基于計算機視覺的電力變壓器油位自動檢測方法

摘要：隨著工業化進程的加速和能源需求的持續增長，我國電力系統的穩定運行面臨新的挑戰。特別是在電力變壓器的維護與監控中，傳統的油位監測方法由于依賴人工巡檢，導致工作效率低且易出現誤差。提出了一種基于計算機視覺的電力變壓器油位自動檢測方法，該方法能夠代替人工讀表實現全時段液位監控。實驗結果表明，該方法能夠在不同環境條件下準確測量變壓器油位，驗證了其在實際應用中的可行性和準確性。

關鍵詞：計算機視覺；電力變壓器檢測；變壓器油位檢測；深度學習

中圖分類號：TM411；TP391.7 文獻標識碼：A

0 引言

隨著社會經濟的快速發展和工業化進程的加速，我國的能源需求持續增長。國家能源局數據顯示，截至2024年2月底，我國累計發電裝機容量已達29.7億kW，同比增長14.7% [1]。這一增長不僅體現了能源供應實力的增強，也對電力系統的穩定運行提出了更高的要求。特別是在電力變壓器領域，隨著用電需求的增加，配電變壓器的投入和維護顯得尤為重要。

當前，對于35 kV及更高電壓等級的油浸式變壓器，主要采用傳統油位監控技術，其依賴于定期的人工巡檢，效率較低，且容易誤檢或漏檢[2]。

由于天氣突然變冷或油泄漏等原因，油位的快速下降通常難以通過常規巡檢及時發現[3]。例如，在外部溫度升高的情況下，變壓器內的油可能因熱膨脹而溢出。此外，一旦變壓器出現泄漏而不能立即停機處理，工作人員則需進行頻繁檢測，這不僅耗時而且效率低[4]。鑒于此，本文提出了采用圖像識別技術來自動監測變壓器油位，該檢測方法旨在提高監測的效率和經濟性，為自動化油位檢測奠定了技術基礎。

目前，變壓器油位的監測技術主要分為兩種類型：機械式和數字式。機械式油位監測技術成本低廉、操作簡便，但其結構較為復雜，受主觀因素影響較大，并且無法進行實時數據輸出。相較于機械式油位監測技術，數字式油位監測技術在精度和實時性方面有顯著提高，不過也存在一定的缺點，如易受電磁信號干擾。目前油位監測技術包含通過紅外影像推算（紅外線）和電磁式油位計兩種技術。

紅外線油位監測技術是通過對油柜表面和特定內部位置的溫度進行測量，以得到溫差。該技術利用紅外線測溫儀的感溫屬性來記錄油柜表面的溫度，并通過對捕獲的色彩圖像進行分析來估計油位[5]。但是，這一方法的準確度受環境溫度的影響較為顯著，尤其是在環境溫度與油溫差異小、變壓器負載較低的情況下，得到的油位線往往模糊不清。

電磁式油位計油位監測技術則基于物理原理工作，通過設置表盤指針顯示油位，油位變化導致油位計內浮球位置的變動，這種變動通過機械裝置傳動并借助磁耦合效應，使得表盤指針轉動，從而顯示當前油位[6]。盡管這種方法直觀有效，但它依賴于浮球的位置和磁耦合效應，因此容易受到機械振動或磁場干擾的影響，導致油位讀數不準確。

除精度問題外，紅外線油位監測技術成本較高，大規模部署較為困難；而電磁式油位計需要安裝在變壓器內部，這對于已有的老舊變壓器來說施工難度大。針對上述問題，本文提出了一種使用自然光攝像頭采集數據，并基于計算機視覺的電力變壓器油位自動檢測方法。

1 油位圖像的識別算法

在設備部署現場往往會受到較多外部環境因素的干擾，如雨水和霧氣會對圖像采集質量造成嚴重影響。為此，本文將油位圖像的識別算法分為兩個主要步驟：圖像去雨去霧預處理和油位計算。

