基于时间序列算法的变电站设备故障红外识别

2022-11-22李明轩颜培培杨慧婷王丽花

无损检测 2022年10期

李明轩，颜培培，杨慧婷，王丽花

(国网新疆电力有限公司电力科学研究院，乌鲁木齐 830011)

变电站设备是电力系统组织结构中的重要节点，具有电力传输及转换职责[1]，各设备的运行状态与电网稳定性具有直接关联，因此，实时监控变电站设备的运行状态是降低其故障发生率的有效措施。温度是表征变电站设备运行状态的重要参数，各设备发生故障时，其温度往往表现出升高态势[2]。利用红外热成像技术获取各设备的红外视频图像，通过比色条采集其温度数据，实现各设备的故障识别是当下行之有效的技术手段[3]，既不会对变电站设备的正常运行造成干扰，又能满足故障检测的实时性要求。

变电站设备红外视频图像具有数据规模大的特点，如何在红外视频图像中提取设备故障帧图像并检测到故障发生时间是识别故障的关键。红外视频图像各帧间的图像信息满足时间序列特性[4]，在时间间隔很小时，变电站设备的温度信息不会发生大幅度改变，通过时间序列算法可实现变电站设备可疑红外视频图像的筛选及标记，有效提升故障识别效率。

刘黎等[5]利用改进的Faster-RCNN目标检测方法获取视频图像中的各尺度语义信息，实现了变电站异物识别，该方法对亮度较高区域具有较好的识别效果，但在暗区域存在细节丢失问题；姚艳秋[6]提出利用时序数据的趋势分析方法识别变电站设备的绝缘性故障缺陷，该方法可完成绝缘性故障缺陷的时序性选择，但通过最小二乘法拟合无法获取其全部特征值，特征数据丢失严重，直接影响识别结果的精准度。因此，笔者提出基于时间序列算法的变电站设备故障缺陷识别，旨在有效提升各设备的故障缺陷识别效果。

1 变电站设备故障缺陷识别

1.1 变电站设备红外遥视与故障缺陷识别框架

变电站红外遥视与故障缺陷识别框架如图1所示，其中包含混合探测器、云台、数据通信设备、转发中心、监控中心等主要单元[7]。检测时，将由红外、可见光摄像头组成的混合探测器布置于云台上，并安装于变电站内各设备上，红外摄像头负责对变电站各设备的红外测温图像进行采集，可见光摄像头负责采集变电站设备周围环境视频图像信息；采集的各视频图像信息经数据通信设备传输至转发中心，再远程传输至监控中心，然后由监控中心对接收的各类视频图像信息进行分析处理，完成变电站设备的故障缺陷识别。

图1 变电站设备红外遥视与故障缺陷识别框架

变电站红外遥视与故障缺陷识别原理为：首先监控中心通过上位机操控混合探测器及云台组合，对变电站各设备进行自动巡检，完成各预置位红外测温图像及环境视频图像的采集；然后采用滑动时间窗口筛选设备的可疑故障缺陷视频图像并进行标记。在对其进行去噪、分割的基础上，一方面获得变电站设备的特征温度信息，通过对其进行分析处理，实现变电站设备的故障诊断；另一方面根据变电站设备所处环境的视频图像，实现对变电站设备区异物、刀闸状态、套管与顶盖状态、烟火的检测，并识别设备区的车辆违停现象。

1.2 基于时间序列和滑动窗口的设备可疑故障缺陷图像筛选

1.2.1 变电站设备可疑故障缺陷图像筛选

令X为时间序列，即包含一系列元素的有序图像帧集合，各元素由帧图像存储时间t及记录值x构成[8]，表示为X={(t0,x0),(t1,x1),…,(ti,xi),…}。由于变电站设备视频图像在实际运行中，其运行状态随着时间的变化呈动态性改变，满足时间序列特点，因此，设定图像帧X与时间密切相关，通常当选择的时间间隔很小时，X基本不会发生较大改变，在当下时间窗内，对各X值取平均值得到Xag，各X基本均位于Xag周围，对于图像帧B,若其X值远离Xag时，则B发生故障缺陷的概率很高。因此，文章采用固定大小的滑动时间窗口，实现变电站设备的时间序列视频图像的可疑图像帧选择及标记。

