基于GIS融合的智能變電缺陷運檢方法

摘 要：變電缺陷運檢是智慧變電站的重要組成部分，其可以智能化識別定位變電缺陷，為變電維修提供依據。使用現行方法運檢效果不佳，不僅缺陷漏檢比例比較高，而且缺陷定位相對偏差比較大，因此本文提出基于地理信息系統（Geographic Information System，GIS）融合的智能變電缺陷運檢方法。利用無人機搭載工業相機和GIS設備，感知變電圖像和地理信息數據，對圖像進行均衡化、歸一化預處理，利用圖像閾值分割識別變電缺陷，采用GIS技術定位變電缺陷，完成基于GIS融合的智能變電缺陷運檢。試驗證明應用本文設計方法，變電缺陷漏檢比例和定位相對偏差不超過1%，在智能變電缺陷運檢方面應用前景廣闊。

關鍵詞：GIS融合；智能變電缺陷；運檢；無人機；工業相機

中圖分類號：TM 726" " " " " " 文獻標志碼：A

變電站是電力系統的核心部分，設備老化、操作不當和環境變化等多種因素導致變電站在運行過程中會出現各種缺陷和故障。如果不及時發現和處理這些缺陷和故障，就不能保障電網安全、穩定地運行，甚至可能引發嚴重事故。綜上所述，變電站缺陷檢測與運維工作具有重要意義。

文獻[1]提出基于輪廓線與特征融合的運檢方法，結合計算機視覺和形態學濾波算法，對變電設備三維圖像進行自動化運檢。文獻[2]提出基于電力大數據的運檢方法，結合電力大數據技術和紅外成像技術，分析變電主設備缺陷的發生規律，識別變電缺陷。

雖然傳統方法在一定程度上提高了智能變電缺陷運檢效率，但是仍然存在局限性。例如很難發現隱蔽性強的缺陷，雖然能夠發現部分缺陷，但是運檢周期長、操作復雜和成本高，不能反映設備在運行狀態中的真實狀況。因此，本文提出基于地理信息系統（Geographic Information System，GIS）融合的智能變電缺陷運檢方法，該方法新型、高效，對提高變電站運維效率、保障電網安全穩定運行具有重要的意義。

1 智能變電圖像感知以及預處理

在智能變電站中的設備，例如斷路器、隔離開關和變壓器等，在長期運行過程中可能出現故障，這些故障對電網的正常運行產生了嚴重的影響。智能變電圖像感知系統能夠實時、連續地監測變電站的設備和環境，及時發現異常情況，為運維人員提供準確的信息。采用機器視覺技術對變電站運行圖像進行感知，根據需求采用JGHFA-A5F5工業相機作為變電缺陷運檢設備，使用無人機搭載相機對變電圖像進行抓拍，后續需要融合GIS技術對變電缺陷進行定位，因此在無人機上安裝GIS設備，實時采集地理數據信息。根據實際情況設定相機焦距、拍攝頻率和分辨率，確定無人機航高、飛行速度和飛行角度等參數。

利用無線網絡將工業相機感知的圖像發送至計算機，由于在工業環境中可能存在光線不足的情況或存在其他干擾因素，因此經過相機感知的圖像會出現曝光不足的問題。該問題會導致圖像過暗，細節丟失，影響后續圖像處理和分析。為保證后續缺陷檢測精度，在圖像傳輸至計算機后，相機感知的圖像可能存在曝光不足等問題，因此對采集的變電設備圖像進行均衡化處理。采用直方圖均衡化、自適應直方圖均衡化等方法進行圖像均衡化。這些方法能夠根據不同圖像的特點自動調整均衡化的參數，以達到最佳的圖像增強效果。經過均衡化處理的變電設備圖像不僅能夠更清晰地展示設備的細節和紋理，還能夠提高后續缺陷檢測算法的識別率和準確率。設變電圖像基本單元為s，圖像最大灰度值為N，圖像均衡化處理過程如公式（1）所示[3]。

D=N×s/H " " " " " （1）

式中：D為均衡化后的圖像灰度值；H為均衡化函數。在圖像經過均衡化處理后，對比度得到顯著提升，能夠更清晰地顯示圖像中的細節。僅提升對比度不能滿足圖像分析的全部需求，因此，對圖像的分辨率進行調整，并進行歸一化處理，消除不同圖像之間尺寸和分辨率差異帶來的干擾。圖像歸一化處理后如公式（2）所示。

V=D×F " " " " " " （2）

式中：V為歸一化后的變電設備圖像；F為歸一化系數，其計算過程如公式（3）所示[4]。

F=（KO+PL）·N " " " （3）

式中：KO、PL分別為變電設備圖像位寬和分辨率。

利用歸一化處理將圖像數據縮放至統一范圍。由于不同的變電缺陷在圖像中差異較大，因此，為了更好地適應這種差異并提高運檢的準確性，結合形態學濾波原理，針對不同的隱患缺陷類型，使用不同的濾波器或濾波器組合，對感知的缺陷圖像采用平滑處理、邊緣檢測等操作方法，以突出缺陷特征并抑制背景噪聲。

