多屬性融合的電力設備紅外熱特征數字化方法

趙天成，羅 呂，楊代勇，劉 赫，袁 剛，許志浩

多屬性融合的電力設備紅外熱特征數字化方法

趙天成1，羅 呂2，楊代勇1，劉 赫1，袁 剛2，許志浩2

（1. 國網吉林省電力有限公司電力科學研究院，吉林 長春 130021；2. 南昌工程學院電氣工程學院，江西 南昌 330099）

本文針對電力設備紅外圖像診斷中熱故障特征提取和數字化表達難題，提出一種多屬性融合的電力設備紅外熱特征數字化方法。通過對電力設備熱故障特性和相關診斷文件研究分析，在對圖像預處理的基礎上，提取圖像中關鍵發熱區域的熱點溫度、熱點溫差、發熱面積、位置信息以及熱點群聚現象等熱屬性值，構建多屬性信息融合的過熱性故障特征值向量，實現熱故障特征數字化描述。以斷路器為例對該方法進行了驗證分析，結果表明，該方法對典型紅外故障圖譜具有良好的描述能力，可用于后續大量復雜故障樣本情況下的設備熱故障智能分類與診斷應用中。

多屬性融合；特征提取；特征向量；數字化描述

0 引言

紅外熱成像技術利用紅外線傳感器獲取與物體內部或表面溫度相關的紅外光譜，從而實現物體溫度的檢測[1]。該技術具備圖像化和無接觸測溫等優點，在20世紀60年代中期，首次被瑞典國家電力局應用于電力設備發熱故障檢測，70年代初，中國首次引進該技術并實現電力設備過熱性故障檢測[2]。隨后，國內外電力系統廣泛采用紅外技術與人工識圖相結合的處理方法進行過熱性故障診斷。近年來，電網設備數量不斷增多，設備運維檢修需求持續增大[3]，紅外圖像人工識圖處理方法，已不能夠滿足電力設備大規模故障診斷的需求。且人工識圖診斷結果還根據巡檢人員的經驗、專業素質和疲勞程度有所差異[4]，容易導致誤診斷。

隨著計算機技術、人工智能技術飛速發展。運用人工智能技術，從海量的紅外圖片中，提取熱故障特征進行故障分析和智能診斷已經成為趨勢，具有較好的研究價值和應用前景[5]。但如何挖掘并提取有效的熱故障特征，把故障狀態精準地表達出來是問題的關鍵，只有特征具有較強的描述性，利用人工智能算法才能夠實現故障的精確識別。

針對這個問題，文獻[6-13]通過挖掘并提取電力設備紅外圖像中的像素溫度值信息以及基于溫度矩陣的多維度特征值矩陣，將其輸入到SVM（support vector machines）分類器、SOM（self organization map）深度學習網絡中，實現電力設備的故障診斷和分類，準確率最高達到85.7%。文獻[14]通過提取220組電力設備紅外圖像的最高溫升、最低溫升和平均溫升3個熱故障特征量，并用向量將其表示出來，輸入到SVM分類器中實現溫升樣本的分類，訓練和測試分類精度分別為99.0991%和97.5%。

上述文獻雖然實現了熱故障特征提取，并用向量的形式將熱故障特征進行表達，但對故障特征的挖掘不夠全面，忽視了故障等級和故障類型與熱點溫度、熱點溫差、發熱面積、位置信息以及熱點群聚現象等熱屬性值之間的聯系，未能挖掘出有效的特征量精準描述故障類型。因此，在設備熱故障特征描述工作方面，現有文獻方法對故障特征描述不夠全面、數字化程度較低、描述性能不高。同時在特征的提取及描述方面缺少詳細、系統的方法。

本文在對大量紅外熱像圖進行分析的基礎上，提出了一種多屬性融合的電力設備紅外熱特征數字化方法，充分挖掘并提取熱點溫度、溫差、發熱面積、位置信息和群聚現象等多個關鍵特征量，構建了一個多屬性特征值向量，以此實現對故障等級和故障類型的全面表達，并對各特征量的提取方法進行詳細闡述。本文方法流程如圖1所示。

