基于時間序列算法的變電站設備故障紅外識別

李明軒，顏培培，楊慧婷，王麗花

(國網(wǎng)新疆電力有限公司電力科學研究院，烏魯木齊 830011)

變電站設備是電力系統(tǒng)組織結構中的重要節(jié)點，具有電力傳輸及轉(zhuǎn)換職責[1]，各設備的運行狀態(tài)與電網(wǎng)穩(wěn)定性具有直接關聯(lián)，因此，實時監(jiān)控變電站設備的運行狀態(tài)是降低其故障發(fā)生率的有效措施。溫度是表征變電站設備運行狀態(tài)的重要參數(shù)，各設備發(fā)生故障時，其溫度往往表現(xiàn)出升高態(tài)勢[2]。利用紅外熱成像技術獲取各設備的紅外視頻圖像，通過比色條采集其溫度數(shù)據(jù)，實現(xiàn)各設備的故障識別是當下行之有效的技術手段[3]，既不會對變電站設備的正常運行造成干擾，又能滿足故障檢測的實時性要求。

變電站設備紅外視頻圖像具有數(shù)據(jù)規(guī)模大的特點，如何在紅外視頻圖像中提取設備故障幀圖像并檢測到故障發(fā)生時間是識別故障的關鍵。紅外視頻圖像各幀間的圖像信息滿足時間序列特性[4]，在時間間隔很小時，變電站設備的溫度信息不會發(fā)生大幅度改變，通過時間序列算法可實現(xiàn)變電站設備可疑紅外視頻圖像的篩選及標記，有效提升故障識別效率。

劉黎等[5]利用改進的Faster-RCNN目標檢測方法獲取視頻圖像中的各尺度語義信息，實現(xiàn)了變電站異物識別，該方法對亮度較高區(qū)域具有較好的識別效果，但在暗區(qū)域存在細節(jié)丟失問題；姚艷秋[6]提出利用時序數(shù)據(jù)的趨勢分析方法識別變電站設備的絕緣性故障缺陷，該方法可完成絕緣性故障缺陷的時序性選擇，但通過最小二乘法擬合無法獲取其全部特征值，特征數(shù)據(jù)丟失嚴重，直接影響識別結果的精準度。因此，筆者提出基于時間序列算法的變電站設備故障缺陷識別，旨在有效提升各設備的故障缺陷識別效果。

1 變電站設備故障缺陷識別

1.1 變電站設備紅外遙視與故障缺陷識別框架

變電站紅外遙視與故障缺陷識別框架如圖1所示，其中包含混合探測器、云臺、數(shù)據(jù)通信設備、轉(zhuǎn)發(fā)中心、監(jiān)控中心等主要單元[7]。檢測時，將由紅外、可見光攝像頭組成的混合探測器布置于云臺上，并安裝于變電站內(nèi)各設備上，紅外攝像頭負責對變電站各設備的紅外測溫圖像進行采集，可見光攝像頭負責采集變電站設備周圍環(huán)境視頻圖像信息；采集的各視頻圖像信息經(jīng)數(shù)據(jù)通信設備傳輸至轉(zhuǎn)發(fā)中心，再遠程傳輸至監(jiān)控中心，然后由監(jiān)控中心對接收的各類視頻圖像信息進行分析處理，完成變電站設備的故障缺陷識別。

圖1 變電站設備紅外遙視與故障缺陷識別框架

變電站紅外遙視與故障缺陷識別原理為：首先監(jiān)控中心通過上位機操控混合探測器及云臺組合，對變電站各設備進行自動巡檢，完成各預置位紅外測溫圖像及環(huán)境視頻圖像的采集；然后采用滑動時間窗口篩選設備的可疑故障缺陷視頻圖像并進行標記。在對其進行去噪、分割的基礎上，一方面獲得變電站設備的特征溫度信息，通過對其進行分析處理，實現(xiàn)變電站設備的故障診斷；另一方面根據(jù)變電站設備所處環(huán)境的視頻圖像，實現(xiàn)對變電站設備區(qū)異物、刀閘狀態(tài)、套管與頂蓋狀態(tài)、煙火的檢測，并識別設備區(qū)的車輛違停現(xiàn)象。