2 智能變電缺陷識別

智能變電站的圖像可能會受到各種噪聲和干擾的影響，例如電磁干擾、光線變化和設備老化等，這些都會使圖像質量下降，影響后續的分析和識別。因此，在完成歸一化處理后，為了進一步提高缺陷的識別效果，對圖像閾值進行分割。閾值分割是一種設定1個或多個閾值來將圖像劃分為不同區域的圖像分割方法，可以將圖像中的目標區域與背景區域進行分離，使目標區域更加突出，提高缺陷識別的準確性。閾值分割還可以根據圖像的灰度特性自動選擇閾值，進一步提高識別的準確性。在本場景中，根據自適應分割閾值?來確定變電缺陷的像素值，為了消除光照等外界環境對識別結果的影響，確定識別像素閾值?，如公式（4）所示。

?=η+ku" " " " " （4）

式中：η為變電設備圖像像素方差；k為變電設備圖像像素均值；u為變電缺陷的像素值，根據歸一化后的圖像和像素分割閾值可以得到u，其計算過程如公式（5）所示。

將u與標準像素值進行對比，以識別智能變電缺陷識別結果，識別過程如公式（6）所示[5]。

式中：b為智能變電缺陷識別結果；0為非缺陷；1為缺陷；λ為變電設備圖像標準像素值。

使用上述方法識別變電缺陷可能會消耗過多的計算資源，導致識別效率降低。為了解決這個問題，采用等價交換處理的方法，在此基礎上對智能變電圖像缺陷像素進行加權處理。加權處理允許算法根據像素的重要性分配不同的計算資源。對缺陷像素來說，可以分配更多的計算資源以保證準確識別；對非缺陷像素來說，可以減少計算資源，對計算資源進行優化和分配。將加權后的變電圖像缺陷像素代入公式（5），識別變電缺陷。

3 基于GIS融合的缺陷定位檢測

在缺陷識別后，如果不能迅速定位并處理缺陷，就可能會導致故障擴大，影響電力系統穩定運行，甚至造成停電事故。GIS具有強大的空間數據處理和分析能力，可以精確到具體的設備或組件，提高缺陷定位的精度。利用GIS融合將電力設備的空間位置信息與實時運行數據相結合，對缺陷進行精確定位。因此，融合GIS技術對識別的變電缺陷進行定位，將現場運檢過程中采集的GIS數據進行處理，采用掃描或繪制的方式創建矢量化地形圖并導入數據庫中，以供后續使用。

但是，在數字化過程中，受到多種因素影響，矢量化后的地形圖與真實地貌間的信息不一致或不準確。針對上述問題，利用GIS中的偏移量轉換技術對其進行修正，提高其精度，為故障定位等應用提供更可靠的信息[6]。

同時，為了更有效地利用這些數據，須進行分類和分層處理。根據數據的類型和用途將其分為不同的層級和類別，使數據在GIS系統中的可視化表達更加清晰、直觀。利用不同的顏色、符號和線型等視覺元素區分不同層級和類別的數據，便于用戶快速識別和理解數據所代表的信息，構建相應的網絡關系[7]。在缺陷定位方面，使用空間地理位置信息和地理圖形信息這2種關鍵數據，其定位如公式（7）所示[8]。

式中：E為變電缺陷位置；X、Y分別為變電缺陷在GIS地圖坐標系中的橫坐標和縱坐標；x、y分別為缺陷點在圖像坐標系中的橫坐標和縱坐標；xu、yu分別為缺陷點在相機坐標系中的橫坐標和縱坐標；S為智能變電缺陷運檢長度。

經過以上步驟定位至變電缺陷的具體位置，識別基于GIS融合的智能變電缺陷，其流程如圖1所示。

4 試驗論證

4.1 試驗準備

以某變電站為試驗對象檢驗本文提出的基于 GIS 融合的智能變電缺陷運檢方法的性能，該變電站使用時間比較長，部分設備已經出現老化現象，符合試驗需求。采用本文設計方法對該變電站進行缺陷運檢，根據實際情況，試驗準備了1臺六旋翼無人機、1臺工業相機和1臺GIS設備，運檢參數設定如下。

無人機：航高設置為1 000 m，航速設置為10 km/h，航線長度設置為5 000 m。相機：焦距設置為3.55 mm，拍攝頻率設置為2.62 Hz，拍攝周期設置為1.5 s，分辨率設置為4 560 ppi×4 560 ppi。對變電站進行現場運檢，共采集10 000張圖像，2.623 GB地理信息數據。根據以上參數對圖像進行處理，識別變電缺陷，分析地理信息數據，定位變電缺陷。試驗參數設置見表1。