圖1 多屬性信息融合特征算法流程圖

1 多屬性特征融合及數字化方法

1.1 熱故障特征分析

1.2 多屬性融合及數字化方法

根據《DL／T664-2016帶電設備紅外診斷應用規范》[18]文件規定，電力設備的故障類型和等級判斷是通過熱點溫度或者相對溫差、熱點溫差和熱點位置信息特征來實現。通過1.1節對故障特征的分析，異常發熱是發生故障最直接的表現，且往往因故障點位置的不同而表征出不同的故障特性。因此，提取溫度值和位置信息對故障狀態進行描述是很有必要的。同時，電力設備故障區域，在紅外圖像中呈現出溫度最高的點、條、團、圓盤等不規則形狀的光斑[19]。當同一個設備發生多處故障時，會有多個光斑產生，如圖2所示。為了對這些局部發熱“行為”所代表的熱故障特征進行描述，本文引入了發熱面積和熱點群聚現象特征，對電力設備故障程度做進一步描述。

圖2 設備局部呈現出的發熱故障光斑

為了準確提取熱點溫度1、熱點溫差2、發熱面積、位置信息和熱點群聚現象屬性值，提出了一種多屬性特征融合及數字化方法。其原理是在把三相設備分割為單相設備[20]，并完成結構劃分[21]的情況下，通過算法自動提取這些屬性值，構建多屬性信息融合的過熱性故障特征值向量，實現熱故障特征數字化表達。通過提取每一相故障圖像的{1,2,,}∈4屬性值，都會構造出一個對應的特征值向量，如式(1)所示：

＝[1,2,,,,1] (1)

式中：為等效熱源點到軸的距離與設備邊緣在軸的投影絕對值的比；為等效熱源點到中心點的距離及兩點構成的直線與軸的夾角；1為等效熱源點到中心點的距離。

當同一相設備或者同一張圖像中有兩個或者多個故障點時，對應有兩個或多個特征向量，說明存在熱點群聚的現象。提取個故障相或圖像，即可構建一個維多屬性熱故障特征樣本空間，如式(2)：

2 熱故障特征提取方法

2.1 熱點溫度和溫差

將電力設備紅外圖像灰度化處理后，對劃分出來的各區域進行全方位掃描，尋找出各區域的最大灰度值。對各區域中的最大值進行比較，以最小灰度值所對應的溫度作為設備的正常運行溫度3，其余灰度最大值所對應的溫度值分別與正常運行溫度作差，根據最大值的位置信息和故障判斷標準，確定其是否為熱點溫度及熱點溫差。其中通過灰度值獲得溫度值的方法可利用灰度與溫度映射關系，如式(3)：

式中：max和min分別為紅外圖片溫度的最大值和最小值；T和g分別代表第點對應的溫度和灰度值。熱點溫差可表示為：

2＝1－3(4)

2.2 發熱面積

故障區域的分割準確性直接影響著發熱面積的計算精度。因此，故障區域分割是求解發熱面積的關鍵。文獻[22]提出了一種基于PCNN（PCNN-Pulse Coupled Neural Network）分層聚類迭代的故障區域自動提取方法，具有較好的分割效果。因此，本文首先采用該方法對故障區域進行分割，然后對分割出來的故障區域進行二值化處理，效果如圖3所示，最后采用掃描的方法逐行掃描整張圖像，并統計值為1的像素點，故障區域的發熱面積，即為像素點為1的總個數。計算公式如式(5)：

“我們給地方政府部門做了許多高效節水項目，但全額墊資做完項目后，地方政府部門往往回款很慢，錢大半年都回不來，經營壓力很大。”何森說。

=(5)

式中：代表像素值為1的數量。

因拍攝角度等因素的影響，同類型設備在圖像中大小各不相同，導致發熱面積大小不一，沒有一個固有的量綱對其衡量。因此，本文采用故障區域的發熱面積除以設備本體像素高度max的平方，對發熱面積屬性值進行歸一化，如式(6)：

