基于三相自搜尋比較法的電氣設備過熱故障識別方法

許志浩，鄭詩泉，康 兵，袁 剛，趙天成，楊代勇

基于三相自搜尋比較法的電氣設備過熱故障識別方法

許志浩1，鄭詩泉1，康 兵1，袁 剛1，趙天成2，楊代勇2

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

電力設備過熱故障圖譜識別是判斷電力設備故障程度的重要手段。工程實際中通常是對變電設備熱拍照并進行人工甄別。為提高設備熱像圖故障判定準確率和效率，本文針對電力三相設備的特點，提出了一種通過三相分區塊自動搜尋及溫度對比的過熱區域判定方法，通過將三相設備熱像圖每相分離，調整為相似大小與姿態，將新圖像分塊進行對比，判定對應區塊是否有異常溫升，從而判定某相設備出現的熱故障。試驗結果表明，本文基于計算機自動搜尋和判定的設備熱診斷方法能夠更加高效準確地判定識別三相設備熱故障，從而能夠提高電力設備熱故障檢測的效率、準確性與自動化程度。

紅外圖像；電力三相設備；圖像處理；熱故障識別

0 引言

變電站電力設備長期處于工況運行狀態，易發生各類故障而威脅電網安全穩定運行。研究顯示[1]，在電氣設備故障中超過半數均伴有設備異常發熱現象。

20世紀中期國外的一些研究機構與電力企業嘗試使用熱像儀記錄設備溫度進行故障檢測[2]。發展至今，國內外的技術人員通過對運行設備定期熱拍照，由檢測者觀察設備熱圖像的溫度分布并判定設備中存在的異常溫升，確定熱故障類型[3]，該方法可有效檢測出電力設備的異常溫升。加上其無接觸檢測的優點，適應電力系統要求，因而在電力系統故障檢測中得到推廣運用。然而當前電力設備熱圖譜普遍采用人工觀察，判斷較主觀[4-5]，且其準確程度對檢測人員經驗依賴大，準確度波動大且不夠高效，并且此類傳統的人工圖像特征分析方法較難提煉異常發熱區域特征與分布。近年來計算機技術和人工智能技術飛速發展，研究者們提出了一些具有自動化和智能化功能的設備熱像圖故障識別方法，以提高判定與故障處理效率與準確性。對于自動化算法來說，如何利用電力設備的各類特點敏銳地發現熱像圖中的異常溫升區域是熱故障識別的關鍵。胡世征等人通過檢測設備對應測量點間溫差與其中較熱點溫升的比值，實現相對溫差判斷[6]。郭英軍等提出使用紅外攝像儀在線監測與計算變壓器鐵心的溫升變化情況[7]。王如意等根據設備熱圖譜在異常溫升處的色差進行圖像分割而提取故障點[8]。孫怡等人提出利用不同電氣設備出現異常溫升的經驗數值進行分類閾值判定的方法[9]。王淼等人通過分析導線熱像圖診斷輸電線路[10]。馮振新等采用局部區域聚類的方法對熱圖譜溫升區進行提取[11]。而現有研究較多關注于故障點程度的分割、計算和分析工作，而運用三相設備自有特征進行故障區域自動查找定位的研究卻較少涉及。

在目前現狀下，本文提出一種三相自搜尋比較的電力設備熱像圖自動診斷算法，變電站三相設備或并列運行的同類設備通常具有完全相同的外觀特點，其電氣運行狀態相同或相近（嚴重三相不平衡和短路故障情況除外），因而正常運行時三相設備一般具有相同的熱狀態，對應部位的發熱狀態一致，這是熱檢測的重要判據。當其中某相設備發生局部熱故障時，正常相設備可成為其余兩相設備發熱異常判定的良好參照物。通過計算機自動搜尋算法提取并利用三相對應的熱狀態信息對比，可自動高效地發現熱故障并準確判定其發生部位，進行診斷分析。

