基于智能巡视系统的变压器故障诊断方法

赵永俊，赵书涛

(华北电力大学，河北 保定 071003)

将视频图像引入变电站设备运行状态的远程监视，是变电站智能监控技术的巨大进步[1]，但现有的视频监控系统只有视频监控功能和录像功能，包括变电站机器人在内的巡检,均不能对监控目标进行智能化的主动识别分析。机器人仅仅是将大量的图像传输到调度端，需要操作员时刻观察分析图像，无形中增加了操作员的工作负担。另外，由于人眼易疲劳的弱点和人工判断的主观性，难以分辨细微图像的灰度变化，客观判断电力设备表面缺陷的程度，严重影响了电力设备运行状态监测自动化程度的进一步提高。为实现对电气设备的实时分析及对重要设备运行参数的实时监测，以下结合智能巡视系统分析变压器的故障诊断方法。

1 智能巡视系统结构介绍

变压器智能巡视系统主要包含智能伺服控制系统和智能巡视信息处理系统，智能巡视系统结构见图1。

图1 智能巡视系统结构

在变电站内，智能伺服控制系统携带设备完成对变压器的巡视工作(主要是设备信息获取)，通过控制电动机使整个智能伺服控制系统在指定时间沿特定轨道出行，按预定的巡视顺序对环境和电气设备进行巡视。该系统通过路径规划控制到达目标位置，选择合适的角度、位置和调节焦距拍摄图像，通过传感器采集环境信息。

智能巡视信息处理系统主要完成信号的采集、存储和分析，并根据分析结果进行报警和信息上传，同时可以使调节定位控制系统取得新的路径信息,再按定位控制算法使智能伺服控制系统沿新的路径行驶,最终完成整个巡检路线的运行。

2 变压器故障诊断方法分析

考虑变电站巡视需求和目前所能实现的技术条件，变压器智能巡视系统可以采用巡视机器人或巡视车的形式,机器人或巡视车根据规划路径到达指定位置后，智能巡视系统首先调整云台、摄像机与电气设备的相互位置，采集红外图像和可见光图像；仿照人脑识别变压器的思维过程，对变压器的图像进行颜色提取，通过对大量变压器的图像进行颜色提取，得到灰色变压器的颜色范围,其中红色分量为[105,140]、蓝色分量为[105,135]、绿色分量为[110,135]，

将上述分量范围作为标准,设定阈值，将拍摄到的变压器图像颜色范围与标准颜色进行RGB比较[2-3]；将符合范围的颜色进行提取，并判断图像的大部分颜色是否为灰色；之后进行模板匹配，最后根据拍摄到的变压器设备红外图像，结合可见光的图像，对变压器运行状态进行分析，电气设备图像采集及故障诊断流程见图2。

图2 电气设备图像采集及故障诊断流程

2.1 图像采集

图像采集由红外、可见光摄像机完成，主要负责对变电站内的图像进行采集。摄像机到达电气设备的拍摄位置后，对电气设备进行图像拍摄，发现故障后发出报警信号，并将信号传递到计算机，计算机控制云台和摄像机再全方位、多角度拍摄图像，并将含有异常情况的图像进行存储。

2.2 色差分析

色差是指用数据来描述颜色的差别。以下采用RGB 3种颜色的差异来说明待处理图像与标准灰色之间的颜色差异。即取3种原色色差的均方根作为综合色差，以综合色差作为获得图像与标准图像颜色差别的依据。用(R1，G1，B1)，(R2，G2，B2),分别表示2个不同颜色，指的是各自颜色的均值。色差公式为

(1)

根据色差的应用范围，如果ΔE>4，说明差距较大，在大部分应用中不可用，当变电站的变压器颜色不一致时，要根据变电站实际情况，设定分级色差，依次对变压器进行颜色识别。为提高识别效率及判断的准确率，在颜色识别时采用机器视觉技术，此技术可以从数量上精确分辨颜色，并可以将颜色信息反馈到自动控制系统。

2.3 颜色特征识别

颜色特征作为一个显著特征，具有一定的稳定性，对大小、方向都不敏感，用于对电力设备的识别较方便。颜色提取的方法主要有颜色直方图、颜色矩等。在这里使用的方法是直方图,直方图信息不仅可以判断获得的图像是否满足要求，还可以确定图像质量是否能从背景图像中分离出物体[4]，利用颜色特征方法对变电站灰色变压器进行直方图比较的过程见图3。

图3 变压器图像及直方图比较

经过上面的对比发现，图3中变压器的色差小于4，证明和标准颜色基本一致。通过试验可以发现，其他的灰色变压器与标准颜色范围比较的色差均小于4，说明上述标准范围能够对灰色变压器进行判断。随后将符合范围内的颜色提取，并可根据提取颜色所在位置坐标分割图像，方便以后进行模板匹配。变压器提取灰色结果见图4。

图4中深灰色部分是变压器图像阈值处理后提取的结果，通过灰色容差范围的颜色特征能将变压器与图像的背景分离，根据提取到的颜色面积，可初步判断图像的大部分颜色是否在变压器的灰色系内。这样通过颜色特征对图像中存在的变压器做出了初步判断，下一步利用模板匹配进一步对图像中电气设备类型进行判断。

图4 变压器提取灰色结果

2.4 模板匹配

模板匹配是将图像中具有某种特殊特征的某一部分作为模板，或者说是模式，然后到待识别的图像中去寻找与模板相同的区域。由于变电站电力设备图像背景复杂、光照经常发生变化，对某大型电力设备进行识别时，采用模板匹配方法。首先找出电力设备具有特殊特征的模板，并将其存入数据库，获取图像后将已知模板和所采集图像中相同大小的一块区域进行比对，看是否满足要求。