对于获取的任意一个变电站设备视频图像，令SW[t-w…t]为其滑动窗口，w为采样时间间隔，t为时间，且t>w。在SW[t-w…t]内，各图像帧可表示为

(1)

将时间点为t的图像帧xt作为B，对B进行故障模式判别，具体分为以下5个步骤。

(2) 在滑动窗口范围内，求解各帧图像像素点与空间中心距离的平均值，即

(2)

式中：对于时间点为t的帧图像xt，该点至空间中心的距离为d(xt)。

(3) 对ct=|d(xt)-d(xt-1)|进行运算，并求解其平均值，即

(3)

式中：ct为t时刻的空间距离；ct-w为固定时间间隔下t时刻的空间距离差。

由此可确定分布于均值周围的xt值，其求解公式为

(4)

(5) 退回至步骤(2)进行循环操作，完成整段时间序列的选择，从而确定变电站设备可疑故障缺陷图像集D，其中可能发生故障缺陷的各帧图像已作记录。

1.2.2 采样时间间隔w、阈值α的确定

采样时间间隔w、阈值α的取值直接影响变电站设备备选故障缺陷图像集的筛选精度，α可通过实际仿真模拟进行确定。设β为变电站设备故障缺陷识别精度，w对变电站设备故障缺陷识别的影响可通过β值来反映，即

(5)

式中：Noutlier为识别出的备选变电站设备故障缺陷图像数量；NT为样本中包含的变电站设备故障缺陷图像总量。

1.3 变电站设备视频图像去噪

对筛选后获取的可疑变电站设备视频图像进行预处理是提高故障缺陷识别精度的有效措施，因此首先进行灰度化处理，在解决图像处理时内存占用较大问题的同时，可使图像预处理更加高效、准确度更高[10]。视频图像采集往往容易受到各种因素的影响，导致视频图像中含有过多噪声，为此笔者采用小波阈值变换的中值去噪方法实现变电站设备视频图像的噪声清除，改善视频图像的视觉效果。其原理为：首先利用中值滤波对变电站设备可疑故障视频图像进行消噪处理，解决视频图像中的椒盐噪声；然后采用小波阈值变换方法获得系数矩阵，基于此矩阵完成阈值的设定，达到高斯噪声去除的目标；最后通过小波逆变换获得新的系数矩阵，复原变电站设备视频图像。

1.4 变电站设备视频图像可疑区域分割

图像分割是故障识别的基础工作，笔者采用改进分水岭算法实现变电站设备可疑视频图像的分割处理。对于变电站设备的可疑视频图像，可通过目标灰度与背景灰度的差值来判断图像分割效果的优劣。若二者差别很大，说明图像分割具有突出效果，反之，表明图像存在“欠分割”的问题[11]。数学形态学的图像变换可增大二者差异，有效提升图像对比度。

对于任意一幅变电站设备视频图像，其灰度图像为f(x,y)，噪声去除后的图像为ut(x,y)，对于f(x,y)图像，可通过顶帽变换提取其高亮度区域，即

g=f-(f°n)

(6)

式中：n为结构元素；f°n表示完成图像的f(x,y)的开启；g为顶帽变换图像；f为灰度级原图像。

然后通过底帽变换提取其细节内容，即

j=(f•n)-f

(7)

式中：f•n表示完成图像f(x,y)的闭合；j为底帽变换图像。

对g(x,y)，j(x,y)图像作叠加处理，可获得图像i(x,y)，即

i(x,y)=g(x,y)+j(x,y)

(8)

叠加处理后，图像对比度获得明显提升。针对i(x,y)，由n完成该图像的膨胀(i⊕n)、腐蚀(iΘn)操作，此时形态学图像梯度l可表示为

l=(i⊕n)-(iΘn)

(9)

按上述过程获得图像l(x,y)，与ut(x,y)图像相比，其视觉效果获得大幅度提升。采用分水岭算法对灰度图像f(x,y)进行分割处理，获得目标区域。图像分割步骤分为以下两步。

