变压器套管运行状态自动检测技术现状分析

周可慧，肖剑，张可人，徐先勇，唐海国，王珂，朱吉然

(1. 国网湖南省电力有限公司电力科学研究院，湖南长沙410007；2. 国网湖南省电力有限公司岳阳供电公司，湖南岳阳414000)

0 引言

作为电力系统的核心设备, 电力变压器的健康状况直接影响到整个电力系统的稳定运行, 及时发现变压器潜伏性故障, 可以防止由此引发重大事故。套管是变压器的重要组成部分, 变压器引出线经过套管引出到油箱外部, 起到引出线对地和外壳的绝缘和引线固定作用。高压套管长期运行在高电压、大电流环境中, 除了承受电、热以及机械力的作用外, 还受到外界温度、湿度变化的影响[1],故障问题较为突出。近年来, 变压器套管故障已成为引起变压器故障的主要原因, 2015 年某110 kV高压套管因内部发生放电性缺陷, 引起套管炸裂[2]；2018 年某变压器套管中螺栓未完全压紧,出现松动, 导致导线与设备线夹接头温度剧增[3]；2015 年某110 kV 变压器套管由于导电管与均压球连接处螺纹断裂, 使套管密封失效, 导致漏油事故[4]等。

红外检测技术通过红外热像仪将电力设备温度信息可视化, 基于温度数据和图像特征确定设备运行状态, 能够不停电、实时监测运行设备故障隐患, 降低设备故障频率, 对提高电力系统稳定性、可靠性有着积极作用, 在电力企业中受到了广泛的关注与应用。然而, 当前红外检测技术存在着人工依赖性较强、智能化程度较低等不足, 本文将以变压器套管为例, 介绍红外检测技术对其状态判断的运行现状和应用场景, 分析目前红外检测技术存在的问题, 并结合深度学习, 对变压器套管运行状态自动检测技术提出研究思路。

1 深度学习在电网中的应用

作为人工智能领域的一个重要分支, 基于多隐层机器学习模型的构建, 深度学习打破了该领域的发展瓶颈, 推动了图像分类、识别、分割等各个方向的科技发展。深度学习这一理念来自于Geoffery Hinton 教授和他的学生在science上发表的一篇论文[5]。这篇论文的主要要点包括[6]: 第一, 相比于单个隐藏层, 包含多个隐含层的神经网络, 具有更加优异的特征学习能力, 可以基于模型训练从原始数据中提取到更加抽象、更加本质化的特征；第二, 通过逐层训练的无监督学习算法初始化网络权重, 分级表达输入数据信息, 有效地克服或降低深度神经网络训练时可能发生的梯度弥散等问题。

深度学习在电网中应用较为广泛, 文献 [7]根据变压器分接开关振动信号的相空间分布角度,提出基于卷积神经网络的有载分接开关故障识别模型；文献 [8] 通过分析油中溶解气体与故障类型的联系, 建立以油色谱特征气体无编码比值为特征参量的深度信念网络, 提高变压器故障诊断精度；文献 [9] 搭建覆冰图像厚度辨识卷积神经网络模型, 并引入IBP 自调整机制优化结构参数, 提高不同场景下的覆冰图像辨识能力。

2 红外检测技术在变压器套管中应用

变压器套管主要包含出线接头、柱头、绝缘瓷套等, 常见故障包括接触不良、介质损耗过大、污秽等。本文将针对套管各个部件的常见故障, 阐述红外检测方法对其状态判断的应用场景。

2.1 接触不良故障

出线线夹、内部引线接触不良是套管的主要故障, 主要原因包括导线材料质量差、螺栓设计不符合要求、安装施工不严谨、部件氧化以及运行过程中电、热、机械力作用下的导线断股等。此类故障与电流有直接关系, 属于典型的电流致热表现。

在红外检测技术中, 接触不良故障常用的分析方法为表面温度判断法和同类比较判断法。表面温度判断法是指根据测得的设备表面温度值, 对照设备温度和温升有关规定, 结合环境气候条件、负荷大小进行分析判断；同类比较判断法是指根据同组三相设备、同相设备之间及同类设备之间对应部件的温差进行分析比较, 对于电压致热型设备, 还需结合图像特征判断法判断；对于电流致热型设备,还需结合相对温差判断法判断, 其中相对温差是指两个对应测点之间的温差与其中较热点的温升之比的百分数。两个对应测点之间的温差与其中较热点的温升之比的百分数, 相对温差δ用下式求出:

式中,τ1 和T1 为发热点的温升和温度；τ2 和T2为发热点的温升和温度；T0 为环境温度参照体的温度。

出线线夹或柱头接触不良的缺陷判断一般分为3 个层次: 一般缺陷、严重缺陷和危机缺陷。对于出线线夹而言, 当温差没有达到15 K 时, 为一般缺陷；当热点温度≥90℃或相对温差≥80%时, 为严重缺陷, 应采取必要的措施, 如加强检测等, 必要时降低负荷电流；当热点温度≥130℃或相对温差≥95%, 为危机缺陷, 应立即安排处理, 如立即降低负荷电流或消缺。对于柱头故障而言, 热点温度要求更严格, 当热点温度≥55℃为严重缺陷, 热点温度≥80℃为危机缺陷。