2.3 熱點位置信息

1）在斷路器為正立的情況下，采用文獻[20]的方法將三相設備分割為單相設備，以圖3(a)中的斷路器為例，分割效果如圖4所示。

圖4 分割出單相設備

2）利用數字形態學處理方法，對設備進行腐蝕、膨脹、骨架提取、細化等處理，把立體的設備轉化為一條細直線，用細線高的一半做直線的垂直平分線，交點處即為設備的中心點（0,0），以其為坐標原點，建立二維坐標系，橫軸記為，縱軸記為。以這個坐標系為基準，實現位置信息的提取，以圖4為例，處理效果如圖5所示。

3）使用2.2節所述的分割方法，分割出故障區域，利用灰度質心法求解故障區域等效熱源點，并獲取等效熱源點坐標(1,1)，以圖4(b)為例，處理效果如圖6所示。灰度質心法公式為式(7)：

式中：m×n為圖片分辨率大小；G(x,y)為各像素的灰度值。

圖6 分割故障區域及查找等效熱源點

4）計算出等效熱源點到軸的距離2與設備邊緣在軸的投影絕對值3的比，計算公式為：

＝2/3(8)

為了判定故障區域屬于設備本體內部還是外部，本文通過計算等效熱源點到軸的距離與設備邊緣在軸的投影絕對值的比值來實現。在利用腐蝕處理去除接線端子的情況下，使用矩形框標注截取的方式，提取設備主體，將其等效為一個外接矩形，因此，3即可看著是矩形框寬的一半，2為采用質心法獲取設備本體質心(3,3)的橫坐標與1的差，從而實現的求解。若＞1，判定為本體外部，若≤1，判定為本體內部。

5）計算出等效熱源點到中心點的距離1及兩點構成的直線與軸的夾角。

為了進一步確定故障位置，本文通過計算出等效熱源點和中心點兩點構成的直線與軸的夾角及兩點之間的距離1，分別確定故障區域在坐標軸中的象限位置和偏離設備中心點的程度。當故障區域位于設備本體外部時，若0°＜＜90°，即故障位于坐標軸的第一象限，因只有接線端子位于設備本體外，則可以判斷故障位于設備右邊的接線端子上。若90°＜＜180°，即故障位于坐標軸的第二象限，則可以判斷故障位于設備左邊的接線端子上，從而可以診斷出斷路器發生了電流致熱型缺陷；當故障區域位于設備本體內部時，若0°＜＜180°，即故障位于坐標軸的第一或第二象限，可以得出故障位于的上半軸；若180°＜＜360°，即故障位于坐標軸的第三或第四象限，可以得出故障位于的下半軸。得到象限位置后，再結合故障區域的質心偏離中心點的距離，即可精確定位到故障的位置信息，從而根據位置信息推斷出故障類型。計算和1的公式為：

6）確定發熱點位置信息與1、和的關系。

通過步驟4）和步驟5）可知，描述發熱部位的位置信息由1、和三個參數共同確定，可將其關系表示為式(11)。位置信息各參量效果如圖7所示。

＝[,,1] (11)

圖7 位置信息示意圖

2.4 熱點群聚現象

當同一相設備同時發生多個故障時，在式(2)的樣本空間中會呈現出多個式(1)的特征向量，本文首次提出由熱點溫度、熱點溫差、發熱面積、位置信息幾個特征共同決定的熱點群聚現象特征，對這種現象進行描述。當提取完前幾個特征后，即可得到各相設備的特征向量個數，即是熱點群聚現象特征，實現對設備的故障等級進行補充說明。

3 實驗結果與分析

3.1 電力設備區域劃分

以圖4中(b)相斷路器為例，建立像素統計圖譜，如圖8所示。運用文獻[21]中的方法，即可將圖4中的各相斷路器大致劃分為上、中、下3個區域，劃分效果如圖9所示。從劃分的效果圖可以看出，當找到極小值或極大值所在的軸向位置信息后，該方法能夠精準有效的實現設備區域的劃分。

