基于視頻疊加算法的變電站易損高壓電氣設備可視化監控技術研究

摘?要：為增強變電站高壓電氣設備易損性可視化效果，研究了基于視頻疊加算法的變電站高壓電氣設備易損性可視化監控。利用改進的α混合算法結合視頻背景色的反走樣，疊加可見光視頻以及紅外視頻，選取引導濾波器將視頻幀分為基礎層和細節層，利用改進的自適應加權二維主成分分析（W2DPCA）融合基礎層，選取細節層作為最終細節層，獲取最終融合幀，實現變電站高壓電氣設備易損性可視化監控。實驗結果表明，采用該方法所獲取監控畫面可體現豐富的變電站高壓電氣設備細節，紋理色彩以及設備邊緣對比度有所強化，便于準確判斷變電站高壓電氣設備易損性。

關鍵詞：視頻疊加算法;變電站;高壓;電氣設備;易損性;可視化監控

中圖分類號：TM63??????文獻標識碼：A

Visual?Supervision?of?Vulnerable?Highvoltage?Electrical

Equipment?in?Substation?Based?on?Video?Overlay?Algorithm

FU?Zhanwei

（Inner?Mongolia?EHV?Power?Supply?Bureau，Hohhot，?Inner?Mongolia?010080，China）

Abstract：In?order?to?enhance?the?visual?effect?of?vulnerability?of?high?voltage?electrical?equipment?in?substation，?visual?monitoring?of?vulnerability?of?high?voltage?electrical?equipment?in?substation?based?on?video?superposition?algorithm?is?studied.?Using?improved?α??the?hybrid?algorithm?combines?the?anti?aliasing?of?video?background?color，?superimposes?visible?video?and?infrared?video，?selects?the?pilot?filter?to?divide?the?video?frame?into?the?base?layer?and?the?detail?layer，?uses?the?improved?adaptive?weighted?twodimensional?principal?component?analysis?（W2DPCA）?to?fuse?the?base?layer，?and?selects?the?detail?layer?as?the?final?detail?layer?to?obtain?the?final?fusion?frame，?Visual?monitoring?of?vulnerability?of?high?voltage?electrical?equipment?in?substation?is?realized.?The?experimental?results?show?that?the?monitoring?images?obtained?by?this?method?can?reflect?rich?details?of?substation?highvoltage?electrical?equipment，?and?the?texture?color?and?edge?contrast?of?equipment?are?enhanced，?which?is?convenient?to?accurately?judge?the?vulnerability?of?substation?highvoltage?electrical?equipment.

Key?words：video?overlay?algorithm;?substation;?high?voltage;?electrical?equipment;?vulnerability;?visual?monitoring

變電站內包含變壓器、斷路器、電壓互感器等眾多高壓電氣設備，是電力系統供配電的重要組成部分[1]。變電站遇到地震等嚴重振動情況時，高壓電氣設備受到破壞將造成電網失去供配電功能，停電狀況提升災害后災民安置困難性[2]。變電站高壓電氣設備易損性可應用于設備地震風險評估中，設備狀態決定變電站輸配電系統運行狀況[3]，將可視化監控技術應用于變電站高壓電氣設備易損性研究中，可有效提升電氣系統整體監控需求。

以往針對變電站可視化監控研究較多，陳濤研究基于自組網的變電站遠程視頻監控系統設計[4]，針對自組網變電站設計遠程視頻監控系統，可遠程監控變電站內設備運行狀態;滕井玉等人研究基于視頻集成及智能分析的一鍵式程序化控制技術[5]，視頻集成技術與智能分析技術應用于程序化控制電力系統中，提升電力系統眾多設備控制性能;朱紅岷等人研究基于圖像處理的變電站視頻智能分析[6]，將圖像處理技術應用于變電站視頻智能分析中，提升變電站設備狀態分析性能，以上研究均將可視化技術應用于變電站設備監控中，并均取得一定成效?？梢?，在相關可視化監控研究中，多采用圖像融合技術，目前已有的圖像融合技術包括了多傳感器信息融合技術、多重灰度級圖像融合技術、基于小波變換的圖像融合技術等，但上述圖像融合技術應用到變電站高壓電氣設備易損性監控時會出現鋸齒和暗邊情況，因此，基于視頻疊加算法的變電站高壓電氣設備易損性可視化監控，將視頻疊加算法應用于變電站高壓電氣設備易損性研究中，實現變電站高壓電氣設備可視化監控，提高電氣設備紋理色彩、邊緣對比度以及細節的豐富性，實現變電站高壓電氣設備易損性實時檢測。

