基于三相自搜尋比較的電氣設備過熱故障識別

梅開鋒，朱超

（國網安徽省電力有限公司五河縣供電公司，安徽蚌埠 233300）

相關研究結果顯示，大約50%的電氣設備故障伴有異常發熱的現象。同時，由于電氣設備長時間運行，并且受到外界條件的影響，例如氣候、環境等不同因素，在運行過程中一定會存在各種不同類型的安全隱患。如果這些安全隱患沒有及時被發現，會影響設備的運行安全，嚴重時還會導致電站癱瘓，產生一定的經濟損失，對人類的生命安全產生危害[1-2]。

為了有效解決上述問題，國內相關專家針對電氣設備過熱故障識別方面的內容展開了大量研究，例如李浩茹[3]等人優先建立了包含光伏發電的微網模型，分析太陽輻射變化對網內故障電流產生的影響，采用快速小波能量熵算法提取電流故障特征，同時組建故障綜合樣本集，訓練樣本集，最終達到故障辨識的目的。周玉婷[4]等人主要通過長短期記憶遞歸神經網絡和卷積神經網絡相結合的方式完成故障識別。季玉坤[5]等人分析磁光成像原理，組建深層卷積網絡預測模型，分析不同結構參數對訓練結果產生的影響，自動尋找最優參數，最終完成識別。

上述方法在故障識別中，存在故障發生區域識別不完整、抗噪效果不佳以及識別結果不夠準確的問題。因此，提出一種基于三相自搜尋比較的電氣設備過熱故障識別方法，該方法的主要創新點如下：

1）通過電氣設備紅外圖像預處理，將電氣設備紅外圖像轉換為灰度圖像，避免受到各種條件制約，導致電氣設備紅外圖像出現弱化等問題，有助于提升圖像的亮度和對比度等相關信息，達到電氣設備紅外圖像增強的效果。

2）以預處理結果為基礎，提取電氣設備圖像邊緣特征，根據所得特征結果采用三相自搜尋比較方法進行故障識別，該方法通過區塊劃分的形式準確反映相同坐標內的區塊溫度變化情況，有助于提升故障識別準確率。

3）實驗結果表明，所提方法不僅抗噪能力良好，而且識別結果具有較高的準確率。

1 電氣設備過熱故障識別方法

1.1 電氣設備紅外圖像預處理

傳統方法大多采用掃描儀器等裝置直接對電氣設備故障進行檢測識別，既耗費了大量的時間，又不能保證識別結果的準確性，因此，文中在故障識別之前，首先進行電氣設備紅外圖像預處理。由于受到各種條件制約，電氣設備紅外圖像會出現弱化，需要調整亮度、對比度等相關信息，方便后續更好地獲取電氣設備紅外圖像的特征信息[6-7]，因此，對電氣設備紅外圖像進行預處理十分重要。

在電氣設備紅外圖像預處理過程中，需要優先設定圖像灰度i出現的次數mi，則圖像中灰度為i的像素出現的概率qx(i)可以表示為公式（1）的形式：

式中，L代表灰度級數。

電氣設備紅外圖像預處理操作流程如圖1所示。

圖1 模糊減法聚類算法的故障診斷流程

在對電氣設備紅外圖像進行預處理之后，將經過預處理的電氣設備紅外圖像轉換為灰度圖像，采用黑白像素分別表示最高和最低區域[8-9]。通過一階統計量特征可以評估單一像素的屬性，二階統計量可以評估像素灰度等級，最終達到電氣設備紅外圖像增強的目的[10-11]。

1.2 電氣設備過熱故障識別

1.2.1 電氣設備圖像邊緣特征提取

通過激光傳感器可以準確完成距離測量，設定激光傳感器中包含兩個相機參數，并且位于相同的水平面，則通過三角形相似原理可以得到以下形式的計算式：

式中，C代表激光傳感器的基線長度；E代表需要測量的目標距離；xi和xj分別代表相機左側和右側的水平坐標；g代表相機焦距。

激光傳感器主要通過感光元件發送和接收激光束的時間差或者相位差計算目標距離[12-13]。通過激光束的發射角度，可以計算目標在不同方向的相對距離，即目標在激光坐標系的坐標。基于該原理，進一步獲取電氣設備紅外圖像的邊緣特征，詳細的操作步驟如下所示：

根據激光雷達和相機兩者之間的位置關系，通過小孔成像模型和剛性坐標變換將激光映射到激光點中。然后將激光點映射到電氣設備圖像的彩色像素中，并將對應的RGB 取值添加到激光點中，最大限度提取電氣設備的邊緣特征[14-15]。

