基于圖像分析的氣體繼電器積氣體積辨識及自動取氣方法

周威振，馬越，鄧集瀚，黃星吉，毛玉星

（1. 南方電網超高壓輸電公司大理局， 云南 大理 671000；2. 重慶大學電氣工程學院， 重慶 400044）

0 引言

變壓器是輸變電系統的關鍵裝備，其健康狀態對電力系統的安全運行有重要影響。目前，油浸變壓器是一種廣泛使用的主流變壓器。氣體繼電器是油浸變壓器內部故障的一種保護裝置［1-2］，安裝在油枕和變壓器油箱間用于收集絕緣油分解產生的氣體，一方面觸發保護動作，也支持后續的人工取氣并進行油中溶解氣體分析（dissolved gas analysis，DGA）［3］，判斷變壓器的故障狀態。當油浸變壓器內部發生故障，例如匝層間短路、相間短路、相對地短路時，伴隨有電弧產生，使絕緣油分解產生氫氣、甲烷、乙炔等特征氣體；此外變壓器內部某些部件過熱，也會使絕緣材料分解并產生揮發性氣體。故障越嚴重，氣體的量越大，這些氣體從變壓器內部上升到上部的油枕的過程中，流經氣體繼電器；若氣體量較少，則氣體在氣體繼電器內聚積，使浮子下降，使繼電器的常開接點閉合，作用于輕瓦斯保護發出警告信號；若氣體量很大，油氣通過氣體繼電器快速沖出，推動氣體繼電器內擋扳動作，使另一組常開接點閉合，直接啟動繼電保護跳閘，斷開斷路器，切除故障變壓器。

氣體繼電器的功能發揮依賴內部機械結構動作，它只具有輕瓦斯告警和重瓦斯保護兩種狀態，無法動態監控變壓器的實時運行狀況。要動態掌握氣體繼電器的積氣情況，需要人工現場巡檢，若需進一步對繼電器中氣體成分進行分析則需要人工帶電操作，存在嚴重的安全隱患，迫切需要研制氣體繼電器的在線監測裝置，實時分析積氣情況。當變壓器油已經分解了大量氣體時或者變壓器發生短路故障時，不僅變壓器系統面臨嚴重故障威脅，變壓器與氣體繼電器附近區域也都處于危險中，迫切需要設計一種氣體繼電器積氣容量的監測系統，實時掌握積氣體積，既實現對變壓器運行狀態在線監測，同時還能避免工作人員在現場的人身安全風險。

目前，對氣體繼電器的研究工作主要集中在氣體的在線監測，包括取氣、氣體傳感器布置、氣體組份檢測等方面，這些操作大多依賴于輕瓦斯告警或重瓦斯保護后的人工操作，幾乎沒有看到變壓器運行過程中對氣體繼電器積氣容量的動態監測及自動取氣分析方面的研究。考慮到積氣容量變化會改變氣體繼電器腔體壓力，使得油位改變，本文提出通過在線監測氣體繼電器中變壓器油位的高度來計算積氣體積，從而實時掌握變壓器的運行狀況。

液位高度測量分為接觸式和非接觸式兩種方法［4-7］。接觸式檢測對不同液體適應性較弱，易受液體腐蝕，而且安裝較為復雜，不適用于氣體繼電器的液位測量。目前工業上廣泛采用非接觸式測量，其優點是實現了計量測量遠端檢測，使用壽命較長，安裝相對簡單。主流非接觸式測量中，超聲波檢測隨著精度的提升價格將呈指數增長，難以普遍應用。雷達檢測雖然不受介質密度和溫度的變化，噪音、蒸汽、粉塵、真空等工況影響，不易被腐蝕，能在高低壓等極限環境正常工作，但價格高昂，抗電磁干擾能力弱。對氣體繼電器而言，它具有金屬外殼，大部分測量方法都無法實現。但由于氣體繼電器留有供人工觀察的透明窗口，可以通過安裝攝像頭并通過圖像分析方法實現。