圖8 像素統計圖譜

3.2 特征提取

以圖9的斷路器為例，對劃分的各區域分別進行掃描和對比計算，得到各相設備中各區域最大灰度值與對應的熱點溫度和熱點溫差等特征量，如表1所示。

表1中的實測值是采用本文方法自動獲取，而實際值是采用FLIR Tool工具提取。通過數據對比可以看出，雖然存在一定的誤差，但對后續的故障特征分析及描述不會造成影響，證明了本文獲取熱點溫度和熱點溫差的方法是可行的。為了對電力設備的故障程度進一步進行描述，運用2.2節的方法提取電力設備的發熱面積。通過上文對電力設備熱故障特征分析可知，電壓與電流致熱故障類型特征相差較大，為了讓兩種故障特征能夠在發熱面積上較好地表達出來，本文對斷路器常見發生在接線端子上的電流致熱型故障和套管上的電壓致熱型故障，分別結合其熱點溫度進行了分析和提取，提取結果如圖10所示，橫坐標為提取的故障數量。

圖9 對圖4電力設備區域劃分效果

從圖10可以得出，本文提取的發熱面積隨著熱點溫度的變化而變化，上升趨勢大致相同。根據判斷故障等級的熱點溫度參數得到對應的發熱面積值，即可通過發熱面積參數，對電力設備的熱故障程度進行一定的補充和表達作用。

位置信息的提取，以圖4(b)和(c)中單相設備為例進行驗證說明，首先采用質心計算公式，獲取設備的質心位置信息分別為（189.95, 253.95）和（245.28, 271.76），然后采用2.2節的分割方法，分割出故障區域，并使用重心法獲取質心坐標為（154.94, 291.34）、（218.67, 322.76），如圖6所示。最后，

表1 各區域的T1與T2對比表

圖10 熱點溫度與發熱面積關系圖

根據公式(8)、(9)和(10)可計算出兩相設備的、和1值分別為：1.4、－47°、51pt和1.3、－63°、58pt。根據提取的位置信息與預定的值進行對比分析，得出兩相設備故障位置均位于設備本體外部和第三象限，再結合故障偏離設備中心位置值，可以推斷出故障在斷路器中間連接部位處的接線端子上。因此，可以得出該斷路器第二和第三相均發生電流致熱型故障。利用位置信息實現對故障類型進行描述后，依據故障所處的位置，再結合提取的溫度、發熱面積特征及熱點群聚現象和文獻[18]中的故障程度判據，即可實現故障等級的描述。表2和表3分別為斷路器故障等級判斷標準和部分電力設備熱故障特征提取結果。

表2 斷路器故障等級判斷標準

表3 部分電力設備熱故障特征提取結果

3.3 特征值矩陣建立

通過算法完成特征提取后，構建基于多屬性信息融合的過熱性故障特征值向量，實現電力設備熱故障特征數字化描述，如式(12)所示：

4 結論

為了實現電力設備紅外圖像診斷中熱故障特征提取和數字化表達，在對圖像預處理的基礎上，提取圖像中關鍵發熱區域的熱點溫度、熱點溫差、發熱面積、位置信息以及熱點群聚現象等熱屬性值，構建多屬性信息融合的過熱性故障特征值向量，實現電力設備熱故障特征數字化描述。本文運用該方法對150張典型斷路器紅外故障圖像進行了特征提取和數字化描述，并對各特征量的提取方法及意義進行了詳細分析。結果表明，本文提出的熱故障數字化方法對典型紅外故障圖譜具有良好的描述能力，對現有的故障特征進行了補充，有效增強了故障的描述能力。可以推廣到其他電力設備，具有較好的擴展性。在接下來的研究中，會在故障特征描述中加入融合系數，提高表達的魯棒性和精準度，用于后續大量復雜故障樣本情況下的設備熱故障智能分類與診斷應用中。

[1] 鄒輝, 黃福珍. 基于FAsT-Match算法的電力設備紅外圖像分割[J]. 紅外技術, 2016, 38(1): 21-27.

ZOU Hui, HUANG Fuzhen. Infrared image segmentation of power equipment based on fast-match algorithm[J]., 2016, 38(1): 21-27.

[2] 張恒源. 基于紅外圖像處理的變電站設備故障診斷方法研究[D]. 長春: 長春工業大學, 2019.

ZHANG Hengyuan. Research on substation equipment fault diagnosis method based on infrared image processing[D]. Changchun: Changchun University of Technology, 2019.