1?高壓電氣設備易損性可視化監控的實現

1.1?視頻疊加算法設計

將所采集的可見光變電站視頻以及紅外變電站視頻利用改進的α混合算法結合背景色的反走樣實現疊加。所謂α混合算法，就是利用α混合向量值來混合處理源像素和目標像素，從而使3D物件產生透明感，在本研究中引入α混合算法能使高壓電氣設備有三維立體感。α混合算法依據固定比例將視頻近景與遠景加權求和公式如下：

計算技術與自動化2022年3月

第41卷第1期

付占威：基于視頻疊加算法的變電站易損高壓電氣設備可視化監控技術研究

公式（1）中，α與1-α分別表示視頻內近景權值以及相應遠景權值;Il與Ir分別表示近景像素點以及相應遠景像素點顏色;Ia表示采用α混合算法疊加視頻后輸出值。

依據圖元反走樣算法所獲取圖元點灰度、坐標以及顏色對視頻遠景相應位置實施反走樣公式如下：

公式（2）中，Ib表示本體視頻畫面與遠景上反走樣像素點顏色;Ie與Jg分別表示遠景內像素位于相同位置時近景相應圖元顏色以及依據相應反走樣獲取近景圖元像素點灰度等級。

通過公式（2）獲取新近景畫面，所獲取新畫面基于遠景基礎實施反走樣，避免遠景與近景出現黑邊以及圖元邊界鋸齒情況[7]。所獲取近景與遠景可良好融合，但原畫面內背景色與遠景融合導致α通道無法利用背景色檢測混合，變換公式（2）如下：

公式（3）中，Ik為原視頻畫面背景色。

利用以上過程獲取混合通道α，反走樣于遠景的本地視頻畫面實現α混合公式如下：

公式（4）中，Iout表示最終視頻疊加輸出值。

依據背景色判斷通道混合內α通道，實施反走樣后遠景畫面內包含原有背景色以及新像素點[8]，新背景色同樣呈現于視頻畫面中。

通道判別內可不判別位于圖元內新背景色，可將公式（4）轉化為：

公式（5）中，Iout表示通道α混合的最終視頻疊加結果。

分析以上過程可知，采用該算法疊加視頻時，混合權值由固定值轉化為變混合參數，變混合參數相應遠景權值可依據各位置近景像素點灰度等級調整[9]，遠景于混合內權值在近景灰度等級越高時越小，遠景于混合內權值在近景灰度等級越低時越大，可得公式如下：

以上公式可以看出，該算法將修正函數η加入傳統α混合算法中，依據近景灰度等級設置混合權值補償修正值，令疊加后混合視頻不存在鋸齒感以及暗邊情況。

近景混合權值偏大而像素點灰度等級為固定，且參與疊加的混合像素灰度等級較低時，疊加后視頻畫面遠景將被近景覆蓋，近景混合權值越大，鋸齒感與暗邊情況越明顯，此時需要加大修正量補償力度[10];近景疊加像素點灰度等級過低且混合權值固定時，疊加后圖元邊界處在遠景混合權值非最大值時存在鋸齒感以及暗邊情況，近景像素點灰度等級與修正量呈負相關狀態。

將視頻疊加算法應用于所建立變電站模型，即在視頻實現變電站高壓電氣設備易損性可視化監控時，存在于RGB空間的近景畫面像素信息不具有灰度等級信息，利用YUV空間灰度等級信息展示RGB空間數據[11]，轉換公式如下：

