基于紅外熱成像檢測技術的變電設備異常發熱故障檢測

張瑞強，徐 貴，經 權，馮艷陽，楊星盟

（1.內蒙古電力（集團）有限責任公司包頭供電分公司，包頭 014030；2.內蒙古電力（集團）有限責任公司，呼和浩特 010000）

0 引言

電力設備的長時間使用極易導致設備發生故障或異常，其故障原因大多為變電設備局部或整體發熱，溫度分布異常等問題[1,2]。人們為了能夠長時間檢測變電設備熱狀態，通常使用紅外熱成像技術對變電設備的熱輻射實行掃描[3]，從而檢測變電設備是否存在故障。為了能夠有效檢測出變電設備異常發熱故障，需要對變電設備異常發熱故障檢測方法展開研究。

周劍飛[4]等人提出基于LSTM的設備故障在線檢測方法，該方法首先提取了設備傳感器的特征，并構建了故障檢測模型，利用故障檢測模型與滑動窗口技術的結合，在線檢測設備故障，該方法建立的模型不夠完善，存在檢測效果差的問題。金濤[5]等人提出基于DWT-PNN的柔性直流輸電系統故障檢測方法，該方法優先對輸電系統的電壓特性展開了詳細分析，根據小波變換計算出的能量特性，利用離線數據訓練PNN，通過訓練結果判斷障位置，從而實現最終檢測，該方法的分析效率差，存在不同情況下的檢測準確率低的問題。趙洪山[6]等人提出基于振動特征估計的GIS設備故障檢測與分析方法，該方法優先對設備產生的振動信號特征實行提取，并對提取的特征實行估計，將估計值與實際值兩者間的差值用作故障檢測指標，通過自適應閾值方法對設備故障實行檢測，最終依據設備振動特征變化隔離機械故障及設備放電故障，并利用多種設備獲取故障前、故障后的實時振動數據，經分析后完成對設備故障的檢測，該方法提取的特征不夠全面，導致該方法存在與實際故障檢測結果不一致的問題。

為了解決上述方法中存在的問題，提出基于紅外熱成像檢測技術的變電設備異常發熱故障檢測方法。通過紅外熱成像技術，掃描變電設備圖像的紅外信號實行轉換，以此獲取電信號，得到變電設備異常發熱圖像，采用中值濾波算法對紅外熱圖像去噪。分析紅外熱圖像得知變電設備異常發熱區域的灰度值更高，為此采用模糊C均值算法對圖像分割，將設備區域及非設備區域劃分開，提升變電設備異常發熱故障檢測的準確性，將取得的溫度點與環境溫度信息相結合，實現變電設備異常發熱故障檢測。

1 基于紅外熱成像技術的變電設備

1.1 基于紅外熱成像技術的變電設備圖像采集

目標紅外輻射及溫度分布信息是紅外圖像形成的主要因素，紅外成像技術的質量取決于目標紅外輻射的采集情況。紅外熱像儀掃描到設備的紅外輻射后，將其轉換成電信號，這時就會自動生成出紅外圖像。因此在對變電設備異常發熱故障檢測時，首先需要利用紅外熱成像技術獲取變電設備異常發熱圖像。

對變電設備掃描前，選取線陣列紅外探測器對變電設備不同的掃描空間實行不同的掃描方式[7,8]。假設線陣列紅外探測器在掃描時把掃描空間劃分成x個面元，按照順序依次對變電設備各個面元實行幀圖像掃描時，其掃描時間用下述方程表達式描述：

式(1)中，τd描述的是單元掃描時間，fp描述的是幀頻，Tp描述的是周期。

紅外掃描儀利用紅外探測器掃描變電設備時，會取得變電設備的紅外輻射信息，從而將信息轉換成電信號。通過yv元線對掃描空間中每個單元實行掃描，且在每組單元中都有一個列組合，包含yv個單元器件。若利用相同的周期時間速度對元面掃描，就會增強信號信噪比，達到倍。式中，y描述的是y個單元探測器。平面中的單元探測器越多，對變電設備各個元面掃描的時間就會越長，故障檢測效果也會提升。

根據掃描到的數據，利用固體攝像器件對掃描到的紅外信號實行轉換，以此獲取電信號，得出變電設備異常發熱圖像，完成對變電設備發熱紅外圖像的采集。

2.2 變電設備紅外圖像預處理

對變電設備紅外熱圖像采集期間，大氣環境的溫度會對紅外熱圖像的質量造成影響，導致圖像中含有噪聲，以致于不能有效的提取到變電設備紅外圖像有用數據信息，所以需要對變電設備紅外熱圖像實行去噪處理[9,10]。

中值濾波算法[11]屬于一種非線性平滑濾波算法，能夠有效對紅外熱圖像去噪，有著很強的濾波效果。假設采集的變電站紅外熱圖像灰度圖位數為6位，那么圖像像素點就為0或255。通過概率密度函數方程表達式定義如式(2)所示：

式(2)中，p(m)描述的是概率密度函數，a描述的是黑噪點，即a=0；b描述的是白噪點，即b=255。pa描述的是與a相對應的概率，pb描述的是與b相對應的概率。

利用中值濾波對變電設備紅外熱圖像窗口范圍點排序，而圖像的灰度值[12,13]就是序列中心中間值，用方程表達式標記為：I(i,j)=median(n(k))。式中，k描述的是像素點數量，n描述的是灰度值序列，I(i,j)描述的是灰度值。