1.2 基于時間序列和滑動窗口的設備可疑故障缺陷圖像篩選

1.2.1 變電站設備可疑故障缺陷圖像篩選

令X為時間序列，即包含一系列元素的有序圖像幀集合，各元素由幀圖像存儲時間t及記錄值x構成[8]，表示為X={(t0,x0),(t1,x1),…,(ti,xi),…}。由于變電站設備視頻圖像在實際運行中，其運行狀態(tài)隨著時間的變化呈動態(tài)性改變，滿足時間序列特點，因此，設定圖像幀X與時間密切相關，通常當選擇的時間間隔很小時，X基本不會發(fā)生較大改變，在當下時間窗內(nèi)，對各X值取平均值得到Xag，各X基本均位于Xag周圍，對于圖像幀B,若其X值遠離Xag時，則B發(fā)生故障缺陷的概率很高。因此，文章采用固定大小的滑動時間窗口，實現(xiàn)變電站設備的時間序列視頻圖像的可疑圖像幀選擇及標記。

對于獲取的任意一個變電站設備視頻圖像，令SW[t-w…t]為其滑動窗口，w為采樣時間間隔，t為時間，且t>w。在SW[t-w…t]內(nèi)，各圖像幀可表示為

(1)

將時間點為t的圖像幀xt作為B，對B進行故障模式判別，具體分為以下5個步驟。

(2) 在滑動窗口范圍內(nèi)，求解各幀圖像像素點與空間中心距離的平均值，即

(2)

式中：對于時間點為t的幀圖像xt，該點至空間中心的距離為d(xt)。

(3) 對ct=|d(xt)-d(xt-1)|進行運算，并求解其平均值，即

(3)

式中：ct為t時刻的空間距離；ct-w為固定時間間隔下t時刻的空間距離差。

由此可確定分布于均值周圍的xt值，其求解公式為

(4)

(5) 退回至步驟(2)進行循環(huán)操作，完成整段時間序列的選擇，從而確定變電站設備可疑故障缺陷圖像集D，其中可能發(fā)生故障缺陷的各幀圖像已作記錄。

1.2.2 采樣時間間隔w、閾值α的確定

采樣時間間隔w、閾值α的取值直接影響變電站設備備選故障缺陷圖像集的篩選精度，α可通過實際仿真模擬進行確定。設β為變電站設備故障缺陷識別精度，w對變電站設備故障缺陷識別的影響可通過β值來反映，即

(5)

式中：Noutlier為識別出的備選變電站設備故障缺陷圖像數(shù)量；NT為樣本中包含的變電站設備故障缺陷圖像總量。

1.3 變電站設備視頻圖像去噪

對篩選后獲取的可疑變電站設備視頻圖像進行預處理是提高故障缺陷識別精度的有效措施，因此首先進行灰度化處理，在解決圖像處理時內(nèi)存占用較大問題的同時，可使圖像預處理更加高效、準確度更高[10]。視頻圖像采集往往容易受到各種因素的影響，導致視頻圖像中含有過多噪聲，為此筆者采用小波閾值變換的中值去噪方法實現(xiàn)變電站設備視頻圖像的噪聲清除，改善視頻圖像的視覺效果。其原理為：首先利用中值濾波對變電站設備可疑故障視頻圖像進行消噪處理，解決視頻圖像中的椒鹽噪聲；然后采用小波閾值變換方法獲得系數(shù)矩陣，基于此矩陣完成閾值的設定，達到高斯噪聲去除的目標；最后通過小波逆變換獲得新的系數(shù)矩陣，復原變電站設備視頻圖像。

1.4 變電站設備視頻圖像可疑區(qū)域分割

圖像分割是故障識別的基礎工作，筆者采用改進分水嶺算法實現(xiàn)變電站設備可疑視頻圖像的分割處理。對于變電站設備的可疑視頻圖像，可通過目標灰度與背景灰度的差值來判斷圖像分割效果的優(yōu)劣。若二者差別很大，說明圖像分割具有突出效果，反之，表明圖像存在“欠分割”的問題[11]。數(shù)學形態(tài)學的圖像變換可增大二者差異，有效提升圖像對比度。

