紫外检测电晕放电强度量化分级

马立新，周小波，朱　润，单　宇

( 上海理工大学 光电信息与计算机工程学院，上海 200093 )



紫外检测电晕放电强度量化分级

马立新，周小波，朱润，单宇

( 上海理工大学 光电信息与计算机工程学院，上海 200093 )

摘要：高压设备运行过程中会发生电晕放电现象，其危害很大。本文利用紫外放电检测新技术，融合采集到电晕和可见光图像，准确对故障点进行定位。采用遗传算法的投影寻踪理论，利用Delphi软件对采集的紫外电晕图进行处理后作为分级数据，建立遗传投影寻踪等级模型，对电晕放电强度的量化分级研究。实验结果验证了该模型的合理性，测试结果也达到预期的结果，对放电故障检测有一定的实际应用意义。

关键词：电晕放电现象；紫外检测技术；投影寻踪理论；放电故障等级

0　引言

随着环境污染越来越严重，高压电气设备在长期运行的过程中，绝缘性能势必会大幅度下降。愈加恶化的绝缘状况必将造成设备故障[1]，引起功率损耗或者电力中断，造成重大电力事故。当设备绝缘性能下降，会出现电晕放电现象。为了保障电力系统的稳定运行和一些重要的电气设备，对设备的绝缘状况进行实时监测显得尤为重要。

近年来，紫外检测已经成为检测电晕放电故障的新技术[2]。利用紫外成像技术，检测电气设备局部放电过程中辐射出的紫外线。利用计算机技术对采集到的紫外图像进行图像灰度、二值化、中值滤波、锐化等相关处理，然后与可见光图像进行融合，能够实现对放电故障点的精确定位。然而，对电晕放电量化等级方面的研究甚少。

以往的研究仅仅是根据高压设备的绝缘故障情况对电力系统稳定性及破坏程度的大小，一般定性的分为三类：一般故障、严重故障、紧急故障。但是以上的绝缘故障状态评定方式缺少定量化的明确标准，且往往发生一般性缺陷的情况占大多数，难以通过定性给定准确的故障评估大小，因此对一般性的缺陷的绝缘故障状态的量化评估就显得尤为必要。本文利用Delphi软件对采集到的电晕图像进行处理后作为分级数据，采用遗传算法的投影寻踪理论，建立设备放电状态模型。应用MATLAB软件进行仿真分析。结合实例的实验结果也达到了预期的效果，能够实现对设备出现故障时电晕放电的量化分级。

1　电晕放电紫外图像采集与处理

数字图像处理是应用计算机程序对数字图像进行不同方面的处理，利用计算机程序对像素进行编程，达到处理图像的目的。Delphi软件编程语言是Pascal语言，其具有可读性好、容易编写，很适合作为开发工具，而且Delphi在图像处理方面拥有强大的功能。本文所处理的紫外图像都是在Delphi环境下进行的。紫外图像的处理过程如图1所示，对紫外图像进行数字图像处理的最终目的是提取放电目标对象，为故障定位和故障状态模式识别提供依据。经过紫外成像系统采集到的紫外图像首先要过灰度处理，把彩色图像转换为灰度图像，统计出每一个灰度级上像素点的个数，然后将像素点数目绘制出来，取一个合适的像素点做下一步二值化过程中的阈值，这样就可以将目标与背景很清楚地分离开。经过图像二值化处理之后的图像的几何性质只与0或1有关，不用再去考虑像素具体的值。采集到目标图像的轮廓往往比较模糊，经过图像的锐化和中值滤波去噪处理后，图像所具有的信息易于人观察，而且其边缘和轮廓线变得比较清晰，为后续的研究提供方便。图像在采集或者传输的过程中，可能存在各种寄生效应，将会受到噪声的干扰，中值滤波是把数字图像中的一点的值用该点的一个领域的各个点的值的中值代替，中值滤波之后，有效的除去噪声干扰点，起到去噪的效果。

图1　图像处理流程Fig.1　Image processing

本文的紫外图像均是利用一种单通道日盲紫外成像系统[3-4]进行采集的，利用240 nm～280 nm这一日盲波段，借助高分辨率镜头、中心波长为254 nm的窄带日盲滤光片和外部采集盒进行图像采集。由于高压放电具有一定的不确定性，不是均匀的放电现象，所以几组图片作为诊断的依据，并不能很好的反映现实状况。因此需要根据放电状态，对同一处的故障放电状态进行长期监测，观察记录。由于一些外界因素会造成紫外成像的噪声污染，紫外图像部分信息和特征不是很突出，紫外成像信号周围也有干扰，这就需要通过图像处理来提取对象。利用Delphi开发工具实现对紫外成像图进行处理，将彩色图像转换成灰度，经过二值化处理，使得图像不再涉及像素的灰度值，去噪的作用就是处理图像的小白点的干扰，特征提取最后剩下的区域即为放电图像。如图2所示，保存不同时期的电晕放电紫外图像。本文把采集到的不同时期的放电图像，选取45组作为输入样本。统计出图像的平均放电面积、最小和最大放电面积和放电范围(紫外电晕图片上所展示的所有白点的范围面积)。这4个特征向量作为输入样本的基本数据。

