超—特高压长串瓷绝缘子温度分布曲线拼接方法

周学明，尹骏刚，胡丹晖，王森林，张睿清，朱广飞，姚建刚

(1．国网湖北省电力有限公司电力科学研究院，湖北 武汉 430077；2．湖南大学电气与信息工程学院，湖南 长沙 410082；3．湖大华龙电气与信息技术有限公司，湖南 长沙 410205；4．郑州大学电气与信息工程学院，河南 郑州 450001)

绝缘子是发、输、变、配电设备中的重要绝缘和支撑元件。与复合绝缘子相比，瓷绝缘子能够耐受紫外线、大气和酸碱污秽的长期作用，具有良好的抗老化性能，被大量使用在超—特高压电网中。超—特高压盘形悬式瓷绝缘子长期运行时受机电负荷、天气环境等因素影响，可能逐渐产生低零值劣化，继而造成闪络、炸裂甚至断串、掉线等事故，对输变电骨干网络安全稳定运行构成严重威胁。因此，如何更加安全有效地对运行中的长串绝缘子进行劣化检测成为电力部门亟待解决的问题。目前，国内外瓷绝缘子零值检测方法包括火花间隙法、绝缘电阻法、分布电压法、工频耐压法、泄漏电流法、紫外电晕检测法、超声波检测法等[1-4]，但上述方法因安全风险、劳动强度、检测适用性、准确度、效率及成本等原因，在实际运维过程中受到了较大的限制。

红外热像法是基于温度在绝对零度以上物体的表面热辐射进行成像检测，具有不停电、不受电场干扰等优点。随着红外热成像技术的迅速发展，红外热像法得到了越来越多的关注。文献[5]基于瓷绝缘子交流等效电路，分析了不同工况下绝缘子的发热机理和热像特征；文献[6]针对湿污绝缘子，引入表面电阻率、湿润强度和电弧模型，建立了干燥带及干燥带电弧产生的判断条件和不同运行状态下的绝缘子发热模型；文献[7-10]研究了劣化绝缘子红外检测的多种影响因素，包括环境温湿度、风速、污秽度、劣化绝缘子位置以及测温误差等。在实际运维工作中，目前普遍以电力行业标准DL/T 664《带电设备红外诊断应用规范》所规定的铁帽处正负1 ℃温差分别作为低、零值绝缘子红外诊断依据。为进一步提高劣化检出率，BP神经网络方法[11]、卷积神经网络方法[12]等绝缘子智能诊断算法相继提出，近年来在运维检修工作中逐步得到了应用。

对于35～220 kV电压等级的盘形悬式瓷绝缘子串，其红外智能诊断[12-13]的一般流程为①红外图像预处理；②绝缘子铁帽定位分割；③温度特征数据提取；④生成温度分布曲线；⑤劣化智能诊断。其中，绝缘子红外图像处理及铁帽温度特征数据提取是劣化诊断的前提和基础。当电压等级在220 kV及以下时，常用的工业热像仪镜头能够在保持铁帽清晰的条件下拍摄全串红外图谱。但超—特高压瓷绝缘子串身过长，现有工业热像仪的视场角与分辨率有限，通常无法拍摄到清晰的全串红外图谱。为获得绝缘子串温度分布曲线，应对同一绝缘子串分段拍摄2张红外图谱(高压侧、接地侧图谱各1张)，然后利用图像拼接技术将2张红外图谱合成为1张，继而提取绝缘子全串温度曲线；或者，也可先分别针对高压侧、接地侧图谱生成2条部分串温度分布曲线，再利用曲线拼接技术合成绝缘子全串温度分布曲线。

1 超—特高压长串绝缘子红外图像拼接

图像拼接是指将含重叠部分的2幅或多幅图像，通过图像预处理、图像配准和图像融合，合成一幅包含各图像信息的宽视角图像[14]。目前最常用的是基于SIFT(尺度不变特征转换)的图像拼接算法。SIFT可用来侦测与描述影像局部性特征，在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变数。绝缘子红外图像为灰度图像，具有分辨率较低、噪声较高的特点，导致特征点检测时，可能出现较多伪特征点，从而增加误匹配率。文献[15]提出了一种高精度红外全景拼接算法，在ROI(感兴趣区域)窗口中提取SIFT特征点，结合KLT实时跟踪匹配，利用RANSAC算法消误，再采用像素级融合实现无缝拼接，该方法较传统SIFT算法，配准率仅提高了约3.5%；文献[16]针对无人机载红外镜头视场角小的问题，基于SIFT算法对场景差异较大的待拼接红外图像无缝拼接，但要求待拼接红外图像重叠视场不小于单幅红外图像视场角的15%。

本文基于SIFT算法进行图像拼接。SIFT图像拼接方法包括构造高斯尺度空间、局部极值点检测、确定关键点主方向、生成特征描述、特征点匹配。

1)构造高斯尺度空间。

L(x,y,σ)=G(x,y,σ)⊗I(x,y)

