基于GIS融合的智能变电缺陷运检方法

摘 要：变电缺陷运检是智慧变电站的重要组成部分，其可以智能化识别定位变电缺陷，为变电维修提供依据。使用现行方法运检效果不佳，不仅缺陷漏检比例比较高，而且缺陷定位相对偏差比较大，因此本文提出基于地理信息系统（Geographic Information System，GIS）融合的智能变电缺陷运检方法。利用无人机搭载工业相机和GIS设备，感知变电图像和地理信息数据，对图像进行均衡化、归一化预处理，利用图像阈值分割识别变电缺陷，采用GIS技术定位变电缺陷，完成基于GIS融合的智能变电缺陷运检。试验证明应用本文设计方法，变电缺陷漏检比例和定位相对偏差不超过1%，在智能变电缺陷运检方面应用前景广阔。

关键词：GIS融合；智能变电缺陷；运检；无人机；工业相机

中图分类号：TM 726" " " " " " 文献标志码：A

变电站是电力系统的核心部分，设备老化、操作不当和环境变化等多种因素导致变电站在运行过程中会出现各种缺陷和故障。如果不及时发现和处理这些缺陷和故障，就不能保障电网安全、稳定地运行，甚至可能引发严重事故。综上所述，变电站缺陷检测与运维工作具有重要意义。

文献[1]提出基于轮廓线与特征融合的运检方法，结合计算机视觉和形态学滤波算法，对变电设备三维图像进行自动化运检。文献[2]提出基于电力大数据的运检方法，结合电力大数据技术和红外成像技术，分析变电主设备缺陷的发生规律，识别变电缺陷。

虽然传统方法在一定程度上提高了智能变电缺陷运检效率，但是仍然存在局限性。例如很难发现隐蔽性强的缺陷，虽然能够发现部分缺陷，但是运检周期长、操作复杂和成本高，不能反映设备在运行状态中的真实状况。因此，本文提出基于地理信息系统（Geographic Information System，GIS）融合的智能变电缺陷运检方法，该方法新型、高效，对提高变电站运维效率、保障电网安全稳定运行具有重要的意义。

1 智能变电图像感知以及预处理

在智能变电站中的设备，例如断路器、隔离开关和变压器等，在长期运行过程中可能出现故障，这些故障对电网的正常运行产生了严重的影响。智能变电图像感知系统能够实时、连续地监测变电站的设备和环境，及时发现异常情况，为运维人员提供准确的信息。采用机器视觉技术对变电站运行图像进行感知，根据需求采用JGHFA-A5F5工业相机作为变电缺陷运检设备，使用无人机搭载相机对变电图像进行抓拍，后续需要融合GIS技术对变电缺陷进行定位，因此在无人机上安装GIS设备，实时采集地理数据信息。根据实际情况设定相机焦距、拍摄频率和分辨率，确定无人机航高、飞行速度和飞行角度等参数。

利用无线网络将工业相机感知的图像发送至计算机，由于在工业环境中可能存在光线不足的情况或存在其他干扰因素，因此经过相机感知的图像会出现曝光不足的问题。该问题会导致图像过暗，细节丢失，影响后续图像处理和分析。为保证后续缺陷检测精度，在图像传输至计算机后，相机感知的图像可能存在曝光不足等问题，因此对采集的变电设备图像进行均衡化处理。采用直方图均衡化、自适应直方图均衡化等方法进行图像均衡化。这些方法能够根据不同图像的特点自动调整均衡化的参数，以达到最佳的图像增强效果。经过均衡化处理的变电设备图像不仅能够更清晰地展示设备的细节和纹理，还能够提高后续缺陷检测算法的识别率和准确率。设变电图像基本单元为s，图像最大灰度值为N，图像均衡化处理过程如公式（1）所示[3]。

D=N×s/H " " " " " （1）

式中：D为均衡化后的图像灰度值；H为均衡化函数。在图像经过均衡化处理后，对比度得到显著提升，能够更清晰地显示图像中的细节。仅提升对比度不能满足图像分析的全部需求，因此，对图像的分辨率进行调整，并进行归一化处理，消除不同图像之间尺寸和分辨率差异带来的干扰。图像归一化处理后如公式（2）所示。

V=D×F " " " " " " （2）

式中：V为归一化后的变电设备图像；F为归一化系数，其计算过程如公式（3）所示[4]。

F=（KO+PL）·N " " " （3）

式中：KO、PL分别为变电设备图像位宽和分辨率。

利用归一化处理将图像数据缩放至统一范围。由于不同的变电缺陷在图像中差异较大，因此，为了更好地适应这种差异并提高运检的准确性，结合形态学滤波原理，针对不同的隐患缺陷类型，使用不同的滤波器或滤波器组合，对感知的缺陷图像采用平滑处理、边缘检测等操作方法，以突出缺陷特征并抑制背景噪声。