图2　图像采集Fig.2　Image collecting

2　基于投影寻踪理论的模式识别等级模型

投影寻踪法具有全局搜索能力强、可规模化等优点，因此本文采用其进行投影优化，建立投影寻踪等级模型，对放电故障进行量化分级。建立电晕放电量化评级的模型主要分为6个阶段。第一阶段选定能够反映对象特性的特征向量，并建立科学的特征向量体系。第二阶段，建立量化分级标准及分级处理。第三阶段，根据随机分布的原理，在各特征向量的等级范围内生成投影向量。第四阶段，投影目标函数的建立。第五阶段，对目标函数运用遗传算法进行优化，找出其最佳投影值。最后，根据评估等级与最佳投影值的关系建立电晕放电量化评级模型。

为消除各特征向量的量纲和统一各特征向量值的变化范围，需要进行极值归一化处理。如式(1)和式(2)所示，越大越优的特征向量：

越小越优的特征向量：

其中：xmax(j)，xmin(j)分别为第j个特征向量值的最大值和最小值，x(i,j )为特征向量特征值的归一化的序列。

投影寻踪的方法就是把p维数据{x(i,j )| j=1,2,… ,p}综合成以a={a(1),a(2),a(3), …,a(p)}为投影方向的一维投影值z(i)：

构造投影目标函数Q(a)：

其中：Sz为投影值z(i)的标准差，Dz为投影值z(i)的局部密度，Rzy为z(i)与y(i)的相关系数。

其中：Ez为{z(i)|i=1,2,…,n}的平均值，Ey为{y(i)|i=1,2,…,n}的平均值。

当各指标值得样本集给定时，投影指标函数Q(a)只随投影方向a的变化而变化。此时用格雷码加速遗传算法优化投影方向投影目标函数值随投影方向变化，通过求解投影目标函数最大值可估计出最优投影方向，即最大化目标函数：

其约束条件为

格雷码加速遗传算法包括6步：1) 变量取值范围的编码；2) 初始化种群；3) 解码；4) 判断是否满足终止条件，若满足则输出最优解，不满足则算法转入步5)；5) 对种群进行选择、杂交、变异生成新的种群，算法转入步2)进行迭代；6) 加速循环，选择第一次、第二次和第三次这3次迭代中的优秀个体的变量范围作为新的变量取值范围，算法转入步1)，由于优秀个体的变量范围越来越小，从而起到加速的作用。

3　应用MATLAB进行故障诊断仿真及实例分析

本文采用MATLAB软件进行分析。经过多次试验最终选定遗传算法参数：初始群体规模n=60,变异概率pm=0.08，交叉概率pc=0.80，最大遗传代数T=60。经过遗传投影得到最佳投影方向a*=[1.512，-1.240，0.536，1.178]，将a*带入式(3)得到一维最佳投影值z(i)=1.512x(i,1)-1.240x(x,2)+0.536(x,3)+1.178(x,4)。

图3为高压设备发生故障时采集到的电晕放电图像[5-6]，经过Delphi软件进行数字图像处理。统计出该放电电晕图像的四个特征值，经过归一化处理后得到[0.684 93，0.684 921，0.685 185，0.732 347]，将其代入到最佳投影方程可得0.700 1。代入式(10)可得为3.567级，在第3级与第4级之间。其他放电电晕量化评估方法根据放电严重程度只能人为的分为4种状态等级[7]。从1级到4级为由轻到重的放电严重程度。1级表示已经存在微弱放电状态，应当引起注意。2、3级表示已经存在故障，应当采取措施，避免造成电力事故。4级状态存在发生非常严重的电力事故的风险，应当立刻采取措施。表1为本文与其他等级评定方法的比较，自组织神经网络法[8]基于自组织特征映射神经网络强大的聚类学习能力构建的电晕状态评估模型，评估状态为3级，通过MATLAB平台仿真测试表明该模型具有较高预测准确度和稳定性。模糊综合法是[9]利用模糊原理与层次分析法相结合的评价法，评估状态也为3级。本文方法不仅可以判定等级，而且能反映处于该等级的程度，分辨力更高，评估结果更客观、合理。

图3　电晕放电融合图像Fig.3　Corona discharge fusion image

表1　各电晕放电量化评级方法比较Table 1　The corona discharge of quantitative comparison rating method

由于评估等级为3.567级，表示该高压电力设备存在放电故障，而没有得到及时处理，已经成为较严重的放电了。电力检修员工应立即进行电力设备的检修，避免造成更大的电力事故。

4　结论

随着电网的不断发展，输电电压已经跨入了特高压输电时代。高压设备和输电线路的电晕放电不光对环境造成影响，而且电晕放电时所产生的某些化学反应也是促成有机绝缘老化的重要原因之一，会加速设备的绝缘老化，造成电力事故。

本文采用紫外成像系统所采集的放电电晕图像，经过Delphi软件数字图像处理后，作为量化分级数据，利用遗传投影寻踪理论，建立量化等级模型。仿真实验验证了该识别方法能够有效地对电晕放电强度进行量化分级。电网工作人员能够根据电晕放电强度的大小诊断出故障，从而采取相应的措施，避免造成重大的电力事故。

参考文献：

[1]关志成. 绝缘子及输变电设备外绝缘 [M]. 北京：清华大学出版社，2006：102-132. GUAN Zhicheng. The insulator and power transmission and transformation equipment insulation outside [M]. Beijing：Tsinghua University Press，2006：102-132.

