图像处理技术和神经网络在电力设备识别中的应用分析

魏金玉

（河南省煤炭科学研究院有限公司，河南 郑州 450001）

0 引 言

电力在国民经济发展中扮演着重要角色，同时电力设施的稳定和安全运行保障了国民经济的健康发展。我国的电网中，高压输电线常处于复杂的环境中，容易受到损害。因此，对高压输电线设备的维护尤为重要。往常的电网设备监控需要人工查看和分析图像，监控的质量受到人为因素干扰较大。相关实验表明，人类眼镜持续观察电子屏幕超过3 h，注意力将降低至原来的30%。因此，采用更为智能的技术帮助人们分析图像特征，以提升监控工作的效率。借助计算机的强大图像处理能力，通过神经网络对数据进行处理与分析，提取出需要的信息，过滤掉与用户无关的数据信息，这样智能的方法可以使人力劳动强度大为降低，也在很大程度上减少了设备故障的误报与漏报，及时地提高了监控系统的报警处理能力。本文讨论电力设备故障检查中应用图像处理技术和神经网络涉及到的主要技术内容和相关应用。

1 电力设备故障成像分析

1.1 红外成像技术

红外线辐射测温仪运用了物体的红外线反射特征，能够只检测对象表面4 个点的温度来求得物体的平均温度。如果对对象表面温度要求不精确，采用这种仪器具有操作便捷、使用价格低廉等优势。

红外测温仪运行时，被测物体表面的红外辐射能量会在仪器透镜集中起来，并经过红外滤光片到达探测器中，进入探测器中的辐射能被转化为电能信号，经一系列处理和转换，最后在显示屏显示被测物体的表面温度。红外测温仪的结构如图1 所示，仪器中经过45°分光镜，能够将可见光反射至分划板，分划板上刻有一圆环，其面积等同于光阑孔面积，分划板后装配着一副目视透镜，以使人确认测量对象的准确情况以及目标是否填充满小环。

图1 红外测温仪结构示意图

红外测温仪主要由光学系统、红外探测器、电信号放大及处理系统、结果显示系统和其他附属部分等部分构成。按照测温的需求，可以将其分为单波段中低温测温仪（8～12 μm）、高温测温仪（2～2.5 μm）以及高温比色测温仪。目前，大多数红外测温设备均安装有可视瞄准或激光瞄准装置，使人更精准地检测对象的温度。

以变压器套管温度图像分析为例，变压器套管包含主变高压侧套管、低压侧套管、抱箍线夹、中性点套管、管出线线夹等部分。温差不超过10K，未达到严重缺陷的要求，可应用图像特征分析法、同类比较判断法。变压器套管温度分布异常如图2 所示。

图2 220 kV 主变高压侧热像图（左侧套管上部温度偏低）

1.2 紫外成像技术

当电力设备产生电离放电现象时，会向外辐射出各种的电磁波，而紫外线就是其中重要的组成。紫外线的波长在100～400 nm，而电力设备产生的紫外线主要在200～400 nm。然而自然光中同样包含紫外线，可是因为臭氧层的屏蔽，导致辐射致地面的紫外辐射波长基本处于280 nm 之上，低于280 nm 的范围被称作日盲区。电力设备故障放电发生的紫外辐射存在于280 nm 以下，也称其在日盲区中，能够经由观测这些波段的紫外线来诊断局部放电程度，并且也能降低环境对检测的影响。图3 为紫外线成像示意图。

图3 紫外线成像示意图

相较于RGB 图像，灰度图占用更小的存储空间，不会对提取图像特征信息造成影响。RGB 图像与灰度图的区别就像彩色电视机图像与黑白电视机图像之间的区别，灰度图像除了没有色彩饱和度外，其他特征均与RGB 彩色图像基本一致。例如，图像尺寸为M×N的紫外放电图片，那么此图片的灰度图像尺寸也就为M×N。灰度图与像素点具有相同的个数量，一个像素点只需要一个字节空间。与此同时，灰度图像与背景部分具有更强的对比度，有助于清晰地区分出图像主体部分。例如紫外放电图像，将RGB 模式图像转化为灰度图像，经过转换的灰度图像可以明显区分出放电区域，有助于选取放电趋势。

2 基于神经网络对红外图像识别

神经网络方法是在认知科学与神经心理学的基础上建立起来的，采用计算机强大的计算能力与学习能力，可以显著降低故障处理的失误概率。电力设备采用这种故障诊断措施，便于操作，对外界条件改变后的适应性强，实际推广应用前景广泛。

基于深度神经网络的电力设备故障检测方法，包括采集红外图谱，构建规范化的图谱数据库；采集的红外图谱包括测试用的红外图谱和建模用的红外图谱；建立多层深神经网络对规范化的图谱数据库中的测试用红外图谱进行分类；建立目标检测框架RCNN 对分类的测试用红外图谱进行设备分区；根据红外图谱缺陷分析准则，设置分区内温度预警规则；根据温度预警规则，得到设备安全分析结论并实现预警。构建规范化的图谱数据库的过程为：对采集的红外图谱进行分析，选择表示图像的目标特征，定义红外图谱中设备表示类型，构建规范化的图谱数据库。在多个不同视点采集的红外图谱，在构建规范化的图谱数据库之前，基于视觉和相关背景对采集的红外图谱进行过滤。

采用神经网络法可以确定性的得到电力故障的监测结果，便于制定出具有针对性的维修方案，假如不确定故障的性质，神经网络法也会给出一套效果较好的处理方案。采用这样的诊断方法能够很大程度上提升电力设备故障诊断的效率和精度。

3 结 论

随着特高压交直流混合大电网、新一代智能变电站、智能输电线路等工程的深入建设，全新的电网重大成套装备和智能装备不断涌现，对电网设备安全和智能运维提出新的挑战。需要借助物联网、大数据等新技术，提出智能化的设备运维技术，逐步构建具有信息化、可视化和智能化特点的设备运维管控体系，满足未来电网设备更高的安全运维要求。