設定經過映射獲取的像素坐標為(x′,y′)，則周圍像素點也會設定相同的顏色值。通過式（3）可以獲取電氣設備圖像的平均水平坐標vi,j：

式中，hi(x′,y′)代表電氣設備圖像中的較長邊緣取值。

通過霍夫變換確定圖像較長邊緣中的多個像素點，計算對應像素點的平均水平坐標v～i,j，如式（4）所示：

采用激光傳感器提取電氣設備圖像的邊緣特征f(x,y)，如式（5）所示：

式中，r(x,y)和w(x,y)代表電氣設備圖像中的任意兩個熱點區域。

1.2.2 電氣設備過熱故障識別的實現

以1.1 節得到的電氣設備紅外圖像處理結果為基礎（圖2），進行電氣設備過熱故障識別。

圖2 電氣設備紅外圖像

在電氣設備熱圖像中，標定連通區域中像素數量最大的三個區域作為設備的主體區域，即電氣設備過熱故障識別的目標區域[16]。以圖2 中電氣設備的熱點區域作為識別目標，采用三相自搜尋比較方法進行電氣設備過熱故障識別，通過計算處理電氣設備熱圖像，自動獲取可直接比較分析的三相圖片。將處理完成的圖像按照相同規格實行區塊劃分，各個相片可以準確反映相同坐標內的區塊溫度變化情況，選取每個區塊的平均溫度值，統計電氣設備全部區塊的溫度變化情況，準確掌握電氣設備的溫度變化規律。

當得到電氣設備主體的熱圖像后，為了完成不同相設備之間的熱狀態對比，將每相分離至單一圖像上，經過裁切使其保持一致，避免由于不一致造成熱狀態分析誤差。由于每相的連通區域已經分別標定不同的標簽，所以可以確定標簽和具體坐標位置，分別為每一個相區域創建規格相同的圖像，分別標定三相區域，即可獲取分離的電氣設備熱圖像。將電氣設備圖像經過分離處理后，由于大小以及背景位置存在比較的差異，需要對比對應的位置，同時確定圖像裁剪大小和方向。通過每相二值圖像記錄的設備區域位置，獲取圖像調整分辨率大小。

對比以上得到的圖像塊和全新圖像塊，以此為依據判定圖像塊是否存在異常升溫的情況，最終得到電氣設備過熱故障識別結果。

2 實驗分析

為了驗證所提基于三相自搜尋比較的電氣設備過熱故障識別方法的有效性，進行實驗分析。在實驗中，選取文獻[3]方法、文獻[4]方法和文獻[5]方法與所提方法進行對比，分析不同方法的識別效果。

圖3 為實驗識別對象，圖3 中亮度比較高的區域為過熱故障發生區域。

圖3 電氣設備過熱故障示意圖

利用圖4 給出四種方法對電氣設備過熱故障識別結果。

圖4 不同方法的電氣設備過熱故障識別結果

分析圖4 可知，與另外三種方法相比，所提方法可以準確識別電氣設備過熱故障，故障識別結果較為完整，而另外幾種方法只可以識別局部故障區域，有效驗證了所提方法的優越性。這是因為所提方法采用三相自搜尋比較方法對電氣設備圖像進行了區域劃分，得到故障識別的目標區域，再針對該區域進行識別，有效提升了故障識別效果。

選取七種電氣設備作為研究對象，分析四種不同方法的電氣設備過熱故障識別結果，如表1 所示。

表1 不同方法的電氣設備過熱故障識別結果分析

分析表1 中的實驗結果可知，傳統方法僅可以識別部分故障類型，而所提方法可以準確識別全部故障類型，出現錯誤識別的概率為0，說明所提方法的識別結果與實際故障情況一致，具有較高的識別準確性，進一步說明所提方法具有較高的識別水準。

進一步驗證所提方法的識別效果，以去噪性能為實驗指標，對比四種不同方法的峰值信噪比變化情況，詳細的實驗結果如圖5 所示。

圖5 不同方法的峰值信噪比測試結果對比

分析圖5 中的實驗結果可知，在四種方法中，所提方法的峰值信噪比明顯高于另外幾種方法，其最高值達到了28 dB，說明所提方法可以有效濾除電氣設備過熱故障圖像中的噪聲，獲取比較滿意的抗噪結果，可以更好地完成電氣設備過熱故障識別。

3 結束語

目前，電力體系相關部門對電氣設備的穩定運行提出了更高的要求，開始將大部分注意力轉移到電氣設備過熱故障識別方面的研究。為此，提出一種基于三相自搜尋比較的電氣設備過熱故障識別方法。經實驗測試證明，所提方法可以準確識別電氣設備過熱故障，同時還具有較好的抗噪性能。