假设被搜索图像S的大小为N×N，模板T的大小为M×M，搜索图像S和模板T如图5所示。

图5 搜索图像及模板

把模板T在搜索图像S上移动，在模板覆盖下的那块搜索图叫做子图S(i，j)，i,j为这块子图的左上角像点在S图像中的坐标，成为参考点，其中i和j的取值范围为1

一般使用下列公式来衡量T和S的相似程度，

(2)

图像识别开始时，模板的左上角点和图像的左上角点是重合的，拿模板和原图像中同样大小的一块区域去比对，然后平移到下一个像素，仍然进行同样的操作，直到所有的位置都比对完后，差别最小的那块就是要找的物体。

另外为了减小光照变化会对模板识别结果产生的影响，使用测度公式

R(i，j)=

(3)

根据许瓦兹不等式0≤R(i，j)≤1，当且仅当S(i，j)(m，n)=KT(m，n)时，R(i，j)=1。这里的K为标量常数，消除了光照均匀变化对识别结果的影响。下面是使用模板匹配方法识别变压器的过程。

为增强匹配结果的准确性，采用分级匹配的方法，匹配策略为选取风机作为匹配对象，如果可以找到对应图像，可以直接进行判断是否为变压器，不必再进行下级匹配，如果所拍到的图像为变压器的上面部分，则进行电压互感器的匹配。根据上面的处理，对图3中的变压器图像进行模板匹配，匹配后的图像见图6。

图6 匹配后图像

在图3变压器图像中，当识别开始时，模板按从左到右，从上到下的顺序依次从获取图像中移动，通过计算R(i,j)的值来判断图像中是否存在正在寻找的识别目标物体，当R(i,j)的值与所设定的区间范围符合时，就认为图像中存在与模板相匹配的物体。图6中，通过模板匹配的方法找到了图像中与所选择模板匹配的目标图像，并进行标记。从所拍摄的图像中找到这2种模板，即可以判断所获取图像是否为变压器。

2.5 故障诊断

识别出变压器后，利用同时拍摄到的变压器红外图像[5]，对故障进行分析，使用的方法为相对温差法。

当环境温度较低，尤其是在负荷电流较小的情况下，设备的温度值未超过国家标准的规定值，但大量事实证明，环境温度增长或负荷增加后，往往会引起设备故障。此时应该求取设备的温差，利用相对温差法判断设备运行情况，该方法是一种横向比法，更适用于电流型电气设备。

设2台电气设备状况(型号、安装地点、环境温度、表面状况和负荷电流等)相同或基本相同，计算出2个对应测点之间的温差，取温差与其中较热测点温升比值的百分数，其表达式为

(4)

式中：τ1、T1分别为发热异常点的温升和温度；τ2、T2分别为正常状态下对应设备点的温升和温度；T0为环境温度。将δT的值与电流致热型设备的相对温差判据(见表1)进行对比，判断是否发生故障，如果发生故障，要说明缺陷类型，并针对缺陷类型安排检查和维修。

表1 电流致热型设备的相对温差判据

设备类型相对温差值一般缺陷重大缺陷紧急缺陷SF6断路器≥20%≥80%≥95%真空断路器≥20%≥80%≥95%充油套管≥20%≥80%≥95%高压开关柜≥35%≥280%≥95%隔离开关≥35%≥80%≥95%其他导电设备≥35%≥80%≥95%

变压器红外图像见图7，使用红外图像处理软件分析图像7中的温度[6]，红外图像检测温度子界面见图8。寻找到最高温度坐标为[80,99],温度为46 ℃，位于U相,以此点适当扩展邻域范围，构成一个最高温度区域。

由历史数据库查询该点温度为27 ℃，使用式(1)相对温差法计算相对温差，环境温度为25 ℃，则有将δΤ与上面表1中的数据进行对比，δΤ>80%，属于重大缺陷，应及时报警，并将故障图像存储或通过通信设备发给工作人员，及时安排维修。经查找该缺陷的原因是由于隔离开关长时间没有操作，造成氧化和锈蚀引起了过热现象，维修处理后恢复正常。

图7 红外图像

图8 红外图像检测温度子界面

(5)

3 存在的问题及建议

基于智能巡视系统的变压器故障诊断方法能够完成对站内电气设备的红外图像、可见光图像的拍摄、存储和处理，通过图像分析可以发现电气设备运行中的异常和存在的缺陷，但该方法还存在一些不足之处，如发现的故障仅局限为热故障，发现热故障点后无法对故障点进行识别，模板匹配的快速算法及匹配准确性有待提高等。在以后的工作中，需要对以上问题进行进一步的研究，并建议对变压器声音采集、分析及变压器环境图像全面分析进行深入研究，使无人值守变电站真正实现智能化巡检。

参考文献：

[1] 武卫静.无人值班变电站远程监控智能诊断系统的设计与实现[J].河北电力技术，2011，30(1):43-44.

[2] 张 浩.图像识别技术在电力设备在线监测中的应用[D].北京：北京交通大学,2009.

[3] 祝晓辉.基于图像处理的电气设备识别方法研究[D].保定：华北电力大学,2006.

[4] Rafael C.Gonzalez,Richard E.Woods.数字图像处理[M].北京：电子工业出版社，2003.

[5] 赵书涛，李宝树.基于计算机视觉的远程变电站状态监测与诊断[J].电网技术，2005(6):64-66.

[6] 张汉军.电力设备红外远程监控系统研究[D].保定：华北电力大学，2008.