1 三相自搜尋比較算法

三相自搜尋比較法的思路是以熱點區域為追蹤目標，對三相設備熱像圖進行計算機處理，自動化地得到可直接相比較分析的三相圖片。其方法實施流程如圖1所示。

為實現自動熱區域搜尋和比較，本路線中先利用數學形態學的方法對圖像中視圖相連的三相設備進行分割處理，進一步將每相提取為單獨圖片，另外由于取景角度和雜物的影響，需對單相圖像進行圖像調整使其保持相同圖像大小、角度，通過這樣的自動化處理就得到了可進行對應區域映射對比的單相圖片。接著為了最優程度地進行對應處比較，采用數據模塊化方法，將處理完成的單相圖像按照同等規格進行區塊劃分，由于先前的單相圖同等化處理和同規格的分區，每相圖片相同坐標的區塊溫度很大程度上反應了三相設備相同部位的溫度水平。對每區溫度取平均值，并對三相設備全區塊進行溫度分布統計，可很好地反應出各相的溫度水平和溫升情況，基于此相同的數據模型，可以便捷地實現設備溫升判定和熱數據信息分析，完成自動溫升搜尋和故障比較識別。

圖1 三相自搜尋比較法執行流程圖

2 三相設備熱像圖的提取分割

2.1 熱像圖形態學處理

實現三相設備或同類設備之間的熱像圖對比，需要將圖片中三相設備按相進行分離。由于圖像中存在連接體、環境異物影響，以及拍攝角度不規范導致設備局部重疊等原因，致使照片中的設備間常有連接物存在，增加了三相設備主體形域的提取分割難度，如圖2所示。

圖2 斷路器三相設備連接圖及其二值化

圖2為電力斷路器三相設備熱像圖及其提取的二值化圖像。熱像圖中最亮處溫度達68.1℃，最暗處為－0.2℃。從圖中可看出，對圖像二值化后，這些干擾一般體現為設備主體形狀間的纖細連接，為去除這些連接干擾，可以采用對三相設備熱像圖的二值圖像進行形態學開操作運算。

形態學是由動植物形態研究發展而來。數學形態學的處理可實現從圖像中提取邊界、骨架等表達描繪圖形的圖像分量，常用操作有腐蝕膨脹，開閉運算等。

＝{|()í} (1)

而膨脹則是：

可得出，腐蝕操作可消除運算對象接觸的所有邊界點，使其邊界向內收縮，該過程能夠消除目標對象附近小而無意義的物體（可干擾體）[2]，而膨脹操作則相反，其使目標區域范圍“變大”。將目標區域接觸的背景點合并到該目標物中，使目標邊界向外部擴張[2]，可以用來填補目標區域中某些空洞以及消除包含在目標區域中的小顆粒噪聲。

在此基礎上，利用腐蝕和膨脹操作可以衍生出開啟運算：

＝()?(3)

即對圖形對象進行先腐蝕后膨脹的操作。

以及閉合運算：

即對圖形對象進行先膨脹后腐蝕的操作。它們對圖形操作具有不同的效果，都能部分平滑對象輪廓，開操作斷開較窄的狹頸并消除細的突出物，閉操作則一般彌合較窄的間斷和細長的溝壑，消除小的孔洞，填補輪廓線中的斷裂等[12]。

結合三相設備熱像圖及其得到的二值圖像的特點，可對其分別進行合適的開閉類操作，實現對不可靠連接干擾的處理。

如圖3所示，可看出開運算對短小纖細處等不可靠連接進行了“切斷”處理，并去除了周邊的小干擾體，而閉運算彌合了狹窄的目標間縫隙，使得目標擴大連接在一起。

圖3 開運算和閉運算操作

針對去除不可靠連接，分離三相設備主體形態的目的，可使用合適程度的開運算操作，現采用合適大小的圓狀結構元，對圖4所示三相斷路器設備的熱像圖進行開運算操作。

圖4 三相設備開運算

可以看出，開運算操作對三相設備熱像圖二值圖像中不可靠連接具有較好的“切斷”作用。且開運算運用像素半徑不同的結構元執行，將得到有區別的執行效果，結構元尺寸減小，圖像將由從連接處“猛烈截斷”到保留了更多區域細節，應根據圖像情況調整合適的結構元大小。

2.2 三相設備主體的標定與提取

經過形態處理后還需進一步將三相設備主體提取出來，觀察形態處理后的二值圖像，可以看出白色目標區域主要是設備主體區域以及無用的雜散對象，在圖像中，把這些具有相同像素值且相互鄰接的一片像素區域作為連通區域或連通分量，在二值圖像中即前景白色的數個區域。為進一步提取設備區域，可將圖像中的連通區域分配不同數字標簽并標定。根據其分布特性，將每個白色（像素值1）的連通分量像素標為同一值，不同連通分量分別標定1,2,3…等標簽，形成新的標簽矩陣，并將其用不同顏色表示，如圖5所示。