2 智能变电缺陷识别

智能变电站的图像可能会受到各种噪声和干扰的影响，例如电磁干扰、光线变化和设备老化等，这些都会使图像质量下降，影响后续的分析和识别。因此，在完成归一化处理后，为了进一步提高缺陷的识别效果，对图像阈值进行分割。阈值分割是一种设定1个或多个阈值来将图像划分为不同区域的图像分割方法，可以将图像中的目标区域与背景区域进行分离，使目标区域更加突出，提高缺陷识别的准确性。阈值分割还可以根据图像的灰度特性自动选择阈值，进一步提高识别的准确性。在本场景中，根据自适应分割阈值ϖ来确定变电缺陷的像素值，为了消除光照等外界环境对识别结果的影响，确定识别像素阈值ϖ，如公式（4）所示。

ϖ=η+ku" " " " " （4）

式中：η为变电设备图像像素方差；k为变电设备图像像素均值；u为变电缺陷的像素值，根据归一化后的图像和像素分割阈值可以得到u，其计算过程如公式（5）所示。

将u与标准像素值进行对比，以识别智能变电缺陷识别结果，识别过程如公式（6）所示[5]。

式中：b为智能变电缺陷识别结果；0为非缺陷；1为缺陷；λ为变电设备图像标准像素值。

使用上述方法识别变电缺陷可能会消耗过多的计算资源，导致识别效率降低。为了解决这个问题，采用等价交换处理的方法，在此基础上对智能变电图像缺陷像素进行加权处理。加权处理允许算法根据像素的重要性分配不同的计算资源。对缺陷像素来说，可以分配更多的计算资源以保证准确识别；对非缺陷像素来说，可以减少计算资源，对计算资源进行优化和分配。将加权后的变电图像缺陷像素代入公式（5），识别变电缺陷。

3 基于GIS融合的缺陷定位检测

在缺陷识别后，如果不能迅速定位并处理缺陷，就可能会导致故障扩大，影响电力系统稳定运行，甚至造成停电事故。GIS具有强大的空间数据处理和分析能力，可以精确到具体的设备或组件，提高缺陷定位的精度。利用GIS融合将电力设备的空间位置信息与实时运行数据相结合，对缺陷进行精确定位。因此，融合GIS技术对识别的变电缺陷进行定位，将现场运检过程中采集的GIS数据进行处理，采用扫描或绘制的方式创建矢量化地形图并导入数据库中，以供后续使用。

但是，在数字化过程中，受到多种因素影响，矢量化后的地形图与真实地貌间的信息不一致或不准确。针对上述问题，利用GIS中的偏移量转换技术对其进行修正，提高其精度，为故障定位等应用提供更可靠的信息[6]。

同时，为了更有效地利用这些数据，须进行分类和分层处理。根据数据的类型和用途将其分为不同的层级和类别，使数据在GIS系统中的可视化表达更加清晰、直观。利用不同的颜色、符号和线型等视觉元素区分不同层级和类别的数据，便于用户快速识别和理解数据所代表的信息，构建相应的网络关系[7]。在缺陷定位方面，使用空间地理位置信息和地理图形信息这2种关键数据，其定位如公式（7）所示[8]。

式中：E为变电缺陷位置；X、Y分别为变电缺陷在GIS地图坐标系中的横坐标和纵坐标；x、y分别为缺陷点在图像坐标系中的横坐标和纵坐标；xu、yu分别为缺陷点在相机坐标系中的横坐标和纵坐标；S为智能变电缺陷运检长度。

经过以上步骤定位至变电缺陷的具体位置，识别基于GIS融合的智能变电缺陷，其流程如图1所示。

4 试验论证

4.1 试验准备

以某变电站为试验对象检验本文提出的基于 GIS 融合的智能变电缺陷运检方法的性能，该变电站使用时间比较长，部分设备已经出现老化现象，符合试验需求。采用本文设计方法对该变电站进行缺陷运检，根据实际情况，试验准备了1台六旋翼无人机、1台工业相机和1台GIS设备，运检参数设定如下。

无人机：航高设置为1 000 m，航速设置为10 km/h，航线长度设置为5 000 m。相机：焦距设置为3.55 mm，拍摄频率设置为2.62 Hz，拍摄周期设置为1.5 s，分辨率设置为4 560 ppi×4 560 ppi。对变电站进行现场运检，共采集10 000张图像，2.623 GB地理信息数据。根据以上参数对图像进行处理，识别变电缺陷，分析地理信息数据，定位变电缺陷。试验参数设置见表1。

