real-time tested temperatures. What’s more, this model is applied to predict the temperature variation of an electric power gallery among the period of 60 minutes. The experimental result shows that the relative errors of the sampling areas are less than 0.735% and the mean absolute errors of the predicted values are less than 0.135℃. In a word, our suggested method is qualified to temperature monitoring of the electric power gallery automatically, which has an application value to electric power overhaul.

high voltage distribution network; electric power gallery; infrared thermal imaging; fuzzy state function; temperature prediction

林玉涵（1981-），男，本科，工程師，主要從事電力系統檢測、監測、計量產品的應用研究工作。