[3] 余彬, 萬燕珍, 陳思超, 等. 基于密度相似因子的電力紅外圖像分割方法[J]. 紅外技術, 2017, 39(12): 1139-1143.

YU Bin, WAN Yanzhen, CHEN Sichao, et al. Power infrared image segmentation based on density similarity factor[J]., 2017, 39(12): 1139-1143.

[4] 騰云, 陳雙, 鄧潔清, 等. 智能巡檢機器人系統在蘇通GIL綜合管廊工程中的應用[J]. 高電壓技術, 2019, 45(2): 393-401.

TENG Yun, CHEN Shuang, DENG Jieqing, et al. Application of intelligent inspection robot system in Sutong GIL Integrated Pipe Gallery Project[J]., 2019, 45(2): 393-401.

[5] 王有元, 李后英, 梁玄鴻, 等. 基于紅外圖像的變電設備熱缺陷自調整殘差網絡診斷模型[J]. 高電壓技術, 2020, 46(9): 3000-3007.

WANG Youyuan, LI Houying, LIANG Xuanhong, et al. Self-adjusting residual network diagnosis model for thermal defects of transformer equipment based on infrared image[J]., 2020, 46(9): 3000-3007.

[6] 王佳林, 崔昊楊, 許永鵬, 等. 基于SOM神經網絡的變電站設備紅外熱像診斷研究[J]. 上海電力學院學報, 2016, 32(1): 78-82.

WANG Jialin, CUI Haoyang, XU Yongpeng, et al. Research on infrared thermal diagnosis of substation equipment based on SOM neural network[J]., 2016, 32(1): 78-82.

[7] 林穎, 郭志紅, 陳玉峰. 基于卷積遞歸網絡的電流互感器紅外故障圖像診斷[J]. 電力系統保護與控制, 2015, 43(16): 87-94.

LIN Ying, GUO Zhihong, CHEN Yufeng. Infrared fault diagnosis of current transformer based on convolutional recursive network[J]., 2015, 43(16): 87-94.

[8] Huda ASN, Taib S. A comparative study of MLP networks using backpropagation algorithms in electrical equipment thermography[J]., 2014, 39: 3873-3885.

[9] ZOU H, HUANG F. A novel intelligent fault diagnosis method for electrical equipment using infrared thermography[J]., 2015, 73:29-35.

[10] LI B, ZHU X, ZHAO S, et al. HV power equipment diagnosis based on infrared imaging analyzing[C]//2006, 2006: 1-4.

[11] 彭向陽, 梁福遜, 錢金菊, 等. 基于機載紅外影像紋理特征的輸電線路絕緣子自動定位[J]. 高電壓技術, 2019, 45(3): 922-928.

PENG Xiangyang, LIANG Fuxun, QIAN Jinju, et al. Automatic location of transmission line insulator based on texture feature of airborne infrared image[J]., 2019, 45(3): 922-928.

[12] LIU Y, PEI S T, FU W P, et al. The discrimination method as applied to a deteriorated porcelain insulator used in transmission lines on the basis of a convolution neural network[J]., 2017, 24(6): 3559-3566.

[13] 李佐勝, 姚建剛, 楊迎建, 等. 基于方差分析的絕緣子紅外熱像特征選擇方法[J]. 電網技術, 2009, 33(1): 92-96.

LI Zuosheng, YAO Jiangang, YANG Yingjian, et al. Infrared thermal image feature selection method of insulator based on ANOVA[J]., 2009, 33(1): 92-96.

[14] 李鑫, 崔昊楊, 許永鵬, 等. 電力設備IR圖像特征提取及故障診斷方法研究[J]. 激光與紅外, 2018, 48(5): 659-664.

LI Xin, CUI Haoyang, XU Yongpeng, et al. Research on power equipment IR image feature extraction and fault diagnosis method[J]., 2018, 48(5): 659-664.

[15] 熊芬芳. 基于圖像處理技術的電氣設備故障診斷方法研究[D]. 上海: 東華大學, 2015.

XIONG Fenfang. Study on fault diagnosis method of electrical equipment based on image processing technology[D]. Shanghai: Donghua University, 2015.