1.1 圖像去雨去霧預處理

在雨天和霧天的條件下，采集的變壓器油位圖像包含大量雨水在圖像中呈現的線條，這導致圖像的清晰度和對比度降低，因此本文提出了基于HSI空間變換和全連接網絡的單幅圖像去雨算法。通過將RGB三原色（紅、綠、藍）坐標變換為HSI的色調、飽和度和亮度坐標，使圖像中顏色信息包含的語義更易被機器感知，易于調整，坐標轉換

公式如下：

式中，R、G、B分別為在RGB坐標系下紅、綠、藍的像素值；H為色調，根據B/G值進行調整，取值范圍為0～2π；S為顏色的純度，取值范圍為0～100%；I為顏色的明亮程度，取值范圍為0～255。

在HSI顏色空間變換的基礎上，將處理后的圖像輸入到一個由全連接層和卷積層組成的神經網絡結構，該網絡通過同液位的有雨和無雨圖像訓練，專門負責去雨任務。網絡的每一層都完全連接到下一層，這種結構使得網絡能夠學習圖像全部像素包含的語義特征，而非只關注圖像局部，從而對圖像的整體內容有更深入的理解。為了防止網絡參數過多導致訓練過程中發生欠擬合的問題，在每一層網絡起始引入1×1的卷積層來控制特征矩陣的通道數，以降低模型復雜度，基于卷積和全連接的去雨去霧模型如圖1所示，其中Conv為卷積層，BN為批量歸一化層，ReLU為激活層。

對于第n層模型通道數為c的特征圖像Xn，每經過一層模型都會產生通道數為c的新特征圖，Xn計算公式：

Xn=φ（Wn（k）*[X0，X1，…，Xn-1]）。" " " " " " " "（2）

式中，φ為ReLU激活函數，Wn（k）為第n層模型尺寸為k的卷積核，*為卷積操作。

原始圖像轉換為HSI坐標后輸入上述網絡，隨后輸出圖像進行HSI逆變換進行還原，以得到去雨去霧的油位計圖像，方便進行油位識別。

1.2 油位計算方法

1.2.1 油位區域分割

在處理變壓器油位圖像的過程中，首先需要識別和提取油位區域，對于不同拍攝角度的圖像，要能夠自適應地找到油位所在區域。

由于變壓器套管的油位圖像在油位和背景之間有明顯的灰度差異，所以采用閾值分割法來區分這兩個區域。然而，環境光照隨時間呈周期性變化，所需的閾值也隨之變化。因此，本文使用了一種迭代方法來動態調整閾值，以適應不同光照條件下的圖像分割需求。迭代閾值調整的詳細步驟如下。

（1）初始閾值設置：首先，為圖像設置一個初始閾值T，通常選擇圖像灰度值的平均值作為起始點。

（2）圖像分割：使用閾值T將圖像分為前景和背景兩個部分。

（3）平均灰度計算：計算前景和背景的平均灰度值，分別記為Zo和Zb。

（4）閾值調整：若T與（Zo+Zb）/2不相等，則將閾值更新為Zo和Zb的平均值，即T=（Zo+Zb）/2。

（5）迭代過程：重復步驟2至步驟4，直到Zo和Zb的數值穩定，此時的T為最適合當前圖像分割的閾值。

采用該迭代方法可以將原始的彩色變壓器油位圖像有效轉換為清晰的灰度二值圖像。自適應的閾值調整方法不僅提高了圖像分割的準確性，也可以適應不同光照條件下的環境變化。

1.2.2 液面高度計算

在分析變壓器套管的油位圖像時，需要注意圖像中玻璃窗口的幾何表現。雖然實際中的窗口是圓形，但在圖像中卻呈現為橢圓形。這種差異導致通過比較圖像中有油和無油部分的像素數量來測量油位高度的方法存在誤差。因此，計算油位高度時需要確定橢圓形和原始圓形之間的幾何變換關系。

