基于智能视觉的电力网络敏感区设备过热识别

李冠楠（1.顺德职业技术学院电子与信息工程学院，广东佛山　528300；2.华南理工大学计算机学院，广东广州　510641）



基于智能视觉的电力网络敏感区设备过热识别

李冠楠1，2
（1.顺德职业技术学院电子与信息工程学院，广东佛山528300；2.华南理工大学计算机学院，广东广州510641）

KEY W0RDS：Power network sensitive area；overheat identification；visua1 ana1ysis

摘要：电力网络的敏感区设备过热会导致电网故障和电力中断，对电力网络的敏感区设备的过热识别可以提高电网故障设备的检测和诊断能力。传统方法采用的是热信号分析方法实现对电力网络的设备过热识别，由于敏感区设备的过热状态下的热源信号自身具有不确定性，导致识别性能不好。提出一种基于图像处理和智能视觉分析的电力网络的敏感区设备过热识别算法。构建电力网络的敏感区设备的热点图像采集和噪点滤波模型，然后对电力网络敏感区设备图像进行视觉特征三维重建，采用图像分割算法实现对敏感区设备过热点的有效分割和检测，提高识别能力。仿真结果表明，采用该算法能有效提高设备过热点的识别率，提高对电力网络设备的状态监测能力。

关键词：电力网络敏感区；过热识别；视觉分析

伴随着中国电力发展步伐不断加快和用户对电力需求的不断增长，中国的电网系统取得了较大的发展，形成了华中电网、华东电网、西北电网和南方电网等区域性电网构架。电力网络包括变电、输电、配电3个环节，电力网络中除了发电设备和用电设备以外，还集中了大量的电力线路、变电所和换流站，这些设备通过网络互联把分布在各个电网节点中的电能传输到千家万户，这些电子设备都是电力网络的关键元件，电力网络的敏感区设备过热会导致电网故障和电力中断，对电力网络的敏感区设备的过热识别可以提高对电网故障设备的检测和诊断能力。因此，研究电力网络敏感区的设备过热识别算法在保障电网的稳定性和可靠性方面具有重要的意义[1-2]。

传统方法采用的是热信号分析方法实现对电力网络的设备过热识别，由于敏感区设备的过热状态下的热源信号自身具有不确定性，导致识别性能不好。对此，需要采用视觉分析方法实现对电力网络的敏感区设备过热识别，相关的算法研究受到广大专家的重视，其中文献[3]提出一种基于区域性特征模板匹配的敏感区设备的过热检测算法，采用图像分割算法实现对过热区域的图像滤波检测，提高了过热点的识别性能，但是该算法存在计算量大，在先验知识缺乏的情况下出现过分割的缺点。文献[4]提出一种基于自相关累积函数特征分解的电力网络敏感区过热点损伤检测，采用神经网络控制方法实现对检测到的过热点数据分类，提高识别性能。文献[5]提出一种基于网格边缘的分类和三角网分析的敏感区设备的过热检测，提高电力网络中设备工作的可靠性，但是算法受到环境干扰因素较大，鲁棒性不好。

针对上述问题，本文提出一种基于图像处理和智能视觉分析的电力网络的敏感区设备过热识别算法。首先构建了电力网络的敏感区设备的热点图像采集和噪点滤波模型，然后对电力网络敏感区设备图像进行视觉特征三维重建，采用图像分割算法实现对敏感区设备过热点的有效分割和检测，提高识别能力，仿真实验进行了性能验证，展示了本文算法在实现电力网络敏感区设备过热识别和设备状态监测中的优越性能，得出了有效性结论。

1　电力网络的敏感区设备的热点视觉采集和预处理

1.1敏感区过热检测识别原理及图像采集视觉模型构建

电力网络的敏感区设备过热识别采用智能视觉分析的方法，首先一步是进行图像视觉采集，采用图像分割方法对电力网络敏感区过热点损伤检测。电力网络敏感区过热点识别和检测原理是通过对电力网络敏感区设备的图像特征视觉分割，将获取电力网络敏感区设备图像的热点信息，隔离出现过热的部位进行辨别[6-9]。电力网络敏感区设备过热区域中存在以下的重要特征：

1）电力网络敏感区设备存在的过热区域与周围完整的镀铬区域出现了不连续的变化特征。

2）电力网络敏感区设备过热区域的纹理特征不尽相同，像素灰度值的变化呈现梯度变化。在电力网络敏感区设备内部空间狭小、构件较多，光线来回反射出现了交叠的情况，使得图像采集区域出现了亮度变化不均匀，图像分割准确性难以得到有效保证。

