基于红外热成像检测技术的变电设备异常发热故障检测

张瑞强，徐 贵，经 权，冯艳阳，杨星盟

（1.内蒙古电力（集团）有限责任公司包头供电分公司，包头 014030；2.内蒙古电力（集团）有限责任公司，呼和浩特 010000）

0 引言

电力设备的长时间使用极易导致设备发生故障或异常，其故障原因大多为变电设备局部或整体发热，温度分布异常等问题[1,2]。人们为了能够长时间检测变电设备热状态，通常使用红外热成像技术对变电设备的热辐射实行扫描[3]，从而检测变电设备是否存在故障。为了能够有效检测出变电设备异常发热故障，需要对变电设备异常发热故障检测方法展开研究。

周剑飞[4]等人提出基于LSTM的设备故障在线检测方法，该方法首先提取了设备传感器的特征，并构建了故障检测模型，利用故障检测模型与滑动窗口技术的结合，在线检测设备故障，该方法建立的模型不够完善，存在检测效果差的问题。金涛[5]等人提出基于DWT-PNN的柔性直流输电系统故障检测方法，该方法优先对输电系统的电压特性展开了详细分析，根据小波变换计算出的能量特性，利用离线数据训练PNN，通过训练结果判断障位置，从而实现最终检测，该方法的分析效率差，存在不同情况下的检测准确率低的问题。赵洪山[6]等人提出基于振动特征估计的GIS设备故障检测与分析方法，该方法优先对设备产生的振动信号特征实行提取，并对提取的特征实行估计，将估计值与实际值两者间的差值用作故障检测指标，通过自适应阈值方法对设备故障实行检测，最终依据设备振动特征变化隔离机械故障及设备放电故障，并利用多种设备获取故障前、故障后的实时振动数据，经分析后完成对设备故障的检测，该方法提取的特征不够全面，导致该方法存在与实际故障检测结果不一致的问题。

为了解决上述方法中存在的问题，提出基于红外热成像检测技术的变电设备异常发热故障检测方法。通过红外热成像技术，扫描变电设备图像的红外信号实行转换，以此获取电信号，得到变电设备异常发热图像，采用中值滤波算法对红外热图像去噪。分析红外热图像得知变电设备异常发热区域的灰度值更高，为此采用模糊C均值算法对图像分割，将设备区域及非设备区域划分开，提升变电设备异常发热故障检测的准确性，将取得的温度点与环境温度信息相结合，实现变电设备异常发热故障检测。

1 基于红外热成像技术的变电设备

1.1 基于红外热成像技术的变电设备图像采集

目标红外辐射及温度分布信息是红外图像形成的主要因素，红外成像技术的质量取决于目标红外辐射的采集情况。红外热像仪扫描到设备的红外辐射后，将其转换成电信号，这时就会自动生成出红外图像。因此在对变电设备异常发热故障检测时，首先需要利用红外热成像技术获取变电设备异常发热图像。

对变电设备扫描前，选取线阵列红外探测器对变电设备不同的扫描空间实行不同的扫描方式[7,8]。假设线阵列红外探测器在扫描时把扫描空间划分成x个面元，按照顺序依次对变电设备各个面元实行帧图像扫描时，其扫描时间用下述方程表达式描述：

式(1)中，τd描述的是单元扫描时间，fp描述的是帧频，Tp描述的是周期。

红外扫描仪利用红外探测器扫描变电设备时，会取得变电设备的红外辐射信息，从而将信息转换成电信号。通过yv元线对扫描空间中每个单元实行扫描，且在每组单元中都有一个列组合，包含yv个单元器件。若利用相同的周期时间速度对元面扫描，就会增强信号信噪比，达到倍。式中，y描述的是y个单元探测器。平面中的单元探测器越多，对变电设备各个元面扫描的时间就会越长，故障检测效果也会提升。

根据扫描到的数据，利用固体摄像器件对扫描到的红外信号实行转换，以此获取电信号，得出变电设备异常发热图像，完成对变电设备发热红外图像的采集。

2.2 变电设备红外图像预处理

对变电设备红外热图像采集期间，大气环境的温度会对红外热图像的质量造成影响，导致图像中含有噪声，以致于不能有效的提取到变电设备红外图像有用数据信息，所以需要对变电设备红外热图像实行去噪处理[9,10]。

中值滤波算法[11]属于一种非线性平滑滤波算法，能够有效对红外热图像去噪，有着很强的滤波效果。假设采集的变电站红外热图像灰度图位数为6位，那么图像像素点就为0或255。通过概率密度函数方程表达式定义如式(2)所示：

式(2)中，p(m)描述的是概率密度函数，a描述的是黑噪点，即a=0；b描述的是白噪点，即b=255。pa描述的是与a相对应的概率，pb描述的是与b相对应的概率。

利用中值滤波对变电设备红外热图像窗口范围点排序，而图像的灰度值[12,13]就是序列中心中间值，用方程表达式标记为：I(i,j)=median(n(k))。式中，k描述的是像素点数量，n描述的是灰度值序列，I(i,j)描述的是灰度值。

