基于最大熵阈值分割的电气二次回路故障三维可视化识别模型

2023-12-27樊云鹏池招荣覃显南赖璐璐黄雅琴廖曼君

计算技术与自动化 2023年4期

樊云鹏,池招荣,覃显南,赖璐璐,黄雅琴,廖曼君

(广西电网有限责任公司崇左供电局,广西崇左 532200)

电气二次回路作为变电站运行系统的重要组成,为二次设备安全可靠运行提供基本保障,电气二次回路出现故障和缺陷的情况不断增加,且电气二次回路遍布变电站各个电气元件,为了防止变电站发生重大事故,需要提高二次回路运行的可靠性,实现二次回路运行状态的实时监测。

目前变电站电气二次回路涉及的设备和装置数量较多,存在着工作量大、工作效率低的问题,因此,应采取科学有效的方法进行故障识别,如王磊等[1]研究了一种智能变电站失灵保护二次回路的可视化数字图纸建模方法。邬小坤等[2]设计了智能变电站故障过程可视化分析系统。戴志辉等[3]分析了基于改进D-S证据理论的智能站保护二次回路故障诊断方法。及时消除故障隐患,为运维人员及时发现异常情况提供技术支撑,这也是变电站提高设备运维管理水平的发展方向和迫切需要。

最大熵阈值分割在监控安防以及工业生产等领域中起着十分重要的作用,该技术能够根据像素之间的灰度值,提取识别目标与背景,便于后文的可视化识别研究,因此本文基于最大熵阈值分割,对电气二次回路故障三维可视化识别模型进行了研究,为变电站二次回路运维水平的提高提供了重要的参考依据,对电气二次回路三维可视化识别技术的发展具有现实意义。

1 电气二次回路故障三维可视化识别模型

1.1 电气二次回路监测

本文主要采用红外成像仪作为主要监测设备,对二次回路端子排进行红外测温,根据红外图像,随时监测二次回路的温度情况,若发现端子排存在温度过高情况,则发出告警信号,便于维修人员及时处理故障。由于目前对二次回路电压电流数据的采集是基于接触式的,这种方式存在着诸多不安全因素,因此本文对非接触式电压电流获取技术进行研究,在对二次回路电压电流监测中,开发并利用一种基于变容二极管的电子式直流电压传感器,与红外成像仪结合使用,实时监测二次回路端子上的电流、电压数据,可以对二次回路的运行状态进行实时分析,并实现故障的自动定位,依靠电场耦合方式对导体电位进行测量。

在待测导线周围位置安放感应电极,由感应电极产生感应电势,该感应电势与待测导线成正比关系,将感应极板与变容二极管的反向端相接,根据感应极板产生的感应电势与大地形成的电势差,改变变容二极管的电容值以及调谐电路的谐振频率点。采集各频率下对应的电压幅值,以电压幅值最大点对应的频率,作为变容二极管谐振电路的谐振频率。

1.2 生成电气二次回路三维虚拟场景

目前,变电站在进行电气二次回路数据分析和故障排查等运维工作时,都需要运维人员查阅大量的二维图纸。基于图纸开展各项工作不仅为运维人员带来极大的工作量,也影响了运维工作的效率,对运维人员的理论知识和经验也有着较高的要求。因此,本文图纸的自动和手工矢量化转换技术,能够自动转换CAD图纸,在只有纸质图纸的情况下,手工绘制成矢量图。

由于二维图纸中电气设备以及相互连接等信息都是通过符号来表示的,不能对空间位置、实体位置等真实信息进行展示[4-5],因此本文通过三维仿真技术,生成三维虚拟场景,利用Unity3D技术进行建模,根据图纸资料以及数据尺寸,设置三维场景中各种物体模型的材质、位置等,并以*.Max格式进行保存,以保证虚拟场景建成后质量,进一步进行纹理制作处理,生成光照纹理,以达到效果。本文对变电站电气二次回路中电缆和起止设备在三维虚拟场景中进行具体展示,如图1所示。

图1 电缆“9Y-125”的三维虚拟场景

由图1可以看出,建成后的虚拟场景以其直观的三维实体和空间位置代替抽象的二维图纸符号,实现了二维场景图像三维场景图的转化,并在场景中标定电子式直流电压传感器的位置、红外成像仪的监控角度和监控距离,实现场景漫游,便于后续对二次回路故障的识别与检修。

1.3 基于最大熵阈值分割处理图像

为了便于后续对电气二次回路故障进行识别,本文基于最大熵阈值分割法,对采集到的电气二次故障图像进行分割处理,提取出识别目标和背景之间的边界,让分割后的图像的熵达到最大,择取最优阈值[6-7],设定待处理图像中有n个因素,建立图像的灰度值集合,计算各灰度级在图像中出现的概率,具体公式为:

pi=Ni/n,i=0,1,2,…,l-1

(1)

式中,Ni为灰度值为i的像素数量,{0,1,2,…,l-1}为灰度值集合,l为灰度级,根据阈值t分割图像,对目标和背景区域均值进行求解,具体公式为:

(2)

式中,γ0为目标均值,γ1为背景区域均值,其中:

(3)

根据上式计算,得到图像的总灰度平均值,具体公式为:

γt=σ0γ0+σ1γ1

(4)

由此得到目标和背景的灰度熵分别为:

(5)