圖像處理與計算機視覺方法具有非接觸測量的優勢，已在工業檢測中廣泛［8-11］。為此，本文提出采用圖像分析方法進行液位檢測，其工作原理是根據采集的圖像信息研究圖像處理算法，得到被測液位高度［12-16］，從而分析積氣體積。此方法容易實現，適應性強，工作穩定可靠且成本低［17-18］。在準確獲知氣體繼電器積氣體積基礎上，通過設計外圍智能取氣與檢測裝置，在不斷電的情況下將氣體繼電器中積存的氣體導入氣體傳感器系統進行成分分析，從而在線進行變壓器的運行狀態監測與故障預警。隨著物聯網技術和嵌入式設備的快速發展，使得上述智能檢測裝置具有很高的可靠性、較低的制作成本與開發難度。另一方面，微處理器性能的迅速發展使得圖像處理也可以在嵌入式環境下實現，從而使得裝置輕便，成本較低，易于對氣體繼電器的積氣容量及成分進行實時測量。

1 基于圖像分析的氣體繼電器積氣體積辨識方法

1.1 氣體繼電器油氣分界面檢測

變壓器絕緣油分解產生的氣體匯集到氣體繼電器后，由于重量較輕會聚集在上部。隨著氣體容量增加壓強變大，將原有的油“壓”出氣體繼電器從而使油位下降。由于氣體繼電器設有供人為觀測的玻璃窗，可以通過油氣分界面識別來判斷氣體的容量。通過在觀測窗的狹小空間中安裝工業內窺攝像頭獲取油位圖像，檢測油氣分界面位置并建立油位與積氣體積的映射關系，將積氣體積辨識問題轉換為利用圖像分析技術找尋油液分界面高度問題，其具體流程如圖1所示。

圖1 圖像分析液位檢測流程圖Fig. 1 Flow chart of level detection for image analysis

1.1.1 圖像差分變換

氣體繼電器實物如圖2 所示，由于其玻璃觀測窗有刻度標記線，線條明顯而且分布較密，并處于觀察窗中央位置，對液位檢測有嚴重影響；同時繼電器內部有復雜的機械結構，會對液位目標產生背景干擾。

圖2 現場安裝氣體繼電器實物圖Fig. 2 Physical diagram of the gas relay installed on site

為應對這一問題，采用運動目標檢測中常用的簡單幀差分思想：考慮到實際應用中，內窺攝像頭會固定在觀測窗蓋板上，且采用穩定的照明光源，可以忽略幀間背景位置及光照變化。首先拍攝一幅充滿油的圖像作為背景，包含了刻度線及機械背景信息。若變壓器運行過程中產生了氣體，會使液位發生變化，實時圖像就會在背景圖像中疊加液位信息，通過差分變換，可以降低背景干擾，較好地保留液位信息，為后續液位檢測創造條件。

1.1.2 二值化與消噪處理

差分圖像是一幅灰度圖，可能由于反光、移位、采集誤差等原因存在干擾，需要進行二值化及消噪以便進行后續液位檢測。首先采用Otsu算法計算圖像的閾值［19］，對差分圖像進行二值化處理，再對二值圖像進行中值濾波及形態學變換，去除干擾因素。

中值濾波具有抑制噪聲又能保持細節的特點，取出與待處理點相鄰的8 個點，對總共9 個點進行排序，取其中的中位數作為濾波輸出，可以去除散點噪聲干擾。此外，為進一步去除背景小目標干擾，再對濾波圖像進行開運算，采用一個矩形或原型模板對圖像進行腐蝕和膨脹運算。開運算是一種形態學變換方法，可以用來消除小物體，并在纖細處分離物體，也可以用來平滑大物體的邊界，如式（1）所示。

式中：?為腐蝕運算；⊕為膨脹運算；A、B分別為原圖及運算模板。

1.1.3 液位檢測

經過消噪處理后，圖像依然存在由圓形觀測窗邊框引入的干擾，因此還需要進行進一步處理。對消噪圖像進行Hough變換［20-21］，檢測圓形邊框，根據檢測結果，生成一個半徑小于檢測圓的圓形掩膜，利用掩膜再對消噪圖像進行與操作，即可去除原型邊框干擾，獲得以液位線為主的二值圖像，從而進行油氣分界面的定位。

在攝像頭正確安裝的前提下，液位目標像素基本沿水平分布，因此可以對分界面圖像進行水平投影，得到水平方向的灰度直方圖。液位位置的投影值將明顯大于其他位置的值，對直方圖進行最大值檢測，獲得液位位置所在的行數作為液位高度H，測量精度為1個像素，用于后續積氣容量判斷。