(1) 对于图像f(x,y)，其内某一微小区域表示为Q，依据下述条件对其进行预估：该区域内包含高灰度像素点；该区域呈连续性；各像素的灰度值存在类似性。

(2) 将Q作为起始点，水逐步向整幅图像漫延，水漫延范围为C(Q)，S为汇水盆地，通过构建分水岭避免水向S外漫延，水漫延过程应遵循以下条件[12]：

① 漫延(a-1)次后，蔓延范围表示为Ca-1(Q)，对其作膨胀处理，可获得Ca(Q)；② 若膨胀使两漫延区域发生融合，需取消膨胀，而选择筑造堤坝；③ 反复执行以上两步，使水漫延至整幅图像f(x,y)，完成不同区域分水岭的构建[13]，实现变电站设备可疑故障缺陷视频图像的分割处理。

1.5 基于Zernike不变矩的图像特征提取

Zernike不变矩的基本思想是在任意一组圆形内存在多项式，且为正交关系[14]，设(p+q)阶中心矩阵可表示为

(10)

(11)

图像l′(x,y)具备平移不变特性，将其与倍数系数γ相乘，使其具备缩放不变特性。

采用Zernike不变矩方法获取图像l(x,y)的特征，即

(12)

式中：k为阶数;w为重复度;ρ为中心点至(x,y)方向的向量;该向量与x轴方向的夹角为θ。

对于多项式kw(ρ,θ)，其共轭表示为*(ρ,θ)。

若缩小图像l(x,y)，可通过将其与倍数系数γ相乘实现，γ的计算公式为

(13)

(14)

此时图像具备缩放不变特性。由此可确定归一化的图像特征值为

(15)

1.6 基于支持向量机(SM)的变电站设备故障缺陷识别

通过支持向量机对变电站设备的视频图像进行分类，识别变电站设备故障缺陷的结构区域及故障类型。其主要分为9个步骤。

(1) 采集变电站不同设备的红外视频图像，对其进行几何变换处理后，建立样本数据集，通过时间序列法完成疑似故障缺陷视频图像的选择与标记。

(2) 对变电站设备可疑故障缺陷视频图像进行去噪处理后，完成图像目标的分割，并获取其特征值。

(3) 特征值归一化。

(4) 根据故障缺陷识别精度调整SM参数。

(5) 确定SM分类器的核函数，采用径向基函数，通过网格搜寻法获取最佳分类间隔大小参数λ、惩罚因子r。

(6) 将归一化的图像特征值作为SM输入，完成SM的训练，确定变电站设备分类模型。

(7) 根据变电站设备红外图像灰度值，对其温度信息进行提取，并计算其温度的最大值、平均值及环境温度。

(8) 通过划分故障缺陷类型，并对变电站设备故障缺陷识别规则进行界定，实现变电站不同设备的故障缺陷识别，故障类型分别定义为普通、严重、紧急缺陷。

(9) 得到变电站不同设备的故障缺陷识别结果。

2 试验分析

以变电站设备的红外视频图像作为试验对象，建立图像样本数据集，红外图像数量为2 000幅，其中包含5种不同设备的红外图像，分别为断路器、隔离开关、高压套管、电流、电压互感器，应用上述方法对各设备的故障缺陷进行识别，分析上述方法的故障缺陷识别效果。

选取断路器设备红外图像为研究对象，应用文章方法对该图像中噪声进行处理，去噪前后的红外图像如图2所示。

图2 断路器设备去噪前后的红外图像

分析可知，采集的断路器设备原始红外图像中含有较多噪声，导致红外图像对比度较低，色彩饱和度较差，图像边缘模糊且存在阴影，红外图像质量较低，严重影响后续故障缺陷识别精度。应用文章方法对其进行去噪处理后，红外图像清晰度、色彩饱和度明显提升，解决了图像边缘的模糊阴影问题。试验结果表明，该方法能有效提升变电站设备红外图像的视觉效果，降噪性能突出。

采用文章方法对去噪后的红外图像进行分割处理，获取目标设备，并与文献[5]中改进的Faster-RCNN目标检测方法、文献[6]中趋势分析方法的处理结果对比，分析3种方法的图像分割性能，对比结果如图3所示。