圖5 連通分量的標定

根據分析與標簽結果，圖像中標定的區域主要是設備主體區域以及附帶設備、背景或未完全去除的線管等。依據開運算操作時處理尺度不同，標定區域的大小與數量也不同，而在所有的標簽區域中，需要提取三相設備主體所在的連通分量。

根據設備熱像圖的拍攝特點分析，設備本體是拍攝的主要目標，對合格的設備熱像圖來說，電氣設備主體應占據照片主要區域。利用這個特點，三相設備熱像圖中，標定連通區域中像素數量最大的3個區域即是三相設備的主體區域，即設備目標區域。

如圖6所示，搜集所有標定區域的像素數與標簽號，找到具有前三多像素數的區域標簽，并將其標記到新的矩陣圖像中并進行顏色標定。可以看出，圖像中標定了三相設備主體所在的最大的3個連通區域，去除了其他干擾區域的影響。

圖6 三相主體區域提取

因二值圖像目標區域像素值為1，而背景為0，進一步可將新的三相區域二值矩陣與原設備熱像圖執行對應元素相乘，如圖7所示，能夠得到去除所有干擾與背景元素的三相設備熱像對比圖。

圖7 三相設備主體目標熱圖像

2.3 設備圖像分相及調整

得到三相設備主體的熱圖像后，為實現每相設備之間的熱狀態對比，應將其每相分離至單張圖片上，并裁切調整至一致。由于每相所在的連通區域已標定不同標簽，能夠確定標簽及所在位置，因此可為每相區域創建相同大小圖像，將三相區域分別標定，即能得到分離的三相設備熱圖像。

將每相設備圖像如圖8單獨分離后，由于其大小有差異以及背景位置不同，為進行對應位置的比對，應將其裁切并調整為相同圖片大小與方向。利用每相二值圖像記錄的設備區域位置裁切，并可通過圖像分辨率調整將其調整為等大圖像，如圖9所示。

圖8 設備熱圖像多相分離

圖9 單相設備熱像圖調整

3 三相設備區塊對比與溫升區域判定

采用同類比較法，判定設備某區域是否出現異常溫升，在完成了設備提取和圖像調整后，三相熱像圖應是大小一致的圖像。熱像圖中由顏色亮暗代表溫度高低，由比色條色彩標定，由此將熱像圖矩陣轉變為對應像素的溫度分布矩陣，即可進行溫度對比?？蓪⒉噬珶嵯駡D的RGB像素值轉換為反應亮暗程度的灰度圖像：

gray＝0.299＋0.587＋0.114(5)

由熱像圖比色條中給出的圖像溫度區間[min,max]，將灰度圖像素值矩陣映射至該溫度區間，即：

＝(max－min)gray＋min(6)

由此可得相同大小設備溫度分布矩陣。而根據電氣設備的故障發熱特點，某處的故障可能會造成該處一片區域發熱而產生異常溫升，因此，可將每相的溫度分布矩陣劃分為數個區塊，每個區塊溫度取其均值，以反映每處的溫度分布水平。如圖10是實驗設備三相的分區塊均溫分布表。

圖10 三相分區溫度分布表（℃）

根據各個區塊的平均溫度值分布情況，還可對各相不同溫度范圍內的區塊數量進行統計，更直觀地分析其溫度分布情況，如圖11將示例三相斷路器的每相的溫度分布的區塊數量以直方圖統計。由圖可看出，排除背景的低溫區塊，該設備溫度區塊主要分布在30℃～40℃溫度范圍內。而在更高的溫度層級，B相、C相有少量區塊的溫度跨過了一般范圍直接達到60℃～70℃溫度范圍，相對大多數區塊所在溫度范圍屬于較明顯的溫升，而A相則相對正常，無少量區塊相較有明顯的溫度躍升。

圖11 每相各溫度區塊數量分布直方圖

除討論不同溫度范圍的區塊數量外，各區塊相對位置的溫度分布情況是判定溫升區域的重點。為了能夠清晰地看出每相設備的區塊溫度分布情況，使用常規的紅外圖像比色條對溫度分布表中每區塊溫度進行映射，如圖12所示。

圖12 熱像圖比色條

將所有區塊按溫度均值映射回紅外圖像標記色。如圖13可見，可清晰獲取感知每區塊的均值溫度，而按紅外圖像溫度顏色標記的區塊圖可清晰地體現區塊的溫度水平及每相對應區塊的溫差。為更清晰體現溫度比對水平，可進一步將紅外比色區塊圖制為柱狀圖，如圖14。

