基于发热面积的电流互感器红外故障诊断方法

冉建军

（贵州电网有限责任公司遵义道真供电局，贵州 遵义 563000）

红外检测技术是一种通过物体热辐射光谱检测，进行温度感知的热故障检测手段，因具备无接触测温等突出优势[1]，被各行各业广泛应用。中国将红外检测技术应用于变电设备故障诊断的时间较晚，当前主要还是使用手持红外热像仪采集变电设备红外图像，并依据运检人员的经验进行人为判断。这种方式不仅对运检人员的经验依赖性大，而且运检效率和准确度都较低[2]。变电设备是电网中的主要设备之一，当它发生故障时，会影响电网的正常供电。根据相关资料显示，半数以上设备发生故障时，都会伴随着发热不均衡的情况，即不均衡发热是变电设备大量故障的显著特征[3]。因此，对变电设备进行实时温度监控具有重要意义。伴随着中国人工智能等技术迅猛发展，提取关键、有效的故障特征进行变电设备故障诊断已成为趋势。特别是在变电设备红外故障图像数量较少，不足以支撑算法模型的数量时，能够有效解决红外故障图像数量不足的问题。

从DL/T 664—2016《带电设备红外诊断应用规范》[4]和现有的文献中可以看出，当前主要还是提取红外图像中的温度值信息进行故障诊断[5]。对于发热面积等特征未充分挖掘和应用，出现故障特征描述性能和故障诊断精度不高等问题。因此，本文为了使变电设备故障特征描述性更强和诊断精度更高，提出了一种基于发热面积的电流互感器红外故障诊断方法。算法流程如图1 所示。

图1 故障诊断算法流程

1 故障特征分析及提取

1.1 故障特征分析

因变电设备长期处于工作状态及环境因素等影响，对电网的健康、稳定运行造成影响。由文献资料可知，电网中大多数的故障都是因变电设备故障演变而来，并且半数以上设备发生故障时，都会伴随着发热不均衡的问题，即不均衡发热是变电设备大量故障的显著特征[6]。因此，温度是设备发生故障时的重要特征。

《带电设备红外诊断应用规范》中的相关判定依据，是由运检人员凭借经验和数据总结归纳而成，随着电力系统大数据的到来，这些现有的判断依据和特征已经无法满足故障诊断的需求，对发热面积等具体发热行为的挖掘和提取不太全面，从而限制了人工智能算法在故障智能化诊断方面的应用。观察变电设备红外图像时发现，当变电设备温度发生异常变化时，在红外图像中会呈现出温度最高的点、条、团、圆盘等不规则形状的光斑[7]，如图2 所示。不同大小的光斑可以间接反映出设备故障的严重程度，光斑区域像素点较多时，说明该区域发热较为严重，反之，则发热不严重。为了便于对故障光斑进行描述，本文挖掘并提取发热面积特征来对设备故障程度进行进一步描述，从而提升变电设备故障特征的描述性能和诊断精度。

图2 变电设备故障光斑

1.2 故障区域分割

计算发热面积时，最为重要的步骤是如何实现对故障区域的准确分割，因故障区域分割的精准度会直接影响发热面积的计算精度，如果计算不准确容易导致误诊断，从而造成人工成本等损失。因此，准确有效地分割出故障区域是提取发热面积的核心步骤。本文采用改进区域生长法，主要改进种子点的自动选取和生长条件的设置2 方面。该方法在文献[8]中取得了较好的成效，因此本文采用该方法来实现对故障区域的分割。原始红外图像如图3 所示。

图3 原始红外图像

故障区域分割效果如图4 所示。

图4 故障区域分割效果

从分割的效果可以看出，使用改进区域生长方法能够较为准确地分割出故障区域，有效解决了人工选择种子点带来的误分割和过分割等问题，提高了分割的效率和精度。

1.3 发热面积特征的提取

发热面积指对故障区域进行二值化处理后，像素值为1 的数量和。而本文中发热面积的提取过程为：首先运用中值滤波算法进行滤波去噪；然后采用改进的区域生长法分割出故障区域，并对它进行二值化处理；最后统计故障区域中像素值为1 的像素和发热面积S，计算公式如下：

以图4 中分割出来的故障区域为例，首先对故障区域进行二值化处理，处理效果如图5 所示。由式（1）得到其发热面积分别为1 191 pt 和1 162 pt。

图5 故障区域二值化效果

2 基于SVM 的故障诊断及分析

为了验证提取的发热面积特征的准确性和实现对电流互感器的故障诊断，本文运用MATLAB 中自带的SVM 和KNN（K-Nearest Neighbor）这2 种分类模型进行试验，并且采用交叉验证的方式进行，此种验证方式往往是把样本数据随机分配成k份，把第k－1 份和第k份分别当作训练样本与验证样本，交替轮换共进行k次训练和验证，最后取k次验证结果的平均值作为衡量模型准确性的指标[9]。

通过使用发热面积特征提取方法，对本文梳理的80 组电流互感器红外图像处理和发热面积特征进行提取，并将提取的结果作为本文样本，其中部分样本如表1 所示。

表1 部分样本

因故障样本量较少，在本文收集和整理的电流互感器样本中，设备的故障类型较少，主要包括电流致热型一般故障、严重故障和电压致热型故障3 种。从提取的发热面积结果来看，各故障类型间发热面积相差较大，特别是电流致热型缺陷和电压致热型缺陷相差最大，这是因为电压致热型缺陷发生故障主要位于套管上，并且通常故障点位于套管内部。

因此，可以通过发热面积区别出不同的故障类型和等级，为运检人员提供参考。为了较好验证特征的描述水平和诊断效果，在验证时，交替轮换进行50 次训练和验证。分类结果和运行参数分别如图6 和表2所示。

表2 SVM 和KNN 分类模型运行参数

图6 SVM 和KNN 模型分类结果

从图6 和表2 可以看出，SVM 模型对于预测类别1、2、3 的分类正确率分别为100%、80%和83%。虽然对于2、3 类存在误分类的情况，但在小样本的情况下整体分类准确率能达到91.3%。KNN 对于预测类别1、2、3 的分类正确率分别为88%、80%和75%。在分类正确率方面，相较于SVM 模型分类准确率偏低一些，但整体分类准确率也能达到83.8%，并且该模型在运行速率方面较快。因此，在故障特征样本量较少的情况下，2 种分类模型都能取得较高的分类准确率。充分体现出了本文提取的发热面积特征具有良好的描述性和实用性，能够给予变电站运检人员一定的参考，从而提高变电设备的诊断效率和准确度。

3 结论

本文为了提高故障特征的描述性能和诊断准确度，提出了一种基于发热面积的电流互感器红外故障诊断方法。结果表明，在样本量较少的情况下，分类准确率可达91.3%，充分说明了本文提取的发热面积特征具有较强的描述性和实用价值。