由于LevelR與LevelW是自適應中值濾波的組成部分，表示為：

式(3)中，Zmin描述的是灰度最小值，Zmax描述的是灰度最大值，Zmed描述的是中值。

LevelW定義如下：

式中，Zxy描述的是坐標灰度值。

當R1＞0、R2＜0時，就需要轉換到LevelW，反之則需要擴大濾波窗Sxy的尺寸。若Sxy的尺寸達到Smax，就說明Smax是Sxy的輸出值。當R1＞0、R2＜0時，就要將Zxy用作輸出值，反之輸出值為Zmed。

那么中值濾波算法對變電設備紅外熱成像的濾波流程如圖1所示。

圖1 濾波流程圖

3 變電設備異常發熱圖像分割及故障檢測

變電設備紅外熱成像濾波后更能顯現出成像信息數據，根據獲取的紅外熱圖像得知，變電設備異常發熱區域的灰度值更高，為了能有效的檢測出異常發熱故障，需要采用模糊C均值算法[14,15]對圖像分割，將其劃分成設備區域及非設備區域。具體分割流程如下所示：

1）根據圖像的灰度值，將灰度值相同的子集輸入計算，以此達到減少數據集計算量，提升分割效率的目的。

2）以像素數量相同為主對圖像直方圖實行劃分[16,17]，劃分后所對應的圖像灰度級就標記為e，那么此時圖像聚類中心的目標函數定義如下：

式(4)中，f描述的是目標函數，i、j描述的是圖像像素灰度級，ei、ej描述的是像素數，H1、H2描述的是劃分后的像素總數量，x描述的是灰度級最大值，α與β均描述的是權值。

當f的值為最大時，使i、j的原始聚類中心與灰度級相對應，達到對聚類中心優化的目的。

3）采用高斯函數對變電設備紅外熱圖像領域賦予像素權值，再利用加權平均法加權變電設備圖像隸屬度[18～20]，標記為，用下述方程描述為：。式中，m描述的是圖像像素點的橫坐標，n描述的是縱坐標，k描述的是類別，x、y、h描述的是高斯核函數。依據加權后的設備圖像，設定圖像領域為3×3。

根據分割后的變電設備異常發熱紅外圖像，需要對圖像灰度值實行訪問，通過映射表取得變電設備紅外圖像像素溫度點，將取得的溫度點與環境溫度信息相結合，以此對變電設備異常發熱區域實行檢測，得到變電設備異常區域的定位坐標，實現變電設備異常發熱故障檢測。

4 實驗與分析

為了驗證基于紅外熱成像檢測技術的變電設備異常發熱故障檢測方法，需要對該方法實行實驗對比測試。

采用基于紅外熱成像檢測技術的變電設備異常發熱故障檢測方法（所提方法）、基于LSTM的設備故障在線檢測方法（文獻[4]方法）和基于DWT-PNN的柔性直流輸電系統故障檢測方法（文獻[5]方法）實行實驗測試。

展開測試前，選取一個變電設備用作本次實驗環境，針對變電設備中異常發熱的情況實行實驗測試，選取的變電設備如圖2所示。

圖2 變電設備實驗測試圖

1）變電設備時常因為異常發熱而導致自身發生故障，為了能夠有效檢測存儲變電設備異常發熱故障，以紅外熱成像技術為主，采用所提方法、文獻[4]方法和文獻[5]方法獲取變電設備異常發熱故障熱成像，將獲取結果與實際結果比較，從而驗證三種方法的故障定位效果，具體測試結果如圖3所示。

圖3 變電設備異常發熱故障定位測試

分析圖3中的數據發現，變電設備實際檢測故障共有三處，而所提方法的定位結果與實際定位結果相同，同時故障定位位置一致，說明所提方法的故障定位效果強。文獻[4]方法檢測時，共定位出兩處故障，與實際結果相比文獻[4]方法的故障定位結果不夠全面，存有缺失，但其余定位結果與實際值相同，可見文獻[4]方法的故障定位準確率要低于所提方法。文獻[5]方法在測試期間共定位出3處故障，與實際值對比發現，文獻[5]方法僅有一處故障定位結果與實際值相同，其余均定位錯誤。根據上述測試可知，所提方法的故障定位效果最強、文獻[5]方法的故障定位效果最差。

2）在變電設備電信號中引入一組噪聲數據，采用所提方法、文獻[4]方法和文獻[5]方法分別對加入噪聲數據及未加入噪聲數據的變電設備信號實行故障檢測，根據檢測結果測試三種方法的準確性，具體測試結果如圖4所示。

圖4 故障檢測準確率測試

從圖4中可以看出，加入噪聲數據和未加入噪聲數據后的故障檢測準確率都不相同，但從整體上看，加入噪聲數據后所提方法的故障檢測率下降較小，說明噪聲數據給所提方法的故障檢測準確率帶來的影響小；而文獻[4]方法加入噪聲數據后整體檢測率下降效果明顯，表明噪聲數據為文獻[4]方法造成的影響較大。根據圖4中的數據可以判定出，所提方法在兩種情況下的故障檢測準確率均高于其余兩種方法，這主要是以為所提方法對變電設備圖像實行了預處理，以此提升了檢測效率，增強了故障檢測效果。

5 結語

變電設備發熱異常會導致變電設備發生故障，為了解決這種問題，提出基于紅外熱成像檢測技術的變電設備異常發熱故障檢測方法，該方法首先獲取了變電設備熱成像圖像，對圖像實行預處理后將其分割，依據圖像灰度值取得像素溫度點，將其與環境溫度結合后完成對變電設備異常發熱區域的檢測。該方法在變電設備異常發熱故障檢測方法中發揮著重要作用，在日后故障檢測領域中有著長遠的發展前景。