對于任意一幅變電站設備視頻圖像，其灰度圖像為f(x,y)，噪聲去除后的圖像為ut(x,y)，對于f(x,y)圖像，可通過頂帽變換提取其高亮度區(qū)域，即

g=f-(f°n)

(6)

式中：n為結構元素；f°n表示完成圖像的f(x,y)的開啟；g為頂帽變換圖像；f為灰度級原圖像。

然后通過底帽變換提取其細節(jié)內(nèi)容，即

j=(f?n)-f

(7)

式中：f?n表示完成圖像f(x,y)的閉合；j為底帽變換圖像。

對g(x,y)，j(x,y)圖像作疊加處理，可獲得圖像i(x,y)，即

i(x,y)=g(x,y)+j(x,y)

(8)

疊加處理后，圖像對比度獲得明顯提升。針對i(x,y)，由n完成該圖像的膨脹(i⊕n)、腐蝕(iΘn)操作，此時形態(tài)學圖像梯度l可表示為

l=(i⊕n)-(iΘn)

(9)

按上述過程獲得圖像l(x,y)，與ut(x,y)圖像相比，其視覺效果獲得大幅度提升。采用分水嶺算法對灰度圖像f(x,y)進行分割處理，獲得目標區(qū)域。圖像分割步驟分為以下兩步。

(1) 對于圖像f(x,y)，其內(nèi)某一微小區(qū)域表示為Q，依據(jù)下述條件對其進行預估：該區(qū)域內(nèi)包含高灰度像素點；該區(qū)域呈連續(xù)性；各像素的灰度值存在類似性。

(2) 將Q作為起始點，水逐步向整幅圖像漫延，水漫延范圍為C(Q)，S為匯水盆地，通過構建分水嶺避免水向S外漫延，水漫延過程應遵循以下條件[12]：

① 漫延(a-1)次后，蔓延范圍表示為Ca-1(Q)，對其作膨脹處理，可獲得Ca(Q)；② 若膨脹使兩漫延區(qū)域發(fā)生融合，需取消膨脹，而選擇筑造堤壩；③ 反復執(zhí)行以上兩步，使水漫延至整幅圖像f(x,y)，完成不同區(qū)域分水嶺的構建[13]，實現(xiàn)變電站設備可疑故障缺陷視頻圖像的分割處理。

1.5 基于Zernike不變矩的圖像特征提取

Zernike不變矩的基本思想是在任意一組圓形內(nèi)存在多項式，且為正交關系[14]，設(p+q)階中心矩陣可表示為

(10)

(11)

圖像l′(x,y)具備平移不變特性，將其與倍數(shù)系數(shù)γ相乘，使其具備縮放不變特性。

采用Zernike不變矩方法獲取圖像l(x,y)的特征，即

(12)

式中：k為階數(shù);w為重復度;ρ為中心點至(x,y)方向的向量;該向量與x軸方向的夾角為θ。

對于多項式kw(ρ,θ)，其共軛表示為*(ρ,θ)。

若縮小圖像l(x,y)，可通過將其與倍數(shù)系數(shù)γ相乘實現(xiàn)，γ的計算公式為

(13)

(14)

此時圖像具備縮放不變特性。由此可確定歸一化的圖像特征值為

(15)