隨機選取8個樣本，其運檢結果見表2。

由表2可知，使用本文方法在智能變電缺陷運檢中定位的缺陷與實際位置基本一致。本文方法使用的GIS技術能夠將無人機拍攝的變電圖像與地理空間信息相結合，可以直觀地顯示變電缺陷的地理位置、分布情況和嚴重程度等信息，為變電缺陷的定位提供豐富的空間數據支持。本文方法結合GIS技術和無人機拍攝技術對圖像信息與地理空間信息進行有效融合。這種融合使圖像中的缺陷信息能夠與實際的地理位置進行精確匹配，提高了定位精度，精確定位變電缺陷。因此，本文方法能夠完成智能變電缺陷運檢任務，結合記錄的運檢結果對方法性能進行測評。

評價指標使用漏檢比例和定位相對偏差。漏檢是變電缺陷運檢中常見的問題，因此本次試驗以漏檢比例驗證運檢精度。漏檢比例為運檢中未識別檢測的樣本與總樣本的比例，漏檢比例越高，變電缺陷識別檢測精度越低。定位相對偏差可以表示運檢中缺陷定位的準確性，其計算過程如公式（8）所示。

式中：v為變電缺陷運檢中定位相對偏差；X0、Y0分別為變電缺陷實際橫坐標和縱坐標。

4.2 試驗結果與討論

為了使本次試驗具有參考價值，將文獻[1]方法、文獻[2]方法與本文方法進行比較，3種方法變電缺陷漏檢比例見表3，3種方法變電缺陷定位相對偏差曲線如圖2所示。

由表3可知，使用本文方法進行變電缺陷運檢，缺陷漏檢比例不超過1%，使用文獻[1]方法漏檢比例超過5%，使用文獻[2]方法漏檢比例超過10%，均高于本文方法，說明使用本文方法效果更好。由圖3可知，使用本文方法進行變電缺陷運檢，缺陷定位相對偏差不超過1%，文獻[1]方法漏檢比例超過2%，文獻[2]方法漏檢比例超過3%，均高于本文方法，說明使用本文方法效果更好。試驗結果表明本文方法在智能變電缺陷運檢方面具有一定的優勢。本文方法對智能變電圖像缺陷像素進行加權處理，突出了缺陷區域在圖像中的特征，使識別算法更加聚焦于缺陷區域，提高了識別的準確性和效率。由于電力系統的要求是實時性高，因此采用高效、準確的識別方法對及時發現并處理缺陷具有重要意義。同時，融合GIS技術對缺陷進行精確定位，進一步提高了運檢的效率和準確性。采用本文方法可以有效減少受非關鍵信息干擾導致缺陷漏檢和誤檢現象，保證電力系統穩定地運行。綜上所述，使用本文方法可以對變電缺陷進行精準運檢。

5 結語

本文研究基于GIS融合的智能變電缺陷運檢方法，這種創新性的方法保障電網安全、穩定運行。GIS技術的強大空間信息處理能力和智能運檢技術的精準高效性相結合，不僅很大程度地提升了變電設備缺陷檢測的準確性和效率，也為電網運維工作帶來了變革。隨著智能電網建設的不斷深入，電網運維面臨著越來越多的挑戰和機遇，基于GIS融合的智能變電缺陷運檢方法以其獨特的優勢成為解決這些問題的有力工具。未來基于GIS融合的智能變電缺陷運檢方法將繼續發揮其在電網運維中的重要作用。

參考文獻

[1]劉威麟，王中偉，郝冠茗，等.基于輪廓線與特征融合的電網變電設備三維自動化運檢方法[J].計算技術與自動化，2024，43（1）：117-122.

[2]付鑫，郭陽.基于電力大數據的變電主設備缺陷演化規律紅外成像分析方法[J].計算技術與自動化，2024，43（1）：123-128.

[3]吳武超.基于線圈電流檢測技術的超高壓變電設備故障診斷方法[J].電氣技術與經濟，2023（10）：392-394，398.

[4]陳銘，羅昌宏.基于變壓器油色譜診斷技術的變電檢修方法研究[J].電氣技術與經濟，2023（9）：159-161.

[5]靳書棟，李彥，劉宏志，等.基于改進SVM算法的輸變電工程異常數據檢測方法設計[J].電子設計工程， 2023，31（19）：68-72.

[6]趙振兵，馮爍，趙文清，等.融合知識遷移和改進YOLOv6

的變電設備熱像檢測方法[J].智能系統學報，2023，18（6）：1213-1222.

[7]潘志新，張天培，董建生，等.基于電氣試驗全流程智能管控的變電運檢數字化轉型實踐[J].電工技術，2023（6）：158-160，166.

[8]汪本清，柯海波，葉章文，等.物聯網和遙感信息融合的變電智能運檢系統設計[J].計算技術與自動化，2022，41（3）：154-158.