式中,h0为目标灰度熵,h1为背景灰度熵,h0和h1的值越大,代表区域内像素点间的性质越相似,分割效果越明显,由此得到图像的总灰度熵为:

(6)

经过上述各式计算,取阈值t的最大值为最佳阈值,能够避免频繁出现有效分割像素点丢失的情况。根据本文对图像数字灰度值的处理,将待提取的目标进行分割,以达到提高图像抗噪性效果,便于识别二次回路故障。

1.4 建立二次回路故障三维可视化识别模型

本文在电气二次回路中安装视频识别RFID电子标签,通过选择超高频无源RFID芯片,保证识别系统的抗干扰性能。本文构建的二次回路故障三维可视化识别模型,基于可视化分析技术,描述变电站运行状态的数据,把测量到的数据、图像及计算中生成的数据转变成直观的图像信息。对二次回路可视化进行颜色处理,区分不同性质的二次回路[8-10],制定不同的颜色值,整型颜色值到浮点数的转换情况如表1所示。

低宜人性消费者往往性格比较冷淡，不具有亲和力，更注重自我利益的实现以及自我愿望的满足。她们比较不容易参考他人的意见，多将注意力放在自己身上。因此，企业应采取较为灵活的定价方法。意见领袖对于低宜人性女性化妆消费的营销不大，因此，化妆品牌可以减少这方面的成本支出。

表1 整型颜色值到浮点数的转换

表1中,为了清楚地识别二次回路中多条电缆以及起止设备的缺陷和故障,保证观察的全面性,因此,生成一个绕任意轴旋转的矩阵,了解每一个缺陷和故障发生的细节,具体矩阵为:

(7)

式中Rx(δ)为绕x轴旋转α度对应的矩阵,绕y轴旋转α度对应的矩阵为:

(8)

绕z轴旋转α度对应的矩阵为:

(9)

为了更好地观察局部细节,把握二次回路全局概貌,对识别目标进行缩放,其缩放矩阵为:

(10)

由此在三维可视化场景下,通过交互式操作对电气二次回路进行故障识别,提取二次回路故障特征,并通过建立二维图纸中的图元和三维场景中的虚拟对象的映射,实现二维图像和三维场景的通信,获取故障信息,完成对电气二次回路故障的识别。

2 实例论证与结果分析

2.1 论证准备及过程

为验证本文模型对电气二次回路故障识别效果,本文以某220 kV变电站为研究对象,对变电站中二次回路故障进行识别。本文论证共分为两部分,第一部分为故障分割,进行图像背景和故障目标的分割处理;第二部分对图像中的电气二次回路故障进行识别,分析本文模型的故障识别性能。为了进一步验证本文模型的有效性,本文选取了基于OTSU分割的识别模型[11]和基于K-means 聚类分割的识别模型[12]作为对照模型,验证本文模型的图像分割处理以及故障识别效果。

本次论证在相同论证条件下,以220 kV变电站中110 kV开关充电的保护装置异常为例,故障条件相同,通过不同模型识别该条件下的二次回路故障。在第一部分论证中,判断不同模型的图像分割是否存在有效分割像素点的丢失和分割不清晰的问题;在第二部分论证中,以故障识别的准确率、误检率、漏检率为论证指标,分析不同模型的故障识别效果。其准确率计算公式为:

(11)

式中,A为电气二次回路故障识别正确的线路总数,B为误报的故障线路总数,误检率的计算公式为:

(12)

漏检率的计算公式为:

(13)

式中,C为电气二次回路的实际故障线路总数,论证测试集中共包含400个图像,其中有171个二次回路故障数据。在经过6轮验证后,取各结果的平均值,得到最终的故障识别结果。

2.2 最大熵阈值分割图像处理效果

由不同模型对二次回路故障图像进行分割处理,选取其中一组二次电缆图像进行展示,得到的图像分割结果如图2所示。

(a)原始二次电缆故障图像

(b)基于OTSU分割的识别模型处理图像

(c)基于K-means 聚类分割的识别模型处理图像

(d)本文模型处理图像

由图2可知,基于OTSU分割的识别模型处理的图像质量最差,目标与背景的轮廓最不清晰,推测这是由于该模型阈值选择不恰当导致的;基于K-means 聚类分割的识别模型处理后的图像的噪声明显减少,目标与背景轮廓更加清晰,但存在有效分割像素点丢失的情况,分割精度有待提高。与两种传统方法相比,本文模型处理后的图像分割效果更佳,目标与背景轮廓清晰,且不存在有效分割像素点丢失的现象。由此可见,本文模型的图像分割处理具有更好的效果。

2.3 电气二次回路故障三维可视化识别性能

本文共进行5组电气二次回路故障识别论证,其中第5组论证为多目标故障识别,不同模型的故障识别结果如图3所示。

(a)准确率

(b)误检率

(c)漏检率

图3清晰地展现了不同模型对电气二次回路故障识别效果,本文模型故障识别的准确率始终在95%以上,基于OTSU分割的识别模型准确率则在70%～80%之间,基于K-means 聚类分割的识别模型准确率在85%～90%之间;同时,本文模型的误检率和漏检率均在5%以下,基于OTSU分割的识别模型的误检率和漏检率均为最高,由此可见,本文模型具有更好的故障识别效果。综上所述,本文模型具有可靠性。