(1)

(2)

式(1)、(2)中L为定义的图像尺度空间；I为原图像；G为高斯滤波函数；m、n为高斯模板的维度；σ为尺度空间的尺度大小；⊗为卷积运算。

2)局部极值点检测。

D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))⊗I(x,y)

(3)

由式(3)可得：

D(x,y,σ)=L(x,y,kσ)-L(x,y,σ)

(4)

式中D为高斯差分尺度空间。将D中的每一个极值点与同层相邻点和相邻层的全部相邻点进行比较，满足大于(小于)26个像元在I和D中都是极值点的条件下可确定该点为稳定特征点。

3)确定关键点主方向。

一是扩宽了农产品的销售途径。“互联网+农产品”销售模式在传统销售模式的基础上，突破了场地和时间的局限，拉近了生产方和消费方的距离，帮助农产品市场营销主体更好地认识市场需求、市场价格趋向以及竞争者的信息，推动了市场营销向精细化、专业化、个性化方向发展。

m(x,y)=

(5)

(6)

式中m(x，y)、θ(x，y)分别为关键点的梯度模与梯度方向；L为特征点尺度空间值。

4)生成特征描述符。以特征点为中心，选取8×8的窗口，再分割为4×4的小块；分别计算16个小块上的方向向量，可得到一个128维的特征描述符。

5)特征点匹配。得到2张红外图谱的特征描述符向量后，对2张图特征描述符进行拟合，可导出相对参考图谱的空间变换矩阵；对待拼接图谱进行逆变换，再与参考图谱拼合，最终得到拼接图谱。

某一特高压瓷绝缘子耐张并联串的双段红外图像如图1所示。上、下串瓷绝缘子片数均为54片，高压侧单串包含30片，低压侧单串包含32片，即有8片重叠。

图1 1 000 kV瓷绝缘子耐张并联串双段红外图像Figure 1 Infrared images of double-segment 1 000 kV tension porcelain insulatorstring

利用SIFT拼接算法对图1(a)、(b)进行图像拼接，拼接特征如图2所示，拼接后的图像如图3所示。由图2可知，由于2张图谱中绝缘子串轴向角度存在较大偏差，且绝缘子形状特征大量周期性地重复出现，算法无法找到正确的配准位置，导致特征点连线混乱。经计算，待拼接图谱的空间变换矩阵近奇异，无法得到可靠的逆变换图谱，造成多片绝缘子红外特征目标丢失，拼接结果见图3。

图2 图像拼接特征点分布与连线Figure 2 Distribution of feature pointsand connecting line of image splicing

图3 经图像拼接融合的特高压绝缘子耐张并联串Figure 3 UHV tension porcelain insulator string spliced by image and fusion

由于绝缘子劣化诊断仅需对全串绝缘子铁帽温度分布曲线进行分析，故可尝试分别提取出包含长串绝缘子局部特征的部分串温度分布曲线，再对部分串温度分布曲线进行数据拼接，最终得到全串温度分布曲线。

2 特高压长串绝缘子温度分布曲线拼接

2.1 基于加权数据融合的双段温度曲线拼接方法

在红外图谱拍摄过程中，图像对焦于画面中央。因为热像仪成像透镜面积有限，靠近图像边缘位置辐射接收率相较图像中央偏低，温度采集准确度会因此降低。温度分布曲线重叠区域每片绝缘子铁帽采集2次温度，但而由于拍摄时间、角度、距离、环境的变化，使重叠区域的温度曲线并不完全重合。以图1(a)、(b)中耐张并联串的下串为例，通过红外图像处理和特征提取算法，可分别求出左半串(高压侧)、右半串(低压侧)铁帽温度分布曲线，如图4所示，可见重叠区域(8片绝缘子)存在0.4～0.8 ℃的偏差。

图4 特高压左半串(高压侧)、右半串(低压侧)铁帽温度分布曲线实例Figure 4 Captemperaturedistribution curve example of left-half (higher voltage end) and right-half (lower voltage end) of UHV tension porcelain insulator string

图5 双段温度曲线拼接方法基本流程Figure 5 Flow chart of double-segment temperature curve splicing method

根据2条曲线特征，对重叠区温度曲线进行加权运算，即

(7)

ηi=ηi-ηnp-i+1

(8)

式(7)、(8)中Tci为融合后的温度值；T1,i、T2,i分别为2条温度分布曲线重叠区的温度值；np为重叠片数；ηi为每片的加权系数；ηi为衰减因子，当图像质量较好时，η取值可取0.98。

重叠区的温度曲线融合后还需计算曲线的偏移量，将非重叠区的曲线拼接到融合曲线上，从而实现对温度分布曲线的修正。

Tdj=Tj+dj

(9)

式中dj为第j条温度曲线的偏移系数，通过重叠区最近点的偏移可以算出，计算方法为

(10)