1.2 基于BP網絡的積氣體積計算方法

由于氣體繼電器內部形狀不規則，而且有各種機械裝置占用空間，液位高度與積氣體積關系會很復雜，不具備線性關系，而且根本不具備解析表達式，無法由刻度線直接讀出體積。本文通過實驗獲取液位高度與對應體積的數據對，建立若干數據樣本，然后建立含兩個隱藏層的BP 神經網絡［22-24］，采用樣本數據進行訓練，利用BP 網絡的非線性映射能力建立液位高度與積氣體積的非線性映射關系。

1.2.1 樣本數據收集

為了支持BP 網絡模型的訓練，需要提取液位與積氣體積的輸入輸出數據對。為便于操作，采用注入液體的方式實現。

1）初始時，氣體繼電器內無液體，打開氣體繼電器排氣孔，使其可以排氣；擰開放氣塞，連接醫用注射器的注射針頭，使用注射器每次注入等體積液體，多次注入。

2）記每次注入后的液體總體積為Vli，通過圖像檢測記錄下每次的液位高度Hi，直至注滿，并將總容量記錄為V，得到每次注入液體后剩余氣體體積Vi=V-Vli，設記錄次數為n，則可獲得標定數據集C，見式（2）。

1.2.2 積氣體積計算BP網絡模型

在實際應用中，液位高度可能是任何值，一些液位在樣本數據中并沒有出現，因此需要根據樣本數據建立從液位高度H到積氣體積V的映射關系。由于氣體繼電器內部有復雜的機械結構會占用空間，H到V是非線性的，而且無法采用解析式表達，本文設計BP 神經網絡建立映射關系，其參數可以通過樣本數據訓練獲得，這種方法可以適用于各種型號的氣體繼電器。

經過多次實驗，設計的BP 網絡包含兩個隱藏層，每個隱藏層有4 個神經元，如圖3 所示，每一層之間采用全連接方式，隱藏層y1、y2和輸出V的計算由式（3）—（5）決定，其中Relu為激活函數。

圖3 液位高度H到積氣體積V的BP神經網絡模型Fig. 3 BP neural network model from liquid level height H to gas volume V

式中：偏置b0、b1、權值W0、W2為四維向量；權值W1為4×4 矩陣；b2為偏置常量，這些參數通過樣本數據訓練得到。實際測量時，由2.1 經過圖像分析得到的液位高度H，再通過訓練好的BP 網絡，根據式（5）計算出積氣體積V。

2 自動取氣與檢測方法

2.1 自動取氣裝置設計

本文研究的目標是通過液位高度得到氣體繼電器內的積氣體積，設定閾值由積氣體積觸發取氣及氣體成分分析，從而判定變壓器的運行狀態。在原安裝現場的變壓器運行系統中安裝有集氣盒，用于在告警后人工取氣并進行分析。本文為了實現自動取氣與測量，研制了基于STM32 單片機的智能控制終端，主要功能包括控制電磁閥啟停等設備，采集氣體傳感器信號并進行分析，接收圖像分析設備提供的液位信號接收，通過以太網與上位機連接等，取氣裝置如圖4 所示。裝置在現場原系統的油枕、氣體繼電器、集氣盒基礎上引入電磁閥、單向閥、在線式氣體傳感器，研制了控制終端，在不改變原裝置內部結構、不影響功能前提下，通過改造油路，增加氣路、電路將各裝置進行連接，實現遠程監控、自動取氣與實時測量。

圖4 自動取氣與檢測裝置Fig.4 Automatic gas intake and detection device

2.2 自動取氣與檢測流程

本文設計的自動取氣流程如圖5 所示，具體過程如下。

圖5 自動取氣與檢測流程Fig. 5 Automatic gas extraction and detection process

1）集氣盒通過三通閥連接油枕及氣體繼電器。在日常工作狀態，集氣盒內充滿變壓器油，電磁閥1 開啟，其他3 個電磁閥處于關閉狀態。連接油枕作用是在測量氣體成分時，通過注油排除集氣盒中的氣體，以防止存量氣體的干擾。