由于LevelR与LevelW是自适应中值滤波的组成部分，表示为：

式(3)中，Zmin描述的是灰度最小值，Zmax描述的是灰度最大值，Zmed描述的是中值。

LevelW定义如下：

式中，Zxy描述的是坐标灰度值。

当R1＞0、R2＜0时，就需要转换到LevelW，反之则需要扩大滤波窗Sxy的尺寸。若Sxy的尺寸达到Smax，就说明Smax是Sxy的输出值。当R1＞0、R2＜0时，就要将Zxy用作输出值，反之输出值为Zmed。

那么中值滤波算法对变电设备红外热成像的滤波流程如图1所示。

图1 滤波流程图

3 变电设备异常发热图像分割及故障检测

变电设备红外热成像滤波后更能显现出成像信息数据，根据获取的红外热图像得知，变电设备异常发热区域的灰度值更高，为了能有效的检测出异常发热故障，需要采用模糊C均值算法[14,15]对图像分割，将其划分成设备区域及非设备区域。具体分割流程如下所示：

1）根据图像的灰度值，将灰度值相同的子集输入计算，以此达到减少数据集计算量，提升分割效率的目的。

2）以像素数量相同为主对图像直方图实行划分[16,17]，划分后所对应的图像灰度级就标记为e，那么此时图像聚类中心的目标函数定义如下：

式(4)中，f描述的是目标函数，i、j描述的是图像像素灰度级，ei、ej描述的是像素数，H1、H2描述的是划分后的像素总数量，x描述的是灰度级最大值，α与β均描述的是权值。

当f的值为最大时，使i、j的原始聚类中心与灰度级相对应，达到对聚类中心优化的目的。

3）采用高斯函数对变电设备红外热图像领域赋予像素权值，再利用加权平均法加权变电设备图像隶属度[18～20]，标记为，用下述方程描述为：。式中，m描述的是图像像素点的横坐标，n描述的是纵坐标，k描述的是类别，x、y、h描述的是高斯核函数。依据加权后的设备图像，设定图像领域为3×3。

根据分割后的变电设备异常发热红外图像，需要对图像灰度值实行访问，通过映射表取得变电设备红外图像像素温度点，将取得的温度点与环境温度信息相结合，以此对变电设备异常发热区域实行检测，得到变电设备异常区域的定位坐标，实现变电设备异常发热故障检测。

4 实验与分析

为了验证基于红外热成像检测技术的变电设备异常发热故障检测方法，需要对该方法实行实验对比测试。

采用基于红外热成像检测技术的变电设备异常发热故障检测方法（所提方法）、基于LSTM的设备故障在线检测方法（文献[4]方法）和基于DWT-PNN的柔性直流输电系统故障检测方法（文献[5]方法）实行实验测试。

展开测试前，选取一个变电设备用作本次实验环境，针对变电设备中异常发热的情况实行实验测试，选取的变电设备如图2所示。

图2 变电设备实验测试图

1）变电设备时常因为异常发热而导致自身发生故障，为了能够有效检测存储变电设备异常发热故障，以红外热成像技术为主，采用所提方法、文献[4]方法和文献[5]方法获取变电设备异常发热故障热成像，将获取结果与实际结果比较，从而验证三种方法的故障定位效果，具体测试结果如图3所示。

图3 变电设备异常发热故障定位测试

分析图3中的数据发现，变电设备实际检测故障共有三处，而所提方法的定位结果与实际定位结果相同，同时故障定位位置一致，说明所提方法的故障定位效果强。文献[4]方法检测时，共定位出两处故障，与实际结果相比文献[4]方法的故障定位结果不够全面，存有缺失，但其余定位结果与实际值相同，可见文献[4]方法的故障定位准确率要低于所提方法。文献[5]方法在测试期间共定位出3处故障，与实际值对比发现，文献[5]方法仅有一处故障定位结果与实际值相同，其余均定位错误。根据上述测试可知，所提方法的故障定位效果最强、文献[5]方法的故障定位效果最差。

2）在变电设备电信号中引入一组噪声数据，采用所提方法、文献[4]方法和文献[5]方法分别对加入噪声数据及未加入噪声数据的变电设备信号实行故障检测，根据检测结果测试三种方法的准确性，具体测试结果如图4所示。

图4 故障检测准确率测试

从图4中可以看出，加入噪声数据和未加入噪声数据后的故障检测准确率都不相同，但从整体上看，加入噪声数据后所提方法的故障检测率下降较小，说明噪声数据给所提方法的故障检测准确率带来的影响小；而文献[4]方法加入噪声数据后整体检测率下降效果明显，表明噪声数据为文献[4]方法造成的影响较大。根据图4中的数据可以判定出，所提方法在两种情况下的故障检测准确率均高于其余两种方法，这主要是以为所提方法对变电设备图像实行了预处理，以此提升了检测效率，增强了故障检测效果。

5 结语

变电设备发热异常会导致变电设备发生故障，为了解决这种问题，提出基于红外热成像检测技术的变电设备异常发热故障检测方法，该方法首先获取了变电设备热成像图像，对图像实行预处理后将其分割，依据图像灰度值取得像素温度点，将其与环境温度结合后完成对变电设备异常发热区域的检测。该方法在变电设备异常发热故障检测方法中发挥着重要作用，在日后故障检测领域中有着长远的发展前景。