1.2?基于引導濾波器和W2DPCA的融合算法

融合視頻疊加后的可見光視頻與紅外視頻獲取更高質量的可視化監控結果，令可視化監控視頻不受周圍環境影響，將自適應加權二維主成分分析（以下稱為自適應W2DPCA算法）與引導濾波器相結合融合可見光視頻以及紅外視頻，該融合方法具有計算復雜度低的優勢，能夠通過逐幀融合的手段獲取可見光視頻與紅外視頻融合的可視化監控結果。融合算法總體結構圖如圖1所示。

該融合方法主要包括利用引導濾波器劃分可視化監控層次，獲取可見光幀與紅外幀監控結果的基礎層與細節層，視頻分層所獲取基礎層與細節層選取不同規劃方法融合[12]，最終將融合后基礎層與細節層組合獲取最終變電站高壓電氣設備易損性可視化監控結果。

1.2.1?引導濾波器的可視化監控視頻幀分解

所采集變電站高壓電氣設備可見光監控視頻中紋理較為豐富，而紅外視頻中容易丟失視頻中紋理細節，通過引導濾波器獲取視頻內基礎層與細節層，視頻基礎層包含視頻整體強度變化[13]，視頻細節層包含所需展示圖像信息的紋理信息，引導濾波器處理后，視頻可保證融合過程中可見光紋理不影響紅外紋理信息。選取不同方法融合視頻基礎層與細節層，令融合后視頻包含紅外視頻幀內熱物體以及可見光幀內紋理細節信息。

利用引導濾波器分解紅外幀以及可見光幀獲取紅外幀以及可見光幀基礎層公式分別為：

以上公式中，G與r分別表示引導濾波函數以及濾波器半徑，Ii與Iv分別表示源紅外幀以及源可見光幀，ξ與IvB分別表示正則化參數以及可見光幀基礎層，IiB表示紅外幀基礎層。

利用源可見光幀以及源紅外幀所獲取可見光基礎層以及紅外基礎層之差獲取可見光幀以及紅外幀細節層[14]。所獲取紅外幀以及可見光細節層公式分別為：

通過以上過程所獲取基礎層與細節層分別保留源視頻內存在較大方差區域以及紋理信息，紅外圖像內目標存在于視頻基礎層內。

1.2.2?W2DPCA融合基礎層

通過基礎層融合令受環境影響的可見光視頻內物體直觀清晰展示，視頻幀質量直接影響圖像融合最終效果[15]，僅需要加入紅外熱圖像至高質量可見光幀即可獲取最佳融合結果。利用自適應W2DPCA算法融合可見光幀與紅外幀過程如下：

首先將W2DPCA算法實施于紅外幀與可見光幀基礎層上，紅外幀與可見光幀集合用矩陣P表示，獲取矩陣P協方差矩陣G公式如下：

公式（14）中，P1表示紅外幀，P2與μ分別表示可見光幀以及可見光幀和紅外幀平均值。

依據特征值λ大小通過降序方式排列協方差矩陣G的特征向量，矩陣最左側放置最大特征值相應的特征向量，利用U表示特征提取矩陣，大小為n×d的特征提取矩陣由前d個特征向量組成，矩陣表達式如下：

特征圖像由紅外幀以及可見光幀前d個主成分組成。

不同幀權重隨著像素大小改變而有所改變?？梢姽鈳约凹t外幀權重利用尺寸較小的特征圖像計算可有效降低計算量。

融合過程中需要檢測可見光幀的邊緣區域與其他區域間對比度是否存在差異[16]，可見光質量在較差的環境有所降低，但仍包含有用的紋理信息。充分考慮幀質量在融合過程中獲取自適應可見光權重，基于區域方差的可見光幀權重Wv公式如下：

公式（18）中，δ表示源圖像標準差。

紅外幀內像素值較高以及較低區域分別表示較熱以及較冷區域，紅外幀全部像素灰度值在低溫情況下明顯低于高溫情況下，圖像內熱物體灰度值明顯高于其他像素。融合過程中應重點突出紅外熱物體，利用零均值操作獲取紅外權重Wi公式如下：