[16] 王旭紅, 李浩, 樊紹勝, 等. 基于改進SSD的電力設備紅外圖像異常自動檢測方法[J]. 電工技術學報, 2020, 35(S1): 302-310.

WANG Xuhong, LI Hao, FAN Shaosheng, et al. Automatic abnormal detection method of infrared image of power equipment based on improved SSD[J]., 2020, 35(S1): 302-310.

[17] 張曉霞. 變電站電壓致熱型設備的紅外測溫診斷[J]. 科技信息, 2010(25):757-758.

ZHANG Xiaoxia. Infrared temperature diagnosis of voltage heating equipment in substation[J]., 2010(25): 757-758.

[18] 唐佳能, 金鑫, 張建志, 等. DL/T 664—2016《帶電設備紅外診斷應用規范》的應用分析[J]. 智能電網, 2017, 5(9): 924-928.

TANG Jianeng, JIN Xin, ZHANG Jianzhi, et al. Application analysis of DL/T 664-2016 infrared diagnosis application specification for live equipment[J]., 2017, 5(9): 924-928.

[19] 王旭紅, 李浩, 樊紹勝, 等. 基于改進SSD的電力設備紅外圖像異常自動檢測方法[J]. 電工技術學報, 2020, 35(S1): 302-310.

WANG Xuhong, LI Hao, FAN Shaosheng, et al. Automatic abnormal detection method of infrared image of power equipment based on improved SSD[J]., 2020, 35(S1): 302-310.

[20] 王小芳, 毛華敏. 一種復雜背景下的電力設備紅外圖像分割方法[J].紅外技術, 2019, 41(12): 1111-1116.

WANG Xiaofang, MAO Huamin. Infrared Image Segmentation Method for Power Equipment under Complex Background[J]., 2019, 41(12): 1111-1116.

[21] 王小芳, 康琛, 程宏波, 等. 基于紅外圖像處理的變電設備熱故障自動診斷方法[J]. 華東交通大學學報, 2019, 36(3): 111-118.

WANG Xiaofang, KANG Chen, CHENG Hongbo, et al. Automatic thermal fault diagnosis method of substation equipment based on infrared image processing[J]., 2019, 36(3): 111-118.

[22] 許曉路, 周文, 周東國, 等. 基于PCNN分層聚類迭代的故障區域自動提取方法[J]. 紅外技術, 2020, 42(8): 809-814.

XU Xiaolu, ZHOU Wen, ZHOU Dongguo, et al. Automatic fault area extraction method based on PCNN hierarchical clustering iteration[J]., 2020, 42(8): 809-814.

A Multi-Attribute Fusion Method for Digitizing Infrared Thermal Characteristics of Power Equipment

ZHAO Tiancheng1，LUO Lyu2，YANG Daiyong1，LIU He1，YUAN Gang2，XU Zhihao2

(1.,130021,;2.,,330099,)

Aiming at the complex problem of thermal fault feature extraction and digital representation in the infrared image diagnosis of power equipment, a multi-attribute fusion thermal feature digitization method for power equipment is proposed in this study. The method uses heat power equipment fault features and diagnostic files related to research analysis, based on image preprocessing, to extract the images of key areas with high temperatures, heating area, location, and thermal property values, such as hot clustering, building a multiple-attribute information fusion of overheating fault feature vectors to realize a digital description of the thermal fault characteristics. A circuit breaker is used as an example to verify and analyze the proposed method. The results show that the proposed method can effectively describe the typical infrared fault spectrum, and can be used in the intelligent classification and diagnosis of equipment faults in the case of a large number of complex fault samples.

multi-attribute fusion, feature extraction, eigen vector, digital description

TP391.41

A

1001-8891(2021)11-1097-07

2021-03-18；

2021-06-07.

趙天成（1992-），男，吉林長春人，工程師，碩士，研究方向為電力設備故障檢測與診斷。E-mail: 583107503@qq.com。

許志浩（1988-），男，武漢人，講師，博士，碩導，研究方向為電力設備智能檢測與人工智能應用。E-mail: zhxuhi@whu.edu.cn。

吉林省電力科學研究院有限公司科技項目資助（KY-GS-20-01-07）。