1.6 基于支持向量機(SM)的變電站設備故障缺陷識別

通過支持向量機對變電站設備的視頻圖像進行分類，識別變電站設備故障缺陷的結構區(qū)域及故障類型。其主要分為9個步驟。

(1) 采集變電站不同設備的紅外視頻圖像，對其進行幾何變換處理后，建立樣本數(shù)據(jù)集，通過時間序列法完成疑似故障缺陷視頻圖像的選擇與標記。

(2) 對變電站設備可疑故障缺陷視頻圖像進行去噪處理后，完成圖像目標的分割，并獲取其特征值。

(3) 特征值歸一化。

(4) 根據(jù)故障缺陷識別精度調(diào)整SM參數(shù)。

(5) 確定SM分類器的核函數(shù)，采用徑向基函數(shù)，通過網(wǎng)格搜尋法獲取最佳分類間隔大小參數(shù)λ、懲罰因子r。

(6) 將歸一化的圖像特征值作為SM輸入，完成SM的訓練，確定變電站設備分類模型。

(7) 根據(jù)變電站設備紅外圖像灰度值，對其溫度信息進行提取，并計算其溫度的最大值、平均值及環(huán)境溫度。

(8) 通過劃分故障缺陷類型，并對變電站設備故障缺陷識別規(guī)則進行界定，實現(xiàn)變電站不同設備的故障缺陷識別，故障類型分別定義為普通、嚴重、緊急缺陷。

(9) 得到變電站不同設備的故障缺陷識別結果。

2 試驗分析

以變電站設備的紅外視頻圖像作為試驗對象，建立圖像樣本數(shù)據(jù)集，紅外圖像數(shù)量為2 000幅，其中包含5種不同設備的紅外圖像，分別為斷路器、隔離開關、高壓套管、電流、電壓互感器，應用上述方法對各設備的故障缺陷進行識別，分析上述方法的故障缺陷識別效果。

選取斷路器設備紅外圖像為研究對象，應用文章方法對該圖像中噪聲進行處理，去噪前后的紅外圖像如圖2所示。

圖2 斷路器設備去噪前后的紅外圖像

分析可知，采集的斷路器設備原始紅外圖像中含有較多噪聲，導致紅外圖像對比度較低，色彩飽和度較差，圖像邊緣模糊且存在陰影，紅外圖像質(zhì)量較低，嚴重影響后續(xù)故障缺陷識別精度。應用文章方法對其進行去噪處理后，紅外圖像清晰度、色彩飽和度明顯提升，解決了圖像邊緣的模糊陰影問題。試驗結果表明，該方法能有效提升變電站設備紅外圖像的視覺效果，降噪性能突出。

采用文章方法對去噪后的紅外圖像進行分割處理，獲取目標設備，并與文獻[5]中改進的Faster-RCNN目標檢測方法、文獻[6]中趨勢分析方法的處理結果對比，分析3種方法的圖像分割性能，對比結果如圖3所示。

圖3 不同處理方法的紅外圖像分割效果對比

分析圖3可知文獻[5]方法、文獻[6]方法對亮度高區(qū)域具有較好的分割效果，暗區(qū)域分割效果較差，使得紅外圖像中目標設備細節(jié)內(nèi)容存在不同程度的丟失，文獻[6]方法細節(jié)信息丟失更多；文章方法可完整分割出目標設備，設備細節(jié)保留完整，效果突出。

從4種不同設備數(shù)據(jù)集中分別選取10幅不同設備的紅外圖像，共40幅，采用文章方法對數(shù)據(jù)集中的全部紅外圖像進行分析，并根據(jù)表1的各設備故障缺陷識別規(guī)則進行識別，識別結果如表2所示。

由表1，2可知，根據(jù)各設備的紅外圖像，可獲取其所處環(huán)境溫度和當下設備溫度，將各設備正常狀態(tài)下的溫度值與之對比，通過計算相對溫差，就可以判斷設備是否存在故障缺陷。由識別結果可見，隔離開關設備存在故障缺陷，故障類型為普通故障，是刀口接觸不良引起的故障缺陷；其余設備運行正常，未發(fā)生故障缺陷。

表1 不同設備的故障缺陷識別規(guī)則

表2 各設備的故障缺陷識別結果

3 結語

以變電站各設備的紅外視頻圖像為研究對象，采用基于時間序列算法的設備故障缺陷紅外識別方法對紅外圖像進行一系列處理，實現(xiàn)了變電站設備的故障識別。

該方法應用小波閾值變換和改進分水嶺算法，分類變電站設備，篩選并標記經(jīng)過優(yōu)化處理的可疑故障缺陷圖像，保證分割后的目標設備圖像細節(jié)完整，紅外圖像對比度、清晰度均獲得大幅度提升，可完成變電站設備的故障缺陷識別。