2.2 介质损耗过大

套管在运行过程中的老化、受潮、劣化等会造成绝缘性能下降引起发热, 其发热与电流大小无关, 是典型的电压致热表现。此类故障没有明显的发热点, 红外图像呈现整体发热特征, 温度变化不明显, 当温升超过2 ～3 K 时即为严重缺陷, 需要加强监测并安排其他测试手段, 缺陷性质确认后,立即采取措施消缺。常见的分析方法为图像特征分析法、同类比较判断法。

2.3 局部放电故障

局部放电故障会导致变压器过早发生损害, 影响变压器寿命。造成局部放电的主要原因有工艺缺陷、长时间运行导致套管出现裂纹等。局部放电故障在红外图像中呈现局部发热特征。同介质损耗过大故障类似, 局部放电故障也是电压致热型故障,温度变化不明显, 当温升超过2 ～3 K 即为出现故障, 采用图像特征分析法、同类比较判断法判断缺陷。

2.4 套管污秽

套管运行的外部环境较为恶劣, 可能会碰到雨雪、大风、冰雹、台风等极端天气, 因此较易积污。当套管表面污秽, 尤其处于潮湿环境中时, 污秽层中所含的可溶性盐类和酸碱物质等溶于水膜,形成离子电导, 引起表面局部泄漏电流变大。其红外图像在污秽严重位置呈现发热特征, 温度变化不明显, 采用图像特征分析法、同类比较判断法判断缺陷。

2.5 缺油故障

目前变电站内大部分使用的是油纸绝缘套管,经常出现取油样化验时未及时添油、渗漏油等情况, 如果未及时发现容易造成缺油故障, 该故障的红外图像特征为套管表面会存在明显分界面, 一般采用图像特征分析法判断。

3 红外检测技术存在的问题

红外辐射属于电磁波, 任何温度超过绝对零度的物体都会向外部辐射红外光, 且温度越高, 辐射的能量越大。红外成像就是把被测设备发射的红外辐射信号, 通过光学元件, 被红外探测器吸收, 将光信号转换成电信号, 再经信号处理器做放大、转换等相应处理, 传输到终端, 通过显示器输出设备表面温度分布情况, 其原理如图1 所示。

图1 红外成像原理

虽然目前红外检测技术对于电力设备状态检测有着积极作用, 但是还是存在着若干问题, 较为突出的问题是拍摄的红外图像质量较差以及图像分析人为因素影响较大。

3.1 红外图像质量差

由上述红外成像原理可知, 红外辐射需经大气衰减和光电信号处理等过程才能输出红外图像, 因此, 相较于可见光图像而言, 红外图像质量将大打折扣；同时, 考虑红外传感器的灵敏性, 红外热像仪通常采用高动态范围数据表示红外图像, 然而,受到人眼的像素识别影响, 当前显示设备只能显示8 bit 数据, 因此, 实际观测时, 需要将高动态范围数据压缩。这些因素都使得红外图像对比度低、纹理细节相对模糊。

3.2 图像分析人为因素影响大

目前, 变电站的红外检测主要还是以人工为主, 运维人员对设备进行现场拍摄, 记录设备和图像编号, 生成电子文档, 再将图像导入电脑, 依靠经验和相关标准对图像进行诊断分析, 判断设备状态。此方法虽然有较高的可靠性, 但是存在着人工成本高、人力资源浪费且图像分析效率低等明显不足。

4 研究思路

针对目前变电站红外检测的不足, 将深度学习与红外诊断技术结合成为一个重要的研究方向。

4.1 基于EfficientDet 的目标检测研究

红外图像采集过程中, 视窗内不仅包含变压器套管, 还包括其他部件、支撑钢架以及环境背景等无关因素, 需要对套管自动识别, 确定套管区域。EfficientDet[10]是一系列可扩展的高效目标检测器的统称, 将EfficientNet 复合缩放思路进行延伸,主要包括EfficientNet 主干网络、双向特征金字塔模型 (BiFPN)、分类预测网络和边框预测网络4个部分。该模型最大的特点是建立了一种精度高,效率快, 并能适用在不同硬件资源下的目标检测网络。

EfficientDet 模型的结构如图 2 所示, 建立EfficientNet 主干网络, 采用深度可分离网络, 对通道和空间域分别进行卷积操作, 获取各层网络特征；构建加权双向特征金字塔模型 (BiFPN), 对各层特征进行加权融合。删除只有一个输出边的节点, 对于同级别的输入和输出节点, 建立跳跃连接, 并引入加权特征融合模式, 让神经网络自动训练权重的分配, 融合各层次特征, 丰富语义信息；同时, 为适应不同资源的有效应用, 实现了一种建立联合尺度缩放方法, 采用复合系数φ对主干网络、特征融合网络、分类预测网络以及边界框预测网络进行缩放。