2）當氣體繼電器中有積氣，圖像裝置檢測到積氣體積到達設定閾值時，由單片機構成的控制系統將觸發取氣與測量操作。關閉電磁閥1，打開電磁閥2 和3，在排油同時，氣體繼電器的積氣在自身壓力下流向集氣盒。

3）通過延時控制，當集氣盒由于排油和氣體注入導致油位下降到一定高度，而氣體繼電器重新充滿油，此時關閉電磁閥3 停止排油，打開電磁閥4讓積氣流向氣體傳感器，同時啟動氣體傳感器的數據采集與分析過程，獲得氣體成分數據，用于對變壓器運行狀態進行分析。

4）在集氣盒重新被油充滿，排氣孔出油時，關閉電磁閥2、4，打開電磁閥1，完成本次測量。

3 實驗結果分析

為驗證本文技術方案，對基于圖像分析的液位檢測和基于BP 網絡的積氣體積辨識算法進行了實驗驗證，算法采用樹莓派實現，樹莓派將氣體體積檢測結果通過串口送到單片機控制終端，由終端完成取氣控制及氣體成分分析。

3.1 液位檢測實驗

油氣分界面檢測是本文工作的基礎。為了建立氣體體積與液位高度的對應關系，通過氣體繼電器的放氣塞注入體積可知的液體（變壓器油），由氣體繼電器的排氣孔排除多余氣體。由于氣體繼電器總容量固定，可以知道液體增加量就近似等于氣體繼電器內積氣的減少量。由于氣體繼電器正常為充滿油的狀態，液位檢測是為了獲得積氣壓低油位后的圖像變化情況，所以首先要拍攝一幅充滿油的圖像作為背景，如圖6（a）所示。圖中有明顯的邊框和刻度線存在。然后，通過放氣塞每次注入液體50 ml液體，再取圖像進行分析，見圖6（b）。圖中可以較明顯看到液位信息，但同時也有干擾產生。圖6（c）是差分圖，從差分圖可看出，除了液位信息外，還存在明顯的圓形邊框，這是因為氣體繼電器觀察窗邊框是金屬材料，具有反光屬性，當積氣變化導致液位改變后，光線特性會發生變化［25］，導致金屬邊框的反射情況與充滿油時不同，從而無法通過差分變換消除。對差分圖二值化及消噪得到了圖6（d）。圖中液位線比較明顯，但是有清晰的圓形邊框。通過Hough 變換檢測到圓形邊框，然后建立一個半徑小于圓形邊界的掩膜，將其作用于圖6（d），排除邊框干擾后得到圖6（e），該圖基本上只剩下了液位線及一些較分散的干擾點。然后，對圖6（e）圖像進行水平投影獲取直方圖6（f），圖中有明顯的峰值，峰值對應了液位線位置，這里的坐標就記為液位高度H。由于圖像是從上到下掃描，因此H越大，液位越低，積氣體積V也就越大，V與液位高度H正相關。

圖6 液位檢測圖像分析實驗Fig. 6 Image analysis experiments of level detection

3.2 積氣體積計算BP網絡實驗

為了訓練設計的BP 網絡以獲得液位高度H與積氣體積V的映射關系，需要通過實驗構建H到V映射關系的樣本。考慮到由針筒注入液體時會有讀數誤差，若要獲取更多樣本，需要減少每次輸入液體的變化量，造成讀數誤差造成的相對影響變大，影響模型訓練；同時，適當減少一些樣本，等效于網絡中使用了dropout 策略，可以降低過擬合的現象。實驗中，使用11 個樣本參與網絡訓練，已經可以很好地反映積氣腔內因為有機械結構造成的H與V的非線性關系，準確度能滿足要求。

實驗中每次向氣體繼電器注入液體50 ml，并拍攝圖像。經過13 次注入，目測液位到400 mL 刻度處，可得到總容量為400+50×13=1 050 mL。由此可以推斷每次注入后，氣體的體積。在每次注入后都根據前述算法獲得液位高度，從而得到原始數據記錄表，見表1；為了更為直觀了解液位高度與積氣體積的關系，根據表1 數據繪制了二者的關系圖，見圖7。

表1 氣體繼電器注入液體及液位檢測實驗記錄Tab.1 Experimental records of gas relay injection liquid and level detection