根据上述特征分析，可以采用智能视觉分析的方法进行敏感区过热检测识别，原理框图如图1所示。

图1　采用智能视觉分析的方法进行敏感区过热检测识别原理框图Flg. 1 The prlnclple of thermal detectlon and ldentlflcatlon to ldentlfy the overheat ln the sensltlve area by uslng the method of lntelllgent vlslon analysls

采用智能视觉分析的方法进行敏感区过热检测识别，首先需要进行图像检测，它应用测试设备获取能反应电力网络敏感区设备过热特征的有用信号，使用确定模型集合M＝｛mi｜i＝1，2，…，m｝表示敏感区过热区域的视觉特征，实现敏感区过热点标定，其中电力网络敏感区设备的图像灰度像素值的离散形式为：

式中：wi（k）和vi（k）为正常工作状态噪声和热点噪声。给出电力网络敏感区设备目标在图像中的位置特征点：

对图像进行视觉量化分析，得到采样t时刻的信息度表示为Im a（χt）＝p（χt｜d0，…，t）

N个电力网络设备的随机样本为：

本文的视觉系统中，由于实时性很高且识别区域是用热点状态特征来区分的，对于t＝0，1，…，k，采用多元自回归分析方法拟合电力网络敏感区设备的随机热点测量值Zk＝｛z0，z1，…，zk｝，用χk表示图像向量量化平滑参数，通过上述分析的敏感区过热检测识别原理及图像采集视觉模型构建，为进行过热特征视觉识别提供数据基础。

1.2图像滤波预处理

上述采集的电力网络敏感区设备过热特征图像中包含了大量的色噪声和热噪声，需要进行图像滤波处理。本文采用模板叠加滤波方法，设计高阶匹配级联图像滤波算法，沿高阶梯度方向求得图像的角点信息，得到敏感区过热区域平面上（a，bm）点处的失真测度为：

采用正交多项式展开失真测度，假设平滑项训练图像的边缘噪点，图像像素值大小为设置为M＝8× 8像素块，根据Shannon信息论原理，得到电力网络敏感区设备过热区域边缘轮廓特征提取结果：

采用连续过松弛方法得到图像的相位加权信息，使用最小夹角原则进行图像重构，得到电力网络敏感区设备图像网络纹理子空间的顶点坐标：

对图像的低频部分进行信息幅度曲线分割，分割过程如图2所示。

图2　电力网络的敏感区设备过热区域分割结果Flg. 2 Segmentatlon results of the equlpment overheat area ln the power network sensltlve area

图中，分割曲线与过热区域A呈现线性分布，对A区域作HSI空间亮度均衡化，代入t0的定义，得：

对电力网络的敏感区设备过热区域的高频特征进行抑制和阻截，实现了图像降噪滤波，提高了图像的识别能力。

2　视觉特征三维重建及智能视觉识别算法改进

2.1视觉特征三维重建

在上述进行了电力网络的敏感区设备的热点视觉采集和预处理的基础上，进行算法改进。传统方法采用的是热信号分析方法实现对电力网络的设备过热识别，由于敏感区设备的过热状态下的热源信号自身具有不确定性，导致识别性能不好的问题。为了克服传统方法的弊端，本文提出一种基于图像处理和智能视觉分析的电力网络的敏感区设备过热识别算法。

利用高斯滤波函数G（χ，y）对目标图像边缘f（χ，y）进行卷积处理，假设定义域为Ω的电力设备过热区域热成像图像I（χ，y）被轮廓曲线C划分为互不重叠的2个区域R1和R2。采用氙气灯作为主动红外源，利用多组氙气灯红外源对整个电力网络敏感区过热点进行较短时间的均匀加热，得到曲线图像总共可划分成K个分割区域，通过自适应连续缺陷定位描述电力网络敏感区设备的过热点图像纹理，得到自适应多维搜索迭代方程为：

从而得到电力网络敏感区设备缺陷损伤模糊图像的纹理子空间，表示为：

式中

在此，不能简单地依靠提高摄像机分辨率的方法对图像三维特征进行重构，这会加大数据存储压力与设备的成本。经过特殊的图像分割法，可以有效提取出感兴趣的部分，得到目标图像的区域过热点的像素值。对于k时刻的敏感性特征mJ（J＝1，2，…，m）∀mJ∈M，其视觉识别似然函数为：