图2 EfficientDet 模型结构图

4.2 基于语义分割的套管精细化分割研究

套管不同部位的故障原因、故障类型以及红外热像特征都不一样。为了进一步确定套管不同部件区域的运行状态, 需对变压器套管精细化分割。语义分割是将输入图像中的每个像素分配一个语义类别, 以得到像素化的密集分类。目前语义分割的经典网络有许多, 如全卷积神经网络[11], SegNet[12]、Unet[13]等。DeepLab v3+[14]是 2018 年谷歌提出的语义分割模型, 其模型整体架构如图3 所示。该模型的主要优势是引入了 EncoderDecoder 思路,Encoder 主体包括带有空洞卷积的深度卷积神经网络 (DCNN) 和带有空洞卷积的空间金字塔池化模块 (Atrous Spatial Pyramid Pooling, ASPP) )；同时, 引入的Decoder 模块将底层特征与高层特征进一步融合, 提升分割边界准确度。

图3 DeepLab v3+模型结构

4.3 可见光图像和红外图像的配准技术研究

红外图像存在对比度弱、边缘模糊、信噪比低等不足, 通过可见光图像分割部件可以更好地获取优良的分割区域。然而, 套管故障是通过红外图像特征进行判断的, 因此, 为了更好地通过分割的可见光图像获取红外图像的温度信息以及图像特征,需要将可见光与红外图像进行配准。图像配准是指将不同时间、不同环境条件和不同成像设备上拍摄的两幅以上图像的匹配和叠加, 可以分为传统图像配准方法、深度学习的图像配准方法以及强化学习的图像配准方法等。

传统图像配准是以特征为出发点, 从图像中提取得到特征点、区域或边缘, 通过相似性比较, 找到对应的特征对, 并基于空间变换获取坐标参数对图像进行配准。文献 [15-16] 阐述了传统图像配准关键点检测算法在图像配准中的应用和效果。文献 [17-18] 是基于深度学习的图像配准方法, 通过卷积神经网络特征学习的卓越性来解决多源图像的配准问题；文献 [19] 针对传统算法不能准确表征图像特征和配准图像的相似度, 通过端到端的强化学习算法, 建立一个人工智能模型, 减少配准误差。

4.4 温度数据处理研究

变压器套管不同部件故障温度特征是不一致的, 因此数据需求不同, 温度处理方式也不一样。为确定套管部件运行状态, 需要对获取的红外图像温度信息进行有针对性处理。各类套管故障情况不同的表现形式所需的数据信息各异。

各类套管故障情况所需的数据信息为:

1) 出线线夹、内部引线接触不良: 出线线夹过热或柱头过热；数据需求: 环境温度参考体温度、三相线夹或柱头温度、电流值；温度数据处理结果: 过热点温度、正常相温度、温差、相对温差。

2) 介质损耗过大: 套管整体发热；数据需求: 三相套管温度；温度数据处理结果: 过热点温度、正常相温度。

3) 局部放电: 套管局部发热；数据需求: 三相对应发热部位温度；温度数据处理结果: 过热点温度、正常相温度。

4) 套管污秽: 污秽部位发热；数据需求: 三相对应发热部位温度；温度数据处理结果: 过热点温度、正常相温度。

4.5 红外图像特征分析研究

套管绝缘瓷套的故障类型包含介质损耗、缺油、污秽等, 这些故障大部分属于电压致热型, 其温度变化较小, 因此单纯提取温度信息可能会出现误判的情况。然而, 绝缘瓷套不同类型故障的红外图像都有着明显特征, 如若发生缺油故障, 套管的红外图像会出现明显的油分界线。因此, 将温度数据结合红外图像特征分析去判断套管瓷套运行状态更加有效准确。

不同故障类型的红外图像特征各异:

1) 介质损耗过大: 较正常套管, 故障套管整体的颜色更深、更亮。

2) 套管局部放电: 相较于该套管其他部位和正常相套管对应部位, 故障位置颜色更深、更亮。

3) 套管污秽: 相较于其他部位, 故障部位的颜色更深、更亮；同时, 对比局部放电故障的红外图像, 污秽故障的发热部位可能不止一处, 会出现多个颜色较深的区域。

4) 套管缺油: 对应套管部位会出现明显的油分界线, 且分界线下方颜色比上方更深、更亮。

5 结语

红外检测技术对于电力设备的正常运行有着重要的意义, 本文以变压器套管为例, 说明了当前红外检测技术的运行现状, 并分析该技术目前存在的红外图像质量差, 人为因素影响大等不足。结合深度学习算法, 从目标检测、精细化分割、图像配准、温度数据处理和图像特征分析五个方面阐述,为变压器套管状态自动检测技术提供研究思路。