得到Td1、Tc、Td2后，将其按照顺序组合为完整的温度分布曲线，如图6所示。

图6 特高压瓷绝缘子温度曲线加权数据融合拼接实例Figure 6 Temperature curve example of UHV porcelaini nsulator string by using weighted curve splicing

由式(7)可知，当衰减因子η为0或1时，可化简加权公式为均值公式，即常用的均值拼接法为融合拼接的特殊情形。除此加权数据融合拼接方法外，特高压长串瓷绝缘子铁帽温度分布曲线还可应用舍入拼接和中点拼接等方法。

2.2 其他拼接方法

舍入拼接即舍弃重叠区的一组数据，直接将剩下的数据拼接到前列数据的尾端。其效果如图7所示，可见拼接处出现明显数据间断，不利于绝缘子串劣化诊断，可能产生诊断误报。

图7 特高压瓷绝缘子温度曲线舍入拼接实例Figure 7 Temperature curve example of UHV porcelain insulator string by using roundingcurve splicing

中点拼接即寻找绝缘子铁帽温度分布曲线重叠区的中点为分界位置，分别舍弃越过中点的绝缘子铁帽温度值。中点拼接效果如图8所示，可以看出中点拼接形成的数据间断比舍入拼接稍小，但依然十分明显，不利于绝缘子串劣化诊断。

图8 特高压瓷绝缘子温度曲线中点拼接实例Figure 8 Temperature curve example of UHV porcelain insulatorby using midpointcurve splicing

3 超高压绝缘子串温度曲线拼接对比验证

为验证拼接方法的准确性，本文采用500 kV瓷绝缘子串现场采集的全串以及两张分别包含高压侧与接地侧的红外图谱，提取绝缘子铁帽温度曲线并进行拼接。某一500 kV瓷绝缘子全串和双段(高压侧、接地侧)红外图谱如图9所示，提取3张图的铁帽温度分布曲线，如图10所示。

图9 500 kV瓷绝缘子耐张串红外图像Figure 9 Infrared images of 500 kV tension porcelain insulatorstring

图10 500 kV瓷绝缘子耐张串红外图像Figure 10 Temperature distribution curve example of left-half (lower voltage end) and right-half (higher voltage end) of 500 kV tension porcelain insulator string

对上述500 kV绝缘子左串(接地侧)、右串(高压侧)铁帽温度分布曲线，分别采用上文提及的3种曲线拼接方法进行处理，结果如图11所示。由图11可知，基于上述3种拼接方法的合成曲线在趋势上与全串温度分布曲线基本吻合，其中加权数据融合曲线形态特征与全串温度分布曲线最为相近。

图11 超高压瓷绝缘子温度曲线拼接结果对比Figure 11 Comparison of temperature curves of 500 kV porcelain insulator string by 3 splicing methods

为了对拼接效果进行量化对比，可使用相关系数法来检验各拼接方法合成曲线与全串温度曲线的相似性，即

(11)

式中Cov(x,y)为2组数据的协方差；D(x)、D(y)分别为2组数据的方差。根据式(11)可求得各拼接方法合成曲线与全串温度曲线的相关系数。

除相关系数法外，亦可使用残差平方和衡量各方法的拼接效果，即

(12)

式中J为图11中融合拼接温度曲线与实测全串温度曲线残差的平方和；Yi为验证曲线第i片绝缘子钢帽温度；Xi为拼接曲线第i片绝缘子钢帽温度。

如表1所示，舍入拼接的相关系数最低，而加权数据融合拼接与中点拼接的相关系数基本达到或超过0.8。其中，加权数据融合拼接的相关系数最高(0.881)，具有强相关性。另外，在3种方法计算所得的残差平方和中，融合拼接产生的误差最小，与相关系数评价结果一致。

表1 3种温度分布曲线拼接方法效果对比Table 1 Comparison of 3 temperature curve splicing method

4 结语

针对超—特高压长串瓷绝缘子难以在单张红外图谱中清晰完整成像的现实问题，本文提出了一种基于加权数据融合的双段温度曲线拼接方法，并进行了实验验证。本方法基于高压侧、接地侧分段串温度分布曲线，自动拼接合成完整的全串温度曲线；相较于常规的红外图像拼接方法和针对曲线的舍入、中点拼接方法具有显著优势。

1)仅需获取长串瓷绝缘子双段温度分布曲线，便可快速地拼接合成全串温度曲线，有效地避免了图像拼接中因角度偏差、周期性重复特征引起的目标缺失问题；

2)采用加权数据融合能够有效地抑制双段曲线重叠拼接处的数据间断问题；相关系数以及残差平方和评价结果表明，本文提出的融合拼接方法所合成的温度曲线与实测全串温度曲线具有较高的吻合度。

综上所述，本文提出的基于加权数据融合的双段温度曲线拼接方法，有效地解决长串绝缘子全串温度特征提取的难题，为超—特高压瓷绝缘子红外智能诊断技术体系提供了重要前提。