通過公式（19）可知，較大權重將被分配至較高像素部分。

利用加權平均方法獲取紅外幀以及可見光幀融合特征圖像QB，通過該方法獲取融合特征圖可保留可見光幀全部細節信息，融合特征圖公式如下：

利用以下公式近似重構融合基礎層公式如下：

1.2.3?細節層融合

圖像內真實的紋理信息可能破壞紅外幀細節層包含的大量無用信息，融合過程中可丟棄紅外幀圖像細節層，細節層融合公式如下：

1.2.4?最終融合視頻幀

融合后基礎層與融合后細節層最終融合公式如下：

通過公式（23）所獲取最終融合幀可有效體現紅外幀以及可見光幀所包含熱目標以及紋理信息。

2?實例分析

為驗證基于視頻疊加算法的變電站高壓電氣設備易損性可視化監控對變電站高壓電氣設備易損性研究有效性，選取某國家電網構成的電力系統作為實例分析對象，該地區具有工業用電多、人口密度大的特點。選取該地區共29個110?kV以上變電站作為高壓電氣設備易損性研究的統計分析樣本。其中500?kV、220?kV變電站分別為2座、8座，110?kV變電站19座。

設計一套變電站高壓電氣設備易損性可視化監控系統，該系統利用紅外傳感器以及可見光傳感器的在線監控裝置獲取變電站高壓電氣設備圖像源，利用上位機運行系統采用本文方法處理采集圖像，通過C語言利用VS編譯平臺編程本文軟件，系統具有紅外圖像以及可見光圖像融合、紅外以及可見光成像信息互補、變電站高壓電氣設備易損性分析、人工操作等功能。

采用本方法監控各變電站高壓電氣設備可視化監控界面圖如圖2所示。

圖2可以看出，本方法可應用智能視頻實時監控變電站高壓電氣設備狀態。本方法采用視頻疊加方法疊加視頻，令所呈現視頻無鋸齒情況;可視化監控視頻具有設備透視功能，可設置變電站內各高壓電氣設備透明度，避免部分設備被遮擋導致無法準確分析設備易損性。

從源變電站高壓電氣設備視頻中選取一對紅外幀以及可見光幀如圖3所示。

采用本方法對以上兩幅原始圖像進行視頻疊加以及融合處理，獲取最終結果如圖4所示。融合前后圖像質量的客觀指標對比情況如表1所示。

通過圖4融合結果和表1中的指標數據可以看出，本方法可良好融合室外變電站場景，融合后圖像可良好展示可見光視頻內變電站高壓電氣設備紋理以及紅外視頻中設備信息，且邊緣表現較為自然，融合后視頻可視化效果相比未融合前具有明顯提升，高壓電氣設備陰影部分增強效果明顯，對比度有所提升，且融合結果中設備細節可有效強化，設備紋理色彩以及設備邊緣對比度有所增強，監控視頻內整體變電站高壓電氣設備細節更加豐富。

依據本文所建立變電站三維模型利用Matlab仿真軟件模擬某次真實發生的地震災害，給定變電站信息采樣的節點數為200，日最大負荷為120?kW，變電站的有功功率為42?kW，設定模擬地震災害等級為6.7級，模擬區域變電站均受到地震影響，由于不同地區受地震災害與震源距離存在差異，不同地區變電站高壓電氣設備受破壞程度存在較大差異，以變電站與震源距離作為劃分標準，從短距離至長距離將所研究區域劃分為A-F六個地區，基于上述設定，得到各區域高壓電氣設備受破壞程度如表2所示。