[2]王少华，梅冰笑，叶自强，等. 紫外成像检测技术及其在电气设备电晕放电检测中的应用 [J]. 高压电器，2011，47(11)：92-97. WANG Shaohua，MEI Bingxiao，YE Ziqiang，et al. Ultraviolet imaging detection technology and application in corona discharge detection of electrical equipment [J]. High Voltage Apparatus，2011，47(11)：92-97.

[3]马立新，徐如钧，胡博. 单通道双谱紫外电晕放电检测方法 [J]. 测控技术，2012，31(3)：32-35. MA Lixin，XUN Rujun，HU Bo. Dual-channel blind detection of UV corona discharge and method of image fusion [J]. Measurement & Control Technology，2012，31(3)：32-35.

[4]靳贵平，庞其昌. 紫外成像检测技术 [J]. 光子学报，2003，32(3)：294-296. JIN Guiping，PANG Qichang. The Key Points of UV Imaging and Detecting System [J]. Acta Photonica Sinica，2003，32(3)：294-297.

[5]陈书汉，庞其昌，靳贵平. 一种双波段图像实时融合实验系统 [J]. 光学技术，2006，32(2)：277-279. CHEN Shuhan，PANG Qichang，JIN Guiping. A experimental system for real-time two-channel image fusion [J]. Optical Technique，2006，32(2)：277-279.

[6]郭雷，李晖晖，鲍永生. 图像融合 [M]. 北京：电子工业出版社，2008：190-201. GUO Lei，LI Huihui，BAO Yongsheng. Image fusion [M]. Beijing：Publishing House of Electronics Industry，2008：190-201.

[7]马立新，陶博豪. 放电故障紫外检测系统及其状态识别方法 [J]. 计算机测量与控制，2012，20(7)：1803-1805. MA Lixin，TAO Bohao. Discharge fault of ultraviolet detection system and its state recognition method [J]. Computer Measurement and Control，2012，20(7)：1803-1805.

[8]王鹤，曾鸣，陈珊，等. 基于模糊层次分析法的供电服务质量综合评级模型 [J]. 电网技术，2006，30(17)：92-96. WANG He，ZENG Ming，CHEN Shan，et al. Comprehensive evaluation model for power supply service quality based on fuzzy analytic hierarchy process [J]. Power System Technology，2006，30(17)：92-96.

[9]焦利民，刘耀林，任周桥. 基于自组织神经网络的空间点群聚类及其应用分析 [J]. 武汉大学学报：信息科学版，2008，33(02)：168-171. JIAO limin，LIU Yaolin，REN Zhouqiao. Based on self-organizing neural network application of point cluster classes and their spatial analysis [J]. Journal of Wuhan University：Information Science Edition，2008，33(02)：168-171.

The Quantitative Classification of Corona Discharge Intensity of UV Detection

MA Lixin，ZHOU Xiaobo，ZHU Run，SHAN Yu
( Department of Electrical Engineering School of Optical-Electrical and Computer Engineering, University of Shanghai for Science &Technology, Shanghai 200093, China )

Abstract:High voltage equipment that runs for a long time could produce corona discharge phenomenon. The harm of corona discharge is serious, so it’s necessary to detect the corona. As a new technology of detecting high pressure discharge equipment fault, this article used ultraviolet discharge detection that can fuse to corona and visible light images and can locate fault point accurately. The article used the theory of projection pursuit in genetic algorithm, and used the collection of ultraviolet corona figure after processing of the Delphi software as a hierarchical data, and the level model of genetic projection pursuit was set up to study the quantitative classification of corona discharge strength. The experimental results verified the rationality of the model.Test results achieve the desired requirements, and have certain practical significance to discharge fault detection.

Key words:corona discharge phenomenon; UV detection technology; projection pursuit theory; discharge fault level

通信作者：周小波(1991-),男(汉族)，江西九江人。硕士，主要研究方向为电力系统故障诊断与模式识别，图像处理。E-mail: 913640031@qq.com。

作者简介：马立新(1960-)，男(汉族)，陕西安康人。教授，博士，主要研究方向为电力系统稳定性与优化运行、电气系统故障诊断与模式识别、群体智能与智能电网等。E-mail: malx_aii@sina.com。

基金项目：国家自然科学基金(61205076)；沪江基金(C14002)资助项目

收稿日期：2015-04-09； 收到修改稿日期：2015-06-04

文章编号：1003-501X(2016)01-0001-05

中图分类号：TP391

文献标志码：A

doi：10.3969/j.issn.1003-501X.2016.01.001