圖13 三相設備區塊對比

圖14 三相設備溫度對比柱狀圖

至此，每相設備分區塊的溫度對比即已清晰明了，只要根據設定的閾值標準，即可判定異常溫升的存在，在熱成像電力設備故障檢測領域中，即可根據同類比較，如同組三相設備、同相設備之間及同類設備之間對應部位的溫差進行比較分析，這類判定方法中的相對溫差法是一種良好的根據周邊溫度差值進行溫升判定的檢測方法[6]，利用相對溫差t即同類設備對應測量點間的溫差與其中較高溫點溫升的比值：

式中：1和1為發熱點的溫升和溫度；2和2為正常相對應點的溫升和溫度；0為環境溫度參照體的溫度。以示例三相斷路器圖譜分析，設定異常溫升參考值為20K，進行區塊溫差比較計算發現，B相區塊中部和C相頂部連接處出現異常溫度高值，計算相對四周的t過大、超限，結果符合圖15的溫度區塊數分布圖的統計分析結果。由此能判定B相和C相均存在區域發生了超限溫升熱故障。

如圖15所示，準確地分析出設備存在的發熱區域，是快速識別診斷熱故障的關鍵。運用該方法可有效實現三相設備異常溫升區域的自動查找。圖16和圖17分別為用該方法實現兩組不同角度拍攝的三相電流互感器設備發熱故障搜尋效果圖。

圖15 異常溫升區塊判定

圖16 三相自搜尋比較法發熱查找

基于此，三相自搜尋比較法按照圖1本文方法流程對電力設備熱像圖進行內部比較判斷，自動分析識別，從而能更有效地識別設備溫升與熱故障。

該方法適用于具有成套相同設備、多相并列運行等易于進行相間溫度比較的電力設備或者相內溫升明顯易確定相對溫差的設備。若針對拍攝角度隨意的多相設備熱圖譜，其記錄的各相熱信息缺失，較難準確地對各部位的溫升情況做出故障判定，另外對于形態較為獨特或不連續的設備，其判定能力可能受限。因此本方法對熱像圖拍攝質量有一定要求，后續研究可通過積累大量熱故障判定實例來提高多相判定的準確性和對各種熱圖譜的兼容性，以提升方法智能化水平。

4 結語

以電力設備紅外熱成像檢測中同類比較法與相對溫差法為基礎，本文提出了一種基于電氣設備熱信息的三相自搜尋比較檢測算法。對電網常見的三相設備、同類設備的檢測熱像圖，本算法針對三相設備熱像圖的故障顯示特征，基于圖像處理和溫差分析實施對熱故障的自動搜尋與處理，獲得三相溫升比較對象，并進行分區塊溫度分布統計與自動溫升比較分析，實現以同類比較法和相對溫差法為分析基礎的電力設備熱故障高效自動化檢測。與傳統的設備熱像圖人工檢測分析方法相比，本方法能夠實現設備熱故障的計算機自動搜尋檢測，相對人工檢測具有更高的效率和準確度，且能夠實現三相設備熱故障的全自動化搜尋檢測。不足之處是對熱像圖拍攝角度、質量有一定要求，工程實際中需要對紅外檢測作業人員的拍攝角度進行必要規范，形成符合要求的三相設備熱像圖。

[1] 康龍. 基于紅外圖像處理的變電站設備故障診斷[D]. 北京: 華北電力大學, 2016.

KANG Long. Substation equipment fault diagnosis based on infrared image processing[D]. Beijing: North China Electric Power University, 2016.

[2] 楊洋. 電氣設備紅外圖像分析與處理[D]. 北京: 北京交通大學, 2015.

YANG Yang. Infrared Image Analysis and Processing of Power Equipments[D]. Beijing: Beijing Jiaotong University, 2015.

[3] 王旭紅, 李浩. 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(1): 302-310.

WANG Xuhong, LI Hao. Infrared image anomaly automatic detection method for power equipment based on improved single shot multi box detection[J]., 2020, 35(1): 302-310.

[4] 劉嶸, 劉輝, 賈然, 等. 一種智能型電網設備紅外診斷系統的設計[J].紅外技術, 2020, 42(12): 1198-1202.