在圖像中觀察到的橢圓形玻璃窗實際上是變壓器圓形窗口的一個投影視圖。根據幾何投影原理，可以通過調整圖像測得的橢圓內無油部分面積S1和有油部分面積S2，得出實際圓形窗口內相應的無油部分面積S3和有油部分面積S4。具體計算

公式：

= 。" " " " " " " " " " " " " " " " " " " " " " " " " " " " "（3）

該換算確保了油位高度的測量結果更加精確。在獲得S1和S2的數據后，可以推導出油位線L的長度，然后通過確定經過圓心并垂直于油位線L的直徑部分，可以計算油位液面的高度H。油位面積換算如圖2所示。

在已知S1和S2的情況下可由S=πr2求出半徑，隨后通過下式求得油位高度H：

H=。" " " " " " " " " " " " " （4）

2 實驗仿真

在本節分別對本文所提的圖像去雨去霧預處理和油位計算方法進行驗證。本文通過巡檢機器人拍攝采集實驗對象，依靠視頻分幀技術從中選取

2 000幅可見變壓器套管窗口的圖像。

2.1 圖像去雨去霧預處理效果驗證

在去雨去霧算法中，人工篩選相近角度，將同液位的晴天圖像作為模型訓練的目標值，從而保證模型生成圖像準確有序。在2 000幅圖像中篩選800幅情況相似的圖像組成訓練集數據對，以訓練

模型。

由圖3和圖4可知，本文所提算法在對有雨變壓器油位圖像進行去雨處理后能去除大部分雨線，雖然處理后圖像整體較暗，但是能保證圖像的飽和度和對比度信息；對于霧氣遮擋，能夠較好地還原圖像的亮度并提升對比度，這有利于對油面液位的識別。

2.2 油位計算方法效果驗證

為了評估油位計算方法的效果，本文對200幅經過預處理的變壓器油位套管窗口圖像進行了實驗測試。在該測試中，使用本文方法測量了5臺變壓器油位計，并計算了結果的相對誤差，表1所示。

根據表1的數據可知，實驗的相對誤差較小且保持在可接受的精度范圍內。因此，利用視頻圖像進行的變壓器油位檢測技術能夠達到所需的準確性目標，證明了本文所提方法的有效性。

3 結論

本文成功開發了一種基于計算機視覺的電力變壓器油位自動檢測方法，該方法通過先進的圖像預處理和深度學習技術，有效地提高了油位監測的準確性和實時性。去雨去霧的預處理步驟顯著改善了在惡劣天氣條件下采集的圖像質量，而油位區域的自適應分割和液面高度的精確計算則進一步確保了測量結果的準確性。實驗驗證表明，利用本文所提方法進行的油位識別結果與傳統物理方法相近。此外，該方法在處理大規模部署和老舊變壓器改造時表現出較高的經濟性和可操作性。因此，基于計算機視覺的電力變壓器油位自動檢測方法可以作為變壓器油位監測的有效工具。

參考文獻

[1] 國家能源局.國家能源局發布1—2月份全國電力工業統計數據[EB/OL]. （2024-03-25） [2024-04-15]. https：//www.nea.gov.cn/2024-03/25/c_1310768833.htm.

[2] 梁棟，朱建華，張翠，等.變壓器狀態評估及故障診斷研究綜述[J].變壓器，2024，61（2）：35-43.

[3] 謝一鳴.基于信息融合的變壓器狀態評估與故障診斷方法研究[D].徐州：中國礦業大學，2021.

[4] 林鵬，張森，陳根，等.電力變壓器在線油色譜裝置運維檢修模式探討及建議[J].變壓器，2024，61 （1）：58-61.

[5] WU D M，WANG R Y，LIN L H. Automatic detection of oil level of transformer oil conservator based on infrared image segmentation technology[C]//2011 Fourth International Conference on Intelligent Computation Technology and Automation. Shenzhen：IEEE，2011：596-599.

[6] 龔杰，龔敏，譚一粟，等.淺析變壓器油位計和呼吸器故障[J].變壓器，2015，52（8）：62-66.