圖7 液位高度與積氣體積的關系Fig. 7 The relationship between the liquid level height and the volume of gas accumulation

由于初始幾次及最后注入液體時，液位高度不在觀測窗內，攝像頭無法拍到，所以不能通過圖像處理方式獲得液位高度，將其去掉，只保留表1 中的11 個實驗記錄，獲得（H，V）樣本對，將其用于對前述BP 網絡的訓練。訓練前所有參數隨機產生，訓練時每batch用完全部11個樣本，進行多輪迭代。誤差值定義為網絡輸出與樣本中真實氣體體積差值的平方。實際上，相對誤差是積氣體積預測更重要的參數，為此定義一個準確率CR，由式（6）表示。

式中：m為參與訓練或測試的樣本數量；VPi為第i個樣本的預測氣體體積；VRi為第i個樣本的實際體積。圖8 是BP 網絡訓練過程曲線，展示了訓練過程誤差逐漸減小，預測準確率不斷提高。其中，圖8（a）是11個樣本的平均誤差隨迭代次數增加而減小的變化曲線，在訓練迭代3 000 次后，平均誤差降到10 以內。圖7（b）則是由式（6）計算出的對訓練樣本的預測準確率百分比隨訓練過程的變化情況，在經過3 000 輪訓練完畢后，對11 個訓練樣本進行預測的平均準確率達到98%，其性能良好。

為了進一步評價每一次注入氣體后，根據所檢測液位計算積氣體積的準確率，將每次注入后的氣體體積與根據液位計算出的氣體體積進行對比，見圖9。其中圖9（a）是參與訓練的樣本在模型訓練完畢后，其實際體積與模型根據液位預測體積的對比圖。由于實際使用過程中，氣體容量可能是任意值，必須構造測試樣本才能有效評估模型的可用性，為此通過改變注入液體量從而改變積氣量，分別得到積氣體積為270、320、370、420、470、520、570、620、670、720、770 共11 種情況的圖像并檢測出液位，將液位值代入BP 網絡模型計算出氣體體積，其實際值與計算值對比圖見圖9（b）。從圖9 中可看出，當H較小，也就是積氣體積小時，準確度更高；反之，當H較大、積氣體積大時，絕對誤差會大一些，但準確率百分比仍然較高。從圖中還可看出，測試樣本誤差比訓練樣本誤差略大，但相差不大。測試樣本誤差最大處在第10個樣本，此時真實值為720，預測值為746，絕對誤差26 ml，誤差率為3.61%。絕大部分測試樣本的預測誤差都在2%以內，具有較高的準確度。

圖9 實際注入氣體體積與根據液位計算出的氣體體積的對比圖Fig. 9 Comparison of the actual injection gas volume with the gas volume calculated from the liquid level

雖然訓練過程計算較復雜，耗時較多，但測試時只需要一次正向計算，對算力要求低。在項目研究中，已經將算法部署在樹莓派平臺投入現場應用。在實際應用時，由安裝在氣體繼電器觀測窗內的工業內窺鏡實時獲得液位圖像并傳到樹莓派，樹莓派完成液位檢測并根據BP 網絡計算出積氣體積，并將體積信息通過RS232 串口傳到控制終端，后者根據設定的閾值完成取氣流程的自動控制，并將信息通過以太網傳到上位機的監控系統，從而實現對氣體繼電器積氣體積的自動辨識及取氣與測量流程的遠程控制，最終對變壓器狀態進行評估。

4 結語

針對目前油浸變壓器配置的氣體繼電器實時性和準確性不足的問題，提出基于圖像分析的氣體繼電器積氣體積辨識及自動取氣檢測方法，拓展氣體繼電器常規的輕瓦斯告警和重瓦斯保護的功能，通過圖像分析技術檢測油氣分界面，獲得液位高度，并建立BP 網絡建立液位高度與積氣體積的映射關系，測量積氣體積，并啟動控制系統實現自動取氣與氣體傳感器工作，實時分析變壓器運行狀況，判斷設備是否具備繼續運行的條件。本系統可以在無人值守的條件下工作，為變壓器安全運行提供技術保障，并極大降低了運維人員的人身安全隱患，具有十分重要的應用價值。