式中：ΛJ（k）服从均值为0、方差为SJ（k）的均匀分布；SJ（k）为电力网络敏感区设备的角点信息协方差矩阵。采用多元阵列分析，实现了对电力网络敏感区设备的过热区域的视觉特征三维重建。

2.2识别算法改进实现

对电力网络敏感区设备图像进行视觉特征三维重建，采用图像分割算法实现对敏感区设备过热点的有效分割和检测，根据视觉特征三维重建结果，对不同局部区域的设备过热信息进行自校正，校正概率为：

为了实现智能视觉分析，对过热成分的空间亮度进行像素均衡，得到均衡像素不变矩为：

式中：（χ，y）为敏感区设备热点图像中的像素坐标，其归一化幅度值为：

采用图像分割方法进行电力网络敏感区设备的过热点识别监测，通常的方法是采用红外热像仪进行热图像的拍摄取样，根据在部件在工作中出现的“热点”进行故障检测与判断。红外热点强度为：

遍历图像分割后的每一个连通区域，提取分割后的图像红外敏感区域，实现对电力网络敏感区设备的过热区域的分割处理，通过本文方法，结合图像分割技术可以有效提高电力网络敏感区设备的过热点检测和识别的精确度。

3　仿真实验与性能测试

为了测试本文算法在实现电力网络敏感区设备的过热点智能视觉检测识别中的性能，进行仿真实验。仿真实验的硬件环境为PC机，操作系统为Windows 7，AMD速龙双核处理器，2.1 GHz主频。实验采用Mat1ab进行数学仿真。实验中首先进行电力网络敏感区设备故障的图像和信号采集，图像采集系统主要由声阵列传感器和振动传感器构成。本文选取了台湾的VPC-1115型CCD摄像机，这种摄像机因为直径只有9 mm，长度有55 mm，适合工作在小口径电力网络敏感区设备的图像采集和检测中。图像采样频率为60 kHz，电力网络敏感区设备过热区域模拟AD采样数据样本为1 024点。电力网络敏感区设备过热的原因主要是因为空气进行高压缩比压缩，其工作温度高，并且在外界温度的作用下工作，出现过热现象。仿真中，首先对电力网络的敏感区设备的热点区域进行视觉采集和图像预处理，采集的图像大小分别为159×159像素，采用Creator的Raster to DED工具转化为所需的DED数据，实现图像的A/D转换和数字图像重构，得到电力网络敏感区设备的过热点三维图像重结果如图3所示。

图3　电力网络敏感区设备的过热点三维图像重构Flg. 3 Three dlmenslonal lmage reconstructlon of the hot spots ln the sensltlve area of the power network

通过图3可见，采用本文方法能有效对电力网络敏感区设备图像进行视觉特征三维重建，图像分割效果较好，可实现对敏感区设备过热点的有效分割和检测。以此为基础，进行过热设备的识别，得到基于智能视觉的电力网络敏感区设备的过热识别频谱分析图如图4所示。

图4　基于智能视觉的电力网络敏感区设备的过热识别频谱分析图Flg. 4 An analysls of thermal spectrum analysls of power network sensltlve area equlpment based on lntelllgent vlslon

最后，得到不同算法下随着信噪比的变化对电子网络敏感区设备过热识别率对比结果如图5所示，从图5可知，采用本文算法，准确识别率较高，展示了较好的性能。

图5　识别率对比Flg. 5 Comparlson of the ldentlflcatlon performances

4　结论

电力网络的敏感区设备过热会导致电网故障和电力中断，对电力网络的敏感区设备的过热识别可以提高对电网故障设备的检测和诊断能力。传统方法采用的是热信号分析方法实现对电力网络的设备过热识别，由于敏感区设备的过热状态下的热源信号自身具有不确定性，导致识别性能不好。提出一种基于图像处理和智能视觉分析的电力网络的敏感区设备过热识别算法。采用图像分割算法实现对敏感区设备过热点的有效分割和检测，提高了识别能力。通过仿真实验进行了性能验证，结果表明，采用本文算法，能有效提高对电力网络敏感区设备的过热识别率，实现智能视觉监测。

参考文献

[1] SUN X，LIM L，WANG S. An aPProximation a1gorithm of mining frequent itemsets from uncertain dataset[J]. Internationa1 Journa1 of Advancements in ComPuting Techno1ogy，2012，4（3）：42-49.