随机选取8个样本，其运检结果见表2。

由表2可知，使用本文方法在智能变电缺陷运检中定位的缺陷与实际位置基本一致。本文方法使用的GIS技术能够将无人机拍摄的变电图像与地理空间信息相结合，可以直观地显示变电缺陷的地理位置、分布情况和严重程度等信息，为变电缺陷的定位提供丰富的空间数据支持。本文方法结合GIS技术和无人机拍摄技术对图像信息与地理空间信息进行有效融合。这种融合使图像中的缺陷信息能够与实际的地理位置进行精确匹配，提高了定位精度，精确定位变电缺陷。因此，本文方法能够完成智能变电缺陷运检任务，结合记录的运检结果对方法性能进行测评。

评价指标使用漏检比例和定位相对偏差。漏检是变电缺陷运检中常见的问题，因此本次试验以漏检比例验证运检精度。漏检比例为运检中未识别检测的样本与总样本的比例，漏检比例越高，变电缺陷识别检测精度越低。定位相对偏差可以表示运检中缺陷定位的准确性，其计算过程如公式（8）所示。

式中：v为变电缺陷运检中定位相对偏差；X0、Y0分别为变电缺陷实际横坐标和纵坐标。

4.2 试验结果与讨论

为了使本次试验具有参考价值，将文献[1]方法、文献[2]方法与本文方法进行比较，3种方法变电缺陷漏检比例见表3，3种方法变电缺陷定位相对偏差曲线如图2所示。

由表3可知，使用本文方法进行变电缺陷运检，缺陷漏检比例不超过1%，使用文献[1]方法漏检比例超过5%，使用文献[2]方法漏检比例超过10%，均高于本文方法，说明使用本文方法效果更好。由图3可知，使用本文方法进行变电缺陷运检，缺陷定位相对偏差不超过1%，文献[1]方法漏检比例超过2%，文献[2]方法漏检比例超过3%，均高于本文方法，说明使用本文方法效果更好。试验结果表明本文方法在智能变电缺陷运检方面具有一定的优势。本文方法对智能变电图像缺陷像素进行加权处理，突出了缺陷区域在图像中的特征，使识别算法更加聚焦于缺陷区域，提高了识别的准确性和效率。由于电力系统的要求是实时性高，因此采用高效、准确的识别方法对及时发现并处理缺陷具有重要意义。同时，融合GIS技术对缺陷进行精确定位，进一步提高了运检的效率和准确性。采用本文方法可以有效减少受非关键信息干扰导致缺陷漏检和误检现象，保证电力系统稳定地运行。综上所述，使用本文方法可以对变电缺陷进行精准运检。

5 结语

本文研究基于GIS融合的智能变电缺陷运检方法，这种创新性的方法保障电网安全、稳定运行。GIS技术的强大空间信息处理能力和智能运检技术的精准高效性相结合，不仅很大程度地提升了变电设备缺陷检测的准确性和效率，也为电网运维工作带来了变革。随着智能电网建设的不断深入，电网运维面临着越来越多的挑战和机遇，基于GIS融合的智能变电缺陷运检方法以其独特的优势成为解决这些问题的有力工具。未来基于GIS融合的智能变电缺陷运检方法将继续发挥其在电网运维中的重要作用。

参考文献

[1]刘威麟，王中伟，郝冠茗，等.基于轮廓线与特征融合的电网变电设备三维自动化运检方法[J].计算技术与自动化，2024，43（1）：117-122.

[2]付鑫，郭阳.基于电力大数据的变电主设备缺陷演化规律红外成像分析方法[J].计算技术与自动化，2024，43（1）：123-128.

[3]吴武超.基于线圈电流检测技术的超高压变电设备故障诊断方法[J].电气技术与经济，2023（10）：392-394，398.

[4]陈铭，罗昌宏.基于变压器油色谱诊断技术的变电检修方法研究[J].电气技术与经济，2023（9）：159-161.

[5]靳书栋，李彦，刘宏志，等.基于改进SVM算法的输变电工程异常数据检测方法设计[J].电子设计工程， 2023，31（19）：68-72.

[6]赵振兵，冯烁，赵文清，等.融合知识迁移和改进YOLOv6

的变电设备热像检测方法[J].智能系统学报，2023，18（6）：1213-1222.

[7]潘志新，张天培，董建生，等.基于电气试验全流程智能管控的变电运检数字化转型实践[J].电工技术，2023（6）：158-160，166.

[8]汪本清，柯海波，叶章文，等.物联网和遥感信息融合的变电智能运检系统设计[J].计算技术与自动化，2022，41（3）：154-158.