LIU Rong, LIU Hui, JIA Ran, et al. Design of Intelligent Infrared Diagnosis System for Power Grid Equipment[J]., 2020, 42(12): 1198-1202.

[5] 張明. 基于紅外圖像的變電設備分類及在故障診斷中的應用[D]. 合肥: 合肥工業大學, 2012.

ZHANG Ming. Substation Equipment Classification and Its Application in Fault Diagnosis Based on Infrared Image[D]. Hefei: Hefei University of Technology, 2012.

[6] 胡世征. 電氣設備紅外診斷的相對溫差判斷法及判斷標準[J]. 電網技術, 1998, 22(10): 47-50.

HU Shizheng. Method and Criterion of Relative Temperature Difference Determination of Infrared Diagnosis for Electric Eouipment[J]., 1998, 22(10): 47-50.

[7] 郭英軍, 孫麗華, 孫會琴, 等. 電力變壓器熱故障的在線診斷技術[J]. 河北科技大學學報, 2007(2): 147-149.

GUO Yingjun, SUN Lihua, SUN Huiqin, et al. An online diagnosis method of transformer hot fault[J]., 2007(2): 147-149.

[8] 王如意. 變電站電力設備紅外圖像分割技術研究[D]. 西安: 西安科技大學, 2011.

WANG Ruyi. Research of Infrared Image Segmentation for Power Equipment in Substation[D]. Xi’an: Xi’an University of Science and Technology, 2011.

[9] 孫怡, 吳邦樹, 劉儀卜, 等. 基于紅外圖像處理的電氣設備故障診斷方法[J]. 機電工程技術, 2016, 45(6): 59-62.

SUN Yi, WU Bangshu, LIU Yibu, et al. Method of default diagnosing of electric equipments based on infrared image processing[J]., 2016, 45(6): 59-62.

[10] 王淼, 杜偉, 孫鴻博, 等. 基于紅外圖像識別的輸電線路故障診斷方法[J]. 紅外技術, 2017, 39(4): 383-386.

WANG Miao, DU Wei, SUN Hongbo, et al. Transmission Line Fault Diagnosis Method Based on Infrared Image Recognition[J]., 2017, 39(4): 383-386.

[11] 馮振新, 許曉路, 周東國, 等. 基于局部區域聚類的電力設備故障區域提取方法[J]. 電測與儀表, 2020, 57(8): 45-50.

FENG Zhenxin, XU Xiaolu, ZHOU Donggu, et al. Extraction method of power device fault region based on local clustering algorithm[J]., 2020, 57(8): 45-50.

[12] 岡薩雷斯. 數字圖像處理[M]. 北京: 電子工業出版社, 2011.

Rafael C. Gonzalez.[M]. Beijing: Publishing House of Electronics Industry, 2011.

Overheat Fault Identification Method for Electrical Equipment Based on Three-phase Self-searching Comparison Method

XU Zhihao1，ZHENG Shiquan1，KANG Bing1，YUAN Gang1，ZHAOTiancheng2，YANG Daiyong2

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

Overheat fault atlas identification of power equipment is an important tool forjudging the fault degree of power equipment. In engineering practice, thermal photography of substation equipment and manual screening are usually carried out. Toimprove the heat equipment’sfigure fault decision accuracy and efficiency according to the characteristics of the three-phase power, this study proposes an automatic search determination method; this method involves the use of the three-phase partition piece temperature contrast of overheating area to separateevery figure of the three-phase equipment heat, adjustment of images of similar size and attitude, comparing the new image block, and determining whether there is a corresponding block of abnormal temperature rise to identifythe thermal faults of certain phase equipment. The test results show that the equipment thermal diagnostic method based on computer automatic search and determination can identify the thermal fault of three-phase equipment more efficiently and accurately, which improves the efficiency, accuracy, and automation degree of thermal fault detection of power equipment.

infrared image, power three-phase equipment, image processing, thermal fault identification

TM77

A

1001-8891(2021)11-1112-07

2021-03-04；

2021-05-28.

許志浩（1988-），男，湖北武漢人，博士，講師，碩導，主要從事電力設備智能檢測與人工智能應用研究工作。E-mail:zhxuhi@ whu.edu.cn。

康兵（1987-），男，湖北孝感人，研究所所長，工學博士，主要從事智能配電網相關方向研究。E-mail:525982460@qq.com。

吉林省電力科學研究院有限公司資助項目（KY-GS-20-01-07）。