通過表2結果可以看出，損壞設備數量隨著與震源距離的增加而有所降低，與現實相吻合，充分驗證變電站高壓電氣設備模擬有效性。

依據可視化監控界面可以看出，變電站內除變壓器外的瓷柱型設備主要損壞狀態為斷裂損壞以及裂紋損壞。設備斷裂損壞影響設備使用，設備裂紋并不影響繼續使用，將設備出現裂紋設置為未破壞，將設備斷裂狀態歸屬于完全破壞。變壓器在地震中損壞狀態主要表現為輪軌固定裝置破壞、油枕破壞等部件損壞，可知變壓器具有較低的易損性。變壓器損壞可分為部件損壞以及部件未損壞兩種狀態，設部件損壞程度低于變壓器本身五分之一且不影響變壓器正常操作時為變壓器部件未損壞，否則為變壓器部件損壞。

3?結?論

將視頻疊加算法應用于變電站高壓電氣設備易損性可視化監控中，視頻疊加算法可避免所疊加視頻畫面內近景的反走樣圖元邊界存在鋸齒感和暗邊情況，符合變電站高壓電器設備易損性監控實際需求。所研究方法具有較高的三維可視化監控性能，強化電氣設備細節，使其紋理色彩以及邊緣對比度增強，提高監控視頻中電氣設備細節的豐富性，利用變電站可視化監控精準分析高壓電氣設備易損性，提升變電站安全運行水平。

參考文獻

[1]?陳勇，?李勝男，?張麗，?等.?基于改進Apriori算法的智能變電站二次設備缺陷關聯性分析[J].?電力系統保護與控制，?2019，?47（20）：135-141.

[2]?劉世丹，?袁亮榮，?曾耿暉，等.?基于區域虛擬變電站的區域保護性能提升方案[J].?電力科學與技術學報，?2019，?34（1）：154-159.

[3]?劉如山，?張中近，?熊明攀，等.?基于設施易損性的變電站地震經濟損失快速評估[J].?應用基礎與工程科學學報，?2017，25（3）：604-614.

[4]?陳濤.?基于自組網的變電站遠程視頻監控系統設計[J].?電源技術，?2017，?41（1）：155-156.

[5]?滕井玉，?蔣正威，?杜奇偉，等.?基于視頻集成及智能分析的一鍵式程序化控制技術研究[J].?電力系統保護與控制，?2017，?45（17）：72-76.

[6]?朱紅岷，?戴道清，?李靜正.?基于圖像處理的變電站視頻智能分析研究[J].?計算機工程與應用，?2018，54（7）：264-270.

[7]?朱富云，?戴相龍，?傅靖，等.?基于視頻監控的變電站內安全帽檢測算法研究[J].?電網與清潔能源，?2018，34（12）：71-76.

[8]?程永鋒，?朱祝兵，?盧智成，?等.?變電站電氣設備抗震研究現狀及進展[J].?建筑結構，?2019，49（S2）：356-361.

[9]?魯華永，?袁越，?郭泓佐，等.?基于正則表達式的變電站集中監控信息解析方法[J].?電力系統自動化，?2017，41（5）：78-83.

[10]戴相龍，?朱富云，?胡廣，等.?基于視頻的變電站內紅馬甲檢測系統的實現[J].?電網與清潔能源，?2018，34（10）：83-88.

[11]才爭野.基于FFmpeg與CUDA的YUV與RGB色彩空間轉換性能對比分析[J].廣東通信技術，2019，39（1）：21-24.

[12]王月月，?陳民鈾，?姜振超，等.?基于云理論的智能變電站二次設備狀態評估[J].?電力系統保護與控制，?2018，46（1）：71-77.

[13]張營，?魯守銀，?蘇建軍.?高壓變電站設備帶電水沖洗機器人系統研究[J].?高電壓技術，?2017，?43（4）：1326-1332.

[14]李丹丹，?董靜薇，?徐博，?等.?嵌入式智能視頻監控技術的研究與OpenCV實現[J].?電視技術，?2017，?41（Z3）：96-100.

[15]張翠，?高新勤，?李楠.?基于ARM與DSP的箱式變電站智能遠程監控系統[J].?電子技術應用，?2019，45（3）：104-107，112.

[16]劉焱，?崔博源，?王寧華，等.?1100?kV特高壓交流變電站開關設備低溫應對措施[J].?高壓電器，?2019，55（5）：220-225.