[2] LIN C W，HONG T P. A new mining aPProach for uncertain databases using CUFP trees[J]. ExPert Systems with APP1ications. 2012，39（4）：4084-4093.

[3] YUE Cao，SUN Zhi1i，WANG Ning. ReP1ication routing for de1ay to1erant networking：a hybrid between uti1ity and geograPhic aPProach[C]// IEEE Wire1ess Communications and Networking Conference（WCNC），2012 IEEE，2012：2751-2756.

[4] ZHENG Guo，WANG Bing，CUI Jun. Generic Prediction assisted sing1e-coPy routing in underwater de1ay to1erant sensor networks[J]. Ad Hoc Networks，2013，11（3）：1136-1149.

[5] LI W，JOSHI A，FININ T. CAST：Context-aware security and trust framework for mobi1e ad -hoc networks using Po1icies[J]. Distributed and Para11e1 Databases，2013：1-24.

[6] QU B Y，LIANG J J，SUGANTHAN P N. Niching Partic1e swarm oPtimization with 1oca1 search for mu1ti-moda1 oPtimization[J]. Information Sciences，2012，197：131-143.

[7] LIANG Yingchang，CHEN KWANG-CHENG，GEOFFREY YE LI，et a1. Cognitive radio networking and communications：an overview[J]. IEEE Transactions on Vehicu1ar Techno1ogy，2011，60（7）：3386-3407.

[8]李志丹，和红杰，尹忠科，等.基于块结构稀疏度的自适应图像修复算法[J].电子学报，2013，41（3）：549-554. LI Zhidan，HE Hongjie，YIN Zhongke，et a1. AdaPtive image inPainting a1gorithm based on Patch structure sParsity[J]. Chinese Journa1 of E1ectronics，2013，41（3）：549-554（in Chinese）.

[9]娄柯，崔宝同，李纹.基于蜂拥控制的移动传感器网络目标跟踪算法[J].控制与决策，2013，28（11）：1637-1642. LOU Ke，CUI Baotong，LI Wen. Target tracking a1gorithm of mobi1e sensor networks based on f1ocking contro1[J]. Contro1 and Decision，2013，28（11）：1637-1642（in Chinese）.

[10]李军，张兵，邢丽莉.基于IPv6的嵌入式视频监视系统的设计[J].计算机测量与控制，2010，18（5）：1014-1017. LI Jun，ZHANG Bing，XING Li1i. Design of embedded video survei11ance system based on IPv6[J]. ComPuter Measurement & Contro1，2010，18（5）：1014-1017（in Chinese）.

李冠楠（1981—），男，硕士，副教授，主要研究领域为计算机网络技术、计算机语言学。

（编辑徐花荣）

Education science Project of Guangdong Province（2012JK305）.

Identlflcatlon of Equlpment 0verheat ln Power Network Sensltlve Area Based on Intelllgent Vlslon

LI Guannan1，2
（1. DePt. of E1ectronic and Information Engineering，Shunde Po1ytechnic Vocationa1 Co11ege，Shunde 528300，Guangdong，China；2. Co11ege of ComPuter Science and Engineering，South China University of Techno1ogy，Guangzhou 510641，Guangdong，China）

ABSTRACT：The equiPment overheating in the Power network sensitive area often 1eads to an interruPtion of Power grid and a Power fai1ure，and identification of the overheat can imProve the detection and diagnosis of fau1ts in Power equiPment. The traditiona1 method uses the therma1 signa1 ana1ysis to identify the overheat，however，due to the uncertainty of the signa1 itse1f under the overheating condition，this method often resu1ts in Poor Performance of the overheating identification. This PaPer ProPoses an inte11igent visua1 ana1ysis method based on image Processing and inte11igent vision ana1ysis of Power network. A hot-sPot image acquisition and noise fi1tering mode1 is bui1t for the equiPment in the sensitive area，and then a 3-D of the visua1 features is reconstructed for the equiPment images in the area and the image segmentation a1gorithm is used for the effective segmentation and detection of the overheat sPots of the equiPment to imProve the identification caPabi1ity. Simu1ation resu1ts show that the ProPosed a1gorithm can effective1y imProve the identification rate of the overheat sPots and imProve the monitoring caPabi1ity of the Power network equiPment.

作者简介：

收稿日期：2015-07-25。

基金项目：广东省教育科研“十二五”规划研究项目（2012JK305）。

文章编号：1674-3814（2016）01-0059-05

中图分类号：TP391

文献标志码：A